联合分布_矩估计值的求解步骤

联合分布_矩估计值的求解步骤作者:Vamei出处:http://www.cnblogs.com/vamei欢迎转载,也请保留这段声明

作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

 

我之前一直专注于单一的随机变量及其概率分布。我们自然的会想将以前的结论推广到多个随机变量。联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。

对于联合分布来说,最核心的依然是概率测度这一概念。 

 

离散随机变量的联合分布

我们先从离散的情况出发,了解多个随机变量并存的含义。

之前说,一个随机变量是从样本空间到实数的映射。然而,所谓的映射是人为创造的。从一个样本空间,可以同时产生多个映射。比如,我们的实验是连续三次投硬币,样本空间为

Ω={
hhh,hht,hth,thh,htt,tht,tth,ttt}

h为正面,t为反面。在同一样本空间上,我们可以定义多个随机变量,比如:

  • X : 投掷为正面的总数,可以取值0,1,2,3
  • Y : 最后一次出现负面的总数,可以取值0,1
  • Z : 将正面记为10,负面记为5,第一次与第三次取值的差,可以有5, -5, 0

这三个随机变量可以看作一个有三个分量的矢量。所以定义在同一样本空间的多随机变量,是一个从样本空间到矢量的映射。 

(从这个角度上说,单一随机变量是一个从样本空间到一个有一个分量的矢量的映射)

 

如果样本空间 Ω 中每个结果出现的概率相等。而样本空间中共有8个结果,那么个每个结果的出现的概率都是1/8。据此,我们可以计算联合概率,比如

P(X=0,Y=1)=P({
ttt})=1/8

P(X=1,Y=1)=P({
htt,tht})=2/8


对于 X=x,Y=y ,我们寻找样本空间中满足这两个取值的所有元素。这些元素构成一个样本空间的子集,该子集的概率就是 P(X=x,Y=y) 的联合概率。 p(x,y)=P(X=x,Y=y) 称为联合概率质量函数(joint PMF, joint probability mass function)。联合概率可以看做两个事件同时发生时的概率,事件A为 X=x ,事件B为 Y=y ,即 P(AB)

找到所有可能取值组合的概率,就找到了这两个随机变量的联合分布:

X Y P(X,Y) 对应子集
0 0 0 Φ
1 0 1/8 tth
2 0 2/8 thh, hth
3 0 1/8 hhh
0 1 1/8 ttt
1 1 2/8 htt, tht
2 1 1/8 hht
3 1  0 Φ

 联合分布

联合分布描述了所有可能的取值情况。因此,联合概率密度函数的累积和为1。

 

连续随机变量的联合分布

我们知道,单个连续随机变量的概率是变量在某个区间(某段线的“长度”)取值的概率。做类似的推广,多个连续随机变量的概率,是这多个随机变量在多维区间的概率。比如两个随机变量,我们需要表达一个二维区间的概率,比如 P(aXb,cYd) 。这个二维区间可以有一个类似于一个小补丁的“面积”。二维区间对应的概率是一个体积。

联合分布_矩估计值的求解步骤

 

面积对应的体积

 

在单变量情况下,概率是一个“面积”,是由区间的“长度”和密度函数(一条曲线)围成的。这里的“体积”是二维区间的“面积”和密度函数(一个曲面)围成的。我们可以使用联合概率密度函数(joint PDF, joint probability density function)来表达多随机变量的分布。对于双变量的联合分布来说,它等于无穷小块的概率,除以无穷小块的面积。

用微积分的语言来说,就是

P(aXb,cYd)=badcf(x,y)dxdy

f(x,y) 就是描述X和Y的联合分布的联合概率密度函数。

 

联合概率密度函数描述了所有可能取值的情况,因此有

+f(x,y)dxdy=1

 

实例

下面是两个连续随机变量的联合PDF:

f(x,y)={
2x0forfor0x,y1else

通过积分,计算X在0到0.5,而Y在0到1的概率:

P(0X0.5,0Y1)=0.50102xdxdy=0.25

 

我们之间也说到,单个随机变量的概率对应线段到概率密度曲线之间的面积。而两个随机变量的概率对应小块到概率密度面之间的体积。

我们可以绘制 f(x,y) 的分布图形,即一个二维的平面。图中的颜色标记了f(x, y)值的大小。如下: 

