10.11Python数学基础-多维随机变量及其分布

news2025/1/19 8:15:18

多维随机变量及其分布

1.二维随机变量及其分布

假设E是随机试验,Ω是样本空间,X、Y是Ω的两个变量;(X,Y)就叫做二维随机变量或二维随机向量。X、Y来自同一个样本空间。

联合分布函数
F ( x , y ) = P ( X ≤ x , Y ≤ y ) F(x,y)=P(X≤x,Y≤y) F(x,y)=P(Xx,Yy)
几何意义表示对立体曲线的体积

在这里插入图片描述

用平面图形近似表示为:
在这里插入图片描述

即F(x,y)表示求(x,y)左下方的面积。

性质
(1)0≤F(x,y) ≤1
(2)F(x,y) 不减,例如:y固定,x1<x2,F(x1,y)<F(x2,y)
(3)F(-∞,y)=F(x,-∞)=F(-∞,-∞)=0,F(+∞,+∞)=1
(4)F(x,y)分别关于x和y右连续
(5)
对于 x 1 < x 2 , y 1 < y 2 P ( x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 ) = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) 对于x_1<x_2,y_1<y_2\\ P(x_1<X≤x_2,y_1<Y≤y_2) = F(x_2,y_2) - F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) 对于x1<x2y1<y2P(x1<Xx2y1<Yy2)=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)
图形解释:
P ( x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 ) P(x_1<X≤x_2,y_1<Y≤y_2) P(x1<Xx2y1<Yy2)
表示求以下图形的面积:

在这里插入图片描述

等式右边的分布函数用如下图形表示:
在这里插入图片描述

F ( x 2 , y 2 ) F(x_2,y_2) F(x2,y2)
表示图中蓝色区域
F ( x 2 , y 1 ) F(x_2,y_1) F(x2,y1)
表示红色区域
F ( x 1 , y 2 ) F(x_1,y_2) F(x1,y2)
表示黄色色区域

所以
F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) F(x_2,y_2) - F(x_2,y_1)-F(x_1,y_2) F(x2,y2)F(x2,y1)F(x1,y2)
就是只有蓝色的区域

但是
F ( x 1 , y 1 ) F(x_1,y_1) F(x1,y1)
的区域在减的过程中被减掉了两次,需要补回来一次,所以:
F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) F(x_2,y_2) - F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)
所表示的图形面积才是
P ( x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 ) P(x_1<X≤x_2,y_1<Y≤y_2) P(x1<Xx2y1<Yy2)
所以:
对于 x 1 < x 2 , y 1 < y 2 P ( x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 ) = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) 对于x_1<x_2,y_1<y_2\\ P(x_1<X≤x_2,y_1<Y≤y_2) = F(x_2,y_2) - F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) 对于x1<x2y1<y2P(x1<Xx2y1<Yy2)=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)
边缘分布

X的边缘分布:
F X ( x ) = P ( X ≤ x ) = F ( x , + ∞ ) = P ( X ≤ x , Y < + ∞ ) F_X(x) = P(X≤x) = F(x,+∞) = P(X≤x,Y<+∞) FX(x)=P(Xx)=F(x,+)=P(Xx,Y<+)
这表示在所有可能的 Y 值上,X 取值 x 的概率总和。从图形曲线上理解就是求小于x的所有点的面积,Y随意取值。

Y的边缘分布:
F Y ( y ) = P ( Y ≤ y ) = F ( + ∞ , y ) = P ( X < + ∞ , Y ≤ y ) F_Y(y) = P(Y≤y) = F(+∞,y) = P(X<+∞,Y≤y) FY(y)=P(Yy)=F(+,y)=P(X<+,Yy)
表示在所有可能的 X 值上,Y 取值 y的概率总和。从图形曲线上理解就是求小于y的所有点的面积,X随意取值。

2.二维离散型随机变量的联合分布和边缘分布

联合概率质量函数 P(X=x,Y=y) 描述了随机变量 X 和 Y 同时取特定值 x 和y 的概率。联合PMF满足以下性质:

  1. 非负性:对于所有的 x 和 y,有 P(X=x,Y=y)≥0。

  2. 归一性:所有可能的 x 和 y 值的概率之和等于1,即:
    ∑ x ∑ y P ( X = x , Y = y ) = 1 ∑_x∑_yP(X=x,Y=y)=1 xyP(X=x,Y=y)=1

概率分布表解释:

假设由一个概率分布表:

X\Y123
101/21/8
21/81/81/8

非负性表示分布表中的所有概率都要大于等于0。例如:
P ( X = 1 , Y = 2 ) = 1 2 ≥ 0 P ( X = 2 , Y = 2 ) = 1 8 ≥ 0 P(X=1,Y=2)=\dfrac{1}{2}\geq 0\\ P(X=2,Y=2)=\dfrac{1}{8}\geq 0 P(X=1,Y=2)=210P(X=2,Y=2)=810
归一性表示分布表中所有概率之和等于1。

联合分布函数
F ( x , y ) = P ( X ≤ x , Y ≤ y ) = ∑ x i ≤ x ∑ y j ≤ y P ( X = x , Y = y ) F(x,y)=P(X\leq x,Y\leq y)=∑_{x_i\leq x}∑_{y_j\leq y}P(X=x,Y=y) F(x,y)=P(Xx,Yy)=xixyjyP(X=x,Y=y)
概率分布表解释:

