概率论第三章Word文档格式.docx
《概率论第三章Word文档格式.docx》由会员分享,可在线阅读,更多相关《概率论第三章Word文档格式.docx(8页珍藏版)》请在冰点文库上搜索。
$p_{ij}$
$x_2$
$p_{21}$
$p_{22}$
$p_{2j}$
$x_i$
$p_{i1}$
$p_{i2}$
实例:
$P(X=0,Y=1)=P(Y=1|X=0)\cdotP(X=0)$
第17讲二元离散型随机变量边际分布律与条件分布律
边际分布律
$$P(X+x_i)=P(X=x_i,\bigcup_{j=1}\infty(Y=y_i))=\sum_{j=1}\inftyp_{ij}=p_{i\cdot}$$
$$P(Y+y_i)=P_{\cdoty}$$
$P(X=x_i)$
$p_{1\cdot}$
$p_{2\cdot}$
$p_{i\cdot}$
$P(Y=y_j)$
$p_{\cdot1}$
$p_{\cdot2}$
$p_{\cdotj}$
1
已知条件分布律一定能求出边际分布律,但已知编辑分布律不一定能求出条件分布律
条件分布律
∙$$P(X=x_i)|Y=y_j)=\frac{p_{ij}}{p_{\cdotj}}\i=1,2,...$$
∙条件分布律不唯一
第18讲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
∙$$F(x,y)=P{(X\leqx)\cap(Y\leqy)}=P(X\leqx,Y\leqy)$$
∙边际分布函数
∙$$F_x(x)=F(x,+\infty)=\lim_{y\to\infty}F(x,y)$$
∙条件分布函数
∙若$P(Y=y)>
0$
∙$$F_{X|Y}(x|y)=P(X\leqx|Y=y)=\frac{P(X\leqx,Y=y)}{P(Y=y)}$$
∙对于连续型随机变量也可以用如上记法,但注意此时的$y\leqY\leq\epsilon$
第19讲二元连续型随机变量的联合概率密度
∙二元随机变量的联合概率密度
∙$$F(x,y)=\int_{-\infty}x\int_{-\infty}yf(u,v)dudv$$
∙其中$f(x,y)$为$(X,Y)$的概率密度
∙性质
∙$$P((x,y)\inD)=\iint_{D}f(x,y)dxdy$$
∙$$\frac{\partial^2F(x,y)}{\partialx\partialy}=f(x,y)$$
∙提示
∙此处应具有求二重积分的能力
第20讲二元连续型随机变量的边际概率密度
∙二元连续型随机变量的边际概率密度
∙$$f_x(x)=\int_{-\infty}^{+\infty}f(x,y)dy$$
∙二元连续型随机变量的边际概率函数
∙$$F_x(x)=F(x,+\infty)=\int_{-\infty}x[\int_{-\infty}{+\infty}f(u,y)dy]du$$
第21讲二元连续型随机变量的条件概率密度
二元连续型随机变量的条件概率密度
∙$$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$$
变式
∙$$f(x,y)=f_{X|Y}(x|y)\cdotf_Y(y)$$
汇总:
二元离散型与连续型随机变量分布比较
∙离散型
∙联合分布律
∙边际分布律
∙条件分布律
∙连续型
∙联合概率密度
∙边际概率密度
∙条件概率密度
第22讲二元均匀分布,二元正态分布
∙二元均匀分布
∙$$f(x,y)=1/A,(x,y)\inD$$
∙二元正态分布
∙$$\begin{align}&
f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\times\&
exp{\frac{-1}{2(1-\rho2)}[\frac{(x-\mu_1)2}{\sigma_12}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)2}{\sigma_2^2}]}\end{align}$$
∙$\sigma_1,\sigma_2>
0$,$-1<
\rho<
1$
∙记为$(X,Y)\simN(\mu_1,\mu_2,\sigma_12,\sigma_22,\rho)$
∙二元正态分布的边际概率密度
