概率论与数理统计第三章第三节(概率统计)

合集下载

概率论与数理统计第三章

FX ( x) P( X x) P( X x, Y y) F ( x, ) FY ( y) P(Y y) P(Y y, X x) F (, y)
二维离散型随机变量的边缘分布密度
设（X,Y）为离散型随机变量，
P( X ai , Y b j ) pij ,
条件分布是一种概率分布，它具有概率分布的一切性质. 正如条件概率是一种概率，具有概率的一切性质.
例如：P ( X xi | Y y j ) 0, i=1,2, …
P( X x
i 1

i
|Y yj) 1
例1 已知（X,Y）的分布密度如下，分别求在 X=1和X=0条件下，Y的分布密度。 Y 1 0 X
若对于不同的(ai,bj)，Z ( X , Y ) 有相同的值，则应取这些相同值对应的概率之和。
例1：设（X,Y）联合概率分布为： X Y -1 2
-1
0
1
2
1/5 3/20 1/10 3/10 1/10 0 1/10 1/20
求X+Y,XY的概率分布。
例2：设（X,Y）相互独立，其分布密度为
常见的二维随机变量的分布
◆均匀分布设G为平面区域， G的面积为A(0 A ), 若( X , Y )的分布密度为
1 ( x, y ) G A f ( x, y ) 其它 0 则称( X , Y )在G上服从均匀分布。
例2：设（X,Y）在区域G（0≤y≤2x,0 ≤x ≤2)上服从均匀分布，求 (1)（X,Y）的分布密度、分布函数。 (2)概率P(Y>X2)
一般地，我们称n个随机变量的整体 X=(X1, X2, …，Xn)为n维随机变量或随机向量.

高等教育出版社《概率论与数理统计统计》第3章

pi j 0, p 1 i j ij
Y X y1 y2
1 11 12
分布列 X 和Y 的联合分布列可表示为表格形式
… yj p1j p2j . . . pij . . .
P ( X xj ) p j
pj 0; p 1 . j j
y
规范性) 0 F( x, y)1 且 ) (, ) 0lim (, y ) 20 (非负性) 即,对任意固定的 y,F(,x, y F是单调不减函数F ( x ,) 1; x, F 对任意固定的 x,F( x, x,)F ( x,) 0, y, F (, y ) 0. y 是单调不减函数, 30 (右连续性)
2. 二维随机变量的分布函数定义1设(X, Y)是二维随机变量,
x , y R , 二元函数
F ( x,) y ) P{ ( X x ) (Y y ) } P ( X x ,)Y y )
称为二维随机变量(X ,Y )的分布函数，也称为随机变量 X 与 Y 的联合分布.
0.375 0.3875 0.2000
3
pi
0.0375
0.3750
0
0.3875
0
0.2000
0
0.0375
0.0375
三、二维连续型随机变量
二维随机变量(X,Y)的分布函数F(x,y) 随机变量X 的分布函数F(x) 类比若 f ( x ) 0 若 f ( x, y ) 0 x (-, +) 实数 x, y P87 定义4
xi x y j y { X {iX i }j {Y{ j )i } {Y j } P( , Y } X } P( Y j X i ) P( X i ) F(2, 2) pij

概率论与数理统计03(3)

