《概率论》第3章§3条件分布.
概率论第三章 多维随机变量及其分布
1 3
概率论
y
y x
o
x
概率论
四、课堂练习
设随机变量(X,Y)的概率密度是
f
x,
y
k
6
x
y,
0,
0 x 2,2 y 4, 其它.
(1) 确定常数 k;
(2) 求概率 PX 1,Y 3 .
解 (1) 1 f x, ydxdy
R2
k
2 dx
46
0
2
x
y dy
k
2 dx
46
概率论
同理, Y的分布律为:
P{Y y j} pij ˆ p•j , j 1,2,, i1
分别称pi• (i 1, 2,), 和p• j , (j 1, 2,)为(X, Y)关于 X和关于Y的边缘分布律.
概率论
例1 把一枚均匀硬币抛掷三次，设X为三次 抛掷中正面出现的次数 ，而 Y 为正面出现次数与 反面出现次数之差的绝对值 , 求 (X ,Y) 的分布律 和边缘分布律.
也就是说,对于给定的
不同的 对应
不同的二维正态分布,但它们的边缘分布却都是一样的.
此例表明 由边缘分布一般不能确定联合分布.
概率论
五、小结
1. 在这一讲中，我们与一维情形相对照，介 绍了二维随机变量的边缘分布. 2. 请注意联合分布和边缘分布的关系: 由联合分布可以确定边缘分布; 但由边缘分布一般不能确定联合分布.
随机变量维（X,Y )的概率密度 , 或 称为随机变量 X 和 Y 的联合概 率密度.
概率论
一维随机变量X
连续型
F x x
f tdt
x
X的概率密度函数
f x x R
《概率论》第3章§3条件分布
若按条件概率公式，则有 P{X y x | Y y} 当P{( XXP,{YY)x限(,XYy制,}Y在)y在}直区线域 D上 上时可视具为有一密维度r.vf (x, y)
y D
O
P{Y y} 0
x
第三章 多维随机变量及其分布
§3 条件分布
8/17
第三章 多维随机变量及其分布
§3 条件分布
4/17
设 (X ,的Y )分布律为
P{ X xi,Y yj} pij (i, j 1, 2,)
考虑在 {Y 对已y于j发} 固生定的的条j件,若下P{Y,{发Xy生j}x的i}p条.j 件 0概, 则率称
为在
P{ XP{Xxi| Yxi | Yyj }
X
Y
Y (1 X ) X Y
YX
1/ 2 1/ 2
X Y 1/ 2
Y
1 X
故三段木棒能构成 的概率为
X Y
P{Y
1 2
,X
1 2
,
X
Y
1 2
}
f (x, y)dxdy
y
yx
x0.5, y0.5 x y0.5
x 1dxdy
0.5
D
x
O
0.5 x 1
D:xx0y.50, y.50.5 0 x1,0 y x
如何定义条件分布 P{X x | Y y}
0, 考虑条件概率
P{X
x
|
y
Y
y
}
P{X x, y Y y } P{y Y y }
称为条件分布
应用积分中值定理
x
y
y
y
y
f (u, v)dvdu fY ( y)dy
概率论第三章第3,4节条件分布,独立性
P X m， Y n q n2 p2 , n 2,3,; m 1,2,n 1
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
例3 设某班车起点站上车人数 X 服从参数为 ( 0) 的泊松分布，每位乘客在中途下车的概率为 p(0 p 1),
1 f ( x, y) , x y x, f ( y | x ) 当0 x 1, Y | X 2x f X ( x) 其它。 0,
1 P{ X , Y 0} 1 2 ( 3) P{ X | Y 0} 2 P{Y 0} y
1 1 (1 ) 2 3 2 2 1 4 1 1 2
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
P{ X x , y Y y } FX |Y ( x | y ) lim 0 P{ y Y y }
F ( x , y ) lim [F ( x, y ) F ( x, y )]/ 2 y 0 d lim [ F ( y ) F ( y )] / 2 Y Y FY ( y ) 0 dy y x x f ( u, v )dudv f ( u, y )du y . fY ( y) fY ( y)
n 2
2
第三章 随机变量及其分布
§3条件分布
在 X= m 条件下随机变量Y 的条件分布律为
当m=1,2,3,… 时，
P{Y n | X m}
P{ X m ,Y n} P{ X m }
p 2 q n 2 n m 1 pq , m 1 pq
概率论与数理统计第三、四章教案
《概率论与数理统计》教案1第三章 多维随机变量及其分布讲授内容：§1 二维随机变量 §2 边缘分布重点难点：重点——二维离散型随机变量的联合分布律及边缘分布律，二维连续型随机变量的联合概率密度及边缘概率密度．难点——利用二维概率分布求有关事件的概率，二维正态分布.§1 二维随机变量 一、二维随机变量的概念在射击时，炮弹弹着点与横坐标和纵坐标有关，弹着点受两个变量的影响．横坐标和纵坐标是定义在一个样本空间的两个随机变量．与一维随机变量类似，一般地我们可定义二维随机变量如下：定义：设E 是一个随机试验，样本空间是 {}S e =，设 ()X X e =和()Y Y e = 是定义在其样本空间S 上的随机变量，由它们构成的向量(,)X Y ，称为定义在样本空间S 上的图1在研究随机向量的概率特征时，除每个随机变量的概率特征外，还要研究它们的联合概率特征：后者可以完全决定前者，但是前者一般不能完全决定后者．因此，只研究单个随机变量的分布是不够的，还必须研究随机向量作为一个整体的联合分布．与一维情形类似，为了研究二维随机变量的联合分布，我们引入“分布函数”来研究二维随机变量．定义：设(),X Y 是二维随机变量，对于任意的实数,x y ，二元函数：(,){()()}(,)F x y P X x Y y P X x Y y =≤⋂≤≤≤=记成称为二维随机变量 的分布函数，或称为随机变量X 和Y 的联合分布函数．如果将二维随机变量),(Y X 看成是平面上随机点的坐标，那么，分布函数(,)X Y(,)F x y 在平面上任意点(,)x y 处的函数值就是随机点),(Y X 落在点(,)x y 左下方的整个无穷区域内的概率，如图2所示．借助图3容易算出随机点),(Y X 落在矩形区域 1212[,]x x x y y y <≤<≤ 的概率为121222211112{, }(,)(,)(,)(,)P x X x y Y y F x y F x y F x y F x y <≤<≤=-+-联合分布函数(,)F x y 具有下列基本性质：1． (,)F x y 是变量,x y 的不减函数 2．0(,)1F x y ≤≤ ，且对任意固定的,(,)0y F y -∞=,对任意固定的,(,)0x F x -∞= ，(,)0F -∞-∞= (,)1F +∞+∞= ， 3． ，(,)F x y 关于x 和y 均右连续．4．对任意 11221212(,),(,),,x y x y x x y y <<，下述不等式成立：22211112(,)(,)(,)(,)0F x y F x y F x y F x y -+-≥二、 二维离散型随机变量与一维随机变量的情形类似，我们这里讨论的也是离散型和连续型这两种类型的二维随机变量．定义：若二维随机变量),(Y X 的所有可能取值是有限对或可列无限多对，则称(,)(,0)F x y F x y =+(,)(0,)F x y F x y =+x图2图31x 2x O),(Y X 为二维离散型随机变量．显然，若(),X Y 是二维离散型随机变量，则其分量 X 和Y 都是一维离散型随机变量．设(,)X Y 是二维离散型随机变量，它所有可能的取值为(,),,1,2,i j x y i j = ，记{,},,1,2,i j i j P X x Y y p i j ==== ，则由概率的定义有1. 0i j p ≥ （非负性）2. ,1i ji jp=∑ （规范性）我们称{,},,1,2,i j i j P X x Y y p i j ==== 为二维离散变量(,)X Y的分布律，或随机变量X 和Y 的联合分布律． 我们可以用表格表示X 和Y 的联合分布律：例1 设随机变量X 在1,2,3,4四个整数中等可能地取一个值，另一个随机变量Y 在1~X 中等可能的取一个值．试求(,)X Y 的分布律．解： 由乘法公式容易求得(,)X Y 的分布律．易知{,}X i Y j ==的取值情况是：1,2,3,4,i j = 取不大于i 的正整数．且11{,}{|}{}4P X i Y j P Y j X i P X i i =======，1,2,3,4,i j i =≤ 于是(,)X Y 的分布律为：12jy y y 112111222212i i jjijp p p p p p p p p XY 12ix x x X1 2 3 4Y 1 1/4 1/8 1/12 1/16 2 0 1/8 1/12 1/16 3 0 0 1/12 1/16将(,)X Y 看成一个随机点的坐标，由图2知道离散型随机变量X 和Y 的联合分布律为(,){,}i j i jx x y yF x y P X x Y y p≤≤=≤≤=∑∑ （1）例2 一个袋中有三个球,依次标有数字1,2,2， 从中任取一个， 不放回袋中， 再任取一个， 设每次取球时各球被取到的可能性相等，以,X Y 分别记第一次和第二次取到的球上标有的数字，求,X Y 的分布律． 解：(,)X Y 的可能取值为(1,2),(2,1),(2,2),121{1,2},323P X Y ===⋅=211{2,1},323P X Y ===⋅=211{2,2}.323P X Y ===⋅=1112212210,,3p p p p ==== 故(,)X Y 的分布律为三、 二维连续型随机变量与一维情形类似，我们有如下定义：定义 设二维随机变量),(Y X 的分布函数为),(y x F ，若存在非负可积函数),(y x f 使得对于任意实数x 和y ，有则称),(Y X 为连续型的二维随机变量，(,)f x y 称为二维随机变量),(Y X 的概率密度，或称为随机变量X 和Y 的联合概率密度． 按定义，概率密度 具有以下性质： （1） （非负性） (,)0f x y ≥(,)(,)d d y xF x y f x y x y -∞-∞=⎰⎰(,)f x y X1 2Y1 0 1/32 1/3 1/3（2） （规范性）(,)d d (,)1f x y x y F +∞+∞-∞-∞=∞∞=⎰⎰（3） 设G 是xOy 平面上的区域 ，点(),X Y 落在G 内的概率为 (){(,)},d d GP X Y G f x y x y ∈=⎰⎰（4） 若(,)f x y 在点(,)x y 连续，则有2(,)(,)F x y f x y x y∂∂∂= 在几何上(),z f x y =表示空间的一个曲面，由性质2知，界于它和xOy 平面的空间区域的体积为1．由性质3知，{(,)}P X Y D ∈值等于以D 为底、以曲面(),z f x y =为顶的曲顶柱体的体积． 例3 设二维随机变量(,)X Y 的概率密度为(2)2,0,0(,)0,x y e x y f x y -+⎧>>=⎨⎩其他(1) 求分布函数 (,)F x y ; (2)求概率 {}P Y X ≤ ． 