随机变量和的分布—卷积公式distribution convolution的应用

最新推荐文章于 2024-03-26 22:17:50 发布
转载 最新推荐文章于 2024-03-26 22:17:50 发布 · 4k 阅读 · 10 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/133690763

在概率论里面，大家都会碰到一类问题，就是涉及到这样一类题目：
在这里插入图片描述

一般来说，这种类型的题目有两种方法来解决，第一种就是二重积分法；第二种就是应用卷积公式。下面我给大家列出了卷积公式：
在这里插入图片描述
在这里插入图片描述

但是呢，我一般给我的学生推荐，我只会强烈推荐利用卷积公式，没有对比就没有伤害，我下面对一个例子应用两种方法来解决一下，大家自见分晓(●’◡’●)

方法一:“二重积分”法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

方法二：“卷积公式”法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这样一看，用卷积公式确实要简单很多了，对比也是很明显的。

主要参考资料说明：主要参照《概率论与数理统计》第二版，四川大学出版社，邹述超，何腊梅，编.

https://zhuanlan.zhihu.com/p/133690763

2022-1-31 随机过程之随机变量服从Erlang分布时的概率密度函数推导过程
林微的博客
01-31 1193
Erlang分布是kkk个独立同分布同参数的指数分布的和，或者说Erlang分布可以分解为kkk个独立同分布同参数的指数分布。为了求Erlang分布的概率密度函数(PDF)，我们需要引入数学卷积(convolution)的概念——卷积的物理意义是两个独立同分布的随机变量和的概率密度函数。本文我们通过kkk个独立同分布的指数函数的概率密度函数的卷积来计算Erlang分布的概率密度函数。 1. 预备知识一 1.1. 指数分布 给定随机变量XXX服从均值为λ\lambdaλ的指数分布，记为X∼Exp(λ)X\s
分类预测 | CNN-SVM卷积神经网络-支持向量机组合模型的故障诊断（Matlab）
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
10-26 246
分类预测 | CNN-SVM卷积神经网络-支持向量机组合模型的故障诊断（Matlab）
卷积计算——卷积公式
qq_42025868的博客
02-20 5741
WinputW_{input}Winput​和HinputH_{input}Hinput​是图片的宽和高。 WfilterW_{filter}Wfilter​和HfilterH_{filter}Hfilter​是卷积核的宽和高。 PPP是padding填充的圈数。 SSS是卷积核的步长。
概率论复习笔记——卷积公式
热门推荐
jyfan0806的博客
12-03 20万+
概统笔记——多维随机变量及其分布、卷积公式二维随机变量边缘概率密度条件分布相互独立的随机变量两个随机变量的函数的分布（一）Z=X+Y的分布（二）Z=X/Y的分布、Z=XY的分布（三）M=max{X,Y} 及 N=min{X,Y}的分布 二维随机变量 定义 设(X,Y)(X,Y)(X,Y)是二维随机变量，对于任意实数x,yx,yx,y,二元函数：\newline F(x,y)=P{(X⩽x)⋂(...
卷积公式
CodingMen的博客
11-17 3万+
卷积公式卷积概念卷积(Convolution)是通过两个函数f(t)和g(t)生成第三个函数的一种数学算子，表征函数f(t)与g(t)经过翻转和平移的重叠部分的面积。f(t)f(t)与g(t)g(t)的卷积公式为： f(t)∗g(t)=∫t0f(u)g(t−u)du(1) f(t)*g(t)=\int_0^t f(u)g(t-u)du \tag{1} f(t)f(t)与g(t)g(t)的拉普拉斯
卷积公式介绍
欢迎来到道的世界
04-15 5万+
卷积定义  若f(x)f(x)f(x)与h(x)h(x)h(x)有界且可积，一维函数卷积连续形式g(x)=f(x)∗h(x)=∫−∞+∞f(ξ)h(x−ξ)dξ\begin{aligned}g(x)&=f(x)*h(x)\\ &=\int^{+\infty}_{-\infty}f(\xi)h(x-\xi)d\xi\end{aligned}g(x)​=f(x)∗h(x)=∫−∞+∞​f(ξ)h(x−ξ)dξ​一维函数卷积离散形式g(x)=f(x)∗h(x)=∑ξf(ξ)h(x−ξ)\begin
高斯分布卷积非高斯分布
最新发布
06-13
当一个函数是高斯分布时，其与其他函数（包括非高斯分布）的卷积具有特定的性质和应用场景。 #### 1. 高斯分布与非高斯分布的卷积定义 高斯分布的概率密度函数为： \[ f_X(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\...
引入随机噪声来模拟真实场景中的噪声：通过概率论的知识，分别讨论两种噪声的生成方式——白噪声和脉冲噪声，并给出相应的算法实现
08-28 1155
作者：禅与计算机程序设计艺术 1.简介 在现实生活中，真实世界中会存在很多类型的噪声，比如说物体抖动、光照变化等等。为了能够更好的理解这些噪声的影响，本文将从实际例子出发，通过算法添加一些随机噪声来模拟这种噪声。首先，对现实世界的背景进行简单的介绍，然后对噪声的类型及其产生原因做详细阐述。之后，将介绍噪
卷积核尺寸与MAC运算量关系详解：直击ESP32算力瓶颈根源（含优化公式）
[卷积核尺寸与MAC运算量关系详解：直击ESP32算力瓶颈根源（含优化公式）](http://portail.lyc-la-martiniere-diderot.ac-lyon.fr/srv20/html/imageHTML/images/convolution.png) # 1. 卷积神经网络中的计算核心——...
傅里叶与卷积公式
