17. 二元离散型随机变量边际分布律与条件分布律
文章目录
- 二元离散型随机变量边际分布律与条件分布律
- 边际分布
- 条件分布
二元离散型随机变量边际分布律与条件分布律
边际分布
对于离散型随机变量 (X,Y)(X,Y)(X,Y),分布律为 P(X=xi,Y=yj)=pij,i,j=1,2,⋯P(X=x_i,Y=y_j)=p_{ij},i,j=1,2,\cdotsP(X=xi,Y=yj)=pij,i,j=1,2,⋯
X,YX,YX,Y 的边际分布律为:
P(X=xj)=P(X=xi,⋃j=1∞(Y=yj))=∑j=1∞pij=记为pi⋅P(X=x_j)=P(X=x_i,\bigcup_{j=1}^{\infty}(Y=y_j))=\sum_{j=1}^{\infty}p_{ij}\overset{\text{记为}}{=}p_{i·} P(X=xj)=P(X=xi,j=1⋃∞(Y=yj))=j=1∑∞pij=记为pi⋅
同理,
P(Y=yj)=P(⋃i=1∞(X=xj),Y=yj)=∑i=1∞pij=记为p⋅jP(Y=y_j)=P(\bigcup_{i=1}^{\infty}(X=x_j),Y=y_j)=\sum_{i=1}^{\infty}p_{ij}\overset{\text{记为}}{=}p_{·j} P(Y=yj)=P(i=1⋃∞(X=xj),Y=yj)=i=1∑∞pij=记为p⋅j
注意: 记号 pi⋅p_{i·}pi⋅ 表示是由 pijp_{ij}pij 关于 jjj 求和后得到的;
\quad\quad\,\,\, 同样 p⋅jp_{·j}p⋅j 是由 pijp_{ij}pij 关于 iii 求和后得到的;
XYy1y2⋯yj⋯P(X=xi)x1p11p12⋯p1j⋯p1⋅x2p21p22⋯p2j⋯p2⋅⋮⋯⋯⋯⋯⋯⋮xipi1pi2⋯pij⋯pi⋅⋮⋯⋯⋯⋯⋯⋮P(Y=j)p⋅1p⋅2⋯p⋅j⋯1\begin{array}{c|ccccc|c} _X\bcancel{\quad^Y} & y_1 & y_2 & \cdots & y_j & \cdots & P(X=x_i) \\ \hline x_1 & p_{11} & p_{12} & \cdots & p_{1j} & \cdots & p_{1·} \\ x_2 & p_{21} & p_{22} & \cdots & p_{2j} & \cdots & p_{2·} \\ \vdots & \cdots & \cdots & \cdots & \cdots & \cdots & \vdots \\ x_i & p_{i1} & p_{i2} & \cdots & p_{ij} & \cdots & p_{i·} \\ \vdots & \cdots & \cdots & \cdots & \cdots & \cdots & \vdots \\ \hline P(Y=j) & p_{·1} & p_{·2} & \cdots & p_{·j} & \cdots & 1 \end{array} XYx1x2⋮xi⋮P(Y=j)y1p11p21⋯pi1⋯p⋅1y2p12p22⋯pi2⋯p⋅2⋯⋯⋯⋯⋯⋯⋯yjp1jp2j⋯pij⋯p⋅j⋯⋯⋯⋯⋯⋯⋯P(X=xi)p1⋅p2⋅⋮pi⋅⋮1
例 1: 盒中装有 3 只红球,2 只白球,现分两从中任取 1 球,以 X、YX、YX、Y 分别表示第 1、2 次取到的红球数。采用不放回与放回抽样分别求:X,YX,YX,Y的联合分布律及边际分布律。
解:
X={0,第1次取到白球1,第1次取到红球,Y={0,第2次取到白球1,第2次取到红球X=\begin{cases} 0, & 第 1 次取到白球 \\ 1, & 第 1 次取到红球, \end{cases} Y=\begin{cases} 0, & 第 2 次取到白球 \\ 1, & 第 2 次取到红球 \end{cases} X={0,1,第1次取到白球第1次取到红球,Y={0,1,第2次取到白球第2次取到红球
先计算不放回抽样:
