精华内容
下载资源
问答
  • 1. 二维离散型随机变量的条件分布 2. 二维连续型随机变量的条件分布

     

    一. 二维离散型随机变量的条件分布

     

    已知(X, Y)是二维离散型随机变量,其联合概率函数为

            p_{ij} = P(X = x_{i},Y = y_{j}),i,j = 1,2,3,...,

    对于给定的Y = y,则有在Y = y的条件下随机变量X的条件概率函数:

            p_{X|Y}(x_{i}|y) = P(X = x_{i}|Y = y) = \frac {P(Y = y,X = x_{i})}{P(Y = y)} = \frac{P(Y=y|X=x_{i})P(X=x_{i})}{P(Y = y)},i=1,2,3,...

    通过全概率公式对分母进行展开,可得离散型随机变量的贝叶斯公式:

            p_{X|Y}(x_{i}|y) = \frac{P(Y=y_{j}|X=x_{i})P(X=x_{i})}{\sum_{j=1}^{n}P(Y=y_{j}|X=x_{j})P(X=x_{j})},i=1,2,3,...

     

    看到这里,有许多人就会说由于X, Y的分布是离散的,所以在分母处用的是求和符号\sum,而如果X, Y的分布是连续的,就可以

    把分母处换成积分符号,然后就能得到连续型随机变量的贝叶斯公式:

            p_{X|Y}(x|y) = \frac{p(y|x)p_{X}(x)}{p_{Y}(y)} = \frac{p(y|x)p_{X}(x)}{\int_{-\infty }^{+\infty }p(y|x)p(x)dx}

    是这样的吗?请往下看,虽然结论是对的,但是需要经过一定量的推导才能得出,直接类比过去是没有根据的。

     

    二. 二维连续型随机变量的条件分布

    在给定Y = y的情况下,随机变量X的条件分布函数记为:

           F_{X|Y}(x|y) = P(X \leqslant = x|Y =y)

    在这里我们跟二维离散型进行一个类比,如果把连续型随机变量X的条件分布也写成离散型的格式:

           F_{X|Y}(x|y) = P(X \leqslant = x|Y =y) = \frac{P(X\leqslant x,Y =y)}{P(Y = y)} = \frac{P(Y =y|X\leqslant x)P(X\leqslant x)}{P(Y = y)}

    由于Y是一个连续型随机变量,在Y = y时,P(Y = y)发生的概率为0,所以通过条件概率的定义进行

    求解连续型随机变量的条件分布是走不通的,是无法进行条件概率计算的。

     

    但是我们可以通过极限的做法做一点变形来进行求解,假设y<Y<y+\Delta y,这样就把问题从连续型随机变量在一点Y = y的概率转化为连续型随机变量在y<Y<y+\Delta y这个区域内的概率分布函数:

           F_{X|Y}(x|y)= \lim_{\Delta y \rightarrow 0}P(X \leqslant = x|y<Y<y+\Delta y)

                           = \lim_{\Delta y \rightarrow 0} \frac{P(X \leqslant = x,y<Y<y+\Delta y) }{P(y<Y<y+\Delta y)}

    根据联合分布函数与联合概率密度函数关系可知,对联合概率密度函数进行二重积分可得联合分布函数,此处设联合概率密度函数为p(x,y)

    根据边缘分布函数与边缘概率密度函数关系可知,对边缘概率密度函数进行一重积分可得边缘分布函数,此处设边缘概率密度函数为p_{Y}(y).

                            = \lim_{\Delta y \rightarrow 0} \frac{\int_{-\infty }^{x}\int_{y}^{y+\Delta y}p(x,y)dydx}{\int_{y}^{y+\Delta y}p_{Y}(y)dy}

    (根据积分中值定理可知,存在一个点,可以将\int_{y}^{y+\Delta y}f(y)dy含有\Delta y形式的积分等效为乘积的方式,即等效为f(y+\varepsilon \Delta y)\cdot \Delta y, \ (0<\varepsilon<1)这种形式)

                            = \lim_{\Delta y \rightarrow 0} \frac{\int_{-\infty }^{x}p(x,y+\varepsilon_{0}\Delta y)\Delta ydx}{p_{Y}(y+\varepsilon_{1}\Delta y)\Delta y} \ (0<\varepsilon_{0}<1,0<\varepsilon_{1}<1)

    分子分母同时约掉一个\Delta y

                            = \lim_{\Delta y \rightarrow 0} \frac{\int_{-\infty }^{x}p(x,y+\varepsilon_{0}\Delta y)dx}{p_{Y}(y+\varepsilon_{1}\Delta y)} \ (0<\varepsilon_{0}<1,0<\varepsilon_{1}<1)

    因为\lim_{\Delta y \rightarrow 0},且Y是连续随机变量,所以把\varepsilon_{0}\Delta y = 0, \varepsilon_{1}\Delta y = 0,代入式子