F(x,y)的值就是在分布表中找到对应的(x,y)对应的位置,然后将其左上角的概率相加。

例如:
F ( 1 , 2 ) = P ( X ≤ 1 , Y ≤ 2 ) = P ( 1 , 1 ) + P ( 1 , 2 ) = 0 + 1 2 = 1 2 F ( 2 , 2 ) = P ( X ≤ 2 , Y ≤ 2 ) = P ( 1 , 1 ) + P ( 1 , 2 ) + P ( 2 , 1 ) + P ( 2 , 2 ) = 0 + 1 2 + 1 8 + 1 8 = 3 4 F(1,2)=P(X\leq 1,Y\leq 2)=P(1,1)+P(1,2)=0+\dfrac{1}{2}=\dfrac{1}{2}\\ F(2,2)=P(X\leq 2,Y\leq 2)=P(1,1)+P(1,2)+P(2,1)+P(2,2)=0+\dfrac{1}{2}+\dfrac{1}{8}+\dfrac{1}{8}=\dfrac{3}{4} F(1,2)=P(X1,Y2)=P(1,1)+P(1,2)=0+21=21F(2,2)=P(X2,Y2)=P(1,1)+P(1,2)+P(2,1)+P(2,2)=0+21+81+81=43
边缘分布

边缘概率质量函数可以通过对联合PMF的适当求和得到。

  1. 边缘PMF
    P X ( x ) P_X(x) PX(x)
    :表示随机变量 X 取特定值 x 的概率,不考虑 Y的值。计算方法为:
    P X ( x ) = ∑ y P ( X = x , Y = y ) P_X(x)=∑_yP(X=x,Y=y) PX(x)=yP(X=x,Y=y)
    其中,求和是对所有可能的 y 值进行。

  2. 边缘PMF
    P Y ( y ) P_Y(y) PY(y)
    :表示随机变量 Y取特定值 y 的概率,不考虑 X 的值。计算方法为:
    P Y ( y ) = ∑ x P ( X = x , Y = y ) P_Y(y)=∑_xP(X=x,Y=y) PY(y)=xP(X=x,Y=y)
    其中,求和是对所有可能的 x 值进行。

概率分布表解释:

对行求和,得到对X的边缘分布。

对列求和,得到对Y的边缘分布。

例如:

X\Y123
101/21/8
21/81/81/8

求X的边缘分布:

X12
P5/83/8

当X=1时,求该行的概率之和,即:0+1/2+1/8=5/8

以此类推。

求Y的边缘分布:

Y123
P1/85/81/4

当Y=1时,求该列的概率之和,即0+1/8=1/8

以此类推。

3.二维连续随机变量的联合密度和边缘密度函数

对于二维连续随机变量 X 和 Y,其分布函数为:
F ( x , y ) = P ( X ≤ x , Y ≤ y ) = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) = P(X≤x,Y≤y) = ∫_{-∞}^x∫_{-∞}^yf(s,t)dsdt F(x,y)=P(Xx,Yy)=xyf(s,t)dsdt
则F(x,y)是分布函数,f(x,y)是联合密度函数。

f(x,y)的性质:

  1. 非负性:对于所有的 x 和 y,有 f(x,y)≥0。

  2. 归一性:在整个 x 和 y 的取值范围上的积分等于1,即:
    ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y )   d x d y = 1 ∫_{-\infty}^{+\infty}∫_{-\infty}^{+\infty}f(x,y) dxdy=1 ++f(x,y)dxdy=1
    这个积分是对所有可能的 x 和 y 值进行的。

例子

假设联合密度函数:
f ( x , y ) = { e − ( x + y ) , x > 0 , y > 0 0 , 其它 f(x,y)=\begin{cases} e^{-(x+y)}, & x>0,y>0\\ 0,& 其它 \end{cases} f(x,y)={e(x+y),0,x>0,y>0其它
求分布函数F(x,y)

解:

根据分布函数可知:
F ( x , y ) = P ( X ≤ x , Y ≤ y ) = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) = P(X≤x,Y≤y) = ∫_{-∞}^x∫_{-∞}^yf(s,t)dsdt F(x,y)=P(Xx,Yy)=xyf(s,t)dsdt
当x>0且y>0时
∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t = ∫ 0 x ∫ 0 y e − ( s + t ) d s d t = ∫ 0 x e − s d s ∫ 0 y e − t d t = ( 1 − e − x ) ( 1 − e − y ) ∫_{-∞}^x∫_{-∞}^yf(s,t)dsdt=∫_{0}^x∫_{0}^ye^{-(s+t)}dsdt=∫_{0}^xe^{-s}ds∫_{0}^ye^{-t}dt=(1-e^{-x})(1-e^{-y}) xyf(s,t)dsdt=0x0ye(s+t)dsdt=0xesds0yetdt=(1ex)(1ey)
当x,y有一个小于0时
F ( x , y ) = P ( X ≤ x , Y ≤ y ) = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t = 0 F(x,y) = P(X≤x,Y≤y) = ∫_{-∞}^x∫_{-∞}^yf(s,t)dsdt=0 F(x,y)=P(Xx,Yy)=xyf(s,t)dsdt=0
所以
F ( x , y ) = { ( 1 − e − x ) ( 1 − e − y ) , x > 0 , y > 0 0 , 其它 F(x,y)=\begin{cases} (1-e^{-x})(1-e^{-y}), & x>0,y>0\\ 0,& 其它 \end{cases} F(x,y)={(1ex)(1ey),0,x>0,y>0其它
边缘密度函数