22. 设某种型号的电子管的寿命(以小时计)近似地服从N (160, 202)分布. 随机地选取4只求其中没有一只寿命小于180小时的概率.解: 设X 1, X 2, X 3, X 4为4只电子管的寿命, 它们相互独立, 同分布, 其概率密度为:22202)160(2021)(⨯--⋅=t T e t f π,⎰∞-⨯-==<18022202)160(20121)180(}180{dt t F X f X π ⎰∞--=-======1220160221du e u u t π令 8413.0)2060180(=-Φ=. 设N =min{X 1, X 2, X 3, X 4}, 则P {N >180}=P {X 1>180, X 2>180, X 3>180, X 4>180} =P {X >180}4={1-p [X <180]}4=(0.1587)4=0.00063.23. 对某种电子装置的输出测量了5次, 得到观察值X 1, X 2, X 3, X 4, X 5, 设它们是相互独立的随机变量且都服从参数σ=2的瑞种分布.(1)求Z =max{X 1, X 2, X 3, X 4, X 5}的分布函数;(2)求P (Z >4).解: 由20题知, X i (i =1, 2, ⋅⋅⋅ , 5)的概率密度均为⎪⎩⎪⎨⎧≥=-其他004)(82x e x x f x X , 分布函数为821)(x X ex F --=(x >0).(1) Z =max{X 1, X 2, X 3, X 4, X 5}的分布函数为585m ax )1()]([)(2z e z F z F --== (z ≥0),当z <0时, F max (z )=0.所以Z 的分布函数为⎩⎨⎧<≥-=-000)1()(58m ax 2z z e z F z . (2)P (Z >4)=1-P (Z ≤4)=1-F Z (4)5167.0)1(1)1(1525842=--=--=--e e .24. 设随机变量X , Y 相互独立, 且服从同一分布, 试证明 P (a <min{X , Y }≤b )=[P (X >a )]2-[P (X >b )]2 . 解: 因为X 与Y 相互独立且同分布, 故P (a <min{X , Y }≤b )=P (min{X , Y }≤b )-P (min{X , Y }≤a ) =1-P (min{X , Y }>b )-[1-P (min{X , Y }>a )]=P (min{X , Y }>a )-P (min{X , Y }>b )=P (X >a , Y >a )-P (X >b , Y >b )=P (X >a )P (Y >a )-P (X >b )P (Y >b )=[P (X >a )]2-[P (Y >b )]2 .25. 设X , Y 是相互独立随机变量, 其分布律分别为 P (X =k )=p (k ) (k =0, 1, 2, ⋅⋅⋅ ),P (Y =r )=q (r ) (r =0, 1, 2, ⋅⋅⋅ ).证明随机变量Z =X +Y 的分布律为∑=-==i k k i q k p i Z P 0)()()( (i =0, 1, 2, ⋅⋅⋅ ),证明: 因为X 与Y 独立, 且X 与Y 的分布律分别为 P (X =k )=p (k ) (k =0, 1, 2, ⋅⋅⋅ ),P (Y =r )=q (r ) (r =0, 1, 2, ⋅⋅⋅ ),故Z =X +Y 的分布律为∑==+===ik i Y X k X P i Z P 0) ,()(∑=-===i k k i Y k X P 0) ,(∑=-===i k k i Y P k X P 0)()(∑=-=i k k i q k p 0)()( (i =0, 1, 2, ⋅⋅⋅ ).26. 设X , Y 是相互独立的随机变量, X ~π(λ1), Y ~π(λ2), 证明Z =X +Y ~π(λ1+λ2).证明: 因为X , Y 分别服从参数为λ1, λ2的泊松分布, 故X , Y 的分布律分别为1!)(1λλ-==e k k X P k (λ1>0), 2!)(2λλ-==e r r Y P r (λ2>0), 由25题结论知, Z =X +Y 的分布律为∑=-====i k k i Y P k X P i Z P 0)()()(∑=----⋅=i k k i k e k i e k 02121)!(!λλλλ ∑=-+-⋅-=i k k i k k i k i i e 021)()!(!!!21λλλλ i i e )(!21)(21λλλλ+=+-(i =0, 1, 2, ⋅⋅⋅ ), 即Z =X +Y 服从参数为λ1+λ2的泊松分布.27. 设X , Y 是相互独立的随机变量, X ~b (n 1, p ), Y ~b (n 2, p ), 证明Z =X +Y ~b (n 1+n 2, p ).证明: Z 的可能取值为0, 1, 2, ⋅⋅⋅ , 2n , 因为{Z =i }={X +Y =i }={X =0, Y =0}⋃{X =1, Y =i -1}⋃ ⋅⋅⋅ ⋃{X =i , Y =0}, 由于上述并中各事件互不相容, 且X , Y 独立, 则∑=-====ik k i Y k X P i Z P 0) ,()(∑=-===i k k i Y P k X P 0)()(∑=+-----⋅-=i k k i n k i k i n k n k k n p p C p p C 02211)1()1( ∑=--+⋅-=ik k i n k n k n n i C C p p 02121)1( i n i i n n p p C -+-=2)1(21(i =0, 1, 2, ⋅⋅⋅ , n 1+n 2), 所以 Z =X +Y ~b (n 1+n 2, p ),即Z =X +Y 服从参数为2n , p 的二项分布.提示:上述计算过程中用到了公式i n n ik k i n k n C C C 21210+=-=⋅∑, 这可由比较恒等式2121)1()1()1(n n n n x x x ++=++两边x i 的系数得到.28. 设随机变量(X , Y )的分布律为(1)求P {X =2|Y =2), P (Y =3|X =0);(2)求V =max{X , Y }的分布律;(3)求U =min{X , Y }的分布律;(4)求W =V +U 的分布律.解: (1)由条件概率公式)2()2,2()2|2(======Y P Y X P Y X P 08.005.005.005.003.001.005.0+++++= 2.025.005.0==. 同理 31)0|3(===X Y P . (2)变量V =max{X , Y }.显然V 是一随机变量, 其取值为V : 0, 1, 2, 3, 4, 5. P (V =0)=P (X =0, Y =0)=0,P (V =1)=P (X =1, Y =0)+P (X =1, Y =1)+P (X =0, Y =1) =0.01+0.02+0.01=0.04,P (V =2)=P (X =2, Y =0)+P (X =2, Y =1)+P (X =2, Y =2) +P (Y =2, X =0)+P (Y =2, X =1)=0.03+0.04+0.05+0.01+0.03=0.16, P (V =3)=P (X =3, Y =0)+P (X =3, Y =1)+P (X =3, Y =2)+P (X =3, Y =3)+P(Y=3, X=0)+P(Y=3, X=1)+P(Y=3, X=2),=0.05+0.05+0.05+0.06+0.01+0.02+0.04=0.28 P(V=4)=P(X=4,Y=0)+P(X=4,Y=1)+P(X=4,Y=2)+P (X=4,Y=3)=0.07+0.06+0.05+0.06=0.24,P(V=5)=P(X=5,Y=0)+⋅⋅⋅+P(X=5,Y=3)=0.09+0.08+0.06+0.05=0.28.(3)显然U的取值为0, 1, 2, 3.P(U=0)=P(X=0,Y=0)+⋅⋅⋅+P(X=0,Y=3)+P(Y=0,X=1)+⋅⋅⋅+P(Y=0,X=5)=0.28.同理P(U=1)=0.30,P(U=2)=0.25,P(U=3)=0.17.(4)W=V+U的取值为0, 1,⋅⋅⋅, 8.P(W=0)=P(V=0,U=0)=0,P(W=1)=P(V=0, U=1)+P(V=1,U=0).因为V=max{X,Y}=0又U=min{X,Y}=1不可能上式中的P(V=0,U=1)=0,又P(V=1,U=0)=P(X=1,Y=0)+P(X=0,Y=1)=0.2,故P(W=1)=P(V=0, U=1)+P(V=1,U=0)=0.2,P(W=2)=P(V+U=2)=P(V=2, U=0)+P(V=1,U=1)=P(X=2 Y=0)+P(X=0,Y=2)+P(X=1,Y=1)=0.03+0.01+0.02=0.06,P(W=3)=P(V+U=3)=P(V=3, U=0)+P(V=2,U=1)= P(X=3,Y=0)+P(X=0,Y=3)+P(X=2,Y=1)+P(X=1,Y=2)=0.05+0.01+0.04+0.03=0.13, P(W=4)=P(V=4, U=0)+P(V=3,U=1)+P(V=2,U=2)=P(X=4,Y=0)+ P(X=3,Y=1)+P(X=1,Y=3)+P(X=2,Y=2 =0.19,P(W=5)=P(V+U=5)=P(V=5, U=0)+P(V=5,U=1)+P(V=3,U=2=P(X=5 Y=0)+P(X=5,Y=1)+P(X=3,Y=2)+P(X=2,Y=3) =0.24,P(W=6)=P(V+U=6)=P(V=5, U=1)+P(V=4,U=2) +P(V=3,U=3)=P(X=5,Y=1)+P(X=4,Y=2)+P(X=3,Y=3)=0.19,P(W=7)=P(V+U=7)=P(V=5, U=2)+P(V=4,U=3) =P(V=5,U=2)+P(X=4,Y=3)=0.6+0.6=0.12, P(W=8)=P(V+U=8)=P(V=5, U=3)+P(X=5,Y=3)=0.05.。