XY01pi⋅025⋅1425⋅3425135⋅2435⋅2435p⋅j2535\begin{array}{c|cc|c} _X\bcancel{\quad^Y} & 0 & 1 & p_{i·} \\ \hline 0 & \cfrac{2}{5}·\cfrac{1}{4} & \cfrac{2}{5}·\cfrac{3}{4} & \cfrac{2}{5} \\ \\ 1 & \cfrac{3}{5}·\cfrac{2}{4} & \cfrac{3}{5}·\cfrac{2}{4} & \cfrac{3}{5} \\ \\ \hline p_{·j} & \cfrac{2}{5} & \cfrac{3}{5} & \end{array} XY01p⋅j052⋅4153⋅4252152⋅4353⋅4253pi⋅5253
再计算放回抽样:
XY01pi⋅025⋅2525⋅3525135⋅2535⋅3535p⋅j2535\begin{array}{c|cc|c} _X\bcancel{\quad^Y} & 0 & 1 & p_{i·} \\ \hline 0 & \cfrac{2}{5}·\cfrac{2}{5} & \cfrac{2}{5}·\cfrac{3}{5} & \cfrac{2}{5} \\ \\ 1 & \cfrac{3}{5}·\cfrac{2}{5} & \cfrac{3}{5}·\cfrac{3}{5} & \cfrac{3}{5} \\ \\ \hline p_{·j} & \cfrac{2}{5} & \cfrac{3}{5} & \end{array} XY01p⋅j052⋅5253⋅5252152⋅5353⋅5353pi⋅5253
上面两表中,联合分布律不同,但它们的边际分布律相同;这说明,仅由边际分布一般不能得到联合分布。
例 2: 设一群体 80% 的人不吸烟, 15% 的人量吸烟,5% 的人吸烟较多,且已知近期他们患呼吸道疾病的概率分别为 5%,25%,70%。记
X={0,不吸烟1,少量吸烟2,吸烟较多,Y={1,患病0,不患病X=\begin{cases} 0, & \text{不吸烟} \\ 1, & \text{少量吸烟} \\ 2, & \text{吸烟较多} \end{cases}, Y=\begin{cases} 1, & \text{患病} \\ 0, & \text{不患病} \end{cases} X=⎩⎪⎨⎪⎧0,1,2,不吸烟少量吸烟吸烟较多,Y={1,0,患病不患病
求:(1) (X,Y)(X,Y)(X,Y) 的联合分布和边际分布
\quad\,\,\,\,(2)求患者人中是吸烟者的概率。
解:(1)由题意可得:
X012P0.80.150.05\begin{array}{c|ccc} X & 0 & 1 & 2 \\ \hline P & 0.8 & 0.15 & 0.05 \end{array} XP00.810.1520.05
P{Y=1∣X=0}=0.05,P{Y=1∣X=1}=0.25,P{Y=1∣X=2}=0.70P\{Y=1|X=0\}=0.05,P\{Y=1|X=1\}=0.25,P\{Y=1|X=2\}=0.70P{Y=1∣X=0}=0.05,P{Y=1∣X=1}=0.25,P{Y=1∣X=2}=0.70,
由乘法公式:P{X=i,Y=j}=P{X=i}P{Y=j∣X=i}P\{X=i,Y=j\}=P\{X=i\}P\{Y=j|X=i\}P{X=i,Y=j}=P{X=i}P{Y=j∣X=i}
XY01P(X=i)00.760.040.8010.11250.03750.1520.0150.0350.05P(Y=j)0.88750.11251\begin{array}{c|cc|c} _X\bcancel{\quad^Y} & 0 & 1 & P(X=i) \\ \hline 0 & 0.76 & 0.04 & 0.80 \\ 1 & 0.1125 & 0.0375 & 0.15 \\ 2 & 0.015 & 0.035 & 0.05 \\ \hline P(Y=j) & 0.8875 & 0.1125 & 1 \end{array} XY012P(Y=j)00.760.11250.0150.887510.040.03750.0350.1125P(X=i)0.800.150.051
