精华内容
下载资源
问答
  • 二维随机变量边缘密度函数
    万次阅读 多人点赞
    2019-05-08 11:27:57

    概率论知识回顾(十)

    重点:二维连续随机变量分布函数和联合密度函数

    知识回顾用于巩固知识和查漏补缺。知识回顾步骤:

    1. 查看知识回顾中的问题,尝试自己解答
    2. 自己解答不出来的可以查看下面的知识解答巩固知识。
    3. 对知识解答有疑问的,说明有关这一点的知识或者公式没有理解透彻或者没有记住,要重新翻看书籍。

    知识回顾

    1. 二维连续随机变量的分布函数怎么表示?
    2. 分布函数有什么性质?
    3. 二维连续随机变量的边缘分布怎么表示?
    4. 二维连续随机变量的联合密度函数是什么?
    5. 联合密度函数有什么性质?
    6. 二维均匀分布的联合密度函数怎么表示?
    7. 二维正态分布的联合密度函数怎么表示?

    知识解答

    1. 二维连续随机变量的分布函数怎么表示?
      • 对于二维连续随机变量 ( X , Y ) (X,Y) (X,Y) 来说,函数 F ( x , y ) F(x, y) F(x,y) 表示 F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\begin{Bmatrix} X \le x, Y \le y\end{Bmatrix} F(x,y)=P{Xx,Yy} 我们就称 F ( x , y ) F(x,y) F(x,y) 为 二维连续随机变量 ( X , Y ) (X, Y) (X,Y) 的分布函数。
    2. 分布函数有什么性质?
      • 对每个自变量单调不减
        • 对任意固定 x, 当 y 1 &lt; y 2 y_1 &lt; y_2 y1<y2, 有 F ( x , y 1 ) ≤ F ( x , y 2 ) F(x, y_1) \le F(x, y_2) F(x,y1)F(x,y2)
        • 对任意固定 y, 当 x 1 &lt; x 2 x_1 &lt; x_2 x1<x2, 有 F ( x 1 , y ) ≤ F ( x 2 , y ) F(x_1, y) \le F(x_2, y) F(x1,y)F(x2,y)
      • 对每个自变量右连续
        • 对任意固定 x, F ( x , y 0 + 0 ) = F ( x , y 0 ) F(x, y_0 + 0) = F(x, y_0) F(x,y0+0)=F(x,y0)
        • 对任意固定 y, F ( x 0 + 0 , y ) = F ( x 0 , y ) F(x_0 + 0, y) = F(x_0, y) F(x0+0,y)=F(x0,y)
      • { F ( − ∞ , − ∞ ) = 0 F ( x , − ∞ ) = 0 ∀ x ∈ R F ( − ∞ , y ) = 0 ∀ y ∈ R F ( + ∞ , + ∞ ) = 1 \begin{cases} F(-\infty, -\infty) = 0 \\ F(x, -\infty) = 0 &amp;\forall x \in R \\ F(-\infty , y) = 0 &amp; \forall y \in R \\ F(+\infty, +\infty) = 1\end{cases} F(,)=0F(x,)=0F(,y)=0F(+,+)=1xRyR
      • 对任意 x 1 &lt; x 2 , y 1 &lt; y 2 x_1 &lt; x_2, y_1 &lt; y_2 x1<x2,y1<y2 都有 : P { x 1 &lt; X ≤ x 2 , y 1 &lt; Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 1 , y 2 ) − F ( x 2 , y 1 ) + F ( x 1 , y 1 ) ≥ 0 P\begin{Bmatrix} x_1&lt;X\le x_2, y_1&lt;Y \le y_2 \end{Bmatrix} = F(x_2, y_2) - F(x_1, y_2) - F(x_2, y_1) + F(x_1, y_1) \ge 0 P{x1<Xx2,y1<Yy2}=F(x2,y2)F(x1,y2)F(x2,y1)+F(x1,y1)0
    3. 二维连续随机变量的边缘分布怎么表示?
      • 二维连续随机变量的边缘分布和离散随机变量的边缘分布类似,都是其组成的单个随机变量的分布律。
      • F X ( x ) = P { X ≤ x , Y &lt; + ∞ } = F ( x , + ∞ ) F_X(x) = P\begin{Bmatrix} X \le x, Y &lt; + \infty \end{Bmatrix}=F(x, +\infty) FX(x)=P{Xx,Y<+}=F(x,+) 表示 二维连续随机变量 ( X , Y ) (X, Y) (X,Y) 关于 X X X 的边缘分布律。从公式来看其实就是排除 Y 之后,只看 x 的分布。
      • 同理 F Y = F ( + ∞ , y ) F_Y = F(+ \infty, y) FY=F(+,y)
    4. 二维连续随机变量的联合密度函数是什么?
      • 如果对于随机变量 ( X , Y ) (X, Y) (X,Y) 的分布函数 F ( x , y ) F(x, y) F(x,y) 的任意取值都有一个非负可积的函数 f ( x , y ) f(x, y) f(x,y) 使得 F ( x ) = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x) = \int_{-\infty}^y\int_{-\infty}^xf(u, v)dudv F(x)=yxf(u,v)dudv 。 就称 f ( x , y ) f(x, y) f(x,y) 为二维随机变量 ( X , Y ) (X, Y) (X,Y) 的联合密度函数。
    5. 联合密度函数有什么性质?
      • f ( x , y ) ≥ 0 f(x, y) \ge 0 f(x,y)0
      • ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x, y)dxdy = 1 ++f(x,y)dxdy=1
      • 如果 f ( x , y ) f(x, y) f(x,y) ( x , y ) (x, y) (x,y) 处连续,则有 ∂ 2 F ( x , y ) ∂ x ∂ y = f ( x , y ) \frac{\partial^2F(x, y)}{\partial x \partial y} = f(x, y) xy2F(x,y)=f(x,y)
      • 对于任何平面区域 G G G, 都有 P { ( X , Y ) ∈ G } = ∬ G f ( x , y ) d x d y P\begin{Bmatrix}(X, Y) \in G\end{Bmatrix} = \iint_Gf(x, y)dxdy P{(X,Y)G}=Gf(x,y)dxdy
    6. 二维均匀分布的联合密度函数怎么表示?
      • S G = A S_G = A SG=A ,若密度函数 f ( x , y ) = { 1 A , ( x , y ) ∈ G 0 , e l s e f(x, y) = \begin{cases} \frac{1}{A}, &amp; (x, y) \in G \\ 0, &amp; else \end{cases} f(x,y)={A1,0,(x,y)Gelse 则称为均匀分布。
    7. 二维正态分布的联合密度函数怎么表示?
      • f ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 e − 1 2 ( 1 − ρ 2 ) [ ( x − μ 1 ) 2 σ 1 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 + ( y − μ 2 ) 2 σ 2 2 ] f(x, y) = \frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}e^{-\frac{1}{2(1-\rho^2)}[\frac{(x-\mu_1)^2}{\sigma_1^2} - 2\rho \frac{(x-\mu_1)(y - \mu_2)}{\sigma_1\sigma_2} + \frac{(y-\mu_2)^2}{\sigma_2^2}]} f(x,y)=2πσ1σ21ρ2 1e2(1ρ2)1[σ12(xμ1)22ρσ1σ2(xμ1)(yμ2)+σ22(yμ2)2]
      • 其中: σ 1 &gt; 0 , σ 2 &gt; 0 , ∣ ρ ∣ &lt; 1 \sigma_1 &gt; 0, \sigma_2 &gt; 0, |\rho| &lt; 1 σ1>0,σ2>0,ρ<1
      • 记作 ( X , Y ) ∼ N ( μ 1 , μ 2 , σ 1 , σ 2 , ρ ) (X,Y) \sim N(\mu_1, \mu_2, \sigma_1, \sigma_2, \rho) (X,Y)N(μ1,μ2,σ1,σ2,ρ)
    更多相关内容
  • 二维连续型随机变量边缘密度函数 对X的边缘密度函数,就是在负无穷到正无穷对Y求积分;对Y的边缘密度函数就是在负无穷到正无穷对X求积分 例题