概率论与数理统计3章

VS
概率密度函数
描述连续随机变量在任意一点处的概率的函数。
随机变量的期望与方差
期望
方差
数学期望或均值，是随机变量取值的平均数，反映了随机变量的中心趋势。对于离散随机变量，期望是所有可能取值的概率与其对应的值的乘积之和；对于连续随机变量，期望是积分概率密度函数在定义域内的值。
度量随机变量取值与其期望之间的偏离程度，即各取值偏离其均值的大小。方差越小，各取值越接近均值；方差越大，各取值越分散。
03
统计推断
参数估计
01
02
03
04
参数估计方法
根据样本数据，通过适当的方法估计总体参数的过程。
点估计
用单一数值表示总体参数的估计值，如算术平均数、中位数
等。
区间估计
给出总体参数的可能取值范围，如置信区间。
估计量的评选标准
无偏性、有效性和一致性。
假设检验
假设检验的基本思想
根据样本数据对总体参数作出推断，通过检验假设是否成立来作出决策。
离散随机变量及其分布
离散概率分布
描述离散随机变量取各个可能值的概率的分布。常见的离散概率分布有二项分布、泊松分布等。
概率质量函数
描述离散随机变量取每一个可能值的概率的函数。
连续随机变量及其分布
连续概率分布
描述连续随机变量在某个区间内取值的概率的分布。常见的连续概率分布有正态分布、均匀分布、指数分布等。
定义
指数平滑法是一种时间序列预测方法，通过计算时间序列的加权平均值来预测未来的值。
计算公式
指数平滑法的计算公式为`预测值 = α*当前值 + (1-α)*上期预测值`，其中α是平滑系数，取值范围为0到1。