解： （1）(,)(,)y xF x y f x y dxdy -∞-∞=⎰⎰(2)002,0,y xx y edxdy x -+⎧>⎪=⎨⎪⎩⎰⎰其他即有2(1)(1),0,0(,)0,x y e e x y F x y --⎧-->>=⎨⎩其他（2）将),(Y X {}{(,)}Y X X Y G ≤=∈ 其中G 为xOy 平面上直线 y x =及其下方的部分，如图4， 于是{}{(,)}(,)GP Y X P X Y G f x y dxdy ≤=∈=⎰⎰(2)0123x y e dxdy +∞+∞-+==⎰⎰例4 设二维随机变量(,)X Y 的概率密度为(6),02,24,(,)0,.k x y x y f x y --<<<<⎧=⎨⎩其它 x(1);(2){1,3};(3){ 1.5};(4){4}.k P X Y P X P X Y <<<+≤确定常数求求解：(1)(,)d d 1,f x y x y ∞∞-∞-∞=⎰⎰因为所以242(6)d d 1k x y y x --=⎰⎰，即181,;8k k ==(2) 130213{1,3}(6)d d ;88P X Y x y y x <<=--=⎰⎰ (3) { 1.5}P X < 1.5402127(6)d d ;832x y y x =--=⎰⎰(4) {4}P X Y +≤{4}P X Y =≤-442012(6)d d .83y x y x y -=--=⎰⎰注：1．1),(=⎰⎰Sdxdy y x f 往往是一个重要的隐含条件．２．计算类似于{4}P X Y +≤这种问题，关键在于先确定事件}4{≤+Y X 所对应的区域G 的图形，然后只需利用性质３将问题转化为G 上的重积分． 四、多维随机变量关于二维随机变量的讨论可以推广到(2)n n >维随机变量的情况．一般地，设E 是一个随机试验，它的样本空间是{}S e = ，设1122(),(),X X e X X e == ,()n n X X e = 是定义在其样本空间S 上n 维随机变量，由它们构成一个n 维向量，12(,,,)n X X X 叫做n 维随机向量或n 维随机变量． 对于任意n 个实数12,,,n x x x ，n 元函数12(,,,)n F x x x1122{,,}n n P X x X x X x =≤≤≤称为n 维随机变量12(,,,)n X X X 的分布函数或随机变量12,,,n X X X 的联合分布函数.它具有类似于二维随机变量的分布函数的性质．§2 边 缘 分 布一 、 边缘分布函数二维随机变量(,)X Y 作为一个整体，它具有联合分布函数(,)F x y ，而 X 和Y 都是一维随机变量，它们也有自身的概率分布函数，将它们分别记为()X F x ,()Y F y ，依次称为二维随机变量(,)X Y 关于X 和关于Y 的边缘分布函数．边缘分布函数可以由(,)X Y 的分布函数(,)F x y 所确定，事实上，(){}{}{}{,}(,)Y F y P Y y P Y y P X P X Y y F y =≤=≤⋅<+∞=<+∞≤=+∞即()(,)Y F y F y =+∞，同理()(,)X F x F x =+∞．下面分别讨论二维离散型随机变量和二维连续型随机变量的边缘分布： 二、 二维离散型随机变量设 (,)X Y 是二维离散型随机变量，其联合分布律为{,}i j i j P X x Y y p ===则 (,)X Y 关于X 的边缘分布律为 1{}{}{},1,2,,i i i jj P X x P X x P Y pi ∞====⋅<+∞==∑即{}i P X x =1i j j p ∞==∑1,2,,i = 其中 ：{,}i j i j p P X x Y y ===同理(,)X Y 关于Y 的边缘分布列为1{}1,2,,j i ji P Y y pj ∞====∑记11{},1,2,{},1,2,i i j i j j i j j i p p P X x i p p P Y y j ∞⋅=∞⋅=========∑∑分别称(1,2,)i p i ⋅=和(1,2,)j p j ⋅=为(,)X Y 关于X 和关于Y 的边缘分布律．离散型随机变量的边缘分布可从联合分布列的表格形式直接得到．（强调这一点！）三、 二维连续型随机变量定义：设(,)X Y 是二维连续型随机变量，其联合概率密度函数为 (,)f x y 由 ()(,)[(,)d ]xX F x F x f x y y dx +∞-∞-∞=+∞=⎰⎰所以X 的概率密度为 ()(,)d X f x f x y y +∞-∞=⎰同理Y 的概率密度为 ()(,)d Y f y f x y x +∞-∞=⎰分别称(),()X Y f x f y 为 (,)X Y 关于X 和关于Y 的边缘概率密度 ． 例1 一整数N 等可能的在1,2,3,,10 十个值中取一个值．设()D D N =是能整除N 的正整数的个数，()F F N =是能整除N 的素数的个数（注意 1 不是素数）． 试写出D 和F 的联合分布律．并求边缘分布律．解： 先将实验的样本空间及D ，F 的取值情况列出如下：D 所有可能取的值为1,2,3,4;F 所有可能取的值为0,1,2.．容易得到(,)D F 取(,),1,2,3,4.0,1,2i j i j ==的概率，这样可以得到D 和F 的联合分布律及边缘分布律如下表所示：即有边缘分布律：k pk p D 1/10 0 0 0 1/10 0 4/10 2/10 1/10 7/10 0 0 0 2/10 2/10 F1 2 3 4 P {F=j } 0 1 2P{D= i}1/10 4/10 2/10 3/10 1样本点 D F1 2 3 4 5 6 7 8 9 10 1 2 2 3 2 4 2 4 3 4 0 1 1 1 1 2 1 1 1 2D1 2 3 41/10 4/10 2/10 3/10 F 0 1 21/10 7/10 2/102211222221122()()()()1(,)(2),2(1),x x y yf x yx yμμμμρρσσσσ⎡⎤----=--+⎢⎥-⎣⎦-∞<<+∞-∞<<+∞其中1212,,,,μμσσρ为常数，且2120,0,1,(,)x y Rσσρ>><∈我们称(,)X Y服从参数为1212,,,,μμσσρ的二维正态分布．记为221212(,)~(,,,,)X Y Nμμσσρ，试求二维正态随机变量的边缘概率密度．解：()(,)Xf x f x y dy+∞-∞=⎰由于222221221122212211()()()()2()y x y y x xμμμμμμρρρσσσσσσ-------=--于是21221()1222(1)2121()()xXy xf x e dyμσρμμρσσ---+∞--∞--=-⎰令2121()y xtμμρσσ--=-，则有22121()2211()e2x tXf x e dyμσπσ--+∞--∞=⎰，即2121()2(),xXf x xμσ--=-∞<<+∞同理2222()2(),yYf y yμσ--=-∞<<+∞由上可见，二维正态分布的两个边缘分布都是一维正态分布，且边缘分布与参数ρ无关，也就是说，如21ρρ≠，则()1222121,,,,ρσσaaN与()2222121,,,,ρσσaaN是不同的，也对应不同的二维正态分布，但它们都有相同的边缘分布．这也说明，边缘分布不能唯一确定联合分布．提问：边缘分布均为正态分布的随机变量，其联合分布一定是二维正态分布吗？解答：不一定，我们来看一个反例．令(,)X Y 的联合密度函数为2221(,)(1sin sin )2πx y f x y e x y +-=+显然(,)X Y 不服从正态分布，但是2222(),()x y X Y f x f y e--==因此边缘分布均为正态分布的随机变量，其联合分布不一定是二维正态分布． 例4设,0,(,)~(,)0,y e x y X Y f x y -⎧<<=⎨⎩求(1)();(2){X f x P X Y +解： (1) 当0x >时，()(,)d X f x f x y y ∞-∞=⎰d y x e ∞-=⎰当0x ≤时，()(,X f x f x y ∞-∞=⎰故,0,()0,.x X e x f x -⎧>=⎨⎩其它(2) 1{1}(,)d d x y P X Y f x y x y +≤+≤=⎰⎰111(1)220d []d xyx x xdx e y e e x -----==--⎰⎰⎰11212.e e --=+-[作业布置]： P104：２，5，6，８讲授内容：§3 条件分布 §4相互独立的随机变量教学重难点：重点——条件分布律，条件概率密度的概念；两个随机变量相互独立的判定．难点——条件概率密度的计算．§3 条件分布由条件概率很自然的引出条件概率分布的概念． 一、二维离散型随机变量的条件分布 设(,)X Y 二维离散型随机变量，其分布律为(,),1,2,i j i j P X x Y y p i j ====，(,)X Y 关于X 和Y 的边缘分布律分别为()1,2,()1,2,i i ij j j ij P X x p p i P Y y p p j ∞∞======∑∑j=1i=1=，=，由条件概率公式，可得{}(,)1,2,,{}i j i j i j j jp P X x Y y P X x Y y i P Y y p ⋅========易知条件概率具有分布律的性质： 1．{}0i j P X x Y y ==≥ 2．{}11111i jj ij i ji i i j jjp p P X xY y pp p p ∞∞∞⋅===⋅⋅⋅======∑∑∑定义: 设),(Y X 是二维离散型随机变量，对于固定j ，若{}0j P Y y => ，则称{}(,)1,2,,{}i j i j i j j jp P X x Y y P X x Y y i P Y y p ⋅======== (1)为在 j Y y = 条件下随机变量 X 的条件分布律，简称条件分布． 同样，对于固定i ，若{}0i P X x => ，则称{}(,)1,2,,{}i j i j j i i i p P X x Y y P Y y X x j P X x p ⋅======== (2)为在 i X x =条件下随机变量 Y 的条件分布律．例1 在一汽车工厂中，一辆汽车有两道工序是由机器人完成的，其一是紧固3只螺栓，其二是焊接2处焊点．以X 表示 由机器人紧固的螺栓紧固得不良的数目，以Y 表示机器人焊接的不良焊点的数目．据积累的资料知(X,Y) 具有分布律：求在1X = 的条件下，Y 的条件分布律；(1) 求在0Y = 的条件下，X 的条件分布律．解：边缘分布已列入上表．在1X = 的条件下，Y 的条件分布律为：{0,1}0.030{0|1}{1}0.045{1,1}0.010{1|1}{1}0.045{2,1}0.005{2|1}{1}0.045P Y X P Y X P X P Y X P Y X P X P Y X P Y X P X =====================或写成同样可以得到在0Y = 的条件下，X 的条件分布律为例2 一射手在进行射击，击中目标的概率为(01)p p <<，射击直到击中目标两次为止．