边缘分布函数:
F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( s , t ) d t ] d s F_X(x)=F(x,+\infty)=\int _{-\infty}^x[\int _{-\infty}^{+\infty}f(s,t)dt]ds FX(x)=F(x,+)=x[+f(s,t)dt]ds
求导,得出边缘密度函数:
f X ( x ) = ∫ − ∞ + ∞ f ( x , t ) d t = ∫ − ∞ + ∞ f ( x , y ) d y f Y ( y ) = ∫ − ∞ + ∞ f ( s , y ) d s = ∫ − ∞ + ∞ f ( x , y ) d x f_X(x)=\int _{-\infty}^{+\infty}f(x,t)dt=\int _{-\infty}^{+\infty}f(x,y)dy\\ f_Y(y)=\int _{-\infty}^{+\infty}f(s,y)ds=\int _{-\infty}^{+\infty}f(x,y)dx fX(x)=+f(x,t)dt=+f(x,y)dyfY(y)=+f(s,y)ds=+f(x,y)dx
求X的边缘密度函数就是对y求积分,对Y的边缘密度函数就是对x求积分。

例子

假设联合密度函数:
f ( x , y ) = 1 π 2 ( 1 + x 2 ) ( 1 + y 2 ) f(x,y)=\dfrac{1}{\pi^2(1+x^2)(1+y^2)} f(x,y)=π2(1+x2)(1+y2)1
求边缘密度函数。

解:

对X的边缘密度函数:
f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y = ∫ − ∞ + ∞ 1 π 2 ( 1 + x 2 ) ( 1 + y 2 ) d y = 1 π 2 ( 1 + x 2 ) ∫ − ∞ + ∞ 1 ( 1 + y 2 ) d y = 1 π 2 ( 1 + x 2 ) ∫ − ∞ + ∞ a r c t a n ( y ) ∣ − ∞ + ∞ = 1 π ( 1 + x 2 ) f_X(x)=\int _{-\infty}^{+\infty}f(x,y)dy=\int _{-\infty}^{+\infty}\dfrac{1}{\pi^2(1+x^2)(1+y^2)}dy\\ =\dfrac{1}{\pi^2(1+x^2)}\int _{-\infty}^{+\infty}\dfrac{1}{(1+y^2)}dy=\dfrac{1}{\pi^2(1+x^2)}\int _{-\infty}^{+\infty}arctan(y)|_{-\infty}^{+\infty}=\dfrac{1}{\pi(1+x^2)} fX(x)=+f(x,y)dy=+π2(1+x2)(1+y2)1dy=π2(1+x2)1+(1+y2)1dy=π2(1+x2)1+arctan(y)+=π(1+x2)1
对Y的边缘密度函数:
f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d y = 1 π ( 1 + y 2 ) f_Y(y)=\int _{-\infty}^{+\infty}f(x,y)dy=\dfrac{1}{\pi(1+y^2)} fY(y)=+f(x,y)dy=π(1+y2)1

4.条件分布

条件分布是指在已知另一个随机变量或事件的条件下,该随机变量的概率分布。
F ( x ∣ A ) = P ( X ≤ x ∣ A ) F(x|A)=P(X\leq x | A) F(xA)=P(XxA)
例子

假设概率密度函数
f ( x ) = 1 π ( 1 + x 2 ) f(x)=\dfrac{1}{\pi(1+x^2)} f(x)=π(1+x2)1
求在X>1的条件下f(x)的条件分布函数

解:
F ( x ∣ X > 1 ) = P ( X ≤ x ∣ X > 1 ) F(x|X>1)=P(X\leq x|X>1) F(xX>1)=P(XxX>1)
当x≤1时:

不满足条件
F ( x ∣ X > 1 ) = 0 F(x|X>1)=0 F(xX>1)=0
当x>1时:
F ( x ∣ X > 1 ) = P ( X ≤ x ∣ X > 1 ) = P ( X ≤ x , X > 1 ) P ( X > 1 ) F(x|X>1)=P(X\leq x|X>1)=\dfrac{P(X\leq x,X>1)}{P(X>1)} F(xX>1)=P(XxX>1)=P(X>1)P(Xx,X>1)
计算分子:
P ( X ≤ x , X > 1 ) = P ( 1 ≤ X ≤ x ) = ∫ 1 x 1 π ( 1 + x 2 ) d x = 1 π a r c t a n ( x ) ∣ 1 x = a r c t a n x π − 1 π . π 4 = a r c t a n x π − 1 4 P(X\leq x,X>1)=P(1\leq X\leq x)=\int _1^x\dfrac{1}{\pi(1+x^2)}dx=\dfrac{1}{\pi}arctan(x)|_1^x=\dfrac{arctanx}{\pi}-\dfrac{1}{\pi}.\dfrac{\pi}{4}=\dfrac{arctanx}{\pi}-\dfrac{1}{4} P(Xx,X>1)=P(1Xx)=1xπ(1+x2)1dx=π1arctan(x)1x=πarctanxπ1.4π=πarctanx41
计算分母:
P ( X > 1 ) = ∫ 1 + ∞ 1 π ( 1 + x 2 ) d x = 1 π a r c t a n ( x ) ∣ 1 + ∞ = 1 π . ( π 2 − π 4 ) = 1 4 P(X>1)=\int _1^{+\infty}\dfrac{1}{\pi(1+x^2)}dx=\dfrac{1}{\pi}arctan(x)|_1^{+\infty}=\dfrac{1}{\pi}.(\dfrac{\pi}{2}-\dfrac{\pi}{4})=\dfrac{1}{4} P(X>1)=1+π(1+x2)1dx=π1arctan(x)1+=π1.(2π4π)=41