    二维连续型随机变量的边缘密度函数

    对X的边缘密度函数,就是在负无穷到正无穷对Y求积分;对Y的边缘密度函数就是在负无穷到正无穷对X求积分
    在这里插入图片描述
    例题

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 文章目录一、为什么是二维随机变量二、二维随机变量的分布函数2.1 二维随机变量分布函数的性质2.2 二维随机变量边缘分布函数三、二维离散型随机变量的联合分布和边缘分布求法 一、为什么是二维随机变量 还记得我们...

    一、为什么是二维随机变量

    还记得我们在 C h a p t e r 2 Chapter 2 Chapter2 里面讨论的都是一维随机变量嘛,但是假如我们举一个例子:

    1. 比如我们要统计人群的身高分布,那容易啊,直接统计一个变量——身高 X 即可
    2. 但是,如果我们要统计的是人群的身材,那你不可能只用身高来衡量,我们需要两个变量——身高 X 和体重 Y。因此,这就是二维随机变量的引入。

    我们一般使用 (X, Y)来表示。可以说是一个向量。

    二、二维随机变量的分布函数

    我们先来看看定义: F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{Xx,Yy}

    它的意思是由 X ≤ x , Y ≤ y X ≤x, Y ≤y Xx,Yy 所构成的蓝色区域所对应的立体密度函数的体积!!

