概率论与数理统计-读书笔记3
第三章 多维随机变量及其分布
§ 1 二维随机变量
二维随机变量定义: 设E是一个随机试验, 它的样本空间是S={e}, 设X=X(e)X=X(e)X=X(e)和Y=Y(e)Y=Y(e)Y=Y(e)是定义在S上的随机变量, 由它们构成的一个向量(X,Y)(X, Y)(X,Y),叫做二维随机向量或二维随机变量.
二维随机变量(X,Y)(X,Y)(X,Y)的分布函数的定义: 又称为随机变量X, Y的联合分布函数.设( X,YX, YX,Y )是二维随机变量,对于任意实数 x,y,x, y,x,y, 二元函数
F(x,y)=P{(X⩽x)∩(Y⩽y)}=记成 P{X⩽x,Y⩽y}F(x, y)=P\{(X \leqslant x) \cap(Y \leqslant y)\} \stackrel{\text { 记成 }}{=} P\{X \leqslant x, Y \leqslant y\}F(x,y)=P{(X⩽x)∩(Y⩽y)}= 记成 P{X⩽x,Y⩽y}
四大基本性质:
F(x,y)F(x, y)F(x,y) 是变量 xxx 和 yyy 的不减函数
0⩽F(x,y)⩽10 \leqslant F(x, y) \leqslant 10⩽F(x,y)⩽1, 且
对于任意固定的 y,F(−∞,y)=0y, F(-\infty, y)=0y,F(−∞,y)=0
对于任意画定的 x,F(x,−∞)=0x, F(x,-\infty)=0x,F(x,−∞)=0
F(−∞,−∞)=0,F(∞,∞)=1F(-\infty,-\infty)=0, F(\infty, \infty)=1F(−∞,−∞)=0,F(∞,∞)=1F(x+0,y)=F(x,y),F(x,y+0)=F(x,y),F(x+0, y)=F(x, y), F(x, y+0)=F(x, y),F(x+0,y)=F(x,y),F(x,y+0)=F(x,y), 即 F(x,y)F(x, y)F(x,y) 关于 xxx 右连续,关于 yyy 也右连续.
对于任意 (x1,y1),(x2,y2),x1<x2,y1<y2,\left(x_{1}, y_{1}\right),\left(x_{2}, y_{2}\right), x_{1}<x_{2}, y_{1}<y_{2},(x1,y1),(x2,y2),x1<x2,y1<y2, 下述不等式成立: F(x2,y2)−F(x2,y1)+F(x1,y1)−F(x1,y2)⩾0F\left(x_{2}, y_{2}\right)-F\left(x_{2}, y_{1}\right)+F\left(x_{1}, y_{1}\right)-F\left(x_{1}, y_{2}\right) \geqslant 0F(x2,y2)−F(x2,y1)+F(x1,y1)−F(x1,y2)⩾0
离散型的随机变量的定义: 二维随机变量(X,Y)(X, Y)(X,Y)所有可能取到的值是有限对或可列无限多对
二维离散型随机变量(X,Y)(X, Y)(X,Y)的分布律: 又称为随机变量X和Y的联合分布律
二维离散型随机变量(X,Y)(X, Y)(X,Y)的分布函数:F(x,y)=∑xi⩽xyj⩽ypijF(x, y)=\sum_{x_{i} \leqslant x y_{j} \leqslant y} p_{i j}F(x,y)=∑xi⩽xyj⩽ypij
连续型的二维随机变量的分布函数:F(x,y)=∫−∞y∫−∞xf(u,v)dudvF(x, y)=\int_{-\infty}^{y} \int_{-\infty}^{x} f(u, v) \mathrm{d} u \mathrm{d} vF(x,y)=∫−∞y∫−∞xf(u,v)dudv
其中, $ f(u, v) 为∗∗二维离散型随机变量为**二维离散型随机变量为∗∗二维离散型随机变量(X, Y)$的概率密度**
