概率多维随机变量与分布

🕗 发布于 2024-10-13 05:55 概率论

一、二维

1、二维随机变量及其分布

假设E是随机试验，Ω是样本空间，X、Y是Ω的两个变量；(X,Y)就叫做二维随机变量或二维随机向量。X、Y来自同一个样本空间。

联合分布函数 F(x,y)=P(X≤x,Y≤y)，即F(x,y)表示求(x,y)左下方的面积。 F(x,y) 不减，例如：y固定，x1<x2，F(x1,y)<F(x2,y)；F(x,y)分别关于x和y右连续。

对于 $x_1$ < $x_2$ ， $y_1$ < $y_2$ 存在 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( $x_1$ , $x_2$ )

P( $x_1$ < X ≤ $x_2$ ， $y_1$ <Y ≤ $y_2$ ) 如左下图表示，等号右边则是图中四块区域的代表。

2、二维离散型随机变量的联合分布和边缘分布

边缘分布 是表示在所有可能的一个变量值上，获取另一个变量的概率之和

X的边缘分布： $F_X$ (x) = P(X ≤ x) = F(x,+∞) = P(X≤x,Y<+∞)

Y的边缘分布： $F_Y$ (y) = P(Y ≤ y) = F(+∞,y) = P(X<+∞,Y≤y)

联合概率质量函数 P(X=x,Y=y) 描述了随机变量 X 和 Y 同时取特定值 x 和y 的概率。所有可能的 x 和 y 值的概率之和等于1。

3、二维连续随机变量的联合密度和边缘密度函数

F(x,y) = P(X≤x,Y≤y) = $\int_{-\infty}^x$ $\int_{-\infty}^y$ f(s,t) ds dt 函数就是对所有的x,y进行积分求和。

例如：已知联合密度函数，求分布函数F(x,y)

解：带入分布函数公式： $\int_{-\infty}^x$ $\int_{-\infty}^y$ f(s,t) ds dt = $\int_{0}^x$ $\int_{0}^y$ $e^{-(x+y)}$ dx dy = $\int_{0}^x$ $e^{-x}$ dx $\int_{0}^y$ $e^{-y}$ dy =(1- $e^{-x}$ )(1- $e^{-y}$ ) ;因为联合密度函数定义域为x,y都大于0，所以积分时只需要大于0即可

边缘密度函数 直接将另一个变量积分部分等价于（x,+ $\infty$ ），则剩下部分为另一个变量的边缘密度函数。

二、条件分布

1、基础定义

已知另一个随机变量或事件的条件下，该随机变量的概率分布：F(x|A)=P(X $\leq$ x | A)

例如：概率密度函数如图，求在X>1的条件下f(x)的条件分布函数

解：F(x | X>1) = P(X $\leq$ x|X>1)=P(X $\leq$ x,X>1)/ P(X>1)

求分子：P(1 $\leq$ X $\leq$ x) = $\int _1^x$ 1/ $\pi(1+x^2)$ dx = 1/ $\pi$ * arctan(x) $|_1^x$ = arctan(x)/ $\pi$ - 1/4

求分母：P(X>1) = $\int _1^\infty$ 1/ $\pi(1+x^2)$ = 1/ $\pi$ * arctan(x) $|_1^\infty$ = 1/ $\pi$ * $\pi$ /2 - 1/ $\pi$ * $\pi$ /4 = 1/4

则整个结果为（arctan(x)/ $\pi$ - 1/4）/1/4=arctan(x)/ $\pi$ -1

2、离散型随机变量的条件分布

从分布表来理解

X\Y	0	1
0	0.1	0.3
1	0.3	0.3

P(Y=y) 是 Y 的边缘概率质量函数，Y 的边缘概率质量函数是对列求和：

Y	0	1
P	0.4	0.6

那么在Y=1的条件下，假设x=0，X=x的概率为： P(X=0∣Y=1)=03/0.6 =0.5；假设x=1，X=x的概率为 P(X=1∣Y=1)=0.3/0.6=0.5