    这句话怎么理解呢?这得回到一维去,因为我们在一维随机变量里面, F ( x ) = P { X ≤ x } F(x) = P\{X≤x\} F(x)=P{Xx}表示的是 X ≤ x X≤x Xx 所对应的平面密度函数的面积。那么扩展到二维,它的密度函数是 f ( x , y ) f(x,y) f(x,y) ,是一个立体的函数,那么对应的自然就是体积了。

    2.1 二维随机变量分布函数的性质

    【1】 0 ≤ F ( x , y ) ≤ 1 0 ≤ F(x, y) ≤1 0F(x,y)1这个好理解,概率一定小于等于1 .
    【2】 F ( x , y ) F(x, y) F(x,y) 是关于 x 或 y 的不减函数
    【3】 F ( − ∞ , y ) = 0 ; F ( x , − ∞ ) = 0 ; F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 F(-∞, y) = 0; F(x, -∞) = 0; F(-∞, -∞) = 0, F(+∞, +∞) = 1 F(,y)=0;F(x,)=0;F(,)=0,F(+,+)=1
    如果我们把二维随机变量的概率密度函数想象成立体草帽,那么在任何一个变量是 -∞ 的时候,还没能切到草帽,所以体积一定是0.

    【4】 F ( x , y ) F(x, y) F(x,y) 分别关于 x, y右连续
    【5】 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 ) 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) P{x1<Xx2,y1<Yy2}=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)

    2.2 二维随机变量的边缘分布函数

    上面我们讲过的: F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{Xx,Yy} 它叫做联合分布函数。下面我们来看看边缘分布函数,其实也好理解:
    F X ( x ) = P { X ≤ x , Y < + ∞ } F_X(x) = P\{X ≤ x, Y< +∞\} FX(x)=P{Xx,Y<+} 这叫做 X 的边缘分布函数,它的意思是令 X 小于等于 x, y 爱咋地咋地,不限制。同理 F Y ( y ) = P { X < + ∞ , Y < y } F_Y(y) = P\{X < +∞, Y < y\} FY(y)=P{X<+,Y<y}, 这叫做 Y 的边缘分布函数。

    三、二维离散型随机变量的联合分布和边缘分布求法

    这一节只需要一个例子就可以解释明白:我们以下面的表为例:

    X\Y123
    10 1 2 \frac{1}{2} 21 1 8 \frac{1}{8} 81
    2 1 8 \frac{1}{8} 81 1 8 \frac{1}{8} 81 1 8 \frac{1}{8} 81

    这是一个二维离散型随机变量的联合分布表,里面具体的概率值就用我们之前学过的办法计算。

    下面看看如何计算联合分布函数:
    假设要计算: F ( 1.2 , 1 ) F(1.2, 1) F(1.2,1),那么就是: P { X ≤ 1.2 , Y ≤ 1 ) P\{X ≤1.2, Y≤ 1) P{X1.2,Y1),我们可以这样做:
    在这里插入图片描述
    F ( 1.2 , 1 ) = 0 F(1.2, 1) = 0 F(1.2,1)=0

    如果计算 F ( 2.4 , 2.1 ) F(2.4, 2.1) F(2.4,2.1),我们可以这样做:
    在这里插入图片描述
    F ( 2.4 , 2.1 ) = 0 + 1 2 + 1 8 + 1 8 = 3 4 F(2.4, 2.1) = 0+\frac{1}{2} + \frac{1}{8} + \frac{1}{8} = \frac{3}{4} F(2.4,2.1)=0+21+81+81=43

    其他情况类似。

    那么,如何计算边缘分布呢?首先我们看看计算 X 的边缘分布:
    在这里插入图片描述
    我们把 每一个 X 所在的行分别相加,就可以得到 X 的边缘分布。如下表:

    X12
    P 5 8 \frac{5}{8} 85 3 8 \frac{3}{8} 83

    Y 的边缘分布的计算类似。
    在这里插入图片描述

    最后提几个要点:

    1. 有了联合分布就可以唯一地确定边缘分布。
    2. 但是有了边缘分布并不能唯一地确定联合分布(除了 X, Y 独立的时候)

    四、二维连续型随机变量的联合密度函数、分布函数和边缘分布

    4.1 联合密度函数和联合分布函数

    分布函数的定义还是一样的: F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{Xx,Yy}
    它的意义我们在前面讨论过了,既然是体积,那么就会涉及到二重积分。我们先回顾一下二重积分的几何意义:

    f ( x , y ) ≥ 0 f(x, y) ≥ 0 f(x,y)0 时, ∬ D f ( x , y ) d σ \iint_Df(x,y)dσ Df(x,y)dσ 是以区域 D 为底, f ( x , y ) f(x,y) f(x,y) 为顶的曲顶柱体的体积。