概率论与数理统计第3讲

3
一般地, 对于A,B两个事件, P(A)>0, 在事件A发生的条件下事件B发生的概率称为条件概率条件概率, 条件概率记为P(B|A).
4
例1 一个家庭中有两个小孩, 已知其中一个是女孩, 问另一个也是女孩的概率是多少(假定男生女生是等可能的)? 解由题意, 样本空间为 Ω={(男,男),(男,女),(女,男),(女,女)} A表示事件"其中一个是女孩", B表示事件"两个都是女孩", 则有 A={(男,女),(女,男),(女,女)} B={(女,女)} 由于事件A已经发生, 所以这时试验的所有可能结果只有三种, 而事件B包含的基本事件只占其中的一种, 所以有P(B|A)=1/3.
20
例5 已知某厂家的一批产品共100件, 其中有5 件废品. 为慎重起见, 某采购员对产品进行不放回的抽样检查, 如果在被他抽查的5件产品中至少有一件是废品, 则他拒绝购买这一产品. 求采购员拒绝购买这批产品的概率. 解设 Ai={被抽查的第i件产品是废品}, i=1,2,3,4,5, A={采购员拒绝购买}, 5 则 A= A
17
例3 活到50岁的概率为0.90718, 活到51岁的概率为0.90135. 问现在已经50岁的人, 能够活到 51岁的概率是多少? 解记A={活到50岁}, B={活到51岁}. 则B⊂A. 因此, AB=B. 要求P(B|A). 因为P(A)=0.90718, P(B)=0.90135, P(AB)=P(B)=0.90135, 从而 P ( AB ) 0.90135 P ( B | A) = = ≈ 0.99357 P ( A) 0.90718 由此可知, 该城市的人在50岁到51岁之间死亡的概率约为0.00643. 在平均意义下, 该年龄段中每千个人中约有6.43人死亡. 18

概率论与数理统计课件第三章

f
(x,
y)
1
21 2
1
2
exp
1
2(1 2 )
(x
1)2
2 1
2
(x
1)( y 1 2
2 )
(y
2)2
2 2
其中1、2、1、 2、都是常数，且1 0， 2 0，1 1.
则称（X,Y）服从参数为1、2、1、的二2、维正态分布，
记为
(X
,Y)
~
N (1,
2
,
2 1
,
2 2
2F(x, y) f (x, y) xy
(5)若(X,Y)为二维连续型随机向量,联合概率密度为f(x,y),则
F(x,y) P{X x,Y y}
返回
X
18
第
页
例5 设二维随机变量（X,Y）的概率密度为
Ae2(x y) , x 0, y 0
f (x, y)
0, 其他
（1）确定常数A；
分别为(X,Y)关于X和Y的边缘分布函数.
返回
X
25
第
页
例1 设二维随机向量（X,Y）的联合分布函数为
(1 e2x )(1 e3y ), x 0, y 0,
F(x, y)
0, 其他.
求边缘分布 FX (x), FY ( y)
当x
0时，FX
(x)
lim (1
y
e2 x
)(1
e3 y
)
1
e2 x
返回
X
14
第
例3 设随机变量Y~N(0，1),令
0, X 1 1,
| Y | 1
0,
|Y
|

概率论与数理统计课件第3章3节

1 x 1,
16
0,
其它.
五、二维正态分布
exp{ x } e x
若 ( X,Y ) 的概率密度为
f (x, y)
1
exp{ 1 [(x 1 )2
2 1 2 1 2
2(1 2 )
2 1
2 (x 1 )( y 2 ) ( y 2 )2 ]}, x, y (, )
1 2
0, 其它 .
-1
fY ( y )
f ( x, y )dx
1 1 y2
2
1 y2
dx
1 y2 ,
1 y 1,
0, 当1 y 1时，fY ( y ) 0
其它.
fX Y( x y)
f ( x,y )
2
1 1 y2
,
fY ( y ) 0, 其它 .
1 y2 x
1 y2 ,
f
(
1 x2 ,
例3. 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.
解:
按题意,
X~fX
(x)
1, 0 x 1, y 0, 其它,
又在X x条件下, Y的条件分布概率密度 1 y=x
1 (1-x), x y 1,
0.004 0.001
P{Y 1|X 1} 0.010 / 0.045 P{Y 2|X 1} 0.005 / 0.045.
用表格形式表示为:
k
0
1
2
P{Y=k|X=1} 6/9 2/9 1/9
例2：(X,Y)的联合分布律为
已知：P(Y 1| X 1) 0.5

