概率论简明教程5-5条件分布

合集下载

概率论(仅供参考)

概率论(仅供参考)

前言由于汤老师不给力,下面由刘老师来为你们划重点 内部使用,仅供参考,不承当任何后果。

参考: 课本 课件第一章该章概型和公式比较多,每个都配上了一个例题便于理解第一节重点:德·摩根律公式交换律:A ∪B=B ∪A ,AB=BA 结合律(A ∪B)∪C=A ∪(B ∪C )(A∩B)∩C=A∩(B∩C )分配律:A∩(B ∪C) = (A∩B)∪( A∩C )A ∪(B∩C) = (A ∪B)∩(A ∪C ) 德·摩根律A B AB A B A B ==第二节频率性质1. 样本任意一事件概率不小于0(非负性)2. 样本事件概率和为1(规范性)3. 如果AB 互斥 ()()()n n n f A B f A f B =+4. 如果AB 不排斥 ()()()()n n n n f A B f A f B f A B =+-⋂5. ()1().P A P A =-第三节 古典概型性质1. 样本空间中样本点有限,既事件有限2. 样本点概率等可能发生3. ()==k A P A n 中所含的基本事件数基本事件总数例题排列组合问题(要是考应该不会太难)几何概型求法:1.求出状态方程2.根据定义域画图3.求概率=阴影面积/总面积第四节条件概型公式:()()()() (|).()()()()AB AB P AB P A BB B P BμμμΩμμμΩ===条件概率满足概率的一切性质既非法性,规范性,可加性例题11()()()()n ni i i i i P B P BA P A P B A ====∑∑例题 书 p251()(|)(|)()(|)i i i ni ii P A P B A P A B P A P B A ==∑第五节独立性如果AB事件独立P AB P A P B()()()若多事件相互独立,理论仍然成立贝努利概型既服从二项分布模型抽取n次的组合次数第二章重点章节,几大分布都是后几章的基础第二节 离散型随机变量及其分布律1. 两点分布、0﹣1分布既随机变量 X 只可能取0或1两个值,事件执行一次只有两种情况,例如抛硬币 记为 X~b (1,p ) p 表示事件的概率,样本点个数为1, 并且1-p 表示相反事件概率 2. 二项分布(应用于上章的贝努利概型)与0-1分布类似,事件执行n 次,记为 X~b (n ,p ) p 表示事件的概率 样本点个数为n 3. 泊松分布{}e ,0,1,2,,!kP X k k k λλ-===⋅⋅⋅记为 X~π(λ),如果出题,应该会标明是泊松分布,或者给出明确的λ二项分布X~b (n ,p )当n 充分大,p 充分小时,对于任意固定的非负整数k ,与泊松分布概率近视相等,并且λ=nb (数学期望相等) 4. 几何分布既抽取问题中可放回情况,该分布具有无记忆性-1{}(1),1,2,k P X k p p k ==-=5. 超几何分布既抽取问题不放回情况12{},0,1,2,k n k N N nNC C P X k k C-===第三节 随机变量及其分布随机变量分布(感觉这个知识点必考,虽然不知道会是什么题) 求事件概率公式,p511. 已知分布函数求分布律,并求事件概率(习题2第一题)根据公式000{}(0)(0)P X x F x F x ==+--求出各个点的概率,并画出分布表,求事件概率可以不会套公式,可以直接看表。

条件分布律

条件分布律

条件分布律条件分布律是概率论中的一条重要定律,它定义了两个事件之间联系的概率在另一个事件给出条件后,有何变化。

这表明,当一个事件指定给出另一个事件时,概率也会随之变化。

条件分布律的应用非常广泛,它可以帮助我们研究特定条件下的不同概率。

条件分布律又称作Bayes定理,它是概率论中一项重要的定理,用来计算后验概率。

也就是说,在某个条件下,一个事件的发生的概率的计算,往往需要依赖其他信息。

该定理包括一个叫做“条件概率”的概念,也就是说,一个事件发生的概率可以从已知信息中独立出来,或者从已知概率中计算出来。

条件分布律的应用主要在以下几种情形中:1)用来计算一系列给定参数的概率;2)用来计算已知条件下不同概率的值;3)用来计算一定条件下的后验概率,也就是根据证据推断结果的概率;4)用来提高判断的准确性。

条件分布律也被称为“贝叶斯定理”或“贝叶斯公式”,它是概率论中的一种定理,它允许我们以某个事件发生的概率为前提,来推断另一个事件发生的概率。

其数学公式为:P(A|B)=P(A)P(B|A)/P(B)。

在条件分布律中,P(A|B)表示给定B发生的条件下,A发生的概率,P(A)表示事件A发生的概率,P(B|A)表示A发生的条件下,B发生的概率,P(B)表示事件B发生的概率。