    因此,我们就可以通过二重积分计算分布函数: F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) = \int_{-∞}^{x}\int_{-∞}^{y}f(s,t)dsdt F(x,y)=xyf(s,t)dsdt
    下面我们给出几个性质:
    【1】 f ( x , y ) > 0 f(x,y) >0 f(x,y)>0
    【2】 ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( s , t ) d s d t = 1 \int_{-∞}^{+∞}\int_{-∞}^{+∞}f(s,t)dsdt = 1 ++f(s,t)dsdt=1
    【3】 f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y) = \frac{\partial^2F(x,y)}{\partial {x} \partial {y}} f(x,y)=xy2F(x,y)(这时计算联合密度函数的好办法!)
    【4】如果题目给出来一个区域 G G G,它是 X, Y 平面的一个区域。那么,我们有: P { ( x , y ) ∈ G } = ∬ G f ( x , y ) d x d y P\{(x, y)∈G\} = \iint_{G}f(x,y)dxdy P{(x,y)G}=Gf(x,y)dxdy
    它也就是把 G 区域沿着 Z 轴拉伸,和 f ( x , y ) f(x,y) f(x,y) 包围起来的那一部分体积

    4.2 边缘密度函数

    我们先定义一下边缘分布函数: F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x ∫ − ∞ + ∞ f ( s , t ) d s d t F Y ( y ) = F ( + ∞ , y ) = ∫ − ∞ y ∫ − ∞ + ∞ f ( s , t ) d s d t F_X(x) = F(x, +∞) = \int_{-∞}^x\int_{-∞}^{+∞}f(s,t)dsdt\\ \quad\\ F_Y(y) = F(+∞, y) = \int_{-∞}^y\int_{-∞}^{+∞}f(s,t)dsdt FX(x)=F(x,+)=x+f(s,t)dsdtFY(y)=F(+,y)=y+f(s,t)dsdt

    当然,通过联合分布函数 F ( x , y ) F(x,y) F(x,y) 也可以计算处边缘分布: F X ( x ) = lim ⁡ y → + ∞ F ( x , y ) F Y ( y ) = lim ⁡ x → + ∞ F ( x , y ) F_X(x) = \lim_{y\to +∞}F(x, y)\\ \quad\\ F_Y(y) = \lim_{x\to +∞}F(x,y) FX(x)=y+limF(x,y)FY(y)=x+limF(x,y)
    那么,如果要计算 X 的边缘密度函数,我们就对 F X ( x ) F_X(x) FX(x) 求导: f X ( x ) = F X ′ ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f Y ( y ) = F Y ′ ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_X(x) = F_X'(x) = \int_{-∞}^{+∞}f(x,y)dy\\ \quad\\ f_Y(y) = F_Y'(y) = \int_{-∞}^{+∞}f(x,y)dx fX(x)=FX(x)=+f(x,y)dyfY(y)=FY(y)=+f(x,y)dx
    简而言之,要计算 f X ( x ) f_X(x) fX(x),可以在无穷范围内 f ( x , y ) f(x,y) f(x,y) y y y 积分。要计算 f Y ( y ) f_Y(y) fY(y),可以在无穷范围内 f ( x , y ) f(x,y) f(x,y) x x x 积分。

    当我们说到这儿的时候,其实给出一道题做,套公式写出来没有任何问题。但是,真正的意义你理解了吗?下面我们看一个例子,博主打算用公式法+画图理解法剖析边缘密度函数的意义:

    已知(X, Y)在椭圆 x 2 a 2 + y 2 b 2 = 1 \frac{x^2}{a^2}+\frac{y^2}{b^2} = 1 a2x2+b2y2=1 所围成的区域上服从均匀分布。其联合密度函数为: φ ( x , y ) = { 1 π a b x 2 a 2 + y 2 b 2 ≤ 1 0 e l s e φ(x,y) = \begin{cases} \frac{1}{πab}\quad \frac{x^2}{a^2}+\frac{y^2}{b^2} ≤1\\ 0\quad else\\ \end{cases} φ(x,y)={πab1a2x2+b2y210else
    求 X ,Y 的边缘密度函数 φ X ( x ) , φ Y ( y ) φ_X(x), φ_Y(y) φX(x),φY(y)

    首先,抛开问题本身,我们一般假设概率密度函数 f ( x , y ) f(x,y) f(x,y) 就是一个草帽状函数,那么问一个问题:联合分布函数 F ( x , y ) F(x,y) F(x,y)的意义是什么?—— 根据定义思考一下: F ( x , y ) = P { X ≤ x , Y ≤ y } = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d u d v F(x, y) = P\{X≤x, Y≤y\} = \int_{-∞}^x\int_{-∞}^yf(u, v)dudv F(x,y)=P{Xx,Yy}=xyf(u,v)dudv。下面我们看一张图理解一下:

    具体一个 F ( x 0 , y 0 ) F(x_0, y_0) F(x0,y0)的意义就是分别用 x = x 0 x = x_0 x=x0 y = y 0 y = y_0 y=y0 这两把刀,去切割草帽,里面那部分的体积!

    那么,边缘密度函数呢?如果我们还是以 f X ( x 0 ) f_X(x_0) fX(x0)为例?