茆诗松概率论与数理统计教程课件第三章 (3)

i 0
k

i 0
i 1
i!
e 1
2
i k 2
(k i )!
k
e 2

e
1
e k!
k! i k i 1 2 i 0 i! ( k i )!
e ( 1 2 ) k (1 2 ) k!
(1 2 )k ( 1 2 ) e k!
p( x, y )dxdy

| x y| z
dxdy
阴影部分面积
1 1 2 (1 z ) 2 2
2z z 2
所以Z=|X-Y|的密度函数为
pZ ( z ) FZ ' ( z ) 2(1 z ),
0 z 1
对某些常用的简单的函数g, 可利用“分布函数法” 导出pZ(z)和p(x,y)的关系式供我们直接使用.
解: 由题知
1 pX ( x ) e 2
x2 2
1 , pY ( y ) e 2
y2 2
,
x, y
所以由卷积公式有
1 pZ ( z ) pX ( x ) pY ( z x )dx e 2

x2 2
e
( z x )2 2
类似地, 我们可以求得n个独立变量的最大值和最小值的分布函数.
例五. 设系统L由两个相互独立的子系统L1,L2连接而成,
连接的方式分别为:(1)串联, (2)并联, (3)备用(当系统 L1损坏时, 系统L2开始工作), 如图所示. 设L1和L2的寿命分别为X,Y, 其概率密度分别为
e x , x 0 pX ( x ) 0, 其它
2