概率密度的四大性质:
f(x,y)⩾0f(x, y) \geqslant 0f(x,y)⩾0
∫−∞∞∫−∞∞f(x,y)dxdy=F(∞,∞)=1\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \mathrm{d} x \mathrm{d} y=F(\infty, \infty)=1∫−∞∞∫−∞∞f(x,y)dxdy=F(∞,∞)=1
设 G 是 xOyx O yxOy 平面上的区域,点 (X,Y)(X, Y)(X,Y) 落在 GGG 内的概率为
P{(X,Y)∈G}=∬Gf(x,y)dxdyP\{(X, Y) \in G\}=\iint_{G} f(x, y) \mathrm{d} x \mathrm{d} y P{(X,Y)∈G}=∬Gf(x,y)dxdy若 f(x,y)f(x, y)f(x,y) 在点 (x,y)(x, y)(x,y) 连续 ,,, 则有
∂2F(x,y)∂x∂y=f(x,y)\frac{\partial^{2} F(x, y)}{\partial x \partial y}=f(x, y) ∂x∂y∂2F(x,y)=f(x,y)
§ 2 边缘分布
二维离散型随机变量(X,Y)(X, Y)(X,Y)的边缘分布函数: 随机变量X, Y各自的分布函数
边缘分布函数和分布函数的关系:
FX(x)=P{X⩽x}=P{X⩽x,Y<∞}=F(x,∞)F_{X}(x)=P\{X \leqslant x\}=P\{X \leqslant x, Y<\infty\}=F(x, \infty) FX(x)=P{X⩽x}=P{X⩽x,Y<∞}=F(x,∞)
就是说,只要在函数 F(x,y)F(x, y)F(x,y) 中令 y→∞y \rightarrow \inftyy→∞ 就能得到 FX(x)F_{X}(x)FX(x)
边缘分布律:
X的分布律:P{X=xi}=∑j=1∞pij,i=1,2,⋯P\left\{X=x_{i}\right\}=\sum_{j=1}^{\infty} p_{i j}, \quad i=1,2, \cdotsP{X=xi}=j=1∑∞pij,i=1,2,⋯
Y的分布律:P{Y=yj}=∑i=1∞pij,j=1,2,⋯P\left\{Y=y_{j}\right\}=\sum_{i=1}^{\infty} p_{i j}, \quad j=1,2, \cdotsP{Y=yj}=i=1∑∞pij,j=1,2,⋯
分别称 pi.(i=1,2,⋯)p_{i} .(i=1,2, \cdots)pi.(i=1,2,⋯) 和 p.j(j=1,2,⋯)p . j(j=1,2, \cdots)p.j(j=1,2,⋯) 为( X,YX, YX,Y ) 关于 XXX 和关于 YYY 的边缘分布律(注意, 记号 pi.p_{i} .pi. 中的“・"表示 pi.p_{i} .pi. 是由 pijp_{i j}pij 关于 jjj 求和后得到的;同样 ,p., p .,p. 是由 pijp_{i j}pij 关于 iii 求和后得到的).
边缘概率密度:
X的概率密度:
fX(x)=∫−∞∞f(x,y)dyf_{X}(x)=\int_{-\infty}^{\infty} f(x, y) \mathrm{d} y fX(x)=∫−∞∞f(x,y)dy
Y的概率密度:
fY(y)=∫−∞∞f(x,y)dxf_{Y}(y)=\int_{-\infty}^{\infty} f(x, y) \mathrm{d} x fY(y)=∫−∞∞f(x,y)dx
分别称 fX(x),fY(y)f_{X}(x), f_{Y}(y)fX(x),fY(y) 为 (X,Y)(X, Y)(X,Y) 关于 XXX 和关于 Y 的边缘概率密度.