F ( x ∣ X > 1 ) = P ( X ≤ x , X > 1 ) P ( X > 1 ) = 4 a r c t a n x π − 1 F(x|X>1)=\dfrac{P(X\leq x,X>1)}{P(X>1)}=\dfrac{4arctanx}{\pi}-1 F(xX>1)=P(X>1)P(Xx,X>1)=π4arctanx1
所以在X>1的条件下f(x)的条件分布函数
F ( x ∣ X > 1 ) = { 4 a r c t a n x π − 1 , x > 1 0 , x ≤ 1 F(x|X>1)=\begin{cases} \dfrac{4arctanx}{\pi}-1, & x>1\\ 0,& x≤1 \end{cases} F(xX>1)= π4arctanx1,0,x>1x1

5.离散型随机变量的条件分布

条件概率质量函数定义为:
P ( X = x ∣ Y = y ) = P ( X = x , Y = y ) P ( Y = y ) P(X=x∣Y=y)=\dfrac{P(X=x,Y=y)}{P(Y=y)} P(X=xY=y)=P(Y=y)P(X=x,Y=y)
其中 P(X=x,Y=y)是 X 和 Y的联合概率质量函数,P(Y=y) 是 Y 的边缘概率质量函数。

从分布表来理解:

假设概率分布表:

X\Y01
00.10.3
10.30.3

P(Y=y) 是 Y 的边缘概率质量函数,Y 的边缘概率质量函数是对列求和:

Y01
P0.40.6

那么在Y=1的条件下,假设x=0,X=x的概率为:
P ( X = 0 ∣ Y = 1 ) = P ( X = 0 , Y = 1 ) P ( Y = 1 ) = 0.3 0.6 = 0.5 P(X=0∣Y=1)=\dfrac{P(X=0,Y=1)}{P(Y=1)}=\dfrac{0.3}{0.6}=0.5 P(X=0Y=1)=P(Y=1)P(X=0,Y=1)=0.60.3=0.5
假设x=1,X=x的概率为:
P ( X = 1 ∣ Y = 1 ) = P ( X = 1 , Y = 1 ) P ( Y = 1 ) = 0.3 0.6 = 0.5 P(X=1∣Y=1)=\dfrac{P(X=1,Y=1)}{P(Y=1)}=\dfrac{0.3}{0.6}=0.5 P(X=1Y=1)=P(Y=1)P(X=1,Y=1)=0.60.3=0.5
则在Y=1的条件下,X的分布函数为:

X01
P(X|Y=1)0.30.3

其它情况如Y=0条件下X的分布函数、X=0及X=1条件下Y的分布函数同上。

6.连续型随机变量的条件分布

在Y=y条件下,条件概率密度函数为:
f ( x ∣ y ) = f ( x , y ) f Y ( y ) f(x∣y)=\dfrac{f(x,y)}{f_Y(y)} f(xy)=fY(y)f(x,y)
其中 f(x,y) 是 X 和 Y 的联合概率密度函数,
f Y ( y ) f_Y(y) fY(y)
是 Y的边缘概率密度函数。

同理,在X=x条件下,条件概率密度函数为:
f ( y ∣ x ) = f ( x , y ) f X ( x ) f(y∣x)=\dfrac{f(x,y)}{f_X(x)} f(yx)=fX(x)f(x,y)
其中 f(x,y) 是 X 和 Y 的联合概率密度函数,
f X ( x ) f_X(x) fX(x)
是 X的边缘概率密度函数。

在Y=y的条件下,X的条件分布函数:
F ( x ∣ y ) = ∫ − ∞ x f ( x ∣ y ) d x = ∫ − ∞ x f ( u , y ) f Y ( y ) d u F(x|y)=\int _{-\infty}^xf(x∣y)dx=\int _{-\infty}^x\dfrac{f(u,y)}{f_Y(y)}du F(xy)=xf(xy)dx=xfY(y)f(u,y)du
在X=x的条件下,Y的条件分布函数:
F ( y ∣ x ) = ∫ − ∞ y f ( y ∣ x ) d y = ∫ − ∞ y f ( x , v ) f X ( x ) d v F(y|x)=\int _{-\infty}^yf(y∣x)dy=\int _{-\infty}^y\dfrac{f(x,v)}{f_X(x)}dv F(yx)=yf(yx)dy=yfX(x)f(x,v)dv
例子

假设
f ( x , y ) = 1 π 2 ( 1 + x 2 ) ( 1 + y 2 ) , f X ( x ) = 1 π ( 1 + x 2 ) , f Y ( y ) = 1 π ( 1 + y 2 ) f(x,y)=\dfrac{1}{\pi^2(1+x^2)(1+y^2)},f_X(x)=\dfrac{1}{\pi(1+x^2)},f_Y(y)=\dfrac{1}{\pi(1+y^2)} f(x,y)=π2(1+x2)(1+y2)1,fX(x)=π(1+x2)1,fY(y)=π(1+y2)1

