独立同分布
独立性
- 概念:事件A,B发生互不影响
- 公式:P(XY)=P(X)P(Y) , 即事件的概率等于各自事件概率的乘积
- 举例:
- 正例:两个人同时向上抛硬币,两个硬币均为正面的概率
- 反例:狮子在某地区出现的概率为X,老虎出现概率为Y,同时出现的概率并不满足P(XY)=P(X)P(Y) ,因为老虎在的地方一般不会有狮子。
同分布
- 概念:随机变量(序列)在随机过程中有相同的概率分布
相关性
- 概念:反应随机变量之间相互影响的偏离程度,即协方差。但这里只讨论相关与无关,本质应该为“线性相关”,因此“不相关”本意指“线性不相关”。
- 公式:Cov(x,y)=E(xy)−E(x)E(y)=0
- 定理:独立一定不相关,但不相关不一定独立
- 举例:
- 不独立相关:
- 图例:
- 分析:为了简便理解我们假设有一个线性关系y=x,现在有N个随机变量分布在其中(想象还有第3维平面因此存在很多随机变量),先分析独立性:由于当x增大y也跟增大,x减小y跟着减小,因此不具备独立性;相关性:套用公式Cov(x,y)=E(xy)−E(x)E(y),在这个线性function里x=y,因此 E(xy)=1N∑Ni=1x2i , E(x)E(y)=1N∑Ni=1xi∗1N∑Nj=1yj=1N2∑Ni=1∑Nj=1xiyj , 相减不为0因此他们线性相关。
- 图例:
- 不独立不相关
- 图例:
- 分析:这个分布就四个点,讨论独立性:当x=1−>y=1||y=−1 x=−1−>y=1||y=−1 , 很显然当知道x的值,y的值就已经被确定了,因为它们不独立。讨论相关性:引入定理,E(xy)=1N∑Ni=1xiyi=0 , E(x)E(y)=12∑2i=1xi∗12∑2j=1yj=0(因为实际只有2组值),由此可得 cov(x,y)=0,因此为不相关的。
- 图例:
- 结论:判断独立性就看它的取值是否有联系,判断线性相关就看整体分布是否存在一个线性趋势。其中还有独立相关,不独立相关等以此类比即可。
- 不独立相关:
极大似然估计
- 原理:给定一个概率分布D,已知其概率密度函数(连续分布)或概率质量函数(离散分布)为
fD ,以及一个分布参数θ,我们可以从这个分布中抽出一个具有 n 个值的采样X1,X2,...,Xn ,利用