概率论中Z=max(X,Y)和Z=min(X,Y)的分布

设X,Y是相互独立的两个随机变量,它们的分布函数为Fx(x),Fy(y),则Z=max(X,Y)的分布函数是:

Fz(z)=P(max(X,Y)<=z)=P(X<=Z,Y<=Z)=P(X<=Z)*P(Y<=Z)=Fx(z)*Fy(z)

设X,Y是相互独立的两个随机变量,它们的分布函数为Fx(x),Fy(y),则Z=min(X,Y)的分布函数是:
Fz(z)=P(min(x,y)<=z)=1-P(min(x,y)>=z)=1-P(x>=z,y>=z)=1-P(x>=z)*P(y>=z)=1-[1-P(x<=z)][1-P(y<=z)]=1-[1-Fx(z)][1-Fy(z)]

### MATLAB 中矩阵的概率论标准化方法 在MATLAB中,对于矩阵执行概率论中的标准化操作通常涉及两个主要方面:一是将数据转换成零均值单位方差的形式;二是确保每一行或列的数据总等于1。下面分别介绍这两种常见的标准化方式及其具体实现。 #### 一、Z-Score 标准化 (Zero-Mean Unit-Variance Normalization) 这种标准化的目标是使原始数据集具有0的平均数以及1的标准偏差。这可以通过`zscore()`函数轻松完成: ```matlab % 假设X是我们想要标准化的输入矩阵 Z = zscore(X); ``` 此命令会自动处理整个矩阵,并返回一个新的经过标准化后的版本,在这里每一个元素都减去了其所在维度(默认按列)的平均值并除以其标准差[^1]。 #### 二、Min-Max 归一化到特定范围内的概率分布 有时可能希望调整数值使得它们落在某个指定区间内,比如\[a,b\]之间。此时可以采用min-max缩放的方法: ```matlab function Y = min_max_normalize(X, a, b) minX = min(X(:)); maxX = max(X(:)); Y = ((b-a)*(X-minX)/(maxX-minX)) + a; end ``` 上述自定义函数接受三个参数——待变换的数组\( X \),目标区间的下限 \( a \) 上限 \( b \)。调用该函数后即可获得映射至新范围的结果。 #### 三、L1/L2 范数正则化以形成离散型随机变量 为了创建一个有效的离散型随机向量/矩阵,其中各分量代表不同事件发生的相对可能性,则需保证所有成分加起来恰好为1。为此可利用L1范数(L1-norm): ```matlab P_L1 = abs(X)/sum(abs(X)); % 对于绝对值的情况适用 ``` 或者基于欧几里得距离度量下的L2范数(L2-norm), 这样做有助于减少极端值的影响: ```matlab P_L2 = X./sqrt(sum(X.^2)); % 当考虑平方根形式时更稳健 ``` 这些技术能够有效地把任意给定的实数矩阵转化为满足一定条件的概率模型表示法。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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