在Y=y的条件下,X的条件密度函数;在X=x的条件下,Y的条件密度函数。

解:
f ( x ∣ y ) = f ( x , y ) f Y ( y ) = π ( 1 + y 2 ) π 2 ( 1 + x 2 ) ( 1 + y 2 ) = 1 π ( 1 + x 2 ) f ( y ∣ x ) = f ( x , y ) f X ( x ) = π ( 1 + x 2 ) π 2 ( 1 + x 2 ) ( 1 + y 2 ) = 1 π ( 1 + y 2 ) f(x|y)=\dfrac{f(x,y)}{f_Y(y)}=\dfrac{\pi(1+y^2)}{\pi^2(1+x^2)(1+y^2)}=\dfrac{1}{\pi(1+x^2)}\\ f(y|x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{\pi(1+x^2)}{\pi^2(1+x^2)(1+y^2)}=\dfrac{1}{\pi(1+y^2)} f(xy)=fY(y)f(x,y)=π2(1+x2)(1+y2)π(1+y2)=π(1+x2)1f(yx)=fX(x)f(x,y)=π2(1+x2)(1+y2)π(1+x2)=π(1+y2)1

7.随机变量的独立性

定义

两个随机变量 XX 和 YY 被称为独立的,如果它们满足以下条件:

对于连续型随机变量:它们的联合概率密度函数f(x,y)可以表示为各自边缘概率密度函数的乘积:
f ( x , y ) = f X ( x ) ⋅ f Y ( y ) f(x,y)=f_X(x)⋅f_Y(y) f(x,y)=fX(x)fY(y)

对于离散型随机变量:它们的联合概率质量函数P(X=x,Y=y)可以表示为各自边缘概率质量函数的乘积:
P ( X = x , Y = y ) = P ( X = x ) ⋅ P ( Y = y ) P(X=x,Y=y)=P(X=x)⋅P(Y=y) P(X=x,Y=y)=P(X=x)P(Y=y)
例子

1.假设我们有两个公平的六面骰子,我们分别将它们记为骰子A和骰子B。

随机变量定义为:

让 X 表示骰子A的结果。

让 Y 表示骰子B的结果。

事件:

事件 A:“骰子A显示的数字大于3”。

事件 B:“骰子B显示的数字是偶数”。

问事件A和B是否独立。

解:

联合概率分布表:

X\Y123456
11\361\361\361\361\361\36
21\361\361\361\361\361\36
31\361\361\361\361\361\36
41\361\361\361\361\361\36
51\361\361\361\361\361\36
61\361\361\361\361\361\36

X的边缘概率分布表:

X123456
P1/61/61/61/61/61/6

Y的边缘概率分布表:

Y123456
P1/61/61/61/61/61/6

事件A的概率:
P ( A ) = P ( X > 3 ) = P ( X = 4 ) + P ( X = 5 ) + P ( X = 6 ) = 1 / 2 P(A)=P(X>3)=P(X=4)+P(X=5)+P(X=6)=1/2 P(A)=P(X>3)=P(X=4)+P(X=5)+P(X=6)=1/2
事件B的概率:
P ( B ) = P ( Y = 2 ) + P ( Y = 4 ) + P ( Y = 6 ) = 1 / 2 P(B)=P(Y=2)+P(Y=4)+P(Y=6)=1/2 P(B)=P(Y=2)+P(Y=4)+P(Y=6)=1/2
事件A和B的联合概率:
P ( A B ) = P ( X = 4 , Y = 2 ) + P ( X = 4 , Y = 4 ) + P ( X = 4 , Y = 6 ) + P ( X = 5 , Y = 2 ) + P ( X = 5 , Y = 4 ) + P ( X = 5 , Y = 6 ) + P ( X = 6 , Y = 2 ) + P ( X = 6 , Y = 4 ) + P ( X = 6 , Y = 6 ) = 1 / 4 P(AB)=P(X=4,Y=2)+P(X=4,Y=4)+P(X=4,Y=6)\\ +P(X=5,Y=2)+P(X=5,Y=4)+P(X=5,Y=6)\\ +P(X=6,Y=2)+P(X=6,Y=4)+P(X=6,Y=6)=1/4 P(AB)=P(X=4,Y=2)+P(X=4,Y=4)+P(X=4,Y=6)+P(X=5,Y=2)+P(X=5,Y=4)+P(X=5,Y=6)+P(X=6,Y=2)+P(X=6,Y=4)+P(X=6,Y=6)=1/4
所以
P ( A B ) = P ( A ) P ( B ) = 1 / 4 P(AB)=P(A)P(B)=1/4 P(AB)=P(A)P(B)=1/4
所以A、B事件是独立的。

2.假设经理8-12点到公司,秘书7-9点到公司,经理和秘书到公司的事件是独立的,求经理和秘书到公司的联合概率。

解:

设X是经理到公司的事件,Y为秘书到公司的事件,则:X、Y的密度函数服从均匀分布。
f ( x ) = { 1 4 , 8 < x < 12 0 , 其它 f(x)=\begin{cases} \dfrac{1}{4},& 8<x<12\\ 0, & 其它 \end{cases} f(x)= 41,0,8<x<12其它

f ( y ) = { 1 2 , 7 < y < 9 0 , 其它 f(y)=\begin{cases} \dfrac{1}{2},& 7<y<9\\ 0, & 其它 \end{cases} f(y)= 21,0,7<y<9其它

由于X、Y是独立的,则联合密度函数:
f ( x , y ) = f ( x ) f ( y ) = { 1 8 , 8 < x < 12 , 7 < y < 9 0 , 其它 f(x,y)=f(x)f(y)=\begin{cases} \dfrac{1}{8},& 8<x<12,7<y<9\\ 0, & 其它 \end{cases} f(x,y)=f(x)f(y)= 81,0,8<x<12,7<y<9其它