解: (2)
P(患病人中是吸烟者)=P{(X=1)⋃(X=2)∣Y=1}=不相容 P{X=1∣Y=1}+P{X=2∣Y=1}=P{X=1,Y=1}P{Y=1}+P{X=2,Y=1}P{Y=1}=0.0375+0.0350.1125=0.6444\begin{aligned} & P(患病人中是吸烟者) \\ & = P\{(X=1)\bigcup(X=2)|Y=1\} \\ &\overset{\text{不相容 }}{=} P\{X=1|Y=1\} + P\{X=2|Y=1\} \\ \\ &= \cfrac{P\{X=1,Y=1\}}{P\{Y=1\}} + \cfrac{P\{X=2,Y=1\}}{P\{Y=1\}} \\ &= \cfrac{0.0375 + 0.035}{0.1125} = 0.6444 \end{aligned} P(患病人中是吸烟者)=P{(X=1)⋃(X=2)∣Y=1}=不相容 P{X=1∣Y=1}+P{X=2∣Y=1}=P{Y=1}P{X=1,Y=1}+P{Y=1}P{X=2,Y=1}=0.11250.0375+0.035=0.6444
条件分布
对于两个事件 A,BA,BA,B ,若 P(A)>0P(A)>0P(A)>0 ,可以考虑条件概率 P(B∣A)P(B|A)P(B∣A),对于二元离散型随机变量 (X,Y)(X,Y)(X,Y),设其分布律为:
P(X=xi,Y=yj)=piji,j=1,2,⋯P(X=x_i,Y=y_j)=p_{ij}\quad i,j=1,2,\cdotsP(X=xi,Y=yj)=piji,j=1,2,⋯
若 P(Y=yj)=p⋅j>0P(Y=y_j)=p_{·j}>0P(Y=yj)=p⋅j>0,考虑条件概率 P(X=xi∣Y=yj)P(X=x_i|Y=y_j)P(X=xi∣Y=yj)
由条件概率公式可得:
P(X=xi∣Y=yj)=P(X=xi,Y=yj)P(Y=yj)=pijp⋅jP(X=x_i|Y=y_j) = \cfrac{P(X=x_i,Y=y_j)}{P(Y=y_j)}=\cfrac{p_{ij}}{p_{·j}} P(X=xi∣Y=yj)=P(Y=yj)P(X=xi,Y=yj)=p⋅jpij
当 XXX 取遍所有可能的值,就得到了条件分布律。
定义: 设 (X,Y)(X,Y)(X,Y) 是二元离散型随机变量,对于固定的 yjy_jyj,若 P(Y=yj)>0P(Y=y_j)>0P(Y=yj)>0,则称:
P(X=xi∣Y=yj)=P(X=xi,Y=yj)P(Y=yj)=pijp⋅ji=1,2,⋯P(X=x_i|Y=y_j)=\cfrac{P(X=x_i,Y=y_j)}{P(Y=y_j)}=\cfrac{p_{ij}}{p_{·j}} \quad i=1,2,\cdots P(X=xi∣Y=yj)=P(Y=yj)P(X=xi,Y=yj)=p⋅jpiji=1,2,⋯
为在 Y=yjY=y_jY=yj 条件下,随机变量 XXX 的条件分布律;
同样,对于固定的 xix_ixi,若 P(X=xi)>0P(X=x_i)>0P(X=xi)>0,则称:
P(Y=yj∣X=xi)=P(X=xi,Y=yj)P(X=xi)=pijpi⋅j=1,2,⋯P(Y=y_j|X=x_i)=\cfrac{P(X=x_i,Y=y_j)}{P(X=x_i)}=\cfrac{p_{ij}}{p_{i·}} \quad j=1,2,\cdots P(Y=yj∣X=xi)=P(X=xi)P(X=xi,Y=yj)=pi⋅pijj=1,2,⋯
为在 X=xiX=x_iX=xi 条件下,随机变量 YYY 的条件分布律。
例 3: 盒中装有 3 只红球, 4 只黑球, 3 只球,在其中不放回取 2 球,以 XXX 表示取到红球的只数, YYY 表示取到黑球的只数。求(1)X,YX,YX,Y 的联合分布律;(2)X=1X=1X=1 时 YYY 的条件分布律.