概率论与数理统计总结之第三章

第三章多维随机变量及其分布第一节二维随机变量的概念1.二维随机变量定义：设(X,Y)是二维随机变量，记为:(,){()()}=≤⋂≤F x y P X x Y y (,)=≤≤P X x Y y (,)-∞<<∞-∞<<∞x y称(,)F x y 为X 与Y 的分布函数，或称X 与Y 的联合分布函数}}(){{(,lim (,)→+∞=≤=≤≤+∞=X y F x P X x P X x Y F x y}}(){{,lim (,)→+∞=≤=≤+∞≤=Y x F y P Y y P X Y y F x y分布函数(,)F x y 性质:1）(,)F x y 是变量x 和变量y 的不减函数，(分别关于x 和y 有单调不减性) 2）0(,)1≤≤F x y ，任意一边趋于-∞＝０.F(∞，∞)=1（用来确定未知参数）.3）(,)(0,)(0,0)=+=++F x y F x y F x y ，即(,)F x y 分别关于x 右连续，关于y 也右连续,4）对于任意11221212(,),(,),,,<<x y x y x x y y 下述不等式成立(可用于判定二元函数(,)F x y 是不是某二维随机变量的分布函数):22211112(,)(,)(,)(,)0-+-≥F x y F x y F x y F x y 2.二维离散型随机变量:定义:如果二维随机变量(X,Y)只取有限对或可列无穷多对，则称(X,Y)是二维离散型随机变量其概率{,},,1,2,====i i ij P X x Y y p i j …为二维离散型随机变量(X,Y)的分布律，或随机变量X 和Y 是联合分布律性质:1.0,(i,j 1.2.....)≥=ij P2.1≤≤=∑∑i i ijx x y yp满足以上两条，即为二维离散型随机变量的分布律. 注；步骤:定取值,求概率,验证1.离散型随机变量X 和Y 的联合分布函数为(,)≤≤=∑∑i i ijx x y yF x y p，其中和式是对一切满足,≤≤i i x x y y 的i,j 来求和的边缘分布定义:对于离散型随机变量(X,Y)，分量X 和Y 的分布律(), 1.2...(), 1.2..的边缘分布律：的边缘分布律：••========∑∑i i ij jJ i ij iX p P X x p i Y p P Y y p i ，0,0(, 1.2....)1•••≥≥===∑∑i j jiip p i j pi p联合确定边缘，但一般情况，边缘不能确定的联合，除非相互独立. 比如；有放回的摸球，就是X ，Y 相互独立. 不放回地摸球，是条件分布.3.二维连续型随机变量的概率密度和边缘概率密度. 对比一维的: 概率密度:()()1∞-∞==⎰f x f x dx ，分布律:{}(),≤≤=⎰b aP a x b f x dx 分布函数:()()-∞=⎰xF x f t dt二维:定义:设二维随机变量(X,Y)的分布函数为(,)F x y ，若存在非负可积函数(,)f x y ，使得对于任意实数x,y 有(,)(,)-∞-∞=⎰⎰xyF x y f u v dudv ，则称(X,Y)为二维连续型随机变量，(,)f x y 称为(X,Y)的概率密度，或联合概率密度.概率密度的性质: 1.(,)F x y ≥0 2.(,)1∞∞-∞-∞=⎰⎰f x y dxdy只要具有以下两条性质，必可作为某二维随机变量的概率密度.3.已知(X,Y)的概率密度(,)f x y ，则(X,Y)在平面区域D 内取值的概率为:{(,)}(,)∈=⎰⎰DP X Y D f x y dxdy (作二重积分)(随机点(X,Y)落在平面区域D 上的概率等于以平面区域D 为底，以曲面(,)=z f x y 顶的典顶的体积) 4.若(,)F x y 在点(x,y)连续，则有2(,)(,)∂=∂∂F x y f x y x y(连续就能根据分布律求概率密度)1）当求()=P X Y 时，它只是一条线，所以：()0＝=P X Y2）一个方程有无实根：20++=ax bx c ，即求：22240,40,40,一个实根无实根两个实根+=+<+>b ac b ac b ac均匀分布：定义:设D 为平面上的有界区域，其面积为S ，且0>S ,如果二维随机变量(X,Y)的概率密度为1,(x,y)(,)0,其它⎧∈⎪=⎨⎪⎩Df x y S，则称(X,Y)服从区域D 上的均匀分布(或叫(X,Y)在D 上服从均匀分布，记作（X,Y ）D U . 两种特殊情形:1） D 为矩形，,c )≤≤≤≤a x b y d 时，1,()()(,),c )0,其它⎧⎪--=≤≤≤≤⎨⎪⎩b a dc f x y a x b y d2） D 为圆形，如(X,Y)在以原点为圆心，R 为半径的圆域上服从均匀分布，则(X,Y)的概率密度为:22221,(,))0,其它π⎧⎪=+≤⎨⎪⎩f x y x y R R定义:对连续型随机变量(X,Y),分量X,Y 的概率密度称为(X,Y)关于X 或Y 的边缘概率密度,记作(),X f x ().Y f y X 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰xX F x F x f u v dv du （让Ｙ趋于正无穷） Y 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰yY F y F y f u v du dv （让Ｘ趋于正无穷） X 的概率密度:()(,),()∞-∞=-∞<<∞⎰X f x f x y dy xY 的概率密度:()(,),()∞-∞=-∞<<∞⎰Y f y f x y dx y（二维的边缘概率密度是直接以联合概率密度在负无穷到正无穷对对应元素积分，其间需要对划分区间的作分别积分）(X,Y)的概率密度:(,)(,)[(,)]-∞-∞-∞-∞==⎰⎰⎰⎰x yx yf x y f u v dudv f u v dv du二维正态分布：二维正态221212(,)(,,,,)σσρX Y N u u 分布函数的性质:1.211()(,)σX N u ,222()(,)σY N u 边缘服从一维正态分布2.0,ρ=⇔xy X Y 独立（相关系数为Ｏ，则两个随机变量独立）3.212()()σ++k X k Y N u (线性组合按一维正态处理)4. 1212()，±±k X k Y c X c Y 服从二维正态（如：(,)+-X Y X Y ）条件分布:设(X,Y)是二维离散型随机变量，对于固定的j ，若{}0=>j P Y y ，则称{=i P X x ｜{,}},1,2,{}⋅=======i j ij j j jP X x Y y p Y y i P Y y p …为在=j Y y 条件下随机变量X 的条件分布律同样地，若{}0,=>i P X x 则称{=j P Y y ｜{,}},1,2,{}⋅=======i j ij i i i P X x Y y p X x j P X x p …为=i X x 条件下随机变量Y 的条件分布律变形，即得求联合分布律的方法.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,()0,>Y f y 则称(,)()Y f x y f y 为在Y=y 的条件下X 的条件概率密度称|(,)(|)()-∞-∞=⎰⎰xxX Y Y f x y f x y dx dx f y 为在Y=y 的条件下，X 的条件分布函数，记为P{X ≤x|Y=y}或|(|)X Y F x y ，即|(,)(|){|}()-∞=≤==⎰x X Y Y f x y F x y P X x Y y dx f y 设F(x,y)及(),()X Y F x F y 分别是二维随机变量(X,Y)的分布函数及边缘分布函数，若对于所有x,y 有P{X ≤x,Y ≤y}=P{X ≤x}P{Y ≤y},即(,)()()=X Y F x y F x F y ，则称随机变量X 和Y 是相互独立的设(X,Y)是连续型随机变量，(,),(),()X Y f x y f x f y 分别为(X,Y)的概率密度和边缘概率密度，则X 和Y 相互独立的条件等价于(,)()()=X Y f x y f x f y 在平面上几乎处处成立(除去面积为0的集合以外，处处成立)第二节随机变量的独立性1. 两个随机变量的独立性定义:设(,),().()X Y F x y F x F y 分别是二维随机变量(X,Y)的分布函数和两个边缘分布函数，若对任意实数,x y 有(,)().()=X Y F x y F x F y ，则称X 与Y 相互独立.可用于判断独立性(随机变量独立,对任意实数x,y,事件X ,Y ≤≤x y 相互独立) 以上公式等价于:(X ,Y )(X ).()≤≤=≤≤X Y P x y P x P Y y 可类推至多个函数的情况.1)如果X,Y 随机变量独立，().()连续f x g y ，(通过函数作用)则().()f x g y 也独立.(可类推至多个随机变量的情况)例:X,Y 独立，则22,x y 独立.2)如果1212,...,...，ＹＹＹm m X X X 相互独立，12m 121()()...()()()....()和，f x f x f x g y g y g y 也相互独立。