8.二维随机变量函数的分布

8.1 二维离散型随机变量函数的分布

二维离散型随机变量函数的分布指的是在给定两个离散型随机变量 X 和 Y的情况下,它们函数 Z=g(X,Y)的分布。这里

g(X,Y)是一个定义在 X和 Y取值范围内的函数。

要找到函数 Z 的分布,我们需要确定 Z 的每一个可能值的概率。具体步骤如下:

  1. 确定函数的输出值:列出函数 Z=g(X,Y)可能的所有输出值。
  2. 计算每个输出值的概率:对于每一个可能的输出值 z,计算 Z=z的概率。这通常涉及到对 X 和 Y的联合概率质量函数 P(X=x,Y=y)进行求和。
  3. 构建概率质量函数:构建函数 Z 的概率质量函数,即对于每一个可能的 z,确定 P(Z=z)。

例子

假设有两个离散型随机变量 XX 和 YY,它们的联合PMF如下表所示:

X \ Y123
10.10.20.0
20.00.30.0
30.10.10.2

求函数 Z=X+Y。

解:

  1. 确定函数的输出值:列出所有可能的 X 和 Y组合的和。

    1+1=2

    1+2=3

    1+3=4

    2+2=4

    2+3=5

    3+3=6

    所以,Z 可能的值是 2, 3, 4, 5, 6。

  2. 计算每个输出值的概率

    P(Z=2)=P(X=1,Y=1)=0.1

    P(Z=3)=P(X=1,Y=2)+P(X=2,Y=1)=0.2

    P(Z=4)=P(X=1,Y=3)+P(X=2,Y=2)+P(X=3,Y=1)=0.0+0.3+0.1=0.4

    P(Z=5)=P(X=2,Y=3)+P(X=3,Y=2)=0.1

    P(Z=6)=P(X=3,Y=3)=0.2

  3. 构建概率质量函数

    P(Z=2)=0.1

    P(Z=3)=0.2

    P(Z=4)=0.4

    P(Z=5)=0.1

    P(Z=6)=0.2

  4. 函数分布表为:

    Z23456
    P0.10.20.40.10.2

以上的解法比较麻烦,可以根据分布表来计算。

1.根据Z=X+Y,将X的每行分别于Y的每列分别相加,得到Z的取值,再按X、Y在表格中对应的单元格中的值照抄过来,得到:

Z234345456
P0.10.20.00.00.30.00.10.10.2

2.合并Z中重复的值及对应的概率,即概率相加:

Z23456
P0.10.20.40.10.2

8.2 二维连续型随机变量函数的分布

二维连续型随机变量函数的分布是指由两个连续型随机变量 (X,Y)构成的联合分布,并通过某种函数关系 Z=g(X,Y)得到一个新的随机变量 Z

的分布。

假设 (X,Y)是一个二维连续型随机变量,其联合概率密度函数为 f(x,y)。设 Z=g(X,Y) 是一个函数关系,其中 g 是一个已知的函数。我们需要

找到 Z 的概率密度函数
f Z ( z ) f_Z(z) fZ(z)
具体步骤如下:

  1. 计算 Z的累积分布函数
    F Z ( z ) F_Z(z) FZ(z)

    F Z ( z ) = P ( Z ≤ z ) = P ( g ( X , Y ) ≤ z ) F_Z(z)=P(Z≤z)=P(g(X,Y)≤z) FZ(z)=P(Zz)=P(g(X,Y)z)

    这可以通过对联合分布函数进行积分得到:
    F Z ( z ) = ∬ g ( x , y ) ≤ z f ( x , y )   d x   d y F_Z(z)=∬_{g(x,y)≤z}f(x,y) dx dy FZ(z)=g(x,y)zf(x,y)dxdy

  2. 求导得到概率密度函数
    f Z ( z ) f_Z(z) fZ(z)

    f Z ( z ) = d d z F Z ( z ) f_Z(z)=\dfrac{d}{dz}F_Z(z) fZ(z)=dzdFZ(z)

对于某些特定的函数 g(X,Y),可以直接求出 Z 的概率密度函数。例如,如果 g(X,Y)=X+Y,则可以通过以下步骤求出 Z 的概率密度函数:

  1. 确定 Z 的范围:

    Z=X+Y
    确定 Z 的可能取值范围。

  2. 计算 Z的概率密度函数:
    f Z ( z ) = ∫ − ∞ ∞ f X ( x ) f Y ( z − x ) d x f_Z(z)=∫_{−∞}^∞f_X(x)f_Y(z−x)dx fZ(z)=fX(x)fY(zx)dx

    这称为卷积公式。

例子

假设 (X,Y) 的联合概率密度函数为:
f ( x , y ) = { 2 , 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1 0 , otherwise f(x, y) = \begin{cases} 2, & 0 \leq x \leq 1, 0 \leq y \leq 1 \\ 0, & \text{otherwise} \end{cases} f(x,y)={2,0,0x1,0y1otherwise
求Z*=*X+Y的分布

解:

确定Z的范围:
0 ≤ Z ≤ 2 0\leq Z \leq 2 0Z2
先求分布函数:
F Z ( z ) = P ( Z ≤ z ) = ∬ g ( x , y ) ≤ z f ( x , y )   d x   d y F_Z(z)=P(Z≤z)=∬_{g(x,y)≤z}f(x,y) dx dy FZ(z)=P(Zz)=g(x,y)zf(x,y)dxdy
当z<0时,因为x、y都大于0,所以事件不可能发生
F Z ( z ) = 0 F_Z(z)=0 FZ(z)=0
当0≤z≤1时,画出图形:

