模式识别随机向量概率.pptVIP

复习1 随机向量的概率;一. 事件的概率 ;A和B同时发生的概率 ;二.? 概率分布和密度函数1. 单个随机向量的分布和密度函数 ; 则事件： ;由上面分布函数的定义，显然有： ;概率分布函数和密度函数之间还满足如下的积分关系： ;;上式近似成立的条件是：要充分小，以使 的变化较小 ;2.随机向量的联合分布和密度函数 ;令 是一个随机向量， ， 是 的一个实现。 则随机向量 和 的联合分布函数定义为联合事件[ ]的概率： ;的联合密度函数定义为： ;由定义，下面的等式成立： ; ;（c）和（d）意味着: x和y的概率密度可以通过对x和y的联合概率密度的积分得到： ;联合分布的随机向量x、y的另一个重要关系是：;例1：一个两维随机向量和一个一维随机变量的联合密度函数： ;解：1. ;注意：不要忘记积分区间; 在上面的计算中，要注意积分的上下限。 ;3.?? 随机向量和事件的联合分布和密度函数;联合密度函数定义为： ;如果A1，A2，…，AM是两两互斥的完备事件集，则边缘分布函数： ;三. 条件概率和贝叶斯规则 ;2. 条件分布和密度函数 ;上式两边微分，可得到密度函数 ;(3) 随机向量的条件密度函数 ;在 发生后 的条件密度定义为： ;3. 贝叶斯公式 ;????????? （1）如果B是事件 则贝叶斯公式的形式为： ;(3)如果B是事件 ，A是 事件，则贝叶斯公式的形式为： ;上面的几种贝叶斯公式对统计模式识别都是非常重要的;例：一个两维随机向量的密度函数为： ;求联合密度 ，并计算后验密度;注意：1. 积分限要注意。2. 上式没有显式解，要用数值方法求解。 ;四. 数学期望 ;上式对所有的 ， 的分量积分，有： ;性质： 1. 随机向量或变量和的期望等于期望的和； 2. 相互独立的随机变量和的方差等于方差的和 ;方差：;五. 小结 ;;第二章 统计决策理论 ;关于统计学的一个笑话： ;;docin/sanshengshiyuan doc88/sanshenglu