3、连续型随机变量的条件分布

Y=y条件下，条件概率密度函数为： f(x∣y)=f(x,y) / $f_Y$ (y)；同理X=x条件下：f(y∣x)=f(x,y) / $f_X$ (x)。其中 $f_Y$ (y) 、 $f_X$ (x) 是边缘函数。

例如：假设

解：f(x|y) = f(x,y) / $f_Y$ (y) = 1/ $\pi^2$ (1+ $x^2$ )(1+ $y^2$ ) / 1/ $\pi$ (1+ $y^2$ ) = 1/ $\pi^2$ (1+ $x^2$ )

f(y|x) = f(x,y) / $f_X$ (x) = 1/ $\pi^2$ (1+ $x^2$ )(1+ $y^2$ ) / 1/ $\pi$ (1+ $x^2$ ) = 1/ $\pi^2$ (1+ $y^2$ )

三、随机变量独立性

概率密度函数f(x,y)可以表示为各自边缘概率密度函数的乘积：

离散型 ：P(X=x,Y=y)=P(X=x)⋅P(Y=y)

连续型：f(x,y)= $f_X$ (x)⋅ $f_Y$ (y)

四、二维随机变量函数的分布

1、离散型

第一步：列出所有x与y结合的取值点 (例如：z=x+y)

第二步：根据联合概率质量函数 P(X=x,Y=y) 求z的值分布及其概率

第三步；全部z点相加验证是否等于1

例如：

假设有两个离散型随机变量 XX 和 YY，它们的联合PMF如下表所示：

X \ Y	1	2	3
1	0.1	0.2	0.0
2	0.0	0.3	0.0
3	0.1	0.1	0.2

第一步：列出所有z点（P(1,1) ,P(1,2),P(1,3),P(2,1),P(2,2),P(2,3),P(3,1),P(3,2),P(3,3)

第二步：根据点得到对应概率，并根据（z=x+y）的求得Z点数值

Z2=P(1,1) = 0.1

Z3=P(1,2)+P(2,1) = 0.2+0.0 = 0.2

Z4=P(1,3)+P(2,2)+P(3,1) =0.0+0.3+0.1=0.4

Z5=P(2,3)+P(3,2)=0.0+0.1=0.1

Z6=P(3,3)=0.2

第三步：根据得到所有点概率进行求和验证 Z2+Z3+Z4+Z5+Z6 =0.1+0.2+0.4+0.1+0.2=1

2、连续型

第一步：明确要求需要什么函数（分布函数、概率密度函数）

第二步：根据联合密度函数进行（x,y）积分得到分布函数，在进行求导得到z的概率密度函数

$F_Z$ (z)= P(Z ≤ z)=P ( g(X,Y) ≤z ) = $\int$ $\int_{g(x,y)}$ ≤z f(x,y) dx dy ; $f_Z$ (z)=d/dz * $F_Z$ (z)

例如：假设 (X,Y) 的联合概率密度函数为下图，求Z=X+Y的分布

解：

第一步：求分布函数，根据z=x+y 以及函数信息得到 z在(x,y)的分布 => 直角坐标系点（1，1）、（1，0）、（0，1）、（0，0），四个点所在的长方形，线条z=x+y 也就是点（2，0）、（0，2）、（0，0）三点的三角形区域，两块面积的区域交集部分就是z在直角坐标系的投影;根据x,y的值获得z的分布区间（0，2），由于z在（0，1）区间是符合x,y的区间随意落地，可以直接使用积分函数求解；z在（1，2）区间内只能在长方形减去右上三角面积的结果

第二步：对（0，1）进行积分：根据联合密度函数进行积分布函数 $F_Z$ (z)= P(Z ≤ z)=P ( g(X,Y) ≤z ) = $\int$ $\int_{g(x,y)}$ ≤z f(x,y) dx dy = $\int_0^z$ dx $\int_0^{z-x}$ 2 dy = $\int_0^z$ 2y $| _0^{z-x}$ dx = $\int_0^z$ 2(z-x) dx =2zx - $x^2$ $| _0^{z}$ = $z^2$