    既然是 f X ( x 0 ) f_X(x_0) fX(x0) ,那么也就意味着只用 x = x 0 x = x_0 x=x0 这一把刀去切割草帽,我们发现,切割草帽的时候会得到一个切割线,如上图所示。那么 f X ( x 0 ) f_X(x_0) fX(x0) 的意义就是这个切割线与 y y y 轴所围成的面积!

    那么,如果我们把这样的分析具体化到这道题目上,本题的分布密度函数如下图左图所示。那么一样的道理,如果考虑 f X ( x 0 ) f_X(x_0) fX(x0),就是只用 x = x 0 x = x_0 x=x0这一把刀去切割分布密度函数图,如果这把刀能够切割到函数体,那么自然就会产生一个切痕,所以就是切痕曲线与 y y y 轴所围成的面积!

    很显然,我们发现:这个分布密度函数在中间那个椭圆区域才有值,其他地方都是0.

    现在,我们首先计算 φ X ( x ) φ_X(x) φX(x),很自然地,我们发现,如果 x = x 0 x = x_0 x=x0 这把刀放的太前( x ≥ a x ≥a xa)或者太后( x ≤ − a x ≤ -a xa)我们都无法切到这个函数体,自然就没有切痕。那么 φ X ( x ) φ_X(x) φX(x) 就会等于 0.即: φ X ( x ) = 0 i f   ∣ x ∣ ≥ a φ_X(x) = 0\quad if\space |x| ≥ a φX(x)=0if xa

    下面考虑能切到的时候,即 ∣ x ∣ < a |x| < a x<a,那么刀刃的线如上面左图加粗的地方,切割线也是一样的。然后我们就是要计算切痕与 y y y 轴所围成的面积(如上面的右图所示)

    但是我们又发现,这个切痕也是在 y y y 处于一定范围的时候才有值,其他时候为0. y y y 的范围我们可以通过椭圆的方程很容易求出来,就等于: ± b 1 − x 2 a 2 ±b\sqrt{1-\frac{x^2}{a^2}} ±b1a2x2
    这个面积还不好求?就是一个矩形的面积罢了对吧!所以我们得到: φ X ( x ) = 1 π a b 2 b 1 − x 2 a 2 = 2 π a 1 − x 2 a 2 i f   ∣ x ∣ < a φ_X(x) = \frac{1}{πab}2b\sqrt{1-\frac{x^2}{a^2}} =\frac{2}{πa}\sqrt{1-\frac{x^2}{a^2}} \quad if \space |x| < a φX(x)=πab12b1a2x2 =πa21a2x2 if x<a

    φ Y ( y ) φ_Y(y) φY(y) 的理解方法完全类似。式子的意义理解了,带公式解题也有了底气哈哈!

    关于计算边缘分布密度的注记

    在计算边缘分布密度的时候,积分的区间仍然是一个大坑。这里,博主总结了一个避坑方法:
    在给出的联合分布密度函数中,x ,y 的范围有了的时候,我们一定要把这个 x, y 范围所表示的区域画出来,只要把这个区域画出来了,我们在后面对 x 或者 y 积分的时候,它们各自的积分区间一目了然,就不会搞错了。

    展开全文
  • 概率论与数理统计习题,内容覆盖基础知识,全面概括随机变量内容
  • 设 (X, Y)(X,Y) 的密度分布是 f(x, y)f(x,y), 那么 Z = X + YZ=X+Y 的分布函数是什么? 密度分布又是什么? 当 X, YX,Y 相互独立的时候,它们的密度分布这么表示? 若 X_i \sim N(\mu_i, \sigma^2)X i ​ ∼N(μ ...

    概率论知识回顾(十三)

    重点:二维连续性随机变量函数的密度函数

    知识回顾用于巩固知识和查漏补缺。知识回顾步骤:

    1. 查看知识回顾中的问题,尝试自己解答
    2. 自己解答不出来的可以查看下面的知识解答巩固知识。
    3. 对知识解答有疑问的,说明有关这一点的知识或者公式没有理解透彻或者没有记住,要重新翻看书籍。

    知识回顾

    1. ( X , Y ) (X, Y) (X,Y) 的密度分布是 f ( x , y ) f(x, y) f(x,y), 那么 Z = X + Y Z = X + Y Z=X+Y 的分布函数是什么? 密度分布又是什么?
    2. X , Y X, Y X,Y 相互独立的时候,它们的密度分布这么表示?
    3. X i ∼ N ( μ i , σ 2 ) X_i \sim N(\mu_i, \sigma^2) XiN(μi,σ2), 且 X 1 , X 2 , ⋯ &ThinSpace; , X n X_1, X_2, \cdots, X_n X1,X2,,Xn 相互独立,那么 ∑ i = 1 n a i X i ∼ ? \sum_{i=1}^{n} a_iX_i \sim ? i=1naiXi?
    4. X i ∼ Γ ( α i , β ) X_i \sim \Gamma(\alpha_i, \beta) XiΓ(αi,β), 且 X 1 , X 2 , ⋯ &ThinSpace; , X n X_1, X_2, \cdots, X_n X1,X2,,Xn 相互独立,那么 ∑ i = 1 n X i ∼ ? \sum_{i=1}^{n} X_i \sim ? i=1nXi?
    5. Z = X Y Z = \frac{X}{Y} Z=YX 的密度函数怎么表示?相互独立情况下呢?
    6. 假设 X 1 , X 1 , ⋯ &ThinSpace; , X n X_1, X_1, \cdots, X_n X1,X1,,Xn相互独立,它们的极大值分布和极小值分布是什么?