概率论与数理统计-基于R 第三章第三节边缘分布

p·j 2/5 3/5 1
注：由上表可知，两种情形下X和Y的边缘分布律相同，但联合分布律不同，故边缘分布律不能确定联合分布律.
三、边缘密度函数设(X,Y)为连续型随机变量，其联合分布函数
和联合概率密度分别为F(x,y)和f(x,y),则
FX x P X x P X x,Y x
f
X
(
x
)

6e(3 x2 y)dy,
0
0,
x 0 3e3x ,
其它 0,
x0 其它
同理，关于Y的边缘概率密度为
2e2 y , y 0
fY
(
y)

0,
其它 .
例. 设(X,Y) 服从以原点为圆心，R为半径的圆形区域上的均匀分布，求(X,Y)关于X,Y 的边缘概率密度。
y

1

2
arctan
x

x

FY

y

lim
x
F
(
x,
y)

lim
x
1
2

2

arctan
x

2

arctan
y

1

2

arctan
y

y
二、边缘分布律
y
y
x FX(x)
x FY(y)
例设二维随机变量(X,Y)的联合分布函数为
F ( x,
y)

1

概率论与数理统计第三节条件概率与独立性

一、条件概率
4. 条件概率的计算
P ( AB ) 1) 用定义计算 P ( A | B ) P( B)
2)用缩减的样本空间计算
例：A={掷出2点}， B={掷出偶数点} 掷骰子
1 P(A|B) = 3
B发生后的缩减样本空间所含样本点总数在缩减样本空间中A所含样本点个数
一、条件概率
例1 掷两颗均匀骰子,已知第一颗掷出6点,问“掷出点数之和不小于10”的概率是多少?
一、条件概率
2. 条件概率的定义
设A、B是两个事件，且P(B)>0，则称 P ( AB ) (1) P( A | B) P( B)
为在事件B发生的条件下,事件A的条件概率.
若事件B已发生, 则为使 A 也发生 , 试验结果必须是既在 B 中又在A中的样本点 , 即此点必属于AB. 由于我们已经知道B已发生, 故B变成了新的样本空间 , 于是有(1).
A={取到一等品}， B={取到正品} P(A ) =3/10，
3 10 P ( AB ) 3 P(A|B) 7 10 P( B) 7
一、条件概率
A={取到一等品}， B={取到正品}
P(A)=3/10， P(A|B)=3/7 本例中，计算P(A)时，依据的前提条件是10件产品中一等品的比例. 计算P(A|B)时，这个前提条件未变，只是加上 “事件B已发生”这个新的条件. 这好象给了我们一个“情报”，使我们得以在某个缩小了的范围内来考虑问题.
故抓阄与次序无关.
二、乘法公式
练习3 设某光学仪器厂制造的透镜, 第一次落下时打破的概率为1/2,若第一次落下未打破, 第二次落下打破的概率为7/10 , 若前两次落下未打破, 第三次落下打破的概率为9/10.试求透镜落下三次而未打破的概率.

概率论与数理统计第三章

x y e 2u |0 e v |0 , x 0, y 0, 其它, 0,
(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)

概率论与数理统计第三章

二维随机变量(X,Y)的性质不仅与X及Y的性质有关,而且还依赖于X和Y的相互关系,因此必须把(X,Y)作为一个整体加以研究.
研究方法与一维类似，用分布函数、分布律、或概率密度来描述其统计规律
二. 联合分布函数
X和Y的联合分布函数
F(x, y) P{(X x) (Y y)}

P{X x,Y y}
dx
6e(2 x3 y)dy
0
0
1 7e6
（III）两个常用的二维连续型分布
(1)二维均匀分布若二维随机变量(X, Y)的密度函数为
f
(
x,
y)

1 SD
，
(x, y) D R2

0, 其它
则称(X, Y)在区域D上(内) 服从均匀分布.
易见,若(X, Y)在区域D 上(内) 服从均匀分布, 对
则称(X,Y)服从参数为1, 2 ,1, 2 , 的二维正态分布.
记作(
X,Y
)～N(
1 ,
2
,