设 以X 表示首次击中目标所进行的射击次数，以Y 表示总共进行的射击次数，试求X 和Y 的联合分布律及条件分布律．（此例选择讲解）解： 按题意Y n = 就表示在第n 次射击时击中目标，且在第１次，第２次，，第1n -次射击中恰有一次击中目标．已知各次射击是相互独立的，于是不管()m m n <是多少，概率{,}P X m Y n ==都应等于22n p p q q q p q -=（这里1q p =-） 即得X 和Y 的联合分布律为22{,},2,3,;1,2,,1n P X m Y n p q n m n -=====-又2211{}{,}n n m n m P X m P X m Y n p q ∞∞-=+=+=====∑∑212211,1,2,,1m n m n m p q pqpq m q-∞--=+====-∑0.840 0.030 0.020 0.010 0.900 0.060 0.010 0.008 0.002 0.080 0.010 0.005 0.004 0.001 0.020 Y0 1 2 3 P {Y=j } 0 1 2P{X = i}0.910 0.045 0.032 0.013 1.0000 1 2 6/9 2/9 1/9Y k ={|1}P Y k X ==0 1 2 3 84/90 3/90 2/90 1/90 {|0}P X k Y ==X k =X11222211{}{,}(1),2,3,.n n n n m m P Y n P X m Y n p qn p q n ----========-=∑∑于是由(1) (2) 式得到所求的条件分布概率为 当2,3,.n =时，2222{|},1,2,,1(1)n n p q P X m Y n m n n p q --====--当1,2,m =时，2211{|},1,2,n n m m p q P Y n X m pq n m m pq----=====++例如1{|3},1,2;2P X m Y m ====4{|3},4,5,n P Y n X pq n -====注：本例中求和的上下限由n m <≤1确定，其定限思路类似于重积分定限． 二、二维连续型随机变量的条件分布当(,)X Y 是连续型随机变量时，由于对任意实数x 和y ，有 {}0P X x == {}0P Y y ==因此，不能直接用条件概率公式，此时我们用极限的方法引入“条件分布函数”的概念：设(,)X Y 的概率密度函数为 (,)f x y ，(,)X Y 关于Y 的边缘概率密度函数为()Y f y ．给定y ，对于任意给定的0ε>，对任意 x ，考虑条件概率{ }P X x y Y y ε≤<≤+设{ }0P y Y y ε<≤+>，则有{ }P X x y Y y ε≤<≤+{}[(,)d ]d ,{}()d x y y y Y yf x y y x P X x y Y y P y Y y f y yεεεε+-∞+≤<≤+==<≤+⎰⎰⎰在某些条件下，当ε很小时，上式右端分子，分母分别近似于(,)d x f x y x ε-∞⎰和()Y f y ε，于是当ε很小时，有(,)d (,)d { }()()x x Y Y f x y xf x y x P X x y Y y f y f y εεε-∞-∞≤<≤+≈=⎰⎰(3)定义：设二维随机变量(,)X Y 的概率密度为(),f x y ，(,)X Y 关于Y 的边缘概率密度为()Y f y ．若对于固定的y ，()0Y f y >，则称()(),Y f x y f y 为在条件Y y =下X 的条件概率密度，记为()(),()X Y Y f x y f x y f y =(4)称(,)d ()d ()xxX Y Y f x y x f xy x f y -∞-∞=⎰⎰为在条件Y y =下，X 的条件分布函数，记为{|}P X x Y y ≤=或()X Y F x y ，即(,)d (){|}()xX Y Y f x y x F xy P X x Y y f y -∞=≤==⎰(5)类似地, 我们可以定义(,)()()Y X X f x y f y x f x = 和 ()Y X F y x ．由(3)知道，当ε很小时，有{ }()d ()x Y X Y X P X x y Y y f y x x F y x ε-∞≤<≤+≈=⎰上式说明了条件密度和条件分布函数的含义． 例3 设随机变量(,)X Y 的联合概率密度为3,01,0,(,)0,.x x y x f x y ≤<≤<⎧=⎨⎩其它求11{}.84P YX ≤= 分析：能否这样考虑，由于1{}0,4P X ==11{}84P Y X ≤=11{,}481{}4P X Y P X =≤== 不存在？这样分析是不对的！因为1{}04P X ==并不表示1{}4X =为不可能事件，11{,}481{}4P X Y P X =≤=为00型，不一定没有极限． 正确的解法为：()(,)d X f x f x y y ∞-∞=⎰3d ,01,0,.x x y x ⎧≤<⎪=⎨⎪⎩⎰其它 23,01,0,.x x ⎧≤<=⎨⎩其它因此233,0,(,)()()0,.Y X X x x x y x f x y f y x f x ⎧=≤<==⎨⎩其它 于是118801111{}()d 4d 8442Y X P Y X f y y y -∞≤====⎰⎰．例4 设G 为平面上的有界区域，其面积为A ．若二维随机变量(,)X Y 具有概率密度：1,(,)(,)0,(,)x y Gf x y A x y G⎧∈⎪=⎨⎪∉⎩则称(,)X Y 在区域G 上服从均匀分布．现设二维随机变量(,)X Y 在圆域221x y +≤ 上服从均匀分布，求条件概率密度(|)X Y f x y ．解：由假设随机变量(,)X Y 具有概率密度221,1(,)0,x y f x y π⎧+≤⎪=⎨⎪⎩其他且有边缘概率密度111()(,)0,Y y f y f x y dx π+∞-∞⎧-≤≤⎪==⎨⎪⎩⎰其他于是当11y -<<时有(|)0,X Y x f x y =≤≤=⎩其他 当102y y ==和时，(|)X Y f x y 的图形分别如图6，7所示．0.50.577-0.8660.866例5 设数X 在区间(0,1)上随机的取值，当观察到(01)X x x =<<时，数Y 在区间(,1)x 上随机的取值，求Y 的概率密度()Y f y ．解：按题意X 具有概率密度1,01()0,X x f x <<⎧=⎨⎩其他对于任意给定的值(01)x x <<，在X x =的条件下，Y 的条件概率密度为1,1()10,Y X x y f y x x⎧<<⎪=-⎨⎪⎩其他所以X ，Y 的联合概率密度为1,01(,)()()10,X Y X x y f x y f y x f x x⎧<<<⎪==-⎨⎪⎩其他于是得到关于Y 的边缘概率密度为01ln(1),01()(,)10,y Y dx y y f y f x y dx x+∞-∞⎧=--<<⎪==-⎨⎪⎩⎰⎰其他§4 相互独立的随机变量 一、两个随机变量的独立性对事件A ，B ，若()()()P AB P A P B =⋅，则称事件A 与事件B 是相互独立的．类似可引出两个随机变量相互独立的概念．定义 设(,)()()X Y F x y F x F y 及， 分别是二维随机变量(,)X Y 的分布函数和边缘分布函数．若对任意实数x 和y ,有{,}{}{}P X x Y y P X x P Y y ≤≤=≤⋅≤ ， (1)即(,)()()X Y F x y F x F y =⋅ (2) 则称随机变量X 与Y 是相互独立的．随机变量的独立性是概率论中的一个重要概念，在大多数情形下，概率论和数理统计是以独立随机变量作为其主要研究对象的．对于离散型和连续型随机变量，我们分别有下列的结论．结论１ 设(,)X Y 是二维连续型随机变量，(,)()()X Y f x y f x f y ，，分别为 (,)X Y 的联合概率密度函数和边缘概率密度 ，则X 与Y 相互独立的充要条件(2)等价于等式(,)()()X Y f x y f x f y =⋅ (3)在平面上几乎处处成立．注： 这里的“几乎处处”可理解为平面上使(3)不成立的点(,)x y 的全体只能形成面积为零的区域．结论２ 设(,)X Y 是二维离散型随机变量，其联合分布律为{,},1,2,i j i jP X x Y y p i j ====则Y 与X 相互独立的充要条件是对于任意的 (,), ,1,2,i j x y i j = , 有{,}{}{}i j i j P X x Y y P X x P Y y ====⋅= (4)即有 ,,1,2,i j i j p p p i j ⋅⋅=⋅= 成立．注：在实际使用中（3）式或（4) 式比使用 (2 ) 式方便．下面我们来看几个例子：§1例2 中的随机变量X 和Y ，由于22,0()0,x X e x f x -⎧>=⎨⎩其他,0()0,y Y e y f y -⎧>=⎨⎩其他故有(,)()()X Y f x y f x f y =⋅，因而X ，Y 是相互独立的． 又如,X Y 具有联合分布律则有 1{0,1}{0}{1}61{0,2}{0}{2}62{1,1}{1}{1}62{1,2}{1}{2}6P X Y P X P Y P X Y P X P Y P X Y P X P Y P X Y P X P Y ========================因而,X Y 是相互独立的．§2例1 中随机变量F 和D ，由于1{1,0}{1}{0}10P D F P D P F ===≠== 因而F 和D 不是相互独立的．例 1 设(,X Y )～()221212,,,,N μμσσρ, 则,X Y 相互独立的充要条件是0=ρ．证明：(,X Y )的联合密度和边缘密度分别为()()()()()()222112222112221,21x x x y f x y μμρμμσσσσρ⎧⎫⎡⎤----⎪⎪⎢⎥=--+⎨⎬-⎢⎥⎪⎪⎣⎦⎩⎭()()21212x X f x μσ--=()()22222y Y f y μσ--=则 ()()()()22122212121exp 222X Y x x f x f y μμπσσσσ⎧⎫--⎪⎪⋅=--⎨⎬⎪⎪⎩⎭因此0=ρ时，对所有的,x y 有()()(),X Y f x y f x f y =⋅成立，即,X Y 相互独立．反之，若,X Y 相互独立，则有()()(),X Y f x y f x f y =⋅，对(,)x y 2R ∈成立．令1x μ=，2y μ=，则可得到：021121221221=⇒=-ρσπσρσπσ，即0=ρ证毕．X 1/6 2/6 1/2 1/6 2/6 1/2 Y1 2 P {Y=j } 1 2P{X= i}1/3 2/3 1例 2 设(1),01,0.(,)~(,)0,.Cy x x y x X Y f x y -≤≤≤≤⎧=⎨⎩其它(1) 求C 的值；(2) 求关于X 关于Y 的边缘概率密度； (3) 判断,X Y 的独立性． 解：(1) 由于(,)d d 1,f x y x y ∞∞-∞-∞=⎰⎰可得100(,)d d (1)d d xf x y x y Cy x y x ∞∞-∞-∞=-⎰⎰⎰⎰210(1)d 1224x CC x x =-==⎰，则24C =． 