条件分布律的应用广泛,在医学领域尤其如此。

例如,在研究肿瘤时,将条件分布律应用于可以给出确切结果的检测标准,使得现有的数据能够更客观准确地表达出来,从而使医务人员更好地判断患者的病情和预后。

另外,条件分布律还可以帮助进行疾病预测和疾病分类,提高疾病靶向治疗的效果。

此外,条件分布律在机器学习领域也得到了广泛应用。

例如,在文本分类中,条件分布律可以用于计算文本中某个词出现的概率,从而实现对文本的准确分类。

同样,还可以用条件分布律来应用在语义分析和文本推理中,以及机器学习中的分类性算法等。

综上所述,条件分布律是概率论中重要的定理,它可以帮助我们计算出不同条件下各种事件发生的概率,从而为我们提供了实际的应用价值。

条件分布律

条件分布律

条件分布律
条件分布律是数理统计学中一种重要概念,它主要用来描述概率变量在满足一定条件下的分布特征。

这种条件可以指定概率变量在一定范围内,也可以指定概率变量的特定值,也可以指定其他的一些可能的情况。

这种概念可以帮助我们深入分析和理解复杂的概率变量的分布及其变化规律。

条件分布律是由条件概率(conditional probability)推出的,而条件概率在数学上可以用条件概率公式来描述,即:P(A|B)=P (A∩B)/P(B),其中A和B都是事件,P(A|B)表示B发生的条件下A发生的概率,P(A∩B)表示A与B同时发生的概率,P(B)表示B发生的概率。

条件分布律还可以用条件分布函数来描述,其中包括三种情况:一是全概率公式,二是贝叶斯公式,三是期望值公式。

首先,全概率公式指明在给定条件下,指定概率函数的概率分布,即P(X)=∑P (X|C)P(C);其次,贝叶斯公式可以描述在给定已知的观测数据下判断可能性大小,即P(C|X)=P(X|C)P(C)/P(X);最后,期望值公式可以表示在给定条件下概率变量的期望值,即E[X]=∑XP(X|C)P(C)。

条件分布律及其与条件概率、条件分布函数之间的关系为我们提供了一种有效的统计方法,可以用来分析不同的概率变量的分布特征及其变化规律。

在实际应用中,可以用它来推断某一特定的小样本的结果,研究不同的观测数据的关系,从而使统计研究具有客观性。

最后,条件分布律也可以用于解决实际问题,可以用来分析特定情况下不同组分的分布特征,以便更好地理解和改善现状,并对未来进行预测。

归根结底,利用条件分布律可以更深入地调查和研究概率起伏变化情况,从而更好地应用统计学原理来解决各种实际问题。

概率论第五章:正态分布

概率论第五章:正态分布

例1 设随机变量 X ~ N (1, 22 ) , 求 P{1.6 X 2.4}
解 P{1.6 X 2.4} P{1.6 1 X 1 2.4 1}
P{2.6 X 1 1.4} P{2.6 / 2 (X 1) / 2 1.4 / 2}
P{1.3 (X 1) / 2 0.7} (0.7) (1.3)
解 由P{X C} P{X C}, 即 1 P{X C} P{X C}
所以 P{X C} 0.5
另一方面, P{X C} P{ X 3 C 3} (C 3) 0.5
C3 0 ,
2 C 3.
2
2
2
例 4(2004年) 设 X ~ N(0,1),对于给定的 (0,1),数 满足 P{X } . 若P{ X x} ,则x等于
二. 标准正态分布N(0, 1)
X ~ f (x)
1
x2
e 2,
x
2
E( X ) xf (x)dx
x
e
x2 2
dx
0(奇函数)
2
D( X ) E{[ X E( X )]2} [x E( X )]2 f (x)dx
x2
1
x2
e 2 dx 1
2
例1 已知随机变量X的密度函数为
X ~ f (x)
1
(x)2
e 2 2 , x
2
E( X ) xf (x)dx
x
(x)2
e 2 2 dx
2
t x
t
2
e
t2 2
dt
D( X ) (x )2 f (x)dx 2
(二)标准正态分布N(0, 1)
X ~ f (x)
1

第9讲条件分布

第9讲条件分布

f X ( x)


f ( x, y)dy
2
1 21 2 x y d y , | x | 1 , x 4 0, 其他 .
21 2 4 8 x (1 x ), | x | 1, 0, 其他 .
当 x(-1,1)时,fX(x)>0,
定义2:设X和Y是随机变量,给定 y, 若对 任意固定正数ε,P( y-ε<Y ≤ y+ε) > 0,且对任意 实数 x,极限 P{ X x, y Y y } lim 0 P{ y Y y }
存在,则称此极限为在条件 Y=y下X的条件分 布函数,记成 FX|Y(x|y)。若存在 fX|Y(x|y), 使得
2y 2 f ( x, y ) 1 x 4 , x y 1, fY | X ( y | x ) f X ( x) 0, 其他 .
2y 2 1 x 4 , x y 1, 1 将 x 代入 fY | X ( y | x) 2 0, 其他,
3.5.2 离散型随机变量的条件分布 定义1: 设 (X, Y) 是二维离散型随机向量, 对固定的 j,若 P(Y=yj) > 0,则称
P(X=xi |Y=yj)=
P ( X xi , Y y j ) P (Y y j )

pi j p j
,i=1,2, …
为在Y=yj 条件下, 随机变量X的条件概率分布。
对固定的 i,若P(X=xi) > 0,则称
P(Y=Yj |X=xi)=
P ( X xi , Y y j ) P ( X xi ) pi j pi
,j=1,2, …

