UA MATH564 概率论 标准二元正态分布的性质
UA MATH564 概率论 标准二元正态分布的性质
- 两个独立的标准正态变量
- Rayleigh分布
- Cauchy分布
- Box-Muller变换
- 两个相关的标准正态变量
- 边缘密度
- 条件密度
两个独立的标准正态变量
假设XXX,YYY是两个独立的标准正态变量,则
f(x,y)∝exp(−x2+y22)f(x,y) \propto \exp\left( -\frac{x^2 + y^2}{2} \right)f(x,y)∝exp(−2x2+y2)
Rayleigh分布
做极坐标变换x=rcos(θ),y=rsin(θ),r∈[0,+∞),θ∈[0,2π)x = r\cos(\theta),y = r\sin(\theta),r \in [0,+\infty),\theta \in [0,2\pi)x=rcos(θ),y=rsin(θ),r∈[0,+∞),θ∈[0,2π),这个变换的Jacobi行列式为rrr,根据多元随机变量变换的规则,
fR,Θ(r,θ)∝re−r22f_{R,\Theta}(r,\theta) \propto re^{-\frac{r^2}{2}}fR,Θ(r,θ)∝re−2r2
这个是标准Rayleigh分布的密度核,说明RRR服从标准Rayleigh分布,因为这个密度核与θ\thetaθ无关,说明Θ\ThetaΘ服从均匀分布。计算
∫02πdθ∫0∞re−r22dr=2π\int_0^{2\pi}d\theta \int_0^{\infty} re^{-\frac{r^2}{2}}dr = 2\pi∫02πdθ∫0∞re−2r2dr=2π
所以
fR,Θ(r,θ)=r2πe−r22,r∈[0,+∞),θ∈[0,2π)f_{R,\Theta}(r,\theta) = \frac{r}{2\pi}e^{-\frac{r^2}{2}},r \in [0,+\infty),\theta \in [0,2\pi)fR,Θ(r,θ)=2πre−2r2,r∈[0,+∞),θ∈[0,2π)
并且R,ΘR,\ThetaR,Θ互相独立。
Cauchy分布
定义T=tanΘ=X/YT = \tan \Theta = X/YT=tanΘ=X/Y,则
∂Θ∂T=∂arctanT∂T=11+T2\frac{\partial \Theta}{\partial T} = \frac{\partial \arctan T}{\partial T} = \frac{1}{1+T^2}∂T∂Θ=∂T∂arctanT=1+T21
根据随机变量变换的规则(注意Θ∈[0,2π)\Theta \in [0,2\pi)Θ∈[0,2π)但tan\tantan的周期是π\piπ,所以要在变换的基础上再乘2)
fT(t)=1π(1+t2)f_T(t) = \frac{1}{\pi (1+t^2)}fT(t)=π(1+t2)1
这个是标准Cauchy分布。根据R,ΘR,\ThetaR,Θ互相独立可知,X2+Y2\sqrt{X^2+Y^2}X2+Y2与X/YX/YX/Y互相独立。
Box-Muller变换
上面的结论在统计计算中有很广的应用。首先,假设我们要用反函数法生成标准Rayleigh分布的样本,用UUU表示均匀分布的样本,考虑
U=FR(R)=∫0Rre−r22dr=1−e−R22⇒R=−2ln(1−U)U = F_R(R) = \int_0^{R} re^{-\frac{r^2}{2}}dr = 1 - e^{-\frac{R^2}{2}} \Rightarrow R = \sqrt{-2\ln (1-U)}U=FR(R)=∫0Rre−2r2dr=1−e−2R2⇒R=−2ln(1−U)
其中1−U1-U1−U也是[0,1]上的均匀随机变量。假设V,WV,WV,W是两个独立的[0,1]上的均匀随机变量,定义
R=−2lnV,Θ=2πWR = \sqrt{-2\ln V},\Theta = 2\pi WR=−2lnV,Θ=2πW
则R,ΘR,\ThetaR,Θ互相独立,并且RRR服从标准Rayleigh分布,Θ\ThetaΘ服从[0,2π)[0,2\pi)[0,2π)上的均匀分布,再根据极坐标变换
X=RsinΘ=−2lnVsin(2πW)Y=RcosΘ=−2lnVcos(2πW)X = R\sin \Theta = \sqrt{-2\ln V} \sin (2\pi W) \\ Y = R\cos \Theta = \sqrt{-2\ln V} \cos (2\pi W)X=RsinΘ=−2lnVsin(2πW)Y=RcosΘ=−2lnVcos(2πW)
是两个独立的标准正态变量。这个变换叫Box-Muller变换,可以根据这个变换产生正态样本。
两个相关的标准正态变量
现在要利用两个独立的标准正态变量构造两个相关的标准正态变量,定义
Z1=X1,Z2=ρX1+1−ρ2X2Z_1 = X_1,\ \ Z_2 = \rho X_1 + \sqrt{1-\rho^2}X_2Z1=X1, Z2=ρX1+1−ρ2X2
根据随机变量变换的规则,