                            = \frac{\int_{-\infty }^{x}p(x,y)dx}{p_{Y}(y)}

    推导到此处,可以看到积分处仅剩分子对从-\inftyxx进行积分,分母里面不含有x的变量,因此对x积分分母可以看做一个常数,所以可以把积分提取出来,最终得到F_{X|Y}(x|y)的概率分布函数为

                            F_{X|Y}(x|y) = \int_{-\infty }^{x}\frac{p(x,y)}{p_{Y}(y)}dx

    仔细观察等式左右边,都是关于x的函数,而左边是一个分布函数,右边又是对一个关于x的函数从-\inftyx进行积分,对\frac{p(x,y)}{p_{Y}(y)}

    进行积分得到分布函数,因此我们可以得出\frac{p(x,y)}{p_{Y}(y)}就为Y=y条件下X的条件概率密度函数

     

    对 F_{X|Y}(x|y) = \int_{-\infty }^{x}\frac{p(x,y)}{p_{Y}(y)}dx等式两边同时求导,可得Y=y条件下X的条件概率密度函数为

                            \dpi{100} p_{X|Y}(x|y) = \frac{p(x,y)}{p_{Y}(y)} = \frac{p(y|x)p_{X}(x)}{p_{Y}(y)}

    对上式分母的p_{Y}(y),可以通过全概率公式展开

                            p_{X|Y}(x|y) = \frac{p(y|x)p_{X}(x)}{p_{Y}(y)} = \frac{p(y|x)p_{X}(x)}{\int_{-\infty }^{+\infty }p(y|x)p(x)dx}

    可以看到该式与离散型随机变量的概率分布是非常相似的,但是相似并不代表可以直接类比,可以看到,我们是经过了相对复杂的推导才得出的结论。

     

     

     

    展开全文
  • 二维随机变量 联合分布函数 定义 性质 边缘分布函数 联合密度 边缘密度 期望 方差

    1. 二维均匀分布

    在这里插入图片描述

    2. 二维正态分布【(ξ,ŋ) ~ N(μ1122,)】

    在这里插入图片描述

    性质:

    1. 相关系数为0 <=> 两个随即变量相互独立

    不相关 == 相互独立

    展开全文
  • 目录 分布函数求导法 公式法 Z = ξ + ŋ Z = ξ - ŋ Z = ŋ - ξ Z = ŋ / ξ Z = ξ / ŋ Z = ξ ŋ 最大值分布 最小值分布 分布函数求导法 公式法 Z = ξ + ŋ Z = ξ - ŋ 若 ξ与 ŋ 相互独立,则 Z = ŋ - ξ...

    分布函数求导法

    公式法

    Z = ξ + ŋ

    Z = ξ - ŋ

    在这里插入图片描述
    在这里插入图片描述

    若 ξ与 ŋ 相互独立,则

    在这里插入图片描述
    在这里插入图片描述

    Z = ŋ - ξ

    在这里插入图片描述
    在这里插入图片描述
    若 ξ与 ŋ 相互独立,则
    在这里插入图片描述
    在这里插入图片描述

    Z = ŋ / ξ

    在这里插入图片描述

    Z = ξ / ŋ

    在这里插入图片描述

    Z = ξ ŋ

    在这里插入图片描述
    在这里插入图片描述

    最大值分布

    在这里插入图片描述

    最小值分布

    在这里插入图片描述

    展开全文
  • 二维连续型随机变量及其分布

    千次阅读 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

    二维连续型随机变量的联合分布

    二维连续型r.v的概率密度
    这里写图片描述
    2.性质
    这里写图片描述
    典型例题
    这里写图片描述
    这里写图片描述

    二维连续型随机变量的边缘分布

    边缘分布函数
    这里写图片描述
    连续型r,v的边缘分布
    这里写图片描述
    典型例题
    这里写图片描述

    二维连续型随机变量的条件分布

    连续型随机变量的条件分布
    这里写图片描述
    典型例题
    这里写图片描述
    这里写图片描述

    展开全文
  • 概率论知识回顾(十) 重点:二维连续随机变量分布函数联合密度函数 二维连续随机变量分布函数怎么表示? 分布函数有什么性质? 二维连续随机变量的边缘分布...
  • 连续型随机变量函数分布

    万次阅读 2018-10-24 20:02:39
    离散型随机变量函数分布 连续型随机变量函数分布
  • X,YX,YX,Y为两个连续型随机变量,并且(X,Y)∼f(x,y)(X,Y)\sim f(x,y)(X,Y)∼f(x,y),f为二维随机变量(X,Y)(X,Y)(X,Y)的密度函数; 对于Z=g(X,Y)Z=g(X,Y)Z=g(X,Y),求Z的分布函数和概率密度; FZ(z)=p{Z≤z}=P{g(X...
  • 连续型随机变量函数分布及例题