§ 3 条件分布
**条件分布的定义: ** 设 ( X,YX, YX,Y ) 是二维离散型 随机变量,对于固定的 j,j,j, 若 P{Y=yj}>0P\left\{Y=y_{j}\right\}>0P{Y=yj}>0, 则称
P{X=xi∣Y=yj}=P{X=xi,Y=yj}P{Y=yj}=pijpij,i=1,2,⋯P\left\{X=x_{i} \mid Y=y_{j}\right\}=\frac{P\left\{X=x_{i}, Y=y_{j}\right\}}{P\left\{Y=y_{j}\right\}}=\frac{p_{i j}}{p_{i j}}, i=1,2, \cdots P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yj}=pijpij,i=1,2,⋯
为在 Y=yjY=y_jY=yj 条件下随机变量 X 的条件分布律。
条件分布具有的分布律性质:
- P{X=xi∣Y=yj}⩾0P\left\{X=x_{i} \mid Y=y_{j}\right\} \geqslant 0P{X=xi∣Y=yj}⩾0
- ∑i=1∞P{X=xi∣Y=yj}=∑i=1∞pijpij=1pij∑i=1∞pij=pjpij=1\sum_{i=1}^{\infty} P\left\{X=x_{i} \mid Y=y_{j}\right\}=\sum_{i=1}^{\infty} \frac{p_{i j}}{p_{i j}}=\frac{1}{p_{i j}} \sum_{i=1}^{\infty} p_{i j}=\frac{p_{j}}{p_{i j}}=1∑i=1∞P{X=xi∣Y=yj}=∑i=1∞pijpij=pij1∑i=1∞pij=pijpj=1
条件概率密度的定义: 设二维随机变量(X,Y)(X,Y)(X,Y)的概率密度为 f(x,y),(X,Y)f(x, y),(X, Y)f(x,y),(X,Y) 关于 YYY 的边缘概率密度为 fY(y).f_{Y}(y) .fY(y). 若对于固定的 y,fY(y)>0,y, f_{Y}(y)>0,y,fY(y)>0, 则称 f(x,y)fY(y)\frac{f(x, y)}{f_{Y}(y)}fY(y)f(x,y) 为在 Y=yY=yY=y 的条件下 X 的条件概率密度,记
fX∣Y(x∣y)=f(x,y)fY(y)f_{X \mid Y}(x \mid y)=\frac{f(x, y)}{f_{Y}(y)} fX∣Y(x∣y)=fY(y)f(x,y)
§ 4 相互独立的随机变量
定义: 设 F(x,y)F(x, y)F(x,y) 及 FX(x),FY(y)F_{X}(x), F_{Y}(y)FX(x),FY(y) 分别是二维随机变量 (X,Y)(X, Y)(X,Y) 的分布函数及边缘分布 函数. 若对于所有 x,yx, yx,y 有
P{X⩽x,Y⩽y}=P{X⩽x}P{Y⩽y}P\{X \leqslant x, Y \leqslant y\}=P\{X \leqslant x\} P\{Y \leqslant y\} P{X⩽x,Y⩽y}=P{X⩽x}P{Y⩽y}
即,
F(x,y)=FX(x)FY(y)F(x, y)=F_{X}(x) F_{Y}(y) F(x,y)=FX(x)FY(y)
则称随机变量 X 和 Y 是相互独立的
§ 5 两个随机变量的函数分布
(一) Z=X+YZ = X+YZ=X+Y 的分布
设( X,YX, YX,Y ) 是二维连续型随机变量 ,,, 它具有概率密度 f(x,y).f(x, y) .f(x,y). 则 Z=X+YZ=X+YZ=X+Y 仍为连续型随机变量,其概率密度为
fX+Y(z)=∫−∞∞f(z−y,y)dyf_{X+Y}(z)=\int_{-\infty}^{\infty} f(z-y, y) \mathrm{d} y fX+Y(z)=∫−∞∞f(z−y,y)dy
或
fX+Y(z)=∫−∞∞f(x,z−x)dxf_{X+Y}(z)=\int_{-\infty}^{\infty} f(x, z-x) \mathrm{d} x fX+Y(z)=∫−∞∞f(x,z−x)dx
卷积公式:
又若 X 和 Y 相互独立,设 (X,Y) 关于 X,Y 的边缘密度分别为 fX(x)f_{X}(x)fX(x), fY(y)f_{Y}(y)fY(y), 则
fX+Y(z)=∫−∞∞fX(z−y)fY(y)dyf_{X+Y}(z)=\int_{-\infty}^{\infty} f_{X}(z-y) f_{Y}(y) \mathrm{d} y fX+Y(z)=∫−∞∞fX(z−y)fY(y)dy
和
fX+Y(z)=∫−∞∞fX(x)fY(z−x)dxf_{X+Y}(z)=\int_{-\infty}^{\infty} f_{X}(x) f_{Y}(z-x) \mathrm{d} x fX+Y(z)=∫−∞∞fX(x)fY(z−x)dx