    知识解答

    1. ( X , Y ) (X, Y) (X,Y) 的密度分布是 f ( x , y ) f(x, y) f(x,y), 那么 Z = X + Y Z = X + Y Z=X+Y 的分布函数是什么? 密度分布又是什么?

      • F Z ( z ) = P { X + Y ≤ Z } = P { ( X , Y ) ∈ G } = ∬ G f ( x , y ) d x d y = ∫ − ∞ + ∞ ∫ − ∞ z − x f ( x , y ) d y d x \begin{aligned}F_Z(z) &amp;= P\begin{Bmatrix} X + Y \le Z \end{Bmatrix} = P\begin{Bmatrix} (X, Y) \in G \end{Bmatrix} \\ &amp;= \iint_G f(x, y) dxdy = \int_{-\infty}^{+\infty}\int_{-\infty}^{z-x}f(x, y)dydx\end{aligned} FZ(z)=P{X+YZ}=P{(X,Y)G}=Gf(x,y)dxdy=+zxf(x,y)dydx
        • 其中G表示 x+y < z 的区域
        • 上式变量代换, y = t − x y = t-x y=tx 得: F Z ( z ) = ∫ − ∞ + ∞ ∫ − ∞ z f ( x , t − x ) d t d x F_Z(z) = \int_{-\infty}^{+\infty}\int_{-\infty}^{z}f(x, t-x)dtdx FZ(z)=+zf(x,tx)dtdx
      • 根据分布函数 F Z ( z ) F_Z(z) FZ(z) 可知, f Z ( z ) = { ∫ − ∞ + ∞ f ( x , z − x ) d x ∫ − ∞ + ∞ f ( z − y , y ) d y f_Z(z) =\begin{cases} \int_{-\infty}^{+\infty}f(x, z-x)dx \\\int_{-\infty}^{+\infty}f(z-y, y)dy \end{cases} fZ(z)={+f(x,zx)dx+f(zy,y)dy
    2. X , Y X, Y X,Y 相互独立的时候,它们的密度分布怎么表示?

      • 如果独立,则有 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)因此有

        f Z ( z ) = ∫ − ∞ + ∞ f X ( x ) f Y ( z − x ) d x f Z ( z ) = ∫ − ∞ + ∞ f X ( z − y ) f Y ( y ) d y f_Z(z) = \int_{-\infty}^{+\infty} f_X(x)f_Y(z-x)dx \\f_Z(z) = \int_{-\infty}^{+\infty} f_X(z-y)f_Y(y)dy fZ(z)=+fX(x)fY(zx)dxfZ(z)=+fX(zy)fY(y)dy

    3. X i ∼ N ( μ i , σ 2 ) X_i \sim N(\mu_i, \sigma^2) XiN(μi,σ2), 且 X 1 , X 2 , ⋯ &ThinSpace; , X n X_1, X_2, \cdots, X_n X1,X2,,Xn 相互独立,那么 ∑ i = 1 n a i X i ∼ ? \sum_{i=1}^{n} a_iX_i \sim ? i=1naiXi?

      • ∑ i = 1 n a i X i ∼ N ( ∑ i = 1 n a i , ∑ i = 1 n a i 2 σ 2 ) \sum_{i=1}^{n} a_iX_i \sim N(\sum_{i = 1}^{n}a_i, \sum_{i =1}^na_i^2\sigma^2) i=1naiXiN(i=1nai,i=1nai2σ2)
    4. X i ∼ Γ ( α i , β ) X_i \sim \Gamma(\alpha_i, \beta) XiΓ(αi,β), 且 X 1 , X 2 , ⋯ &ThinSpace; , X n X_1, X_2, \cdots, X_n X1,X2,,Xn 相互独立,那么 ∑ i = 1 n X i ∼ ? \sum_{i=1}^{n} X_i \sim ? i=1nXi?

      • ∑ i = 1 n X i ∼ Γ ( ∑ i = 1 n α i , β ) \sum_{i=1}^{n} X_i \sim \Gamma(\sum_{i = 1}^{n}\alpha_i, \beta) i=1nXiΓ(i=1nαi,β)
    5. Z = X Y Z = \frac{X}{Y} Z=YX 的密度函数怎么表示?相互独立情况下呢?