fZ1,Z2(z1,z2)=12π1−ρ2exp(−z12+(z2−ρz11−ρ2)22)=12π1−ρ2exp(−z12−2ρz1z2+z222(1−ρ2))f_{Z_1,Z_2}(z_1,z_2) = \frac{1}{2\pi\sqrt{1-\rho^2}} \exp \left( -\frac{z_1^2 + (\frac{z_2-\rho z_1}{\sqrt{1-\rho^2}})^2}{2} \right) \\ = \frac{1}{2\pi\sqrt{1-\rho^2}} \exp \left( -\frac{z_1^2 -2\rho z_1z_2 + z_2^2}{2(1-\rho^2)} \right) fZ1,Z2(z1,z2)=2π1−ρ21exp⎝⎛−2z12+(1−ρ2z2−ρz1)2⎠⎞=2π1−ρ21exp(−2(1−ρ2)z12−2ρz1z2+z22)
边缘密度
fZ1(z1)=∫−∞+∞12π1−ρ2exp(−z12−2ρz1z2+z222(1−ρ2))dz2=∫−∞+∞e−z1222π1−ρ2exp(−(z2−ρz1)22(1−ρ2))dz2=2π(1−ρ2)e−z1222π1−ρ2=12πe−z122f_{Z_1}(z_1) = \int_{-\infty}^{+\infty} \frac{1}{2\pi\sqrt{1-\rho^2}} \exp \left( -\frac{z_1^2 -2\rho z_1z_2 + z_2^2}{2(1-\rho^2)} \right) dz_2 \\ = \int_{-\infty}^{+\infty} \frac{e^{-\frac{z_1^2}{2}}}{2\pi\sqrt{1-\rho^2}}\exp \left( -\frac{(z_2-\rho z_1)^2}{2(1-\rho^2)} \right) dz_2 \\ = \frac{\sqrt{2\pi (1-\rho^2)}e^{-\frac{z_1^2}{2}}}{2\pi\sqrt{1-\rho^2}} = \frac{1}{\sqrt{2\pi}} e^{-\frac{z_1^2}{2}}fZ1(z1)=∫−∞+∞2π1−ρ21exp(−2(1−ρ2)z12−2ρz1z2+z22)dz2=∫−∞+∞2π1−ρ2e−2z12exp(−2(1−ρ2)(z2−ρz1)2)dz2=2π1−ρ22π(1−ρ2)e−2z12=2π1e−2z12
也就是说Z1Z_1Z1和Z2Z_2Z2的边缘密度还是标准正态的。
条件密度
fZ2∣Z1(z2∣z1)=f(z1,z2)f(z1)=12π1−ρ2exp(−z12−2ρz1z2+z222(1−ρ2))12πe−z122=12π(1−ρ2)exp(−(z2−ρz1)22(1−ρ2))f_{Z_2|Z_1}(z_2|z_1) = \frac{f(z_1,z_2)}{f(z_1)} = \frac{\frac{1}{2\pi\sqrt{1-\rho^2}} \exp \left( -\frac{z_1^2 -2\rho z_1z_2 + z_2^2}{2(1-\rho^2)} \right)}{\frac{1}{\sqrt{2\pi}} e^{-\frac{z_1^2}{2}}} \\ = \frac{1}{\sqrt{2\pi(1-\rho^2)}} \exp \left( -\frac{(z_2-\rho z_1)^2}{2(1-\rho^2)} \right)fZ2∣Z1(z2∣z1)=f(z1)f(z1,z2)=2π1e−2z122π1−ρ21exp(−2(1−ρ2)z12−2ρz1z2+z22)=2π(1−ρ2)1exp(−2(1−ρ2)(z2−ρz1)2)
这说明Z2∣Z1∼N(ρZ1,1−ρ2)Z_2|Z_1 \sim N(\rho Z_1,1-\rho^2)Z2∣Z1∼N(ρZ1,1−ρ2)
UA MATH564 概率论 标准二元正态分布的性质相关推荐
- UA MATH564 概率论VI 数理统计基础2 多元正态分布
UA MATH564 概率论VI 数理统计基础2 多元正态分布 矩母函数 概率密度 多元正态分布的矩 条件分布 独立性 抽样分布简单地说就是统计量服从的分布,正态分布时最常用的总体分布,因此研究正态总 ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布中
UA MATH564 概率论VI 数理统计基础3 卡方分布中 卡方分布的基本性质 上一讲介绍了卡方分布的定义:假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn互相独立,并且Xi∼N(a ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布上
UA MATH564 概率论VI 数理统计基础3 卡方分布上 卡方分布 卡方分布的分布函数 中心化卡方分布 一般的卡方分布 卡方分布 这里给出卡方分布的一般性定义.假设X1,⋯,XnX_1,\cdot ...