    万次阅读 2018-08-14 16:24:14
    戳这里:概率论思维导图!!! 一般情况,如果随机变量Z是二维连续型随机变量(X,Y)的函数: ...设二维连续型随机变量(X,Y)的联合概率密度函数为f(x,y),求 的概率密度函数  解:设Z的分布函数为,则 故Z...
  • 1. 介绍连续型随机变量分布函数及其概率密度 2. 介绍均匀分布,指数分布,正态分布的性质以及必要性证明
  • 文章目录一、为什么是二维随机变量二、二维随机变量分布函数2.1 二维随机变量分布函数的性质2.2 二维随机变量的边缘分布函数三、二维离散型随机变量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...
  • 文章目录一、二维离散型随机变量函数分布二、二维连续型随机变量函数分布分布密度 一、二维离散型随机变量函数分布 二、二维连续型随机变量函数分布分布密度 首先,我们有两个随机变量 X, Y。它们的概率...
  • 以下均适用于离散型随机变量连续型随机变量 多维随机变量:身材(身高、体重),三维(胸围、腰围、臀围) 二维随机变量:E是一个随机试验,Ω是该实验的样本空间,X,Y是同一个样本空间的样本变量。(X,Y)就是...
  • 文章目录3.1 二维随机变量二维随机变量及其分布函数二维离散型随机变量二维连续型随机变量 二维随机变量及其分布函数 上一章里我们都是用一个随机变量XXX来表述概率的。但是在现实生活里影响事情发生概率的随机变量...
  • 一、二维随机变量 二、二维离散型随机变量 2.1、离散随机变量联合概率分布律 2.2、联合分布律的性质 2.3、例
  • 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 ...
  • 1. 内容回顾 2.二维随机变量联合分布函数与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...4. 二维连续型随机变量联合分布函数与边缘分布函数的关系 ...
  • 使用多种方法实现二维离散随机变量概率分布的计算. 可以用于计算互信息等.
  • 随机变量随机变量分布函数分布函数的性质: 随机变量的类型:离散型随机变量和连续性随机变量。 离散型随机变量的概率分布: ...连续型随机变量密度函数的理解: 均匀分布: 指数分布
  • 简单介绍一元多元随机变量的内容 一下所有的内容都是对应到这个来写的。...随机变量函数分布函数 多维的 多维随机变量的分布函数 为什么要有多维的随机变量函数? 多维随机变量分布函数和一维随机变量分布函数之...
  • 二维随机变量函数分布

    万次阅读 2016-12-26 17:16:25
    典型例题 X+Y的分布律:
  • 文章目录1. 多维随机变量及其分布2.... 二维连续型随机变量的分布及独立性4. 二维标准正态分布联合概率密度5. 两个随机变量函数分布6. 考点分布 1. 多维随机变量及其分布 2. 二维离散型随机变量的分布及独...
  • 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,也顺便巩固巩固基础。 这是基础篇的第六篇知识点总结 知识点 ... - Z = X + Y 分布 Z = XY 分布 Z = max{X, Y} 分布
  • 第三章 二维随机变量及其分布

    千次阅读 2017-02-23 16:01:31
    第三章 二维随机变量及其分布一、二维随机变量联合分布与边缘分布 二维随机变量 设 XX, YY 为随机变量,称 (X,Y)(X, Y) 为二维随机变量联合分布函数 F(x,y)=P{X⩽x,Y⩽y} F(x, y) = P\{X \leqslant x, Y \...
  • 二维随机变量1.二维随机变量的定义2.二维随机变量分布函数(联合分布函数)的定义3....二维连续型随机变量1).定义2).性质3).二维连续型随机变量例题6.二维随机变量推广1).n维随机变量定义2).n维随机变量的...
  • 离散型随机变量连续型随机变量

    千次阅读 2018-02-28 14:58:09
    实例 离散性随机变量: ...如果变量可以在某个区间内取任一实数,即变量的取值可以是连续的,这随机变量就称为连续型随机变量,比如,公共汽车每15分钟一班,某人在站台等车时间x是个随机变量,x的取值范围是
  • 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,也顺便巩固巩固基础。...知识点:离散型随机变量分布律、分布函数函数分布连续型随机变量分布律、分布函数函数分布
  • 数学期望离散型随机变量的数学期望1. 两点分布2. 分布3. 泊松分布4. 几何分布5. 超几何分布6. 其他连续随机变量的数学期望1. 均匀分布2. 指数分布3. 正态分布 离散型随机变量的数学期望 1. 两点分布 2. 项...
  • 二元随机变量函数分布

    千次阅读 2017-04-14 16:38:58
    在前面的文章记录了二元随机变量的定义、离散二元随机变量联合分布律/联合概率密度函数、边际分布律/边际概率密度函数、条件分布律/条件概率密度 ,以及对应的 联合分布函数、边际分布函数、条件分布函数。...
  • 文章目录二元随机变量分布函数、边际分布函数及条件分布函数联合分布函数分布函数 F(x,y)F(x, y)F(x,y) 的性质边际分布函数条件分布函数 二元随机变量分布函数、边际分布函数及条件分布函数 联合分布函数 定义: ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 29,055
精华内容 11,622
关键字:

二维连续型随机变量联合分布函数