故24(1),01,0.(,)0,.y x x y x f x y -≤≤≤≤⎧=⎨⎩其它 (2) 当01x ≤≤时，20()(,)d 24(1)d 12(1)xX f x f x y y y x y x x ∞-∞==-=-⎰⎰，当0,1x x <>或时，()(,)d 0.X f x f x y y ∞-∞==⎰于是(,)X Y 关于X 的边缘概率密度为：212(1),01,()0,.X x x x f x ⎧-≤≤=⎨⎩其它 当01y ≤≤时，12()(,)d 24(1)d 12(1).Y yf y f x y x y x x y y ∞-∞==-=-⎰⎰当0,1y y <>或时，()(,)d 0.Y f y f x y x ∞-∞==⎰因而有212(1),01,()0,.Y y y y f y ⎧-≤≤=⎨⎩其它 (3) 由于(,)()(),X Y f x y f x f y ≠⋅故(,)X Y 不独立．例 3 一负责人到达办公室的时间均匀分布在8~12时, 他的秘书到达办公室的时间均匀分布在7~9时, 设他们两人到达的时间相互独立, 求他们到达办公室的时间相差不超过 5 分钟（1/12小时）的概率.解：设X 和Y 分别是负责人和他的秘书到达办公室的时间，由假设X 和Y 的概率密度分别为：14,812,()0,,X x f x <<⎧=⎨⎩其它 12,79,()0,,Y x f y <<⎧=⎨⎩其它由于,X Y 相互独立，故(,)X Y 的联合概率密度为18,812,79,(,)()()0,.X Y x y f x y f x f y <<<<⎧==⎨⎩其它1{112}(,)d d ()8GP X Y p x y x y G -≤==⨯⎰⎰的面积G ABC=∆而的面积2211311112122126⎛⎫⎛⎫=-= ⎪ ⎪⎝⎭⎝⎭ 于是1{112}48P X Y -≤=．1548因此负责人和他的秘书到达办公室的时间相差不超过分钟的概率为．二、多维随机变量的独立性将二维随机变量的概念推广到n 维随机变量的情形：n 维随机变量()12,,,n X X X 的分布函数定义为(){}121122,,,,,,,n n n F x x x P X x X x X x =≤≤≤其中 12,,,n x x x 为任意实数．若n 维随机变量()12,,,n X X X 的分布函数()12,,,n F x x x 已知，则()12,,,nX X X 的(1)k k n ≤<维边缘分布函数随之而定，如12(,,,)n X X X 关于 1X 、关于 ()12,,X X 的边缘分布函数就分别为()()111,,,X F x F x =+∞+∞()()12,1212,,,,,X X F x x F x x =+∞+∞若对任意的实数12,,,nx x x ，有()()()()121212,,,n n X X X n F x x x F x F x F x =⋅则称12,,,n X X X 是相互独立的．1212,,,,,,,m n x x x y y y进一步，若对任意的实数有()1212,,,,,,,m n X X X Y Y Y()()()12121212,,,,,,,,,,,,,m n X m Y n F x x x y y y F x x x F y y y =⋅其中12,,F F F 依次为 ()12,,,m X X X ，()12,,,n Y Y Y 、()1212,,,,,,,m n X X X Y Y Y 、的分布函数，则称随机变量()12,,,m X X X和 ()12,,,n Y Y Y 是相互独立的．现在，我们不加证明地给出一个有用定理，它在数理统计中是很有用的． 定理 若()12,,,m X X X 和()12,,,n Y Y Y 相互独立，则 （1）i X 与j Y 相互独立，1,2,,.1,2,,.i m j n ==（2）若,h g 是连续函数，则 ()12,,,n h Y Y Y 和()12,,,m g X X X 相互独立．[作业布置] P105： 9，11，12，13，14，16§5 两个随机变量的函数的分布教学内容：随机变量函数的分布教学重难点：重点——二维随机变量的和、最大值、最小值的分布．难点——二维随机变量和的分布、卡方分布的性质．引入：上一章已经讨论过一个随机变量函数的分布，本节我们讨论二维随机变量的分布．需要注意的是，n 维随机变量函数形成的随机变量仍然是一维随机变量，这里我们主要讨论二维随机变量函数的分布问题，解决这类问题的关键是掌握其基本思想方法． 新授：一、 和的分布求 Z X Y =+的概率密度函数．对于任意的实数Z ，根据定义， 有 (){}{Z F z P Z z P X Y z =≤=+≤()()():,d d ,d d Z D x y zz yf x y x yf x y x +≤+∞--∞-∞==⎰⎰⎰⎰对固定的z 和y ，先作变换 x u y =- ()()(),d d ,d d z Z z F z f u y y u y f u y y y u∞-∞-∞∞-∞-∞⎡⎤=-⎢⎥⎣⎦⎡⎤=-⎢⎥⎣⎦⎰⎰⎰⎰由概率密度的定义，即得Z 的概率密度为 ()(),d Z f z f z y y y +∞-∞=-⎰(1)由,X Y 的对称性， ()Z f z 又可以写成 ()(),d Z f z f x z x x +∞-∞=-⎰(2)特别，当X 与Y 相互独立时，设),(Y X 关于,X Y 的边缘概率密度分别为(),()X Y f x f y则 (1)，(2)式分别化为()()()d Z X Y f z f z y f y y +∞-∞=-⋅⎰ (3) ()()()d Z X Y f z f x f z x x +∞-∞=⋅-⎰(4)这两个公式称为卷积公式，记为*X Y f f ，即()()()()*d d X Y X Y X Y f f f z y f y y f x f z x x +∞+∞-∞-∞=-⋅=⋅-⎰⎰例 1 设,X Y 是两个相互独立的随机变量，它们都服从(0,1)N 分布, 其概率密度为22/2/2(),(),x X y Y f x x f y y --=-∞<<+∞=-∞<<+∞求Z X Y =+的分布密度. 解: 用卷积公式(4)式，()()()d Z X Y f z f x f z x x +∞-∞=⋅-⎰()2222()22241d 21d 2z x z x x z ee xe exππ---+∞---∞+∞--∞=⋅=⎰⎰令2zt x =-，得22224411()d 22t z z Z f z eex eeππ-+∞---∞===⎰即 Z 服从(0,2)N 分布.一般，设相互独立，且221122~(,),~(,)X N Y N μσμσ, 则221212~(,)Z X Y N μμσσ=+++. 这个结论可以推广到n 个独立的正态随机变量之和的情况，即若),(~2i i i N X σμ),,2,1(n i =，且它们相互独立，则有),(~221∑∑+++=iii i n N X X X Z σμ ，更一般地，有结论：有限个相互独立的正态随机变量的线性组合仍然服从正态分布．例2 在一简单电路中，两电阻12R R 和 串联，设12R R ，相互独立，他们的概率密度均为 10,010()500,xx f x -⎧≤≤⎪=⎨⎪⎩其他求总电阻12R R R =+的概率密度．解：由(4) ，R 的概率密度为()()()d R f z f x f z x x +∞-∞=⋅-⎰易知仅当x010010x z x <<⎧⎨<-<⎩，即01010x z x z <<⎧⎨-<<⎩时上述积分的被积函数不为零．由图１０，可得()()()()01010d ,010()d ,10200,z R z f x f z x x z f z f x f z x x z -⎧⋅-≤<⎪⎪⎪=⋅-≤≤⎨⎪⎪⎪⎩⎰⎰其他 将()f x 的表达式代入上式得2331(60060),010150001()(20),1020150000,R z z z z f z z z ⎧-+≤<⎪⎪⎪=-≤≤⎨⎪⎪⎪⎩其他例3若X 与Y 独立,具有共同的概率密度1,01()0,x f x ≤≤⎧=⎨⎩其它，求Z X Y =+的概率密度.解：由卷积公式()()()Z X Y f z f x f z x dx ∞-∞=-⎰为确定积分限,先找出使被积函数不为0的区域011x z x z≤≤-≤≤ 即0101x z x ≤≤≤-≤如图11所示，于是011,01()2,120,z Z z dx z z z dx z z -⎧=≤<⎪⎪==-≤<⎨⎪⎪⎩⎰⎰其它例4 设12,X X 为相互独立且分别服从()βα,1Γ，()βα,2Γ分布，12,X X 的概率密度分别为图 11()()1111/111,00,00,x X x e x f x αβαβααβ--⎧>⎪Γ=>>⎨⎪⎩其他()()2221/221,00,00,y X y e y f y αβαβααβ--⎧>⎪Γ=>>⎨⎪⎩其他试证明12X X +服从()12,ααβΓ+分布．（此例只讲思路和结论）证明：由(4)知，当0z ≤时，12Z X X =+的概率密度为()0Z f x =．而当0z >时，12Z X X =+的概率密度为()()()12121212121212121211/()/012/110121/1110121/()()11()()()()()(1)()()Z X X z x z x x z z z f z f x f z x dxx e z x e dx e x z x dx x zt z e t t dt Az e ααββααβααααααβααααααββαβαβααβαα+∞-∞--------++----+∆+--=-=-ΓΓ=-=ΓΓ=-ΓΓ=⎰⎰⎰⎰令其中12121110121(1)()()A t t dt ααααβαα--+=-ΓΓ⎰ 通过计算得到()12121A ααβαα+=Γ+于是()()12121/121,00,z Z z e z f z ααβααβαα+--+⎧>⎪Γ+=⎨⎪⎩其他即()1212~,X X ααβ+Γ+，说明-Γ分布对于其第一个参数具有可加性，因()n 2χ即⎪⎭⎫ ⎝⎛Γ21,2n 分布，故-2χ分布也具有可加性．上述结论可以推广到n 个相互独立的-Γ分布变量之和的情况．二、 max(,),min(,)M X Y N 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(),()X Y F x F y ，现在来求max(,),min(,)M X Y N X Y ==的分布函数．