- UA MATH564 概率论III 期望
UA MATH564 概率论III 期望 随机变量的函数的期望 特征函数,矩生成函数,累积量生成函数,概率生成函数 这一讲讨论一元随机变量. 随机变量的函数的期望 对于随机变量XXX,假设ggg是定义 ...
- UA MATH564 概率论V 中心极限定理
UA MATH564 概率论V 中心极限定理 随机变量序列的极限 收敛模式之间的关系 大数法则 中心极限定理 Classical Central Limit Theorem Sugden法则 Delt ...
- UA MATH564 概率论 样本均值的偏度与峰度
UA MATH564 概率论 样本均值的偏度与峰度 偏度 峰度 假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn是一组简单随机样本,Xˉ\bar{X}Xˉ是样本均值,总体均值为μ\mu ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用1
UA MATH564 概率论 多元随机变量的变换 理论与应用1 定义法 Jacobi行列式法 假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn是nnn个一元随机变量,存在一个C1(Rn ...
- UA MATH564 概率论IV 次序统计量
UA MATH564 概率论IV 次序统计量 次序统计量的分布 例子 例1:均匀分布的次序统计量 例2:Dirichlet分布 次序统计量的分布 次序统计量的作用是比较大的,经常可以作为某些分布的充分 ...
- UA MATH564 概率论 Dirichlet分布
UA MATH564 概率论 Dirichlet分布 在UA MATH564 概率论IV 次序统计量中,我们介绍了均匀分布U(0,1)U(0,1)U(0,1)的多个次序统计量的联合分布就是Dirich ...
最新文章
- /bin/bash^M解决办法
- axios nodejs 上传图片_Vue Axios跨域、文件上传
- 【vijos】【二叉树】FBI树
- Android显存到内存拷贝耗时,memcpy速度太慢?掌握这个技术让内存拷贝效率成倍提升...
- Go Web编程--深入学习解析HTTP请求
- React context 丢失问题
- EKF_SLAM一般过程
- CarSim仿真快速入门(十四)—CarSim-Simulink联合仿真
- LaTeX 语法教程
- 使用 Calibre Web 搭建私人电子图书馆
- ape是什么格式?ape怎么转mp3?
- 机器学习:蒙特卡罗方法
- python立即关机_Python之电脑好帮手—自动定时关机
- 软件设计交流系统-用户手册与帮助文档
- 思维课和少儿编程的区别
- 小程序公众号共服务器,公众号和小程序用户互通,无需unionid解决方案
- 再添理事成员:麒麟软件、浪潮信息、中科曙光、新华三加入龙蜥
- 2018年通信工程师交换技术考试成绩查询
- 学校图书馆共有 300 万册图书,想统计其中 Computer , Science ,计算机,科学这几个词出现的次数,并按照自然年度分类,如 2016 年出版的
- 394. 字符串解码
热门文章
- 【正一专栏】评深圳西乡砍人案——不要无辜的底层伤害
- Leetcode 203. 移除链表元素 解题思路及C++实现
- Java 分页,两种方式的分页,即取即用的代码,不客气
- 单链表按顺序插入节点
- 组件化开发思想||全局组件注册语法||组件注册注意事项
- mysql常用语句整理
- Python 【好看视频】短视频的自动上传与发布实例演示,同时支持抖音、快手、哔哩哔哩、小红书、微视、西瓜视频、微信视频号等平台的视频自动化同步发布
- Python 语法错误:“SyntaxError: invalid character in identifier“,原因及解决方法
- 电磁场与电磁波第二章 电磁场的基本规律
- [YTU]_2630 ( E2 驾驭const)