概率论-5分布函数、连续型

概率论-5分布函数、连续型
x →0
dF ( x ) (2) 若x是f(x)的连续点 则 的连续点, 是 的连续点 = f ( x) dx
因为: 因为
(4) P ( a ≤ X ≤ b ) = P ( a < X ≤ b ) = P (a ≤ X < b)
= P ( a < X < b ) = F (b) F (a ) = ∫ f ( x )dx
并不反映X取 值的概率.但这个值 ★密度函数值f(a)并不反映 取a值的概率 但这个值 越大,X取 附近值的概率就越大.也可以说 也可以说,在某点密 越大 取a附近值的概率就越大 也可以说 在某点密 度曲线的高度,反映了概率集中在该点附近的程度. 度曲线的高度,反映了概率集中在该点附近的程度. 1 证明 f ( x ) = 1 / 2e 证
a
b p{a < X ≤ b} = ?
请看下节! 请看下节!
总结
一,定义 二,举例
若离散型随机变量X的分布律为
P ( X = x k ) = p k , k = 1, 2 ,
则其分布函数为
F ( x ) = P{ X ≤ x } =
xi ≤ x
∑p
i
作业: 作业:P33
10,11,12. , ,
P( X = C ) = 1
则称这个分布为单点分布或退化分布, 则称这个分布为单点分布或退化分布,它的 分布函数为 0 x < c F ( x) = 1 x ≥ c
向平面上半径为1的圆 内任意投掷一个质点, 的圆D内任意投掷一个质点 例2 向平面上半径为 的圆 内任意投掷一个质点 表示该质点到圆心的距离. 以X表示该质点到圆心的距离 设这个质点落在 中 表示该质点到圆心的距离 设这个质点落在D中 任意小区域内的概率与这个小区域的面积成正比, 任意小区域内的概率与这个小区域的面积成正比 试求X的分布函数 的分布函数. 试求 的分布函数 解 当 x<0时, {X ≤ x} = φ 时 当0≤x≤1, 可得

条件分布资料

条件分布资料

条件分布条件分布是概率论中一个重要的概念,它描述了在给定某种条件下随机变量的分布情况。

在实际问题中,条件分布的概念具有广泛的应用,能够帮助我们更好地理解和描述数据的特征及规律。

1. 条件概率在介绍条件分布之前,我们先来了解一下条件概率的概念。

条件概率是指在已知某个事件发生的情况下,另一个事件发生的概率。

假设事件A和事件B是两个事件,P(A)表示A事件发生的概率,P(B)表示B事件发生的概率,同时假设P(B)不等于0,则在事件B发生的条件下,事件A发生的概率记为P(A|B),可以用以下公式表示: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。

2. 条件分布的定义在概率论中,条件分布指的是一个随机变量在给定另一个随机变量的取值的条件下的分布情况。

假设X和Y是两个随机变量,条件分布P(X|Y)描述了在已知Y 的取值的情况下,X的可能取值及其对应的概率分布。

条件分布可以更加准确地描述变量之间的关系,有助于我们对问题的分析和建模。

3. 条件分布的性质条件分布具有以下几个性质:3.1 条件期望条件期望是指在给定另一个随机变量的取值的条件下,随机变量的期望值。

对于随机变量X和Y,条件期望E(X|Y=y)定义为:E(X|Y=y) = Σ x * P(X=x|Y=y)3.2 条件方差条件方差是指在给定另一个随机变量的取值的条件下,随机变量的方差。

条件方差Var(X|Y=y)定义为:Var(X|Y=y) = E((X - E(X|Y=y))^2|Y=y)3.3 条件独立性如果X和Y在给定Z的条件下是独立的,即P(X,Y|Z) = P(X|Z)P(Y|Z),则称X和Y在给定Z的条件下是条件独立的。

条件独立性是条件分布中一个重要的性质,能够简化问题的处理和计算。

4. 应用举例条件分布在实际问题中具有广泛的应用。

例如,在金融领域,可以利用条件分布来建立风险模型,预测不同市场条件下的资产价格走势;在医学领域,可以利用条件分布来分析不同疾病的发病率和相关因素之间的关系,帮助医生进行诊断和治疗。

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

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。

概率论课件第五章

概率论课件第五章

概率论课件第五章
第五章概率论课件介绍了变量的概率分布及概率密度函数,主要内容包括:
1、定义及性质:概率是一个特殊的估计值,具有一定的可靠性,可以用来估计未知变量的取值情况;所有变量的和为1;满足有理数的可列出的集合叫做“离散概率分布”;概率分布函数可以在连续变量上取值,即概率密度函数。

2、正态分布:正态分布是一个双峰概率分布,其特点是峰位在均值处,两侧对称;正态分布机理是:回归到平均线时,样本将会从不同的方向回归到平均线,产生出双峰正态分布的图形;正态分布的方差表示该变量的分布情况。

3、指数分布:指数分布是以服从指数分布的概率变量中,其值得到变化的速率和取值大小成反比。

指数分布的特点是,离越远方差越大,它具有均匀分布的特征,可以根据实际需要进行调整。

4、伯努利分布:伯努利分布是一种只有两个可能取值的离散概率分布,即某个事件只有“成功”和“不成功”两种可能结果,故称为“0-1分布”。

在实际应用中,伯努利分布常用于模拟成功与失败的情况。

5、多项式分布:多项式概率分布是指在抛掷n次骰子的试验中,分别出现r次某种结果的概率,多项式分布的概率可以用于模拟多次独立试验,其最大特点就是可精确模拟不同试验情况,包括成功次数和失败次数。