在这里插入图片描述

根据图形可知
0 ≤ x ≤ z , 0 ≤ y ≤ z − x 0≤x≤z,0≤y≤z-x 0xz,0yzx

F Z ( z ) = P ( Z ≤ z ) = ∬ g ( x , y ) ≤ z f ( x , y )   d x   d y = ∫ 0 z d x ∫ 0 z − x 2 d y = 2 ∫ 0 z ( z − x ) d x = 2 ( z x − 1 2 x 2 ) ∣ 0 z = z 2 F_Z(z)=P(Z≤z)=∬_{g(x,y)≤z}f(x,y) dx dy=\int_0^zdx\int_0^{z-x}2dy=2\int_0^z(z-x)dx=2(zx-\dfrac{1}{2}x^2)|_0^z=z^2 FZ(z)=P(Zz)=g(x,y)zf(x,y)dxdy=0zdx0zx2dy=20z(zx)dx=2(zx21x2)0z=z2

当1≤z≤2时,画出图形:

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

根据图形可知:

所求面积=1-右上角三角形面积S
S = ( 2 − z ) 2 2 S=\dfrac{(2-z)^2}{2} S=2(2z)2

F Z ( z ) = P ( Z ≤ z ) = ∬ g ( x , y ) ≤ z f ( x , y )   d x   d y = 2 ( 1 − ( 2 − z ) 2 2 ) = 2 − ( 2 − z ) 2 F_Z(z)=P(Z≤z)=∬_{g(x,y)≤z}f(x,y) dx dy=2(1-\dfrac{(2-z)^2}{2})=2-(2-z)^2 FZ(z)=P(Zz)=g(x,y)zf(x,y)dxdy=2(12(2z)2)=2(2z)2

当z>2时,超出x、y的取值范围,不可能发生
F Z ( z ) = 0 F_Z(z)=0 FZ(z)=0
所以:
F Z ( z ) = { z 2 , 0 ≤ z ≤ 1 1 − ( 2 − z ) 2 2 , 1 ≤ z ≤ 2 0 , 其它 F_Z(z)=\begin{cases} z^2,& 0\leq z\leq 1\\ 1-\dfrac{(2-z)^2}{2},& 1\leq z\leq 2\\ 0,& 其它 \end{cases} FZ(z)= z2,12(2z)2,0,0z11z2其它
求导:
f Z ( z ) = F z ′ ( z ) = { 2 z , 0 ≤ z ≤ 1 4 − 2 z , 1 ≤ z ≤ 2 0 , 其它 f_Z(z)=F_z'(z)=\begin{cases} 2z,& 0\leq z\leq 1\\ 4-2z,& 1\leq z\leq 2\\ 0,& 其它 \end{cases} fZ(z)=Fz(z)= 2z,42z,0,0z11z2其它

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2214103.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot+XXL-JOB:高效定时任务管理

前言 在现代应用程序中&#xff0c;定时任务是不可或缺的一部分。Spring Boot 和 XXL-Job 为你提供了一个强大的工具组合&#xff0c;以简化任务调度和管理。 本文将带领你探索如何将这两者集成在一起&#xff0c;实现高效的定时任务管理。无论你是初学者还是有经验的开发者&…

【进阶】面向对象之接口

文章目录 为什么要有接口如何定义和使用一个接口练习 接口里面的成员特点接口和类之间的关系 为什么要有接口 接口:就是一种规则 如何定义和使用一个接口 接口用关键字interface来定义 public interface 接口名{}接口不能实例化接口和类之间是实现关系&#xff0c;通过imple…

集合的基础操作

1.集合中元素没有顺序&#xff0c;且不会重复&#xff0c;输入的数据若有重复则会去重 2.集合的格式为:变量名{##,##,##} 3.集合中元素的添加格式为&#xff1a;变量名.add(添加的元素) 4.集合中元素的取出格式&#xff08;取出元素后&#xff0c;原集合中该元素没有了&#…

软件测试学习笔记丨Linux三剑客-grep

本文转自测试人社区&#xff0c;原文链接&#xff1a;https://ceshiren.com/t/topic/32506 一、简介 1.1 grep命令 grep是一个全局查找正则表达式&#xff0c;并且打印结果行的命令。grep的输入是一个文件或者一个标准输入&#xff08;stdin&#xff09;&#xff0c;或者是一…

JAVA多线程实现

一、方法总结 Thread类的常用方法 void setName(String name)//将此线程的名称更改为name String getName()//如果不设置名称&#xff0c;则线程默认名称为Thread-0或Thread-1或…就是Thread -&#xff1f; String Thread.currentThread().getName()//获得当前线程名称 …

C++常见的内存错误和解决策略

目录 1.未初始化指针 (Uninitialized Pointer) 2.内存分配未成功却使用了它 3.野指针 (Dangling Pointer) 4.内存泄漏 (Memory Leak) 5.重复释放内存 (Double Free) 6.内存越界访问 (Buffer Overflow) 7.错误的数组删除方式 (Mismatched Delete) 8.栈内存溢出 (Stack O…

24/10/14 算法笔记 循环神经网络RNN

RNN: 一种专门用于处理序列数据的神经网络&#xff0c;它能够捕捉时间序列中的动态特征。RNN的核心特点是其循环连接&#xff0c;这允许网络在不同时间步之间传递信息&#xff0c;从而实现对序列数据的记忆和处理能力。 应用的场景&#xff1a; 自然语言处理&#xff08;NLP&…

这款懂人情世故的大模型强得可怕!