解: (1) X,YX,YX,Y 的取值均为 0,1,2
P(X=0,Y=0)=C30C40C32C102P(X=0,Y=0)=\cfrac{C_{3}^{0}\,C_{4}^{0}\,C_{3}^{2}}{C_{10}^{2}}P(X=0,Y=0)=C102C30C40C32
P(X=i,Y=j)=C3iC4jC32−i−jC102i,j=0,1,2,i+j≤2.P(X=i,Y=j)=\cfrac{C_{3}^{i}\,C_{4}^{j}\,C_{3}^{2-i-j}}{C_{10}^{2}}\quad i,j=0,1,2,i+j\leq2.P(X=i,Y=j)=C102C3iC4jC32−i−ji,j=0,1,2,i+j≤2.
X,YX,YX,Y 的分布律为:
XY01201/154/152/1513/154/15021/1500\begin{array}{c|ccc} _X\bcancel{\quad ^Y} & 0 & 1 & 2 \\ \hline 0 & 1/15 & 4/15 & 2/15 \\ 1 & 3/15 & 4/15 & 0 \\ 2 & 1/15 & 0 & 0 \end{array} XY01201/153/151/1514/154/15022/1500
(2)由(1)可知, 由于 P(X=1)=7/15P(X=1)=7/15P(X=1)=7/15
故在 X=1X=1X=1 的条件下, YYY 的分布律为:
P(Y=0∣X=1)=P(X=1,Y=0)P(X=1)=37P(Y=0|X=1)=\cfrac{P(X=1,Y=0)}{P(X=1)}=\cfrac{3}{7}P(Y=0∣X=1)=P(X=1)P(X=1,Y=0)=73,
P(Y=1∣X=1)=47P(Y=1|X=1)=\cfrac{4}{7}P(Y=1∣X=1)=74,
P(Y=2∣X=1)=0.P(Y=2|X=1)=0.P(Y=2∣X=1)=0.
Y012P(Y=j∣X=1)3/74/70\begin{array}{c|ccc} Y & 0 & 1 & 2 \\ \hline P(Y=j|X=1) & 3/7 & 4/7 & 0 \end{array} YP(Y=j∣X=1)03/714/720
例 4: (X,Y)(X,Y)(X,Y) 的联合分布律为:
XY−1011a0.20.220.10.1b\begin{array}{c|ccc} _X\bcancel{\quad ^Y} & -1 & 0 & 1 \\ \hline 1 & a & 0.2 & 0.2 \\ 2 & 0.1 & 0.1 & b \\ \end{array} XY12−1a0.100.20.110.2b
已知,P(Y≤0∣X<2)=0.5P(Y\leq 0 | X < 2)=0.5P(Y≤0∣X<2)=0.5
求:
(1) a,ba,ba,b 的值;
(2) {X=2}\{X=2\}{X=2} 条件下 YYY 的条件分布律;
(3) {X+y=2}\{X+y=2\}{X+y=2} 条件下 XXX 的条件分布律;
解:考虑包含 a,ba, ba,b 的方程
{a+b+0.6=1P(Y≤0∣X<2)=0.5\begin{cases} a+b+0.6 = 1 \\ P(Y\leq 0 | X < 2)=0.5 \end{cases} {a+b+0.6=1P(Y≤0∣X<2)=0.5
0.5=P(Y≤0∣X<2)P(X<2)=P(X=1,{Y=−1}⋃{Y=0})P(X=1)=P(X=1,Y=−1)+P(X=1,Y=0)P(X=1)=a+0.2a+0.4⟹a=0,b=0.4\begin{aligned} 0.5 &= \cfrac{P(Y\leq 0|X<2)}{P(X<2)} = \cfrac{P(X=1,\{Y=-1\}\bigcup \{Y=0\})}{P(X=1)} \\ &= \cfrac{P(X=1,Y=-1)+P(X=1,Y=0)}{P(X=1)} \\ &= \cfrac{a+0.2}{a+0.4} \\ \\ &\implies a=0, \quad b=0.4 \end{aligned} 0.5=P(X<2)P(Y≤0∣X<2)=P(X=1)P(X=1,{Y=−1}⋃{Y=0})=P(X=1)P(X=1,Y=−1)+P(X=1,Y=0)=a+0.4a+0.2⟹a=0,b=0.4