概率论与数理统计 第五章

概率论与数理统计 第五章

贝努里定理. 它的叙述如下:设是n次重复独立 对于任意给定的ε>0,有
lim P{| nA p | } 1
n
n
lim P{| nA p | } 1
n
n
其中nA/n是频率,p是概率,即次数多
时事件发生的频率收敛于概率.表示频率的稳定性.
定理3
lim P{|
n
1 n
n i 1
Xi
| } 1
数理统计的方法属于归纳法,由大量的资料作依据,而不
是从根据某种事实进行假设,按一定的逻辑推理得到的.例
如统计学家通过大量观察资料得出吸烟和肺癌有关,吸烟
者得肺癌的人比不吸烟的多好几倍.因此得到这个结论.
数理统计的应用范围很广泛.在政府部门要求有关的资
料给政府制定政策提供参考.由局部推断整体,学生的假期
第五章 大 数 定 律 与 中 心 极 限 定 律
§ 5.1大 数 定 律
定理1(切比雪夫定理) 设X1,X2,...,Xn,...是相互独立的随机变
量序列若存在常数C,使得D(Xi)≤C. (i=1,2,...n),则对任意给
定的ε>0,有
lim P{|
n
1 n
n i 1
[Xi
E( X i )] |
7200 6800 2
200 1
D 2
1
2100 2002
0.95
可见虽有10000盏灯,只要电力供应7200盏灯即有相当大的保 证率切贝谢夫不等式对这类问题的计算有较大价值,但它的精度 不高.为此我们研究下面的内容.
2021/9/5
10
§ 5.2 中 心 极 限 定 理
在随机变量的一切可能性的分布律中,正态分布占有特殊的

概率论与数理统计第五节条件概率5(最新版)

概率论与数理统计第五节条件概率5(最新版)

05 条件概率在回归分析中作 用
回归模型建立过程中条件概率思想体现
确定自变量和因变量
在回归分析中,首先需要确定自变量和因变量,这一过程 需要考虑条件概率的思想,即因变量在自变量的条件下发 生变化。
建立回归方程
根据自变量和因变量的关系,可以建立回归方程,该方程 描述了自变量对因变量的影响,即因变量在自变量的条件 下的期望值。
02 条件概率在实际问题中应 用
抽奖问题中条件概率计算
01
02
03
设定事件与条件
明确参与抽奖的人数、奖 项设置以及每个奖项的中 奖概率,将中奖作为条件 事件。
计算条件概率
根据条件概率公式,计算 在已知有人中奖的条件下, 某个人中奖的概率。
比较不同方案
通过比较不同抽奖方案下 的条件概率,选择最公平、 合理的方案。
首先根据题意列出联合概率密度函数 ;然后计算边缘概率密度函数;接着 根据条件概率密度函数的公式求解; 最后根据条件概率密度函数进行相关 的概率计算。
应用场景
连续型随机变量条件密度函数在实际 问题中也有着广泛的应用,如天气预 报、金融风险评估等。
多维随机变量边缘分布和条件分布关系
边缘分布
条件分布
关系
P(AB)=P(A)P(B)。
02 03
全概率公式
如果事件B1、B2、B3…Bn 是一个完备事件组,即它们两两互不相容, 其和为全集;并且P(Bi)大于0,则对任一事件A有P(A)=P(A|B1)P(B1) + P(A|B2)P(B2) + ... + P(A|Bn)P(Bn)。
贝叶斯公式
在全概率公式的基础上,当已知事件A发生时,求某个Bi发生的概率, 即P(Bi|A)=P(ABi)/P(A)=P(A|Bi)P(Bi)/∑[P(A|Bj)P(Bj)],其中j=1,2,...,n。

概率论:条件分布

概率论:条件分布
第三节
条件分布
一、离散型随机变量的条件分布 二、连续型随机变量的条件分布 三、小结
在第一章中,我们介绍了条件概率的概念 . 在事件B发生的条件下事件A发生的条件概率
P ( AB) P ( A | B) P ( B)
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. 这个分布就是条件分布.

y

f ( x , v )dv f X ( x)

y

f ( x, v ) dv f X ( x)
对y求导,得到在条件X=x下Y的条件概率密度
f ( x, y) fY X ( y x ) f X ( x)
类似地,在条件Y=y下,X的条件分布函数及条件概 率密度为源自FX Y ( x y )

x 0
lim [ F ( x x , y ) F ( x , y )] / x
x 0
lim [ FX ( x x ) FX ( x )] / x
FY X ( y x ) P{Y y X x}
F ( x , y ) dFX ( x ) x dx
三、小结
1. 设 ( X ,Y ) 是二维离散型随机变量 , pij ( i , j 1, 2,) 为其联合分布律, 在给定Y y j 条件下随机变量 X 的条件分布律为 P { X xi ,Y y j } pij P { X xi Y y j } , P {Y y j } p j
1 πr 2 , x 2 y 2 r 2 , f ( x, y) 其它, 0,
f X ( x)