由于 }),({z Y X M ≤=等价于 }{z X ≤且 }{z Y ≤，因此， 对于任意的实数z有 {}{,}P M z P X z Y z ≤=≤≤又由于,X Y 相互独立，得到max(,)M X Y =的分布函数为max (){}{,}{}{}F z P M z P X z Y z P X z P Y z =≤=≤≤=≤⋅≤即有max ()()()X Y F z F z F z =⋅ (5) 类似地，可以得到min(,)N X Y =的分布函数为min (){}1{}1{,}1{}{}F z P N z P N z P X z Y z P X z P Y z =≤=->=->>=->⋅>即 min ()1[1()][1()]X Y F z F z F z =--- (６) 更一般地，设12,,,n X X X 是n 个相互独立的随机变量，它们的分布函数分别是 (), 1,2,i X i F x i n =，则{}1max ,,n M X X =的分布函数为max 1()()i nX i F z F z ==∏{}1min ,,n N X X = 的分布函数为()min 1()11i nX i F z F z =⎡⎤=--⎣⎦∏特别，若1,,n X X 相互独立且有相同的分布()F x ，则max min ()[()],()1[1()]n nF z F z F z F z ==--第四章 随机变量的数字特征§1 数学期望教学内容：随机变量的数学期望 重点难点：常见分布的数学期望引入：在前面两章中我们讨论了随机变量的概率分布，这是关于随机变量统计规律的一种完整描述，然而在实际问题中，确定一个随机变量的分布往往不是一件容易的事，况且许多问题并不需要考虑随机变量的全面情况，只需知道它的某些特征数值.例如，在测量某种零件的长度时，测得的长度是一个随机变量，它有自己的分布,但是人们关心的往往是这些零件的平均长度以及测量结果的精确程度；再如，检查一批棉花的质量，既要考虑棉花纤维的平均长度，又要考虑纤维长度与平均长度的偏离程度，平均长度越大，偏离程度越小，质量越好.这些与随机变量有关的数值，我们称之为随机变量的数字特征，在概率论与数理统计中起着重要的作用.本章主要介绍随机变量的数学期望、方差、矩以及两个随机变量的协方差和相关系数. 新授：1.1 数学期望的概念在实际问题中，我们常常需要知道某一随机变量的平均值，怎样合理地规定随机变量的的平均值呢？先看下面的一个实例.例1.1 设有一批钢筋共10根，它们的抗拉强度指标为110，135，140的各有一根；120和130的各有两根；125的有三根.显然它们的平均抗拉强度指标绝对不是10根钢筋所取到的6个不同抗拉强度：110，120，125，130，135，140的算术平均,而是以取这些值的次数与试验总次数的比值（取到这些值的频率）为权重的加权平均，即平均抗拉强度1(110120212531302135140)10=+⨯+⨯+⨯++⨯123211110120125130135140101010101010=⨯+⨯+⨯+⨯+⨯+⨯126=.从上例可以看出，对于一个离散型随机变量X ，其可能取值为12,,,n x x x ，如果将这n个数相加后除n 作为“均值”是不对的.因为X 取各个值的频率是不同的，对频率大的取值，该值出现的机会就大，也就是在计算取值的平均时其权数大.如果用概率替换频率，用取值的概率作为一种“权数”做加权计算平均值是十分合理的.经以上分析，我们可以给出离散型随机变量数学期望的一般定义.1.离散型随机变量的数学期望定义 1.1 设X 为一离散型随机变量，其分布律为{}k k P X x p ==（1,2,k =），若级数1k k k x p ∞=∑绝对收敛，则称此级数之和为随机变量X 的数学期望，简称期望或均值.记为()E X ，即1()k k k E X x p ∞==∑ （1.1）例1.2. 某人从n 把钥匙中任取一把去试房门，打不开则除去，另取一把再试直至房门打开.已知钥匙中只有一把能够把房门打开，求试开次数的数学期望.解 设试开次数为X ，则分布律为1{},1,2,,P X k k n n ===，从而111(1)1()22nk n n n E X k n n =++=⋅=⋅=∑. 例1.3 设随机变量(,)XB n p ，求()E X .解 因为{}C (1)k k n kk n p P X k p p -===- (0,1,,)k n =，11!()C (1)(1)(1)!()!n nnkkn kk n k k nk k k n E X kp k p p p p k n k --=====-=---∑∑∑11(1)11(1)!(1)(1)![1(1)]![(1)]nk n k k n n np p p k n k np p p np----=--=-----=+-=∑例1.4 设随机变量()X P λ，求()E X .解 因为()XP λ，有{}!kP X k e k λλ-==0,1,2,,k =（）因此101()!(1)!kk k k E X eee e k k λλλλλλλλλ-∞∞---=====⋅=-∑∑.我们可以类似地给出连续型随机变量数学期望的定义，只要把分布律中的概率k p 改为概率密度()f x ，将求和改为求积分即可.因此，我们有下面的定义. 2 . 连续型随机变量的数学期望定义1.2 设X 为一连续型随机变量，其概率密度为()f x ，若广义积分()d xf x x +∞-∞⎰绝对收敛，则称广义积分()d xf x x +∞-∞⎰的值为连续型随机变量X 的数学期望或均值，记为()E X ，即()()d E X xf x x +∞-∞=⎰. （1.2）例1.5 设随机变量X 的概率密度为2,01()0,x x f x <<⎧=⎨⎩，其他，求()E X .解 依题意，得，12()()d 2d 3E X xf x x x x x +∞-∞==⋅=⎰⎰. 例1.6 设随机变量X 服从区间(,)a b 上的均匀分布，求()E X . 解 依题意，X 的概率密度为1,()0,a xb f x b a⎧<<⎪=-⎨⎪⎩，其他， 因此1()()d d 2baa bE X xf x x x x b a +∞-∞+==⋅=-⎰⎰. 例1.7 设随机变量X 服从λ为参数的指数分布，求()E X . 解 依题意， X 的概率密度为e ,0,()0,0x x f x x λλ-⎧>=⎨≤⎩，因此1()()d e d x E X xf x x x x λλλ+∞+∞--∞==⋅=⎰⎰.例1.8 设随机变量X 服从正态分布2(,)N μσ，求()E X . 解 由于 22()21()e2xf x因此()()d E X xf x x x+∞+∞-∞-∞==⎰⎰22()21d 2xex221()()ed 2t xttt 令22ed 2t t .例1.9 已知二维随机变量(,)X Y 的概率密度为(34)12e ,0,0,(,)0,x y x y f x y -+⎧>>=⎨⎩其他，求()E X .解 由第三章例3.2的结果关于X 的边缘概率密度为33e ,0,()0,0x X x f x x -⎧>=⎨≤⎩，即(3)XE ,因此1()3E X =. 1.2 随机变量函数的数学期望定理1.1 设随机变量Y 是随机变量X 的函数， ()Y g X =（其中g 为一元连续函数）. （1）X 是离散型随机变量，概率分布律为{}k k P X x p ==， 1,2,k =，则当无穷级数1()k k k g x p ∞=∑绝对收敛时，则随机变量Y 的数学期望为1()[()]()k k k E Y E g X g x p ∞===∑; （1.3）（2）X 是连续型随机变量，其概率密度为()f x ，则当广义积分()()d g x f x x 绝对收敛时，则随机变量Y 的数学期望为()[()]()()d E Y E g X g x f x x +∞-∞==⎰. （1.4）这一定理的重要意义在于，求随机变量()Y g X =的数学期望时，只需利用X 的分布律或概率密度就可以了，无需求Y 的分布，这给我们计算随机变量函数的数学期望提供了极大的方便.定理的证明超出了本书的范围，下面我们仅就连续型随机变量，且()Y g X =单调的情形给出证明.证明 第二章给出了随机变量Y 的概率密度[()](),()0,X Y f h y h y y f y αβ⎧⎪⎨⎪⎩'<<=，其他.其中)(x f X 为随机变量X 概率密度，函数)(x g y =是处处可导的严格单调函数，它的反函数为)(y h x =，则有()()d Y E Y yf y y +∞-∞=⎰[()]|()|d X yf f y h y y βα'=⎰.当()0h y '>时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα+∞-∞'==⎰⎰，当()0h y '<时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα-∞+∞'=-=-⎰⎰()()d X g x f x x +∞-∞=⎰.例求随机变量232Y X =-的数学期望.解 依题意，可得，22()[3(1)2]0.1(302)0.3E Y =⨯--⨯+⨯-⨯2(312)0.4+⨯-⨯2(322)0.2+⨯-⨯1.9=.例1.11 随机变量X (0,1)N ，求2Y X =的数学期望. 解依题意，可得22()()()d E Y E X x f x x +∞-∞==⎰222d x x x +∞--∞=⎰22dex x+∞--∞=2222e ed x x x x +∞+∞---∞-∞⎛⎫⎪=-⎪⎭⎰ 22ed 1x x +∞--∞==⎰例 1.12 国际市场每年对我国某种商品的需求量是随机变量X （单位：吨），它服从[2000,4000]上的均匀分布，已知每售出1吨商品，可挣得外汇3万元;若售不出去而积压，则每吨商品需花费库存费等共1万元，问需要组织多少货源，才能使国家受益期望最大？解 设组织货源t 吨，[2000,4000]t ，受益为随机变量Y （单位：万元），按照题意Y 是需求X 的函数3(),,()3,,X t X Xt Yg X t Xt 当当X 的概率密度为1,20004000()20000,x f x 其它.由（1.4），得()[()]()()d E Y E g X g x f x x400020001{[3()]d 3d }2000t t x t x x t x 21[2140008000000]2000t t 当3500t时()E Y 达到最大值，也就是说组织货源3500吨时国家的期望受益最大. 例1.13 柯西分布211()1f x xπ=+()x -∞<<+∞的数学期望由于 21||d (1)x x x π+∞-∞=+∞+⎰， 所以不存在.上述的定理可以推广到两个或两个以上随机变量的函数上去，我们有下面的定理. 定理 1.2 设随机变量Z 是随机变量(,)X Y 的函数，(,)Z g X Y ,其中g 为二元连续函数，则（1）如果(,)X Y 为二维离散型随机变量,其分布律为ij j i p y Y x X P ===},{ ,1,2,i j =,且11(,)i j ij j i g x y p ∞∞==∑∑绝对收敛，则随机变量(,)Zg X Y 的数学期望为11()[(,)](,)i j ij j i E Z E g X Y g x y p ∞∞====∑∑； （1.5）（2）如果(,)X Y 为二维连续型随机变量时，概率密度为(,)f x y ,且(,)(,)d d g x y f x y x y +∞+∞-∞-∞⎰⎰绝对收敛，则随机变量(,)Zg X Y 的数学期望为()[(,)](,)(,)d d E Z E g X Y g x y f x y x y +∞+∞-∞-∞==⎰⎰. （1.6）。
【学习课件】第三章概率论与数理统计
解 确定随机变量的取值：
及F(2,2).
