概率论中,均匀分布和等概分布有什么区别
1个回答
展开全部
均匀分布是随机变量在一定区间内取值,并且在这个区间内取得任何一数的可能性都相同的分布类型,比如从[0,1]区间上任意取一个实数这个随机变量就服从[0,1]区间上的均匀分布.
举例而言,倘若已知,假设。对于任意一个发生的事件,Y与X的取值正好差了一个负号。但这并不影响X与Y有相同的累积函数,即。如此一来,。更一般的情况而言,只要X与Y有相同的累计函数,即same distributed,即使,也有。因为依分布收敛仅仅在乎分布,而不在乎相互之间的关系。
概率收敛(convergence in probability):
定义:
依概率收敛至X,记作,意味着:,当,。
也就是说,当n很大的时候,对任意发生的事件,的值和X的值差不多,即很小。
直观上而言,依概率收敛在乎的是随机变量的值。
这样说来,前面依分布收敛的例子如果套在概率收敛上就会出现问题。如果,但对于任何一个与X分布一样的Y,但,一定不成立,因为X与Y只是分布相同,而值不同。但反而言之,如果,即它们的值都差不多了,那么它们的分布一定也差不多,即。因此,依概率收敛比依分布收敛要强,即。
但在某种情况下,取值就可以确定分布。即X取某个常数的情况下。此时X的取值和X的分布唯一确定。即此时会有依分布收敛和依概率收敛等价,即。
Lp收敛(convergence in Lp):
定义:
依Lp收敛至X,记作,意味着:,当,。
在p=2时即为均方收敛。
直观上而言,均方收敛在乎的也是随机变量的值,但其要求比依概率收敛更加严格。
之所以更加严格,是因为概率测度可以被均方测度所限制,其思想可以近似由Chebyshev不等式看到。。因此.
几乎处处收敛(convergence almost surely):
定义:
几乎处处收敛至X,记作,意味着:,当。
举例而言,倘若已知,假设。对于任意一个发生的事件,Y与X的取值正好差了一个负号。但这并不影响X与Y有相同的累积函数,即。如此一来,。更一般的情况而言,只要X与Y有相同的累计函数,即same distributed,即使,也有。因为依分布收敛仅仅在乎分布,而不在乎相互之间的关系。
概率收敛(convergence in probability):
定义:
依概率收敛至X,记作,意味着:,当,。
也就是说,当n很大的时候,对任意发生的事件,的值和X的值差不多,即很小。
直观上而言,依概率收敛在乎的是随机变量的值。
这样说来,前面依分布收敛的例子如果套在概率收敛上就会出现问题。如果,但对于任何一个与X分布一样的Y,但,一定不成立,因为X与Y只是分布相同,而值不同。但反而言之,如果,即它们的值都差不多了,那么它们的分布一定也差不多,即。因此,依概率收敛比依分布收敛要强,即。
但在某种情况下,取值就可以确定分布。即X取某个常数的情况下。此时X的取值和X的分布唯一确定。即此时会有依分布收敛和依概率收敛等价,即。
Lp收敛(convergence in Lp):
定义:
依Lp收敛至X,记作,意味着:,当,。
在p=2时即为均方收敛。
直观上而言,均方收敛在乎的也是随机变量的值,但其要求比依概率收敛更加严格。
之所以更加严格,是因为概率测度可以被均方测度所限制,其思想可以近似由Chebyshev不等式看到。。因此.
几乎处处收敛(convergence almost surely):
定义:
几乎处处收敛至X,记作,意味着:,当。
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询