f ( x, y )dy

(完整版)条件分布

(完整版)条件分布

§3 条件分布我们由条件概率很自然地引出条件概率分布的概念. 设(X ,Y)是二维离散型随机变量,其分布律为,...,2,1,,}Y ,{X i ====j i p y x P ij j(X ,Y)关于X 和关于y 的边缘分布律分别为,...,2,1,.}{X 1====∑∞=i p p x P j ij i i,...,2,1,.}{Y 1====∑∞=j p p y P i ij j j设j p .>0,我们来考虑在事件{Y=j y }已发生的条件下事件{ X=i x ,)发生的概率,也就是来求事件,...2,1},{===i y Y x X j i , 的概率,由条件概率公式,可得 ,....2,1,.}{},{}{========i p p y Y P y Y x X P y Y x X P jij j j i j i易知上述条件概率具有分布律的性质: 1、;0}{≥==j i y Y x X P2、.1..1.}{..111======∑∑∑ℵ=∞=∞=jj i ij j iji jit p p p j p p p y Y x X P 于是我们引入以下的定义.定义 设(X .Y)是二维离散型随机变量,对于固定的j ,若P{Y=y,}>0, 则称,....2,1,.}{},{}{========i p p y Y P y Y x X P y Y x X P jij j j i j i (3.1)·为在Y=y ,条件下随机变量X 的条件分布律. 同样,对于固定的i .若P{X= i x }>0.则称 ,....2,1,}{},{}{.========j p p x X P y Y x X P x X y Y P i ij i j i i j (3.2)为在X =x ,条件下随机变量Y 的条件分布律.例l 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 表示由机器人焯接的小良焊点的数目,据积累的资料知(X ,Y)具有分布律:(1)求在X=1的条件下.Y 的条件分布律;(2)求在y=0的条件下,X 的条件分布律. 解 边缘分布律已经求出列在上表中.在X=1的条件下,Y 的条件分布律为,045.0030.0}1{}0,1{}10{=======X P Y X P X Y P,045.0010.0}1{}1,1{}11{=======X P Y X P X Y P,045.0005.0}1{}2,1{}12{=======X P Y X P X Y P或写成同样可得在例2 一射手进行射击,击中目标的概率为p(O<p<1),射击直至击中目标两次为止.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.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n-l 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p .p.43421Λ个2-⋅⋅⋅n q q q =2p 2-n q(这里q=1-p ).即得X 和y 的联合分布律为P{X=m,Y=n)}= 2p 2-n q,n=2,3,…;m=1,2,...,n-l.又 P{x=m}=∑∞+=1m n p {X=m ,y=n )=212-∞+=∑n m n q p=2p21-∞+=∑n m n q=,...,2,1,1112==---m pq qq p m m P{Y=n}=∑-=11n m P {X=m ,y=n}=2112--=∑n n m q p =(n-1) 2p 2-n q ,n=2,3,.... 于是由(3.1),(3.2)式得到所求的条件分布律为当n-2,3,…时,P{X=m,Y=n}=2222)1(p ---n n q p n q =;1,...2,1,11-=-n m n当m=1,2,…时,P{Y=n ︱X=m}=122p --m n qp q =p 1--m n q ,n=m+1,m+2,… 例如.P{X=m ︱Y=3}=,21, m=1,2; P{Y=n ︱X=3}=,4-n pq, n=4,5,..现设(X ,Y)是二维连续型随机变量,这时由于对任意x ,y 有P{X=x}=0,P{Y=y}=0,因此就不能直接用条件概率公式引入¨条件分布函数”了.设(X .Y)的概率密度为f (x ,y),(X .Y)关于Y 的边缘概率密度为fy(y).给定y ,对于任意固定的ε>0,对于任意x ,考虑条件概率P{X ≤x ︱y<Y ≤y+ε}, 设P{y<X ≤y+ε}>0,则有P{X ≤x ︱y<Y ≤y+ε}=}{},{εε+≤<+≤<≤y Y y P y Y y x X P=.)(),(dyy f dx dy y x f ey yY xe y y ⎰⎰⎰+∞-+⎥⎦⎤⎢⎣⎡在某些条件下,当ε很小时,上式右端分子、分母分别近似于ε和dx y x f ⎰∞x-).(ε),(y f Y ,于是当ε很小时,有P{X ≤x ︱y<Y ≤y+ε)≈)(),(y f dxy x f Y xεε⎰∞-=.)(),(dx y f y x f xY ⎰∞- (3.3) 与一维随机变量概率密度的定义式第二章(4.1)式比较.我们给出以下的定义.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, ).(y f Y >0,则称)(),(y f y x f Y 为在Y=y 的条件下X 的条件概率密度,记为①.)(),()(y f y x f y x f Y Y X =(3.4) ———————————————————① 条件概率密度满足条件: .)(),()(y f y x f y x f Y Y X =≥0; dx y x f Y X )(-⎰∞∞=.)(),(dx y f y x f xY ⎰∞-=1),()(1=⎰∞∞-dx y x f y f Y 称dx y x f Y X )(-⎰∞∞=.)(),(dx y f y x f xY ⎰∞-为在Y=y 的条件下X 的条件分布函数,记为P {X ≤x ︱Y=y}或)(y x F YX ,即 )(y x F YX = P {X ≤x ︱Y=y}=.)(),(dx y f y x f xY ⎰∞- (3.5) 类似地,可以定义 =)(x y F X Y )(),(x f y x f x 和=)(x y F XY dy x f y x f xX ⎰∞-)(),(. 由(3.3)知道,当ε很小时,有 P{X ≤x ︱y<Y ≤y+ε}≈dx y x f xY X )(-⎰∞=)(y x F YX , 上式说明了条件密度和条件分布函数的含义.例3 设G 是平面上的有界区域,其面积为A .若二维随机变量(X ,Y)具有概率密度⎪⎪⎩⎪⎪⎨⎧∈=其他,,0),,(,1),(G y x A y x f则称(X ,Y)在G 上服从均匀分布,现设二维随机变量(X ,Y)在圆域22y x +≤1上服从均匀分布,求条件概率密度)(y x f YX . 解 由假设随机变量(X .Y)具有概率密度⎪⎪⎩⎪⎪⎨⎧≤+=其他,,0,1,1),(22y x y x f π且有边缘概率密度dx y x f y f Y ⎰∞∞-=),()(⎪⎪⎩⎪⎪⎨⎧≤≤--==⎰---.,0,11,12121122其他y y dx y y ππ于是当- l<y<l 时有)(y x F YX =⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧-≤≤---=.,0,11,121y -1212222其他y x y y ππ当y=0和y=21时)(y x f Y X 的图形分别如图3—6,图3-7所示.图3-6 图3-7例4 设数X 在区间(0,1)上随机地取值,当观察到X=x (0<x<1)时,数Y 在区间(x ,1)上随机地取值.求Y 的概率密度)(y f Y .解 按题意X 具有概率密度 =)(x f X ⎩⎨⎧<<.,0,10,1其他x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=)(x y f XY ⎪⎪⎩⎪⎪⎨⎧<<-.,0,1,11其他y x x由(3.4)式得X 和Y 的联合概率密度为=),(y x f )(x y f XY =)(x f X ⎪⎪⎩⎪⎪⎨⎧<<<-.,0,10,11其他y x x于是得关于Y 的边缘概率密度为dx y x f y f Y ⎰∞∞-=),()(⎪⎪⎩⎪⎪⎨⎧<<--=-=⎰.0,10),1(110,其他,y y y In dx x。