p i j P Xi,Yj
F ( x , y) = P { X x , Y y}
{ P X { X i , Y i } j } { Y { X j } i } { Y j } pij
P Y j|X iP X i
xi x yjy
为 X, Y的 分 布 函 数 ， 或 X与 Y的 联 合 分 布 函 数 。
X x ,Y y X x Y y
几 何 意 义 ： 分 布 函 数 Fx0,y0表 示 随 机 点 X,Y落 在 区 域
x,y,xx0,yy0
中 的 概 率 。 如 图 阴 影 部 分 所 示 ：
y
x0, y0
X＝xi ,Y y j
P X＝xi
pij , j＝1, 2, pi
为给定条件X xi时，Y的条件概率分布律。
3、条件概率分布律
给定条件Yyj时，X的条件概率分布律记作：
X|Yyj
P X＝xi |Yyj
pij ,i＝ 1, 2, pj
X |Y yj
P X |Y y j
x1
p1 j
X , Y ～P X＝xi, Y＝y j pij , i, j＝1, 2,
则称 P X＝xi | Y y j
P X＝xi ,Y y j P Y＝y j
pij , i＝1, 2, p j
为给定条件Y y j时，X的条件概率分布律；
P Y＝y j | X＝xi
P
= limPX x,Y y lim Fx, y
y
y
0, x 0; =x2, 0 x 1;
1, 1 x.
FYy PY yPX ,Y y
= limPX x,Y y limFx, y
概率论-3-3 条件分布
值.求 Y 的概率密度 fY ( y). 解 由题意知 X 具有概率密度
1, 0 x 1, fX ( x) 0, 其它. 对于任意给定的值 x(0 x 1), 在X x的条件下,
Y 的条件概率密度为
fY
X
(
y
x)
1
1
x
,
0,
0 x y 1, 其它.
X1= -1 1/12 2/12 3/12
X2=1 0 1/12 1/12
X3=2 3/12 1/12 0
求条件分布律P{X=xi|Y=2}.
解：X与Y的边缘分布如表：
Y X X1=-1 X2=1 X3=2
p.j
Y=0 1/12
0
3/12
4/12
Y=3/2 2/12 1/12 1/12
4/12
Y=2 3/12 1/12
FY X ( y x) P{Y y X x}
y
f (x,t) d t.
fX (x)
★ 条件分布函数与条件密度函数的关系
x
x
FX Y ( x y)
fX Y ( x y)d x
[ f (x, y)
fY ( y)]d x.
y
y
FY X ( y x)
因此 X 和 Y 的联合概率密度为
f ( x, y) fY X ( y x) fX ( x)
1
1
x
,
0,
0 x y 1, 其它.
故得 Y 的边缘概率密度
fY ( y)
f (x, y)d x
y1 0 1
大学概率论第三章----随机向量
大学概率论第三章----随机向量第三章 随机向量第一节 二维随机向量及其分布1、二维随机向量及其分布函数定义1：设E 是一个随机试验，它的样本空间是{}e Ω=.设X(e)与Y(e)是定义在同一样本空间Ω上的两个随机变量,则称(X(e),Y(e))为Ω上的二维随机向量或二维随机变量。
简记为(X,Y).定义2：设(X,Y)是二维随机向量,对于任意实数x,y ，称二元函数 F(x,y)=P{X ≦x ，Y ≦y}为二维随机向量(X,Y)的分布函数或联合分布函数。
(X,Y)的分布函数满足如下基本性质： (1)F(x,y)是变量x,y 的不减函数. (2)0≦F(x,y)≦1,(,)0y F y -∞=对于任意的 ,(,)0x F x -∞=对于任意的(,)0(,)1F F -∞-∞=+∞+∞=，(3)(,), (,)(0,)(,)(,0)F x y x y F x y F x y F x y F x y =+=+关于是右连续的，即， 1122121222211211(4)(,)(,),, (,)(,)(,)(,)0x y x y x x y y F x y F x y F x y F x y <<--+≥对于任意和，有2、二维离散型随机变量定义3：若二维随机向量(X,Y)的所有可能取值是有限对或无限可列多对,则称(X,Y) 为二维离散型随机向量。
设(X,Y)的一切可能值为(,) , ,1,2,i j X Y i j =L ，且(X,Y)取各对可能值的概率为,(,), ,1,2,i j i j P X Y P i j ==L(1) 非负性:,0, ,1,2,i j P i j ≥=L ；,(2)1ij i jp =∑规范性：, (,){,}i i ijx x y yX Y F x y P X x Y Y p ≤≤=≤≤=∑∑离散型随机变量的联合分布函数为定义4：{,}(,1,2,...)(,)ij P X x Y Y p i j X Y X Y ≤≤==称为二维离散型随机变量的概率分布或分布律，或随机变量和的联合分布律。
概率论与随机过程：3.3 条件分布
1, n1
m=1,2, …,n-P{X m,Y n}
P{X m}
p2 (1 p)n2 p(1 p)m1 p(1 p) , nm1 n=m+1,m+2, …
二、连续型r.v的条件分布
1. 条件分布函数
在讨论二维连续型随机变量(X,Y)的条件分布时，
推广到随机变量
设有两个r.v X,Y ， 在给定Y取某个或某 些值的条件下，求X的概率分布.
这个分布就是所谓的条件分布.
例如，考虑某大学的全体学生，从其中随
机抽取一个学生，分别以X和Y 表示其体重和
身高 . 则X和Y都是随机变量，它们都有一定
的概率分布.
身高Y
体重X
的分布
体重X
身高Y 的分布
现在若限制1.7<Y<1.8(米), 在这个条件下 去求X的条件分布，这就意味着要从该校的学 生中把身高在1.7米和1.8米之间的那些人都挑 出来，然后在挑出的学生中求其体重的分布.
例如：P( X xi | Y y j ) 0, i=1,2, …
P(Y y j | X xi ) 1
(1)
P{ X
j 1
xi |Y
yj}
pij p• j
0,
P{Y
yj
|
X
xi }
pij pi•
0,
(2)
P{Y
j 1
yj | X
xi }
j 1
pij pi•
1 pi•
j 1
y x
( f (u,v)d u)d v
lim 0
x x
fX (u)d u
x y
f (x,v)dv
y
f (x,v) dv
概率论第三章
8 July 2010
联合密度函数的基本性质 (1) p(x, y) ≥ 0. (非负性) (2) (正则性)
注意: P{(X,Y) ∈D} = ∫∫ p(x, y)dxdy
D
8 July 2010
3.1.5
一,多项分布
常用多维分布 常用多维分布
若每次试验有r 种结果:A1, A2, ……, Ar 记 P(Ai) = pi , i = 1, 2, ……, r 记 Xi 为 n 次独立重复试验中 Ai 出现的次数. 则 (X1, X2, ……, Xr)的联合分布列为:
2x
+∞
1 2x +∞ 1 3y +∞ = A e × e 2 0 3 0
=A/6 所以, A=6
8 July 2010
例3.1.4
6e(2x+3y) , x ≥ 0, y ≥ 0 若 (X, Y) ～ p( x, y) = 其 它 0,
试求 P{ X< 2, Y< 1}.
8 July 2010
注 意 点 (2)
二维正态分布的边际分布是一维正态: 若 (X, Y) N ( ), 则 XN( ), YN( ).
二维均匀分布的边际分布不一定是一维均匀分布.