这款孵化于首期书生大模型实战营&#xff0c;基于 InternLM2 开发的项目——天机&#xff0c;更懂人情世故的大模型&#xff0c;这 2 天在社区可谓有点火&#xff01;相关内容在小红书上至少收获了六千多点赞与收藏 ! 你是否还在苦苦挣扎于各种应酬&#xff0c;四处寻找“高情商…

MySQL-04.DDL-数据库操作

一.数据库的操作 DDL(data definition language)&#xff1a;数据定义语言&#xff0c;用来定义数据库对象(数据库、表) DDL分为两类&#xff1a;1.数据库的DDL语句&#xff0c;主要是针对数据库的定义&#xff0c;增加&#xff0c;删除&#xff0c;使用 2.表结构的DDL语句&…

大数据-160 Apache Kylin 构建Cube 按照日期构建Cube 详细记录

点一下关注吧&#xff01;&#xff01;&#xff01;非常感谢&#xff01;&#xff01;持续更新&#xff01;&#xff01;&#xff01; 目前已经更新到了&#xff1a; Hadoop&#xff08;已更完&#xff09;HDFS&#xff08;已更完&#xff09;MapReduce&#xff08;已更完&am…

TuyaOS开发学习笔记(4)——BLE开发搭建环境、编译烧写(NRF52832)

一、搭建环境 1.1 官方资料 TuyaOS 1.2 安装Visual Studio Code 官网下载&#xff1a;https://code.visualstudio.com 百度网盘&#xff1a;https://pan.baidu.com/s/1R62HT0PVmVzMwOXtCmIQwA 提取码&#xff1a;g9fb 1.3 安装Tuya Wind IDE 启动 Visual Studio Code 后&am…

windows10 输入法突然变成繁体字。

1.在任务栏的输入法上切换到设置页面 2. 进入语言选项 3.浮动在桌面上&#xff1f; 4. 点击繁体或简体切换。

IWO-Kmeans聚类 | MATLAB实现IWO-Kmeans侵入性杂草优化K均值聚类算法

智能优化 | MATLAB实现IWO-Kmeans侵入性杂草优化K均值聚类算法 目录 智能优化 | MATLAB实现IWO-Kmeans侵入性杂草优化K均值聚类算法效果一览基本介绍模型描述程序设计参考资料效果一览 基本介绍 侵入性杂草优化 (IWO) 聚类, 与 K-means 和 GMM 高斯混合模型的比较。 入侵杂草优…

jupyter notebook显示左侧内容方法(版本7也可以用)

1 安装 Nbextensions pip install jupyter_contrib_nbextensions如果安装不成功&#xff0c; jupyter安装Nbextensions后不出现Nbextensions选项 就使用以下语句 conda install -c conda-forge jupyter_contrib_nbextensions然后设置下 jupyter contrib nbextension insta…

kali在git外网的代理

如果发现用git无法直接连接到某些外网项目。可以配置一下代理。 vi /etc/proxychains4.conf 主机可以开一下机场代理&#xff0c;查一下主机的地址和代理所开的端口&#xff0c;我这里是7890 写上代码&#xff1a; socks5 <your ip> <your port> 写上之后wq保…

java内存管理

Java内存管理主要涉及Java虚拟机&#xff08;JVM&#xff09;对内存的分配与回收过程。这一过程确保了Java程序在运行时能够有效地使用内存资源&#xff0c;同时避免了手动管理内存所带来的复杂性和潜在错误。 内存分配&#xff1a; 堆&#xff08;Heap&#xff09;&#xff1a…

【C++】拆分详解 - list

文章目录 一、list的介绍二、list的使用1. 构造2. 迭代器3. 增 删 查 改4. list 迭代器失效问题5. list 排序问题 三、list的模拟实现0. 整体框架1. 迭代器类1.1 operator->1.2 临时对象1.3 const_iterator 2. list类2.1 begin / end2.2 构造 / 析构 / 拷贝构造 / 赋值重载2…

谷歌浏览器如何防范恶意网站和广告

在日常使用互联网时&#xff0c;我们经常会遇到一些恶意网站或广告&#xff0c;这些不仅会影响我们的浏览体验&#xff0c;还可能对我们的设备安全造成威胁。为了帮助大家更好地防范这些问题&#xff0c;本文将详细介绍如何在谷歌浏览器中采取有效的措施来防范恶意网站和广告。…

Grafana+ Node+ Prometheus对服务器进行性能监控

目录 一、Grafana 1.把Grafana压缩文件上传到Linux服务器 2.安装服务 3.启动服务 4.访问 二、Node 1.上传node_exporter-1.5.0.linux-amd64.tar到服务器 2.解压 3.启动服务 三、Prometheus 1.上传prometheus-2.43.0.linux-amd64.tar到服务器 2.解压 3.进入prometh…

【Linux】ComfyUI和SD WebUI之PYTHON环境共享,模型共享,LORA等公共资源共享。最大限度节约空间

需求 一般玩AI绘图都会装ComfyUI和SD WebUI。而且这俩的模型、lora等都是一致的。为了避免空间的浪费&#xff0c;一般会采用共享数据的方式。而且共享的数据可以任意指定分区&#xff0c;这让挂载NAS共享空间成为可能&#xff0c;实现多绘画机ComfyUI和SD WebUI共享资源。 实…