称为fXf_{X}fX 和 fYf_{Y}fY 的卷积公式 ,,, 记为 fX∗fY,f_{X} * f_{Y},fX∗fY, 即
fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dxf_{X} * f_{Y}=\int_{-\infty}^{\infty} f_{X}(z-y) f_{Y}(y) \mathrm{d} y=\int_{-\infty}^{\infty} f_{X}(x) f_{Y}(z-x) \mathrm{d} x fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx
(二) Z=YXZ=\frac{Y}{X}Z=XY 的分布 ,Z=XY, Z=X Y,Z=XY 的分布
设(X,Y)是二维连续型随机变量,它具有概率密度 f(x,y),f(x, y),f(x,y), 则 Z=YXZ=\frac{Y}{X}Z=XY, Z=XYZ=X YZ=XY 仍为连续型随机变量,其概率密度分别为
fY/X(z)=∫−∞∞∣x∣f(x,xz)dxf_{Y / X}(z)=\int_{-\infty}^{\infty}|x| f(x, x z) \mathrm{d} x fY/X(z)=∫−∞∞∣x∣f(x,xz)dx
fXY(z)=∫−∞∞1∣x∣f(x,zx)dxf_{X Y}(z)=\int_{-\infty}^{\infty} \frac{1}{|x|} f\left(x, \frac{z}{x}\right) \mathrm{d} x fXY(z)=∫−∞∞∣x∣1f(x,xz)dx
(三) M=max{X,Y}M=max \{X, Y\}M=max{X,Y} 及 N=min{X,Y}N=min \{X, Y\}N=min{X,Y}的分布
设 X,Y 是两个相互独立的随机变量,它们的分布函数分别为 FX(x)F_{X}(x)FX(x) 和FY(y).F_{Y}(y) .FY(y). 现在来求 M=max{X,Y}M=\max \{X, Y\}M=max{X,Y} 及 N=min{X,Y}N=\min \{X, Y\}N=min{X,Y} 的分布函数.
由于 M=max{X,Y}M=\max \{X, Y\}M=max{X,Y} 不大于 zzz 等价于 XXX 和 YYY 都不大于 zzz,故有
P{M⩽z}=P{X⩽z,Y⩽z}P\{M \leqslant z\}=P\{X \leqslant z, Y \leqslant z\} P{M⩽z}=P{X⩽z,Y⩽z}
又由于 X 和 Y 相互独立,得到 M=max{X,Y}M=\max \{X, Y\}M=max{X,Y} 的分布 函数为
Fmax(z)=P{M⩽z}=P{X⩽z,Y⩽z}=P{X⩽z}P{Y⩽z}F_{\max }(z)=P\{M \leqslant z\}=P\{X \leqslant z, Y \leqslant z\}=P\{X \leqslant z\} P\{Y \leqslant z\} Fmax(z)=P{M⩽z}=P{X⩽z,Y⩽z}=P{X⩽z}P{Y⩽z}
即有 Fmax(z)=FX(z)FY(z)F_{\max }(z)=F_{X}(z) F_{Y}(z)Fmax(z)=FX(z)FY(z)
类似地,可得 N=min{X,Y}N=\min \{X, Y\}N=min{X,Y} 的分布函数为
Fmin(z)=P{N⩽z}=1−P{N>z}=1−P{X>z,Y>z}=1−P{X>z}⋅P{Y>z}\begin{aligned} F_{\min }(z) &=P\{N \leqslant z\}=1-P\{N>z\} \\ &=1-P\{X>z, Y>z\}=1-P\{X>z\} \cdot P\{Y>z\} \end{aligned} Fmin(z)=P{N⩽z}=1−P{N>z}=1−P{X>z,Y>z}=1−P{X>z}⋅P{Y>z}
即
Fmin(z)=1−[1−FX(z)][1−FY(z)]F_{\min }(z)=1-\left[1-F_{X}(z)\right]\left[1-F_{Y}(z)\right] Fmin(z)=1−[1−FX(z)][1−FY(z)]
概率论与数理统计-读书笔记3相关推荐
- Probability and Statistics for Engineering and The Sciences 概率论与数理统计 读书笔记(一)
看了 data mining - practical machine learning techniques and tools 一书,觉得很多概念与算法都与统计有关,所以索性把概率与统计也读一读. ...