∙$$X\simN(\mu_1,\sigma_2^2)$$
∙即边际概率分布服从正态分布
∙二元正态分布的条件概率密度
∙$$Y|X\simN(\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1),(1-\rho2)\sigma_22)$$
∙即条件概率分布服从正态分布
第23讲随机变量的独立性
∙随机变量的独立性
∙$$F(x,y)=F_X(x)F_Y(y)$$
∙离散型随机变量的独立性
∙$$P(X=x_i,Y=y_j)=P(X=x_i)P(Y=y_j)$$
∙连续型随机变量的独立性
∙$$f(x,y)=f_X(x)f_Y(y)$$
∙$n$元随机变量的分布
∙分布函数
∙分布律
∙概率密度函数
∙边际分布
∙向量的独立性
∙$$F(x_1,x_2,...,x_m,y_1,y_2,...,y_n)=F_1(x_1,x_2,...,x_m)F_2(y_1,y_2,...y_n)$$
∙若两向量独立
1.$X_i$与$Y_j$相互独立
2.若$g(x_1,x_2,...,x_m)$与$h(y_1,y_2,...y_n)$是连续函数,则$g(X_1,X_2,...,X_m)$与$h(Y_1,Y_2,...Y_n)$相互独立
∙直观理解
∙性质1表明,若$X_i$与$Y_j$相互独立,则$X_1$与$Y_1$相互独立,$X_1$与$X_2$相互独立
∙性质2表明,若$X_i$与$Y_j$相互独立,则$X_1+X_2$与$Y_1\timesY_2$相互独立
第24讲二元随机变量函数的分布
∙二元随机变量函数的分布(如$Z=X<
Y$的分布)
∙用分布律,分析各种情况
∙先求$F(x)$,再求导得到
第25讲$Z=X+Y$的分布
∙$$F_z(z)=P(Z\leqz)=\iint_{x+y\leqz}f(x,y)dxdy$$
∙$$f_Z(z)=\int_{-\infty}^{+\infty}f(z-y,y)dy$$
∙卷积公式
∙当$X$与$Y$相互独立时
∙$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)dy$$
∙拓展:
知乎问题:
如何通俗易懂地解释卷积?
∙关于正态分布的结论
∙若$X$与$Y$相互独立,$X\simN(\mu_1,\sigma_1^2),Y\simN(\mu_2,\sigma_2^2)$,则
∙$$(Z=X+Y)\simN(\mu_1+\mu_2,\sigma_12+\sigma_22)$$
∙更一般的,若$X_i$服从线性分布,则其线性组合
∙$c_0+c_1X_1+c_2X_2+...+c_nX_n\simN(\mu,\sigma^2)$
∙其中
∙$$\mu=c_0+c_1\mu_1+...+c_n\mu_n,\\sigma2=c_12\sigma_12+c_22\sigma_22+...+c_n2\sigma_n^2$$
∙$\Gamma$分布GammaDistribution(非重点,可略过)
∙若$X_1,X_2,...,X_n$独立且服从$B(1,p)$则
∙$$X_1+X_2+...+X_n\simB(n,p)$$
∙若$X$与$Y$相互独立,$X\simB(n_1,p),Y\simB(n_2,p)$则
∙$$X+Y\simB(n_1+n_2,p)$$
∙若$X$与$Y$相互独立,$X\sim\pi(\lambda_1),Y\sim\pi(\lambda_1+\lambda_2)$则
∙$$X+Y\sim\pi(\lambda_1+\lambda_2)$$
第26讲$max(X,Y)$和$min(X,Y)$的分布
∙若$X$与$Y$相互独立
∙$$\begin{split}F_{max}(z)&
=P(M\leqz)\&
=P(X\leqz,Y\leqz)\&
=P(X\leqz)P(Y\leqz)\end{split}$$
∙$$f_{max}(z)=f_X(z)f_Y(z)$$
∙同理
∙$$f_{min}(z)=1-(1-f_X(z))(1-f_Y(z))$$
∙$n$个相互独立的随机变量同理
∙若$X_n$相互独立且分布相同
∙$$f_{max}(z)=n[F(z)]^{n-1}f(z)$$
∙$$f_{min}(z)=n[1-F(z)]^{n-1}f(z)$$
∙提示:
该小节在第七章第二节“估计量的评价,无偏差性”中有重要应用