8 July 2010
例3.2.1 设 (X, Y)服从区域 D={(x, y), x2+y2 <1} 上的均匀分布,求X 的边际密度p(x). 解: 由题意得
e y , 0 < x < y p( x, y) = 其 他 0,
求概率P{X+Y≤1}. 解: P{X+Y≤1}=
1/2
1x x
y=x
x+y=1
= ∫ dx∫
条件概率及条件分布知识点整理
条件概率及条件分布知识点整理
1. 条件概率
条件概率是指在已知某一事件发生的条件下，其他事件发生的概率。
用符号表示为 P(A|B)，表示在事件 B 已经发生的情况下，事件 A 发生的概率。
条件概率的计算公式为：
P(A|B) = P(A∩B) / P(B)
其中，P(A∩B) 表示事件 A 和事件 B 同时发生的概率，P(B) 表示事件 B 发生的概率。
2. 条件分布
在概率论和统计学中，条件分布是指在给定某个条件下，随机变量的概率分布。
条件分布可以通过条件概率来计算。
给定随机变量 X 和随机变量 Y，条件分布可以表示为
P(X|Y=y)，表示在事件 Y=y 发生的条件下，随机变量 X 的概率分布。
条件分布的计算公式为：
P(X|Y=y) = P(X∩Y=y) / P(Y=y)
其中，P(X∩Y=y) 表示随机变量 X 和事件 Y=y 同时发生的概率，P(Y=y) 表示事件 Y=y 发生的概率。
3. 应用
条件概率和条件分布在概率论和统计学中有广泛的应用。
一些
常见的应用包括：
- 贝叶斯定理：用于计算后验概率，即在已知观测数据的情况下，更新先验概率。
- 马尔科夫链：用于建模状态转移过程，在给定当前状态的情
况下，预测未来状态的概率分布。
- 事件独立性检验：通过计算条件概率是否等于边缘概率，来判断事件是否独立。
- 条件随机场：用于序列标注、自然语言处理等任务，通过建模给定条件下，序列输出的概率分布。
以上是关于条件概率和条件分布的简要介绍。
在实际应用中，我们可以根据具体问题选择适当的概率模型和方法来进行推断和计算。
概率论第3章 随机向量及其分布
例3 一袋中有五件产品，其中两件次品，三件正品，
从袋中任意依次取出两件，分别采用有放回与不放回 两种方式进行抽样检查，规定随机变量
＝１0,,
第１次取出次品 第１次取出正品
＝１0,,
第２次取出次品 第２次取出正品
则(ξ,η)的联合分布律如下（并可求得边缘分布律）：
表１ 有放回抽样的分布律
设(X, Y)的联合分布律为P{X=xi , Y=yj}= pij (i,j=1,2, …) ，则(X, Y)关于X的边缘分布律有
PX xi PX xi ,Y
P X xi , (Y y j )
j 1
P ( X xi ,Y y j )
FX1,X2,L ,Xn x1, x2,L , xn P : X1() x1, X 2 () x2,L , X n () xn
I P : n Xi () xi
i 1
定理3.1.1 设,F, P为概率空间, 随机向量 X1, X 2,L , X n 的联合分布函数为FX1,X2,L ,Xn ,则
P 0, 1 P 0 P 1 0 2 3 3 5 4 10
P 1, 0 P 1 P 0 1 3 2 3 5 4 10
P 1, 1 P 1 P 1 1 3 2 3 5 4 10
定理3.1.2 设,F, P为概率空间, X1, X 2,L , X n
为其上的随机向量。
(1) 若X1, X 2,L
,
X
都为离散型随机变量，有分布列
n
P Xi aji ，j 1,2,L ，i 1,2,L ,n，
条件分布定义及其在随机过程中的应用
条件分布定义及其在随机过程中的应用在概率论中，条件分布是指在给定一些信息或事件时，随机变量的概率分布。
简单地说，条件分布是指事件发生的条件下，其他事件发生的概率。
条件分布在随机过程中有很多应用，本文将对条件分布的定义及其在随机过程中的应用进行深入讨论。
一、条件分布的定义条件分布的定义可以由条件概率来推导。
设A、B是两个事件，且P(B)>0，则在事件B发生的条件下事件A的条件概率为：P(A|B) = P(AB) / P(B)其中，P(AB)表示事件A和B同时发生的概率，P(B)表示事件B发生的概率。
如果X和Y是两个随机变量，P(Y=y)>0，则在Y=y的条件下X的条件概率为：P(X=x|Y=y) = P(X=x，Y=y) / P(Y=y)其中，P(X=x，Y=y)表示X=x和Y=y同时发生的概率，P(Y=y)表示随机变量Y=y的概率。
进一步地，可以得到X的条件分布函数：F(x|Y=y) = P(X≤x|Y=y)X的条件概率密度函数f(x|Y=y)则由条件分布函数求导得到：f(x|Y=y) = d/dx F(x|Y=y)二、条件分布的特性条件分布具有以下一些特性：1. 相互独立性：如果X和Y是独立的，则P(X=x|Y=y) =P(X=x)。
2. 概率归一性：条件概率和等于1，即∑ P(X=x|Y=y) = 1。
3. 乘法公式：由条件概率的定义可以得到乘法公式：P(X=x，Y=y) = P(Y=y|X=x)P(X=x)4. 全期望公式：设X和Y是两个随机变量，则：E(X) = E[E(X|Y)]其中，E(X|Y)表示在Y条件下X的期望。
三、条件分布的应用条件分布在随机过程中有很多应用，本节将讨论其中的一些应用。
1. 马尔可夫性质在马尔可夫链中，当前状态只与前一状态有关，在这种情况下，当前状态的条件分布只与前一状态有关。
具体地说，可以得到下面的等式：P(Xn+1 = j|Xn=i,Xn-1=k,Xn-2=l,…,X0) = P(Xn+1=j|Xn=i)其中，Xn表示第n个状态，Xn+1表示第n+1个状态，i、j、k、l是两个状态之间的节点。
概率论与数理统计 第三章
(1 e 2 x )(1 e y ), x 0, y 0, 其它, 0,
例2-续3
(3)求概率P{Y≤X}. 只需在概率密度f的非零 区域与事件区域 G={(x,y)|y≤x} 的交集D上积分. 由公式
0 F ( x, y) 1; ;
F ( x, y )关于x、y均单调不减右连续.
分布函数与离散型二维随机变量分布律、连 续型二维随机变量概率密度的关系[见后].
三、离散型二维随机变量
1、二维均匀分布
两种常见的二维连续型分布
设G为一个平面有界区域,其
二维均匀分布
面积为A.如果二维连续型随机变量(X,Y)的概率密
度为
1 , ( x, y ) G , f ( x, y ) A 0, 其它,
则称(X,Y)服从区域G上的均匀分布,记为(X,Y)~U(G).
2、二维正态分布
域”的概率.
分布函数具有下列基本性质:
对任意点 ( x1 , y1 ), ( x2 , y2 ), x1 x2 , y1 y2 均有：
随机向量落在矩 形区域的概率
P{x1 X x2 , y1 Y y2 }
F ( x1 , y1 ) F ( x2 , y2 ) F ( x1 , y2 ) F ( x2 , y1 ) 0;
D
x
例2-续4
2 e
0
2 x
(1 e )dx [e
x
2 x
2 3 x 2 1 e ] |0 1 . □ 3 3 3
本例是一个典型题.大家应熟练掌握分析与计算 的方法。特别是会根据不同形状的概率密度非零区域 与所求概率的事件区域G来处理这类问题。 就P.73:例3来共同考虑如何分段?应分几段?怎 样计算各段值?(板书)
概率论与数理统计3-3节随机变量的独立性,条件分布
解 (1) 因为
可得
p( x, y) d x d y 1,
p( x, y) d x d y
0 0 Cy(1 x ) d y d x
1
x
x2 C C (1 x ) d x 1 C 24. 0 2 24 24y(1 x), 0 x 1,0 y x. 故 p( x, y) 其它. 0, 当 0 x 1 时,
P( X xi ,Y y j ) P( X xi ) P(Y y j )
则称X和Y相互独立.
例1 已知 ( X ,Y ) 的分布律为
( X ,Y ) (1,1) (1,2 ) (1,3 ) ( 2,1) ( 2, 2 ) ( 2, 3 )
pij
1 6
1 9
1 18
1 3
(1) 求与 应满足的条件 ; (2) 若 X 与 Y 相互独立, 求 与 的值.
x ， y
试判断X 与Y 是否相互独立？
解： X 的边缘分布函数为
FX x lim F x， y
y
1 x y lim 2 arctan arctan y 5 2 10 2
1 x arctan 2 5
x ，
Y 的边缘分布函数为
FY y lim F x， y
x
1 x y lim 2 arctan arctan x 5 2 10 2
用分布函数表示,即
设 X,Y是两个r.v，若对任意的x,y,有
F ( x, y) FX ( x)FY ( y)
《概率论与数理统计》第三章
§1 二维随机变量
定义：设E是一个随机试验，样本空间S={e}； 设X=X(e)和Y=Y(e)是定义
y
X e,Y e
在S上的随机变量，由它们构成的
向量(X,Y)叫做二维随机向量 或二维随机变量。
e S
x
定义：设(X,Y)是二维随机变量对于任意实数x,y，
二元函数
ቤተ መጻሕፍቲ ባይዱ
y
F(x, y) P(X x) (Y y)
1 4
1 i
,
ji
0, j i
(X,Y)的联合分布律为:
YX
1
1
1/4
23 4 1/8 1/12 1/16
2
0 1/8 1/12 1/16
3
0
0 1/12 1/16
4
0
0 0 1/16
例3:设有10件产品，其中7件正品，3件次品。现从中
任取一件产品，取后不放回，令
1 X 0
第一次取到的产品是次品 1
z f (x, y)为顶面的柱体体积。
所以 X,Y 落在面积为零的区域的概率为零。
例3：设二维随机变量(X,Y)具有概率密度：
2e(2x y) , x 0，y 0
y f (x, y) 0,
其他
1 求分布函数F(x, y)；2求P{X 2，Y 3}；
3求P(Y X )的概率
解： (1)当x>0,y>0时
f (x, y)xy
————————
概率微分
(4) f ( x, y)的作用 : 求二维随机变量（X,Y)取值
落在区域G内的事件的概率
P((X ,Y ) G) f ( x, y)dxdy
G
G
注：1在几何上，z f (x, y)表示空间一个曲面，
《概率论》第3章§3.1-随机变量及分布函数分解
§3.1 随机变量及分布函数 40/9
指数分布 泊松分布
E
第三章 连续型随机变量
§3.1 随机变量及分布函数 41/9
排队论是研究排队系统（又称随机服务系统）的 数学理论和方法，是运筹学的一个重要分支。
通过对服务对象到来及服务时间的统计研究，得 出这些数量指标（等待时间、排队长度、忙期长短 等）的统计规律。
x
x
③ F(x)是ⅹ的不减函数；
④ F(x)至多有可列个间断点，而在其间 断点上是右连续的。
第三章 连续型随机变量
§3.1 随机变量及分布函数 29/9
1 离散型随机变量的分布函数的图形是阶梯曲线． 2 它在ξ的一切有概率的点都有一个跳跃（这个
点为间断点，右连续）
3 其跃度为ξ取值的概率． 4 在分布函数的任何一个连续点上，取值的概 率都是零．
ξ可以取[4,10]上的一切实数，“4≤ξ≤10”是一个必 然事件，P(4≤ξ≤10)=1.