概率论与数理统计第五章

概率论与数理统计第五章

第 ×× 次课 2学时本次课教学重点:常用的统计量 本次课教学难点:总体,简单随机样本,统计量的概念。

本次课教学内容:第五章 数理统计的基础知识 第一节 数理统计的基本概念 教学组织: 一、引言在前五章中我们学习了概率论的基本内容,因为随机变量及其所伴随的概率分布全面描述了随机现象的统计规律性,所以在概率论的许多问题中,概率分布通常都是已知的,或者假设是已知的,而一切计算与推理都是在此基础上得出来的。

然而,实际情况往往并非如此。

一个随机现象所服从的分布概型可能完全不知道,或者只知道其概型而不知其分布函数中所含的参数。

例如,某工厂生产的灯泡的寿命服从什么分布是不知道的。

再如,某厂生产的一件产品是合格品还是不合格品,我们知道它服从两点分布,但其参数p 却不知道。

那么怎样才能知道一个随机现象的分布或其参数呢?这就是数理统计所要解决的一个首要问题。

为了获得灯泡的寿命分布,我们从所有的灯泡中抽出一部分进行观察与测试以取得相关信息,从而做出推断。

由于观察和测试是随机现象,依据有限个观察与测试对整体所做出的推断不可能绝对准确,这个不确定性我们用概率来表达。

数理统计学的基本问题就是依据观测或试验所取得的有限信息对整体做出推断,每个推断必须伴有一定的概率来表明其可靠程度。

这种伴有一定概率的推断称为统计推断。

二、总体与随机样本 1、总体在数理统计中,我们往往研究有关对象的某一数量指标(如灯泡的寿命这一数量指标)。

为此,考虑与这一数量指标相联系的随机试验,对这一数量指标进行试验或观察。

我们把研究对象的全体所构成的一个集合称为总体,总体中的每个对象称为个体。

总体中所包含的个体的个数称为总体的容量。

容量有限的总体称为有限总体,容量无限的总体称为无限总体。

例如,考察某批灯泡的质量,如这一批灯泡共有5000只,每个灯泡的寿命是一个可能的观察值,是一个个体。

所有5000只灯泡的寿命是一个有限总体。

概率论5章

概率论5章

F ( x, y) A[ B arctanx][C arctany]
求常数A,B,C.
解: F ( , ) A[ B
F ( , y ) A[ B

2
][C

2
]1

2
][ C arctan y ] 0
F ( x, ) A[ B arctan x ][ C
x y
f ( x, y)dxdy
dx 8e
x 0 ( 2 x 4 y ) x dy 2e 2 x (e 4 y ) |0 dx 0
= 0 =



0
2e
2 x
(1 e
4 y
)dx 2e
0

2 x
dx 2e6 x dx
0

F ( , y ) lim F ( x, y ) 0
x
§5.1 二维随机变量及分布函数
二、联合分布函数 性质 ⑤ 随机点(X,Y)落在矩形区域
{( x, y) | x1 X x2 , y1 Y y2}
的概率
y y2
y1 0 x1 x2 x
P( x1 X x2 , y1 Y y2 ) F ( x2 , y2 ) F (x2 , y1 ) F (x1, y2 ) F (x1, y1 )
y0 0 y0 0
x
§5.4 边缘分布
一、边缘分布函数 1.边缘分布 设F(x,y)为二维随机变量(X,Y)的联合分布函数,称
P(X≤x)=P(X≤x,Y<+≦)
x , y
其中 -≦<μ1<+≦, -≦<μ2<+≦,σ1>0,σ2>0 ,|ρ|<1,