对（1，2）：由于是得到面积，所以不需要积分为 1- ${(2-z)}^2$ /2

第三步：汇总结果形成分布函数

总结：连续型可直接根据图形面积汇总（x和y的随意分布形状与联合函数区域不一致），若在一致情况下可求面积也可以求积分得到分布函数，再根据分布函数求导得到概率密度函数。

原文地址：https://blog.csdn.net/h0039490/article/details/142861348

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：CUDA(C)磁态蒙特卡洛和传输矩阵多GPU并行计算分析
下一篇：新手如何打造抖音矩阵账号,矩阵账号的优势有哪些?如何搭建矩阵系统的源码开发oem部署

Golang Slice扩容机制及注意事项
在 Go语言中，Slice（切片）是一种非常灵活且强大的数据结构，它是对数组的抽象，提供了动态数组的功能。Slice 的扩容机制是自动的，但了解其背后的原理对于编写高效、可预测的 Go 程序至关重要。
阅读更多2024-10-13
【更新】A股上市公司企业网络安全治理数据集（2007-2023年）
参考C刊《金融评论》王辉（2024）老师的做法，安全治理种子词的选取主要依托于《中华人民共和国网络安全法》、《中华人民共和国数据安全法》、《关键信息基础设施安全保护条例》等法律法规文件与《网络安全审查
阅读更多2024-10-13
Go 语言中的格式化占位符
在 Go 语言中，fmt包提供了大量的格式化占位符，用于格式化输出不同类型的数据。选择合适的占位符，可以确保输出的内容格式正确、清晰易懂。
阅读更多2024-10-13
【力扣150&Golang】分发糖果
n个孩子站成一排。给你一个整数数组ratings表示每个孩子的评分。1请你给每个孩子分发糖果，计算并返回需要准备的。5你可以分别给第一个、第二个、第三个孩子分发 2、1、2 颗糖果。4你可以分别给第一
阅读更多2024-10-13
jenkins 插件Publish Over SSH (sskey) 同步文件夹
目标：/root/images2。将ssh免密登录的私钥新建到。二、添加sshkey。
阅读更多2024-10-13
kali linux 允许 root 用户登录安装过程中不能创建 root 根用户密码之后不能以根用户直接登录即使是正确的管理员密码也无法登录
打开终端。输入命令并按回车键。系统会提示您输入新的 UNIX 密码，输入您想要设置的密码并按回车键。再次输入相同的密码进行确认。如果密码设置成功，会显示 “passwd: password updat
阅读更多2024-10-13
矫平机：工业制造中的平整专家
矫平机以其高效、精准的矫正能力，已经成为现代工业制造中不可或缺的设备。它不仅提高了生产效率，保证了产品质量，还符合了环保节能的未来趋势。随着技术的不断进步，矫平机将继续在工业制造领域发挥其重要作用。
阅读更多2024-10-13
「漏洞复现」同望OA tooneAssistantAttachement.jsp 任意文件读取漏洞
请勿利用文章内的相关技术从事非法测试，由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，作者不为此承担任何责任。工具来自网络，安全性自测，如有侵权请联系删除。本次
阅读更多2024-10-13
NVM（Node Version Manager）：简介、安装
NVM（Node Version Manager）是一个用于在同一台机器上安装、管理和切换多个Node.js版本的工具。它解决了开发者在处理具有不同Node.js版本依赖关系的项目时所面临的难题。通过
阅读更多2024-10-13
SpringBoot框架下购物推荐系统的架构与实现
在概念模式的设计中，E-R模型法是最常见的设计方法。B/S架构的运行方式是在远程的服务器上把开发的软件系统部署在远程的服务器上，在部署好软件系统之后就可以实现在任何接入互联网的电脑上访问部署好的软件系
阅读更多2024-10-13

概率 多维随机变量与分布