      • f Z ( z ) = ∫ − ∞ + ∞ ∣ y ∣ f ( y z , y ) d y f_Z(z) = \int_{-\infty}^{+\infty}|y|f(yz, y)dy fZ(z)=+yf(yz,y)dy
      • 独立情况下 f Z ( z ) = ∫ − ∞ + ∞ ∣ y ∣ f X ( y z ) f Y ( y ) d y f_Z(z) = \int_{-\infty}^{+\infty}|y|f_X(yz)f_Y(y)dy fZ(z)=+yfX(yz)fY(y)dy
    6. 假设 X 1 , X 1 , ⋯ &ThinSpace; , X n X_1, X_1, \cdots, X_n X1,X1,,Xn 相互独立,它们的极大值分布和极小值分布是什么?

      • F max ⁡ ( z ) = P { max ⁡ ≤ z } = P { X 1 ≤ z , X 2 ≤ z , ⋯ &ThinSpace; , X n ≤ z } = ∏ i = 1 n F X i ( z ) \begin{aligned} F_{\max}(z) &amp;= P\begin{Bmatrix} \max \le z \end{Bmatrix} \\ &amp;= P\begin{Bmatrix} X_1 \le z, X_2 \le z, \cdots, X_n \le z\end{Bmatrix} \\ &amp;= \prod_{i=1}^{n}F_{X_i}(z) \end{aligned} Fmax(z)=P{maxz}=P{X1z,X2z,,Xnz}=i=1nFXi(z)
      • F min ⁡ ( z ) = P { min ⁡ ≤ z } = 1 − P { min ⁡ &gt; z } = 1 − P { X 1 &gt; z , X 2 &gt; z , ⋯ &ThinSpace; , X n &gt; z } = 1 − ∏ i = 1 n [ 1 − F X i ( x ) ] \begin{aligned}F_{\min}(z) &amp;= P\begin{Bmatrix} \min \le z \end{Bmatrix} \\ &amp;= 1- P\begin{Bmatrix} \min &gt; z \end{Bmatrix} \\ &amp;= 1- P\begin{Bmatrix} X_1 &gt; z, X_2 &gt; z, \cdots, X_n &gt; z \end{Bmatrix} \\ &amp;= 1- \prod_{i=1}^n[1- F_{X_i}(x)] \end{aligned} Fmin(z)=P{minz}=1P{min>z}=1P{X1>z,X2>z,,Xn>z}=1i=1n[1FXi(x)]
    展开全文
  • 3.1二维随机变量及其函数分布 二维随机变量 分布函数 注意:联合分布与x和y都有关 性质 二维离散型的联合分布及边缘分布 分布表 长成这样的就是离散型的联合分布表 性质 表格中每一个数>=0 表格中每一个数...
  • 二维随机变量的分布函数: (1)F(X,Y)=P{X<=x,Y<=y}。叫做联合分布函数(由X,Y共同控制),类似于在X=x,Y=y的两个平面上共同截一刀剩余的体积 注意到红框部分是<而不是<=,就如同中一样必须是虚线...
  • 第二个问题:如何理解二维随机变量分布函数?分布函数对应的就是一个求概率的问题 为什么x>(-∞),y<(+∞)呢???脑补出坐标系就知道了,这表示的就是坐标系的范围。 单独取X或Y的分布函数称为关于X或Y的边缘分布...
  • 2.二维随机变量的联合分布函数边缘分布函数的关系 3. 联合分布律可以确定边缘分布律,反之不然(即,边缘分布律不能确定联合分布律) 4. 二维连续型随机变量的联合分布函数边缘分布函数的关系 ...
  • 统计-二维随机变量

    千次阅读 2018-03-22 20:29:17
    二维随机变量
  • 文章目录关于连续型二维随机变量概率密度函数边缘概率密度条件概率密度独立性来做点练习题吧! 关于连续型二维随机变量 概率密度函数 如果说对于定积分 ∫f(x)dx\int f(x) dx∫f(x)dx ,它所表示的含义如果说是求...
  • 二维概率密度求解边缘密度

    万次阅读 多人点赞 2016-11-12 19:23:29
    二维概率密度求解边缘密度@(概率论)已知f(x,y)f(x,y),求解fX(x),fY(y)f_X(x),f_Y(y)时,用的是下面的公式:fX(x)=∫+∞−∞f(x,y)dyfY(y)=∫+∞−∞f(x,y)dx f_X(x) = \int_{-\infty}^{+\infty}f(x,y)dy \\ f_Y(y) ...
  • n维随机变量的分布函数和独立性

    千次阅读 2019-08-11 20:14:32
    对于n维度空间中的点,若是n维随机变量,也就说记录的每一个字段都是随机变量,然后组成一个由随机变量组成的向量,称为随机向量 ,它的分布函数定义为 , 若 非负可积函数实值函数使得 那么称为随机向量,概率密度...
  • 概率论基础(6)连续型二维随机变量