概率论-边缘分布、条件分布

概率论-边缘分布、条件分布

解: (1) 所求概率分布律为 P{ i | 2} i 0,1,2,3 于是 P{ 0 | 2} P{ 0, 2} 10 100 1
P{ 2} 210 210 10 同理 P{ 1 | 2} 60 100 3
210 210 5
(1) 已知抽取的4件产品中有2件二等品,求一等品件数的概率分布.
(2) 已知抽取的4件产品中有1件一等品,求二等品件数的概率分布.
0 1 2 3 p j
0
1
2
3
0
0 10/210 20/210
0 15/210 60/210 30/210
3/210 30/210 30/210 0
2/210 5/210 0
0
5/210 50/210 100/210 50/210
4
pi
则随机变量 的边缘概率分布律为
P{ xi } pij pi i 1,2,, n, j1
同理随机变量 的边缘概率分布律为
P{ y j } pij p j j 1,2,, m,
i
3、边缘分布函数
若二随机变量( , )的联合分布函数为F ( x, y) ,则称 随机变量 或 的分布函数 F ( x) 或F ( y) 为F ( x, y) 的 边缘分布函数。
类似地,当 pi 0时,在 xi 条件下 的条件分布律为
P(
yj
|
xi )
P( xi , y j ) P( xi )
pij pi
j 1,2,
续例1 已知10件产品中有3件一等品,5件二等品,2件三等品,现
从这批产品中任意抽出4 件, 求其中一等品件数 及二等品件 数 的联合分布列. 求随机变量 (或 )的分布列.
0

概率论与数理统计-第3章-第5讲-条件分布

概率论与数理统计-第3章-第5讲-条件分布
所以不能直接代入条件概率公式. 需要引入条件概率密度的概念.
1
8
0
1
1
4
本讲内容
01 二维离散型随机变量的条件分布 02 连续型随机变量的条件分布
01 连续型随机变量的条件分布 2.连续型随机变量的条件分布
定义 fY y 0时,在Y y 条件下X 的条件密度为
f (x, y) fX Y (x y) fY ( y)
X
(y
1) 4
4, 0,
0 y1 4
其他
0
1
01 连续型随机变量的条件分布
P Y
1 8
X
1 4
18
fY
X
y
1 4
dy
1ቤተ መጻሕፍቲ ባይዱ
8
4dy
1
0
2
fY
X (y
1) 4
4, 0,
0 y1 4
其他
1
8
0
1
1
4
第5讲 条件分布
本节我们介绍的条件分布属于选学内容, 同学们可以根据实际 需求和课时安排灵活选择.
01 二维离散型随机变量的条件分布 例 已知联合分布律
所以, 当X=1时, Y条件分布律为:
离散型随机变量的条件 分布实际上即条件概率
01 二维离散型随机变量的条件分布
例 设二维随机变量(X ,Y)的概率密度为
3x , 0 x 1, 0 y x f (x, y) 0 , 其他
求概率
P
P{X xi ,Y y j} pij , j 1, 2,...
P{X xi}
pi
为在X xi的条件下随机变量Y 的条件分布律.
P( A | B) P( AB) P(B)
  1. 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. 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. 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)。

X 边缘概 率密度 Y 条件概率密度
联合概率 密度f(x,y)
这个分布就是条件分布.
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
身高Y 的分布
体重X
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. 容易想象,这个分布与不加这个条件时的分布 会很不一样.
为在X=xi条件下随机变量Y的条件分布律. 在X=xi条件下随机变量Y的条件分布律也可以表示为:.
Y|X=xi
P(Y|X=xi)
P ( AB ) P ( B | A) P ( A)
条件分布是一种概率分布,它具有概率分布的 一切性质.
即:
P ( X x i | Y y j ) 0 , i 1,2 ,
+∞
+∞
X
f Y ( y ) =∫∞ f ( x , y ) d x . f ( x, y) f ( x, y) fY | X ( y | x ) f X |Y ( x | y ) f X ( x) fY ( y )
条件概率密度
Y
边缘概 率密度
X 和 Y 相互独立 f ( x , y ) f X ( x ) fY ( y ).
Pij= P (X=xi ,Y=yi)= P(X=xi )P(Y=yi|X=xi ) = P(Y=yi )P(X=xi|Y=yi )
说明:对于连续型r.v. 若已知(X,Y)的联合概率密度f(x,y)。 联合概率 密度f(x,y)
f X ( x ) =∫∞ f ( x , y ) d y .
+∞
+∞
P( X x
i 1

i
|Y yj ) 1 .
设二维离散型随机变量(X,Y)的联合分布律如下表 求: Y|X=0 以及X|Y=-1 的条件分布。
X Y
-1 1/12 2/12 3/12 6/12=1/2
1 0 1/12 1/12 2/12=1/6
2 3/12 1/12 0 4/12=1/3
X|Y=yj
x1
x2

xn
P ( B | A) P ( AB ) P ( A)
P(X|Y=yj)
定义 类似地,对于固定的 i,若P(X=xi)>0,则称
P {Y y j X x i }
P{ X xi ,Y y j } P{ X xi }