解:(2) P(X=2)=0.1+0.1+b=0.6P(X=2)=0.1+0.1+b=0.6P(X=2)=0.1+0.1+b=0.6
XY−101100.20.220.10.10.4\begin{array}{c|ccc} _X\bcancel{\quad ^Y} & -1 & 0 & 1 \\ \hline 1 & 0 & 0.2 & 0.2 \\ 2 & 0.1 & 0.1 & 0.4 \\ \end{array} XY12−100.100.20.110.20.4
⟹P(Yj∣X=2)=P(X=2,Y=j)P(X=2)={1/6,j=−11/6,j=02/3,j=1\implies P(Y_j|X=2)=\cfrac{P(X=2,Y=j)}{P(X=2)}= \begin{cases} 1/6, & j=-1 \\ 1/6, & j=0 \\ 2/3, & j=1 \end{cases} ⟹P(Yj∣X=2)=P(X=2)P(X=2,Y=j)=⎩⎪⎨⎪⎧1/6,1/6,2/3,j=−1j=0j=1
所以,{X=2}\{X=2\}{X=2} 条件下 YYY 的条件分布律为:
Y−101P(Y=j∣X=2)161623\begin{array}{c|ccc} Y & -1 & 0 & 1 \\ \hline P(Y=j|X=2) & \cfrac{1}{6} & \cfrac{1}{6} & \cfrac{2}{3} \end{array} YP(Y=j∣X=2)−161061132
解:(3) P(X+Y=2)=P(X=1,Y=1)+P(X=2,Y=0)=0.2+0.1=0.3P(X+Y=2)=P(X=1,Y=1)+P(X=2,Y=0)=0.2+0.1=0.3P(X+Y=2)=P(X=1,Y=1)+P(X=2,Y=0)=0.2+0.1=0.3
XY−101100.20.220.10.10.4\begin{array}{c|ccc} _X\bcancel{\quad ^Y} & -1 & 0 & 1 \\ \hline 1 & 0 & 0.2 & 0.2 \\ 2 & 0.1 & 0.1 & 0.4 \\ \end{array} XY12−100.100.20.110.20.4
P(X=i∣X+Y=2)=P(X=i,Y=2−i)P(X+Y=2)={2/3,i=11/3,i=2P(X=i|X+Y=2)=\cfrac{P(X=i,Y=2-i)}{P(X+Y=2)}= \begin{cases} 2/3, & i = 1 \\ 1/3, & i = 2 \end{cases} P(X=i∣X+Y=2)=P(X+Y=2)P(X=i,Y=2−i)={2/3,1/3,i=1i=2
{X+Y=2}\{X+Y=2\}{X+Y=2} 条件下 XXX 的条件分布律为:
X12P(X=i∣X+Y=2)2313\begin{array}{c|cc} X & 1 & 2 \\ \hline P(X=i|X+Y=2) & \cfrac{2}{3} & \cfrac{1}{3} \end{array} XP(X=i∣X+Y=2)132231
17. 二元离散型随机变量边际分布律与条件分布律相关推荐
- 【概率论】二维随机变量:联合分布律、边缘分布律和条件分布律之间的关系
摘要:本文主要介绍二维随机变量的联合分布律.边缘分布律和条件分布律之间的关系,并以矿山事故为例,强化对三者关系的认识. 一.联合分布律.边缘分布律和条件分布律之间的关系 1.若已知(X, Y)的联合分 ...
- 16. 二元随机变量,离散型随机变量分布律
文章目录 二元随机变量,离散型随机变量分布律 二元随机变量 二元离散型随机变量 (一)离散型随机变量的联合概率分布律 联合分布律的性质 二元随机变量,离散型随机变量分布律 二元随机变量 定义: 设 E ...