若[c,d] [4,10],有P(c≤ξ≤d)=λ(d-c),
λ为比例常数.
取c=4,d=10,P(4≤ ξ≤10)=λ(10-4)=6λ,
而已知P(4≤ξ≤10)=1,因此λ=1/6.
第三章 连续型随机变量
§3.1 随机变量及分布函数 22/9
0 , x 1,
F ( x)
0.3, 0.5,
1 x 2, 2 x 3,
1, x 3
P(1 2.5) P(1 2.5)
F(2.5) F(1) P( 1) 0.5 0.3 (F(1) F(1 0))
0.5 0.3 (0.3 0) 0.5
解 ξ可取值0，1，2
∴
P(＝k)＝
ξ的分布列为：
C2k
《概率论与数理统计》三
y (x,y)
y y2
y1
O
x
O x1
x2
x
P{x1 X x2, y1 Y y2} F(x2, y2 ) F(x1, y2 ) F(x2, y1) F(x1, y1)
➢ 分布函数F(x,y)的性质
设(X,Y)的所有可能取值:(xi, yj), i,j=1,2…,
P{X xi ,Y y j } ˆ pij ,( i, j 1,2,)
性
1 0 pij 1,
质
2
pij 1.
j1 i1
分
布
函 F ( x, y) pij
数
xi x yjy
Y X
x1 x2 xi
y1
p1 1 p21
记为
(X
,Y)
~
N (1,
2
,
2 1
,
22,
)
四、多维随机变量
(1)设E是一随机试验， 是其样本空间，X1,X2,...Xn 是定义在上的n个随机变量，则称n维向量(X1,X2,...Xn ) 为定义在 上的n维随机向量或n维随机变量．
(2)对n个任意实数，令
F(x1, x2 ,, xn ) P{X1 x1, X2 x2 ,Xn xn}
标 (X,Y)表示, 也就是 中每一元素都可用一对数来
表示, 把X, Y看成变量, X 与Y 都是随机变量, (X,Y) 共同刻化试验的结果, 这就是二维随机变量.
例2 考察某地一天的天气情况, 即同时考虑最高气温、 最低气温、气压、风力、降雨量，这就需要5个变量 来表示可能的试验结果，这就是五维随机变量.
第3章(2)概率论与数理统计
,
2
,
2 1
,。求22二, 维正) 态
解：
f X (x)
f (x, y，)d因y
(y
2)2
2 2
2
(x
1)(y 2 ) 1 2
y 2 2
x 1 1
2
2
(x 1)2
2 1
因此
f X (x)
2
1 1 2 1
e
(
x1 212
)2
2
e dy
1 2(1
2
)
y2 2
x1 1
2
X Y
y1 y2
yj
x1 x2 xi
p11 p21
pi1
p12 p22
pi 2
p1 j p2 j
pij
例1 设随机变量X在1，2，3，4四个整数中等可能地 取一个值，另一个随机变量Y在1~X中等可能地 取一整数值。试求(X,Y)的分布律。
解：由题意可知，(X,Y)所有可能取值为(i,j), i,j=1,2,3,4。
由乘法公式，对
i 1,2,3,4, j i
P{X i,Y j} P{Y j | X i}P{X i} 1 1 i4
于是(X,Y)的 分布律为
X
1
Y
1
2
3
4
2
3
4
1/4 1/8 1/12 1/16
0 1/8 1/12 1/16
0
0 1/12 1/16
0
0
0 1/16
▲ 离散型随机变量的联合分布函数为
q 1 p ，得到X和Y的联合分布律为
P{X m,Y n} p2qn2，n 2,3, , m 1,2, , n 1
二维随机变量及条件分布
21
例4.设(X,Y)服从如图区域D 上的均匀分布，
(1)求(X,Y)的概率密度； (2)求P{Y<2X} ； (3)求F(0.5,0.5)
解:
SD 1
22
H
23
存在，则称此极限为在条件下X的条件分布函数. 记作
可证当
时
47
若记 fX|Y(x|y) 为在Y=y条件下X的条件概率密度，则
当
时
类似定义，当
时
48
Байду номын сангаас同学们思考 答
49
例3
解
50
又知边缘概率密度为
51
例4 解
52
53
多维随机变量
离散型
连续型
边缘分布 条件分布
边缘分布 条件分布
54
作业
p.84 2，9，11
8
(3)右连续 对任意xR, yR,
(4)矩形不等式 对于任意(x1, y1), (x2, y2)R2, (x1< x2， y1<y2 ), F(x2, y2)－F(x1, y2)－ F (x2, y1)＋F (x1, y1)0.
反之，任一满足上述四个性质的二元函数F(x,y)都 可以作为某个二维随机变量(X,Y)的分布函数。
(X, Y)～ P{X＝xi, Y＝ yj,}＝ pij ，(i, j＝1, 2, … )，
11
二维离散型随机变量的分布律也可列表表示如下:
Y X
y1 y2 … yj …
x1 p11 p12 ... p1j ... x2 p21 p22 ... p2j ...
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
条件分布
( P( B) 0)
1/13
P( AB) P( A | B) P( B)
设 ( X , Y )为二维 r.v , y R 1 考虑条件概率
P{ X x | Y y} ( x R 1)
能否由条件概率定义计算
P{ X x, Y y} P{ X x | Y y} P{Y y}
7/13
设 ( X , Y )的概率密度为 f ( x, y), 若对于固定的 y, ( X , Y ) 关于 Y 的边缘密度 f Y ( y) 0,则称
f ( x, y ) f X |Y ( x | y ) ( x ) fY ( y ) 为在 Y y 的条件下, X 的条件密度. 称
§3
条件分布
5/13
设 ( X , Y ) 的概率密度为
f ( x, y ) 考虑在 {Y y}已发生的条件下 ,{ X x} 发生的条件概率 P{ X x | Y y} ( x R1 )
若按条件概率公式，则有
P{ X x, Y y} P{ X y x | Y y} ,{ Y 当 (X P Y)限制在直线 Xy,} ( Y )在区域 D上 上时可视为一维 r.v 具有密度 f ( x, y )
p13 P{ X 1| Y 3} p. 0 0 3 7 / 48 p23 P{ X 2 | Y 3} p. 0 0 3 7 / 48 p33 1 / 12 4 , X 即在 Y 3 的条件下 的条件分布律为 P{ X 3 | Y 3} p. 3 7 / 48 4 7 Xk 1 p43 2 3 1 / 16 / 73 P{ X 4| | 3} P{ X k YY 3} 0 p.0 4 / 7 3 第三章 多维随机变量及其分布 3 7 / 48 7
第三章 多维随机变量及其分布
§3 设 ( X , Y ) 的分布律为
条件分布
2/13
P{ X xi , Y yj } pij
(i, j 1, 2, )
j , 若 P{Y,{ y j }已发生的条件下 Xy j 对于固定的 }x i}p 考虑在 {Y 发生的条件概率 .j 0, 则称
y D
O
P{Y y} 0
x
第三章 多维随机变量及其分布
§3
条件分布
6/13
如何定义条件分布 P{X x | Y y} 0, 考虑条件概率
P{ X x, y Y y } P{X x | y Y y } 源自{ y Y y }§3
条件分布
4/13
P{ X xi | Y yj } 0 (i 1, 2, ) p ij P { X x | Y y } pj i j i 1 i 1 1 p pij j i 1 1 p j 1 p j
第三章 多维随机变量及其分布
( y )
FY | X ( y | x) fY | X (v | x)dv ( y )
x
第三章 多维随机变量及其分布
§3
f X |Y ( x | y) 0
条件分布
8/13
f X |Y (u | y)du
f (u, y ) du fY ( y )
pj P{Y pijyj } P{Y y j | X xi} ( j 1, 2, ) pi 同理在 { X x i}已发生的条件下,{Y y j}发生的条件概率 为在 X xi 的条件下 , r.v Y 的 条件分布律 P{Y y j , X x i} pij ( j 1, 2, ) P{Y y j | X xi } pi P{ X xi }
称为条件分布
应用积分中值定理
y
x
x
y y
f (u, v)dvdu fY ( y )dy
y
f (u, y )du fY ( y )
x
f (u, y ) du ( 0) fY ( y )
称为条件密度
第三章 多维随机变量及其分布
§3
条件分布
FX |Y ( x | y) f X |Y (条件密度与条件概率 u | y)du ( x ) P( AB) 为在 Y y 的条件下, X 的条件分布(函数 P( A ). | B) P( B)
x
在形式上很相似！
f ( x, y ) fY | X ( y | x ) f X ( x)
由条件概率公式，有 为在 Y y j 的条件下 , r.v X 的 条件分布律 pij P {X } xi , Yp yj } i , 则称 对于固定的 若 P { X x 0, i i. (i 1, 2, ) P{ X xi | Y y j }
pij P{ Xxi xi | Yy y } (i ( 1,1, 2,2, )) P{ X |Y i j } j pj
1 1/ 4 0 0 0 1/ 4
2 1/ 8 1/ 8 0 0 1/ 4
3 1 / 12 1 / 12 1 / 12 0 1/ 4
4 1 / 16 1 / 16 1 / 16 1 / 16 1/ 4
p. j 25 / 48 13 / 48 7 / 48 3 / 48
故在 Y 3 的条件下 , X 取到四个数字的概率是
第三章 多维随机变量及其分布
条件分布 设 r.v X 从 1, 2,3, 4四个数中等可能取值,又设 r.v Y 从 1 ~ X中等可能取值.问当第二次取到数字 3 时第一次取 四个数字的可能性各是多少？ 由§2例 , ( X , Y ) 的分布律及边缘分布律为
3/13
§3
Y
X
1 2 3 4 pi.