03-21
公式概念
随机变量和的分布——卷积公式的应用
yumian_w_hao的博客
03-26 323
其实最近呢，我们组在讨论非线性滤波，将轮到我讲一部分内容，所以最近我也在一直准备滤波这部分，然后下午在知乎查找了一些相关内容后，发现知乎真的是一个很专业的知识社区，里面的大佬卧虎藏龙啊，以前说的知乎平均水平是清北，看来不无道理，真的是，怕了怕了{{{(>_<)}}}。另外呢，也发现了很多同领域或者相关领域的大佬，实在是敬佩，还有校友啊哈哈哈，这都是我这个无名小辈要努力的方向啊！好了，本期到这里就结束了，如果还喜欢我的文章的话，希望大家一键三联一波，我么下期见！好了，话不多说，我们开始本期的内容吧！
概论_第3章_重点_卷积公式__Z=X+Y的分布
华工的专栏
01-22 1万+
继续介绍 连续型随机变量 Z = X+Y的分布。
【概率】常见分布（离散/连续）、卷积公式（实际意义与作用、公式、记忆法）
多学，多想，多总结
10-19 5万+
离散型变量分布：0—1分布，二项分布，泊松分布，几何分布；连续型：均匀分布，指数分布；卷积公式的意义、表达及记忆
卷积计算
木之本樱的博客
02-22 945
卷积计算 kernel = 卷积核大小 padding = 填充边的大小 stride = 步长 设输入矩阵的大小为X * X， 输出矩阵的大小为K * K 卷积计算公式为 输出矩阵K = [(X - kernel + padding x 2) / stride] + 1 ...
【各种卷积公式】
weixin_44883789的博客
08-15 2410
卷积的通道越多，提取特征图的信息越多，但不是越多越好。：卷积之后特征图的通道数和尺寸不变是为了。其中，经过卷积后特征图的。
卷积公式的理解
XindaBlack的博客
03-12 9661
卷积公式的理解 卷积公式与Laplace变换的联系 Laplace变换公式： F(s)=∫0∞f(t)e−stdtG(s)=∫0∞g(t)e−stdtF(s) = \int_0^\infty f(t)e^{-st} \text{d} t \\ G(s) = \int_0^\infty g(t)e^{-st} \text{d} t F(s)=∫0∞​f(t)e−stdtG(s)=∫0∞​g(...
卷积
liang00fan4的专栏
08-29 664
这篇讲的卷积通俗易懂，先收藏了。https://www.cnblogs.com/alexanderkun/p/4865206.html 信号处理中的一个重要运算是卷积.初学卷积的时候,往往是在连续的情形, 　　两个函数f(x),g(x)的卷积,是∫f(u)g(x-u)du 　　当然，证明卷积的一些性质并不困难，比如交换，结合等等，但是对于卷积运算的来处，初学者就不甚了了。 　　 　　其实...
一维随机变量分布函数
04-18
### 一维随机变量的分布函数 对于任意实数 \( x \)，设 \( X \) 是一个随机变量，其分布函数定义为： \[ F_X(x) = P(X \leq x), \quad -\infty < x < +\infty \] 其中，\( F_X(x) \) 表示随机变量 \( X \) 取值小于等于 \( x \) 的概率[^2]。 #### 分布函数的主要性质 1. **单调不减性**：如果 \( x_1 < x_2 \)，那么有 \( F_X(x_1) \leq F_X(x_2) \)[^2]。 2. **右连续性**：对于任何实数 \( x \)，都有 \( F_X(x+) = F_X(x) \)[^2]。 3. **边界条件**： - 当 \( x \to -\infty \) 时，\( F_X(x) \to 0 \); - 当 \( x \to +\infty \) 时，\( F_X(x) \to 1 \)。 #### 连续型随机变量的分布函数 如果随机变量 \( X \) 是连续型的，则它的分布函数可以表示为： \[ F_X(x) = \int_{-\infty}^{x} f(t) dt, \quad -\infty < x < +\infty \] 这里，\( f(t) \) 是 \( X \) 的概率密度函数，并满足以下两个条件： - 非负性：\( f(t) \geq 0 \) 对于所有 \( t \) 成立； - 归一化：\( \int_{-\infty}^{+\infty} f(t) dt = 1 \)[^2]。 #### 离散型随机变量的分布函数 当随机变量 \( X \) 是离散型时，假设它可能取值为 \( x_1, x_2, \dots \)，对应的概率分别为 \( p_1, p_2, \dots \)，则分布函数可以写成累加的形式： \[ F_X(x) = \sum_{x_i \leq x} P(X = x_i) = \sum_{x_i \leq x} p_i \][^4]。 这里的求和是对所有不大于 \( x \) 的可能取值进行计算。 ```python import numpy as np def distribution_function_discrete(values, probabilities, x): """ 计算离散型随机变量的分布函数F(x) 参数: values (list): 随机变量的所有可能取值. probabilities (list): 各个取值对应的发生概率. x (float): 输入值. 返回: float: 分布函数值F(x). """ return sum(p for v, p in zip(values, probabilities) if v <= x) values = [1, 2, 3] probabilities = [0.2, 0.5, 0.3] x = 2 result = distribution_function_discrete(values, probabilities, x) print(f"F({x}) =", result) ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值