    千次阅读 多人点赞 2019-06-19 23:16:00
    概率论对于学习 NLP 方向的人,重要性不言而喻。于是我打算从概率论基础篇开始复习,也... - 概率密度 边缘概率密度 条件概率密度 独立性 需要有二重积分相关知识 - Z = X + Y 分布 Z = XY 分布 Z = max{X, Y} 分布
  • 一维随机变量X与二维随机变量(X,Y)(及以上)比较 二维离散型随机变量(X,Y), 联合分布 X和Y的联合概率函数为 P(X=xi,Y=yj)=piji,j=1,2,... P(X=x_i,Y=y_j)=p_{ij} \quad i,j=1,2,... P(X=xi​,Y=yj​)=...
  • 概率论-二维随机变量及其分布

    千次阅读 2020-11-16 11:26:08
    分布函数pmf 定义 F(x,y)=P{X≤x,Y≤y}F(x,y) = P\{X\leq x,Y\leq y\}F(x,y)=P{X≤x,Y≤y}叫做X和Y的联合分布。 左图为定义域,右图为概率值: 性质 0≤F(x,y)≤10 \leq F(x,y) \leq 10≤F(x,y)≤1. F(x,y)F(x,y)F...
  • 在本系列前4章节,我们快速的过了一遍概率论对于一维随机变量的定义与分类。 从最原始直观的经典概率类型出发,...文章目录关于二维概率事件关于离散型二维随机变量分布律(Probability Function / Distribution Law).
  • 二维正态分布的概率密度边缘分布(数1了解、数3掌握)三、第3章考研必做习题第3章习题:1、2、3、6、9、10、13、14、15、16、17、18、20第二节 边缘分布一、边缘分布函数二、离散型随机变量边缘分布律三、连...
  • 这个条件分布主要只针对二维的 一、离散型随机变量的条件分布 同理固定一个X为一个常数则可得Y的条件分布律 **注:**离散型的求在什么条件下X或Y的条件分布律,知道他们的联合分布律很重要. 1) 观察这个公式。 ...
  • 第一节整理了一下常用的连续随机变量密度函数,并以一张图给出它们之间的关系。接下来回顾了计算密度函数的基本方法,最后以第一节中的 3 个密度函数的推导作为例题。1.随机变量分布及特征1.1 常用连续分布的联系...
  • 文章目录 一、条件分布的定义 二、二维离散型条件分布的计算 三、连续型随机变量的...B l o g Blog Blog 的全部内容,下一篇 B l o g Blog Blog 我们将会学习二维随机变量函数的分布和分布密度(包括离散型和连续型)
  • 这一章是上一章的深化,一个是一维空间,一个是多维空间。 联合分布函数 联合分布率 ...二维连续型随机变量 (X,Y)概率密度性质 (X,Y)在G上符合均匀分布 二维正态分布 在这里插入图片描述 ...
  • 概率论第4记:二维随机变量

    千次阅读 2019-01-04 20:45:47
    一般,如果X,Y是定义在样本空间S上的随机变量,那么(X,Y)称为二维随机变量(或称二维随机向量),类似可以定义n维随机变量。 定义:设二维随机变量(X,Y)所有可能的取值为(xi,yj),(i,j=1,2,3…);(X,Y)取(xi...
  • 联合分布函数 边缘分布函数
  • 二维连续型随机变量及其分布

    万次阅读 2016-12-25 13:40:48
    二维连续型r.v的概率密度重点内容 2.性质 典型例题
  • 随机变量的独立性 两随机变量独立的定义(各种情况): 两事件A,B独立的定义:若有 P(AB)=P(A)P(B) P(AB)=P(A)P(B) P(AB)=P(A)P(B) 则称事件A,B独立。 设X,Y是两个随机变量,若对任意的x,y,有 P(X≤x,Y...
  • 为什么教材特别喜欢反复考察这些知识点,其中一个问题是对于我们连续型随机变量来说,有时不一定能顺利的使用连续的密度函数对概率事件进行建模,反而此时使用概率函数能够简化我们的工作量,所以这也就是要求学.
  • 二维随机变量及其分布函数1.联合分布函数①定义②性质(1)F(x,y)F(x,y)F(x,y)对x和y都是单调不减的,即:(2)连续性(3)解释(4)三.二维离散型随机变量1.联合分布列①定义②性质2.分布函数3.边缘分布列==从分布函数...
  • $已知二维随机向量的概率密度函数,求边缘概率密度函数$ 1. 设二维离散型随机向量(X,Y)的分布律为: 若X和Y相互独立。 (1)填写上表空白部分;(1)填写上表空白部分;(1)填写上表空白部分; (2)求U=...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,863
精华内容 1,545
关键字:

二维随机变量边缘密度函数