- 概率论与数理统计系列笔记之第四章——大数定理与中心极限定理
概率论与数理统计笔记(第四章 大数定理与中心极限定理) 对于统计专业来说,书本知识总有遗忘,翻看教材又太麻烦,于是打算记下笔记与自己的一些思考,主要参考用书是茆诗松老师编写的<概率论与数理统计教 ...
- 概率论与数理统计系列笔记之第六章——参数估计
概率论与数理统计笔记(第六章--参数估计) 对于统计专业来说,书本知识总有遗忘,翻看教材又太麻烦,于是打算记下笔记与自己的一些思考,主要参考用书是茆诗松老师编写的<概率论与数理统计教程>, ...
- 概率论与数理统计系列笔记之第五章——统计量及其分布
概率论与数理统计笔记(第五章--统计量及其分布) 对于统计专业来说,书本知识总有遗忘,翻看教材又太麻烦,于是打算记下笔记与自己的一些思考,主要参考用书是茆诗松老师编写的<概率论与数理统计教程&g ...
- 概率论与数理统计学习笔记(6)——分布律,分布函数,密度函数
对了宝贝儿们,卑微小李的公众号[野指针小李]已开通,期待与你一起探讨学术哟~摸摸大! 目录 1 离散型随机变量 1.1 (0-1)分布 1.2 伯努利试验 1.3 二项分布 1.4 几何分布 1.5 ...
- 概率论与数理统计学习笔记(2)——联合概率、条件概率与边缘概率
这篇文章主要是从一个直观的概念上讲解联合概率.条件概率与边缘概率. 主要是之前看了篇论文,用的SO-PMI算法,然后我就恶补了一下联合概率. 本篇博客采用的参考书是<程序员的数学2概率统计> ...
- 概率论与数理统计学习笔记——第14讲——大数定律(1.切比雪夫不等式及切比雪夫大数定律)
1. 问题引入 2. 依概率收敛 3. 大数定律 4. 切比雪夫大数定律 5. 切比雪夫不等式
- 概率论与数理统计学习笔记——第三十五讲——依概率收敛,切比雪夫不等式
1. 问题引入--频率的稳定值记为概率,这里的"稳定"是何含义? 2. 依概率收敛的定义 3. 依概率收敛示例 4. 依概率收敛的性质 5. 切比雪夫不等式(定理)及其证明 6. ...
- 概率论与数理统计学习笔记——第13讲——依概率收敛的意义
1. 问题引入--能否按照数列收敛的定义类似地定义随机变量序列的收敛性? 2. 依概率收敛的定义
- 概率论与数理统计学习笔记——第二讲——概率(2.3概率的基本性质)
1. 概率的基本性质(非负性.规范性.可列可加性) 2. 不可能事件的概率为0 3. 概率的有限可加性 4. 某事件的概率与其逆事件的概率之和等于1 5. 概率的单调性 6. 概率加法定理 7. 可列 ...
最新文章
- java 中的单元测试_浅谈Java 中的单元测试
- android 布局 站位符,基于android布局中的常用占位符介绍
- 一文概览深度学习中的五大正则化方法和七大优化策略
- String字符串类的获取功能
- Python里的dict和set的背后小秘密
- Javascript 多线程?
- 奥运年08/07/19我正式加入博客园,开始.net的新征程^-^
- 帧内16*16模式的宏块数据传输顺序
- 传京东最快6月将在香港二次上市 已以保密形式提交上市申请
- 湖北二级计算机考试时间2015年,2015上半年湖北计算机等级考试时间
- 多线程之 NSOperation
- MySQL 指定各分区路径
- 2022-2028中国安全代码审查软件市场现状研究分析与发展前景预测报告
- 打印机无法访问计算机,打印机拒绝访问,详细教您打印机拒绝访问无法连接怎么解决...
- 在C++程序中使用系统热键(附代码)
- WLAN适配器故障(消失)的最快解决办法
- python如何开发网站_如何用Python写一个小网站?
- 资源网站模板Emlog程序zytheme模板
- 朝着先能干活的方向努力。。。奥利给!!!06
- 埃森哲杯第十六届上海大学程序设计联赛春季赛暨上海高校金马五校赛H题小Y与多米诺骨牌(线段树优化dp)