pi j pi
, j 1,2 ,
Pij= P (X=xi ,Y=yi)= P(X=xi )P(Y=yi|X=xi ) = P(Y=yi )P(X=xi|Y=yi )
例2 设二维随机变量 (X,Y) 的联合分布律为:
2 已知 P( X x2 | Y y2 ) . 3
X
Y
y1
y2
x1 x2
0.1
b
a
0.4
试求常数a,b的值。
X 边缘概 率密度 Y 条件概率密度
联合概率 密度f(x,y)
例3 设 G 是平面上的有界区域 , 其面积为 A. 若二
维随机变量 ( X ,Y ) 具有概率密度 1 , ( x, y) G, f ( x, y) A 0, 其它. 设 ( X ,Y ) 在圆域 x y 1 上服从均匀分布 , 求条
于是当 1 y 1 时, 有
1π 1 2 2 , 1 y x 1 y , 2 2 f X Y ( x y ) ( 2 π) 1 y 2 1 y 0, 其他.
例4 设数 X 在区间 (0,1) 上随机地取值,当观察到
X x (0 x 1) 时, 数 Y 在区间 ( x , 1) 上随机地取 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, f X ( x) 0, 其它. 对于任意给定的值 x(0 x 1), 在X x的条件下,
X, Y
0 2/25 a 1/25
1 b 3/25 2/25
P{ X = i }
0 1 2
P{Y = y j }
2/25+b a+3/25 3/25
(2)当a,b取(1) 中的值时, X与Y是否独 立?
a+3/25
b+5/25
1
a+3/25+b+5/25=a+b+5/25=1
二、连续型随机变量的条件分布
P{ X = i }
0 3/2 2
P{Y = y j }
4/12=1/3 4/12=1/3 4/12=1/3
1

pi j pi

pi j p j

, Y|X=0
X|Y=-1 P(X|Y=-1)
P(Y|X=0)
说明:对于离散型r.v.
联合分布率、边缘分布率、条件分布率的关系: 若已知(X,Y)的联合分布律Pij= P (X=xi ,Y=yi)。 X 联合分 边缘分 布率Pij 布率 Y
第五节
随机变量条件分布
一、离散型随机变量的条件分布 二、连续型随机变量的条件分布 三、小结
第五节
随机变量条件分布
在第三章中,我们介绍了条件概率的概念 .
在事件B发生的条件下事件A发生的条件概率
P ( AB ) P ( A | B) P (B)
推广到随机变量 设有两个随机变量X,Y ,在给定Y取某个或某 些值的条件下,求X的概率分布.
在给定 X xi 条件下随机变量Y 的条件分布律为 P{ X xi ,Y y j } pij P{Y y j X xi } , P { X xi } pi 其中 i , j 1, 2,.
说明:对于离散型r.v.
联合分布率、边缘分布率、条件分布率的关系: 若已知(X,Y)的联合分布律Pij= P (X=xi ,Y=yi)。 X 联合分 边缘分 布率Pij 布率 Y
f ( x, y) f X |Y ( x | y ) fY ( y )
f ( x, y) fY | X ( y | x ) f X ( x)
说明:对于连续型r.v. 若已知(X,Y)的联合概率密度f(x,y)。 联合概率 密度f(x,y)
f X ( x ) =∫∞ f ( x , y ) d y .
P{ X xi Y y j } P{ X xi ,Y y j } P {Y y j }
P {Y y j X x i }
P{ X xi ,Y y j } P{ X xi }
条件分布率
反之:若X、Y相互独立 Pij= P (X=xi ,Y=yi)。若不独立,则由
X
f Y ( y ) =∫∞ f ( x , y ) d x . f ( x, y) f ( x, y) fY | X ( y | x ) f X |Y ( x | y ) f X ( x) fY ( y )
条件概率密度
Y
边缘概 率密度
X 和 Y 相互独立 f ( x , y ) f X ( x ) fY ( y ).
2 2
件概率密度 f X Y ( x y ).
解 由题意知随机变量( X ,Y ) 的概率密度为
1 π , x 2 yபைடு நூலகம்2 1, f ( x, y) 0, 其它,
又知边缘概率密度为
fY ( y ) f ( x , y ) d x


2 1 1 y 2 2 d x 1 y , 1 y 1, 1 y 2 π π 0, 其他.
解: 由
0.1 a b 0.4 1
P{ X x2 , Y y2 } 0.4 2 P{ X x2 | Y y2 } P{Y y2 } a 0.4 3
解得
a 0.2, b 0.3.
两个未知数,两个方程.
习题14设二维离散型随机变量(X,Y)的联合分布律 如下表已知P(Y=1|X=0) =3/5。(1)求a,b的值。
P{ X xi Y y j } P{ X xi ,Y y j } P {Y y j }
P {Y y j X x i }
P{ X xi ,Y y j } P{ X xi }
条件分布率
反之:若X、Y相互独立 Pij= P (X=xi ,Y=yi)。若不独立,则由
Y 的条件概率密度为 1 , 0 x y 1, fY X ( y x ) 1 x 其它. 0,
因此 X 和 Y 的联合概率密度为 f ( x , y ) fY X ( y x ) f X ( x )
1 , 0 x y 1, 1 x 其它. 0, 故得 Y 的边缘概率密度
一、离散型随机变量的条件分布
定义 设 (X,Y) 是二维离散型随机变量,对于固定的 j, 若P(Y=yj)>0,则称 P{ X xi ,Y y j } pi j P{ X xi Y y j } ,i 1 , 2 , P {Y y j } p j 为在Y=yj条件下随机变量X的条件分布律. 在Y=yj条件下随机变量X的条件分布律也可以表示为: .
fY ( y ) f ( x , y ) d x


y 1 d x ln(1 y ),0 y 1, 0 1 x 其它. 0,
三、小结
1. 设 ( X ,Y ) 是二维离散型随机变量 , pij ( i , j 1, 2,) 为其联合分布律, 在给定Y y j 条件下随机变量 X 的条件分布律为 P { X xi ,Y y j } pij P { X xi Y y j } , P {Y y j } p j
相关文档
最新文档