联合分布_矩估计值的求解步骤可以看到,f(x, y)随X增大而增大,在X值确定时,f(x, y)不随Y变化。

# By Vamei

from mpl_toolkits.mplot3d import Axes3D from matplotlib import cm from matplotlib.ticker import LinearLocator, FormatStrFormatter import matplotlib.pyplot as plt import numpy as np fig = plt.figure() ax = fig.gca(projection='3d') X = np.arange(0, 1, 0.05) Y = np.arange(0, 1, 0.05) X, Y = np.meshgrid(X, Y) Z = 2*X surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm, linewidth=0, antialiased=False) ax.set_zlim(0.0, 2.5) ax.zaxis.set_major_locator(LinearLocator(10)) ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) ax.set_xlabel("X") ax.set_ylabel("Y") ax.set_zlabel("f(x,y)") fig.colorbar(surf, shrink=0.5, aspect=5) plt.show()

 

边缘概率

联合分布包含了多个随机变量的分布信息。我们当然可以从联合分布中,提取出任意一个单一随机变量的分布,也就是所谓的边缘分布(marginal distribution)。

对于离散随机变量,可以获得边缘概率质量函数(marginal pmf):

pX(x)=allyp(x,y)

pY(y)=allxp(x,y)

在求X的单一边缘分布时, 我们累加了相同x值、不同y值时的多个联合概率,从而获得该x值的的总体概率,即边缘概率。

 

连续随机变量X的边缘密度函数(marginal pdf, marginal probability density function)可以定义为

fX(x)=+f(x,y)dy

fX(x) 是联合密度函数对Y的积分。通过积分,我们将不同Y取值时的联合概率加在一起,就获得纯粹的单一X的分布状况。

类似的,Y的边缘密度函数为

fY(y)=+f(x,y)dx

 

取离散随机分布的例子,即掷三次硬币

  0 1 2 3 p(y)
0 0 1/8 2/8 1/8 1/2
1 1/8 2/8 1/8 0 1/2
p(x) 1/8 3/8 3/8 1/8  

边缘概率是对各行和列的累加。最后一列p(y)是Y的分布,Y有1/2的概率取0,1/2的概率取1。最后一行p(x)是X的分布。

 

取连续随机分布的例子,即下面的连续分布:

f(x,y)={
2x0forfor0x,y1else

可以得到:

fX(x)=2x,0x1

fY(y)=1,0y1

 

条件分布

我们之前基于事件介绍了条件概率,即如果事件B发生,那么事件A发生的概率。相同的概念可以引申到随机变量。随机变量取某个值,这可以看做一个事件。我们想知道,随机变量Y取值y,另一个随机变量X为x的概率。

 

与事件的条件概率类似,假设 pY(y)0 ,在 Y=y 的条件下,随机变量X取值为x的概率定义为: 

p(x|y)=p(x,y)pY(y)

X=x,Y=y 同时发生的概率,除以Y取值为y的的概率。

 

以掷三次硬币为例。条件为Y值取值0,即最后一次投掷为正面时。此时,X取值为2有两种可能,即前两次为ht和th。由于前两次投掷有四种组合,所以概率为0.5。

我们可以通过条件概率的公式计算并验证:

p(2|0)=p(2,0)pY(0)=2/81/2=0.5

 

如果说概率是分一个总和为1的大饼,如果大饼分八块,每块就是1/8。假设半个饼上撒胡椒,另半个饼上撒辣椒。那么在胡椒饼(相当于我们的条件)上选取一块的概率,就是1/4。此时,也就是用原来的概率除以胡椒饼所占的比重。

 

对于连续随机变量,假设 fY(y)0 ,给定Y=y,随机变量X的条件分布为:

f(x|y)=f(x|Y=y)=f(x,y)fY(y)

 

独立随机变量

正如事件之间可以相互独立一样,随机变量之间也可以相互独立。当X独立于Y时,我们可以相像,Y的取值,将不影响X的概率。也就是说

p(x|y)=pX(x)

这意味着,当且仅当

p(x,y)=pX(x)pY(y)

时,X和Y相互独立。

可以验证,连续投掷三次硬币的例子中,X和Y并不独立,比如

p(1,1)=2/8

pX(1)=3/8

pY(1)=1/2

因此,

p(1,1)pX(1)pY(1)

X和Y并不独立。

对于连续随机变量来说,当且仅当

f(x,y)=fX(x)fY(y)

时,X和Y相互独立。

对于分布

f(x,y)={
2x0forfor0x,y1else

使用之前获得的边际分布,可以验证

f(x,y)=fX(x)fY(y)

因此,对于该分布来说,X和Y相互独立。

 

总结

通过联合分布,我们将单随机变量的分布拓展到多随机变量的分布。同样的,在单随机变量中引入的条件概率,也可以使用到多随机变量。我们还探讨了随机变量的独立性。

今天的文章联合分布_矩估计值的求解步骤分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/70463.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注