- 18. 二元随机变量分布函数、边际分布函数及条件分布函数
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 ...
- 离散型随机变量及其分布律(知识点部分)
1. 离 散 型 随 机 变 量 1.离散型随机变量 1.离散型随机变量 把全部可能取到的值是有限个或可列无限个的随机变量称为离散型随机变量. 2. 离 散 型 随 机 变 量 的 分 布 律 2.离 ...
- 离散型随机变量及其分布
一.离散型随机变量 1.1.定义: 若随机变量X的取值为有限个或可数 离散, 则称X为离散型随机变量. 1.2.分布律 二.分布 2.1.(0-1)分布 / 两点分布 / 贝努利分布 2.1.1.0- ...
- 应用概率统计-第二章 离散型随机变量
目录 一.随机变量 1.随机变量的定义 2.随机变量的分类 二.离散型随机变量的概率分布 1.分布律 2.分布函数 三.二项分布 1.伯努利概型 2.二项分布 3.两点分布 四.泊松分布 五.超几何分 ...
- 离散型随机变量及其分布律2
(熟记理解背诵,不管到多少岁!!!都要脱口而出!!!!) 目录 一.三种重要的离散型随机变量 (一)(0-1)分布/两点分布 (二)伯努利试验/二项分布 (三)泊松分布 一.三种重要的离散型随机变量 ...
- 随机变量,离散型随机变量的分布律
什么是随机变量? 设随机试验的样本空间为 S={e}S = \{e\}S={e} ,X=X(e)X = X_{(e)}X=X(e)是定义在样本空间SSS上的实值单值函数,称X=X(e)X = X{( ...
- PT@多维随机变量@联合分布函数@联合分布律@边缘分布律@二维离散型随机变量和分布律
文章目录 PT@多维随机变量@联合分布函数@联合分布律@边缘分布律@二维离散型随机变量和分布律 多维随机变量
最新文章
- Microsoft Visual Studio 宏脚本添加注释模板
- Harbor容器仓库的镜像上传
- 《Head First Python》第一章
- 硬盘的原理以及SQL Server如何利用硬盘原理减少IO
- 从几何解释SVD分解
- 经典按键java手机游戏_菜鸟也能轻松吃鸡的神器——莱仕达P30S手机游戏手柄体验...
- 计算机软件 已录制 是指啥,录像软件是什么?怎么录制电脑屏幕视频?
- 计算机病毒和恶意软件管理制度,白城师范学院计算机病毒防治管理制度
- 网站被黑客攻击怎么办?
- google谷歌云盘_如何在酒店房间使用Google Chromecast?
- IDEA中Tomcat在控制台乱码问题以及IDEA编码设置UTF-8
- CentOS7 或 Ubuntu20.04、22.04 安装最新版 Podman-4.1.1,离线安装请移步到连接
- 长安链---从零到一部署Chainmaker-2.0.0
- 哥们别逗 了,写个脚本那真不叫运维自动化! 【转载】
- 如何使用omnipeek工具抓取WiFi设备的action帧
- Python4:操作列表
- 湖北计算机考试报名有几次,湖北2020计算机考试怎么报名
- appium java 虫师_利用 IPython 来学习 Appium
- 美联储“缩表”背后真实意图是什么?
- python123判断火车票座位号分布图_闲话 - 火车硬座座位分布图
热门文章
- python数据爬取及数据可视化分析
- 阿里高级架构师的这个规划你必不可错过! 看完前途一片光明
- linux进程收到sigsegv,Linux上的Ada程序:由于缺少文件而导致SIGSEGV?
- QT tcpserver启动监听SIGSEGV错误
- EasyTouch_摇杆/按钮/触摸板
- 数字滚动组件(react)
- 【Cocos游戏】正版《变形金刚:崛起》跻身千万级手游阵营
- 【JAVA程序设计】(C00095)基于SSM框架的学生选课管理系统
- 如何解决Keil报错error: #411: a parameter is not allowed ...
- Unity用于储存数据的几种方式