2 1
,
2
2
,

)
五. 分布函数的概念推广到n维随机变量的情形
事实上, 对n维随机变量(X1, X2, … , Xn)， F(x1, x2, … , xn)＝P{X1 x1, X2 x2, … , Xn xn} 称为的n维随机变量(X1, X2, … , Xn)的分布函数, 或随机变量X1, X2, … , Xn的联合分布函数.
...
xi pi1 pi2 ... pij ... pi .
...
p .j p .1 p .2 ... p .j
例1. 已知(X,Y)的分布律为右图 X Y 1 0

概率论与数理统计总结之第三章

第三章多维随机变量及其分布二维随机变量：一般，设E 是一个随机试验，它的样本空间是S={e}.设X=X(e)和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),叫做二维随机向量或二维随机变量。

设（X,Y)是二维随机变量，对于任意实数x,y,二元函数：)}(){(),(y Y x X P y x F ≤⋂≤=),(y Y x X P ≤≤=称为二维随机变量（X,Y ）的分布函数，或称随机变量X 和Y 的联合分布函数分布函数F(x,y)具有以下基本性质： 1.F （x,y)是变量x 和变量y 的不减函数，即对于任意固定的y ，当);,(),(,1212y x F y x F x x ≥> 对于任意固定的x ，当),(),(,1212y x F y x F y y ≥> 2.0≤F(x,y)≤1，且对于任意固定的y ，F （-∞，y)=0, 对于任意固定的x, F （x ，-∞)=0， F （-∞，-∞）=0，F （∞，∞）=13.F(x,y ）=F(x+0,y ），F(x,y+0），即F(x,y ）关于x 右连续，关于y 也右连续4.对于任意,,),,(),,(21212211y y x x y x y x <<下述不等式成立 0),(),(),(),(21111222≥-+-y x F y x F y x F y x F离散型随机变量：如果二维随机变量（X,Y)全部可能取到的不相同的值是有限对或可列无限多对，则称（X,Y ）是离散型随机变量称,2,1,,},{====j i p y Y x X P ij i i ……为二维离散型随机变量（X,Y ）的分布律，或随机变量X 和Y 是联合分布律表格形式表示联合分布律： Y X1x… i x… 1y11p … 1i p… ………j yj p 1… ij p… ………离散型随机变量X 和Y 的联合分布函数为∑∑≤≤=x x yy ij i i p y x F ),(，其中和式是对一切满足y y x x i i ≤≤,的i,j 来求和的连续型随机变量：对于二维随机变量（X,Y ）的分布函数F （x,y)，如果存在非负的函数f(x,y)使得对于任意x,y 有 ⎰⎰∞-∞-=y xdudv v u f y x F ),(),(，则称（X,Y ）是连续型的二维随机变量，函数f(x,y)称为二维随机变量（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密度的性质： 1.f(x,y)≥0 2.⎰⎰∞∞-∞∞-=∞∞=1),(),(F dxdy y x f3.设G 是xOy 平面上的区域，点（X,Y ）落在G 内的概率为 ⎰⎰=∈Gdxdy y x f G Y X P ),(}),{(4.若f(x,y)在点（x,y ）连续，则有),(),(2y x f y x y x F =∂∂∂一般，设E 是一个随机试验，它的样本空间是S={e},设),(),(2211e X X e X X ==…),(,e X X n n =是定义在S 上的随机变量，由它们构成的一个n 维向量,,(21X X …),n X 叫做n 维随机向量或n 维随机变量对于任意n 个实数n x x x n ,,^,,21元函数},^,{),^,(111n n n x X x X P x x F ≤≤=称为n 维随机变量,,(21X X …),n X 的分布函数或随机变量n X X X ,^,,21的联合分布函数。

概率论与数理统计第三章课件

Y X
x1 x2 … xi …
y1 y2 … yj …
p11 p12 … p1j … p21 p22 … p2j … … … ……… pi1 pi2 … pi j … … … ………
概率论与数理统计第三章
联合分布列的基本性质 (1) pij 0, i, j = 1, 2,… (非负性)
(2) pij = 1. (正则性)
xy
F(x,y)= p(u,v)dvdu --
则称 (X, Y) 为二维连续型随机变量。称p(x, y) 为联合密度函数。
概率论与数理统计第三章
联合密度函数的基本性质
(1) p(x, y) 0. (非负性)
(2)
p(x,y)dxdy1
(正则性)
- -
注意： P(X,Y) D p(x,y)dxdy
若X, Y是两个定义在同一个样本空间上的随机变量，则称(X, Y) 是两维随机变量.
➢ 同理可定义 n 维随机变量 (随机向量).
概率论与数理统计第三章
3.1.2 联合分布函数
定义3.1.2 (以下仅讨论两维随机变量)
任对实数 x 和 y, 称 F(x, y) = P( X x, Y y)
设随机变量 X 在 1，2，3 ， 4 四个整数中等可能地取值，另一个随机变量 Y 在 1到X 中等可能地取一整数值。试求（X, Y）的联合分布列.
概率论与数理统计第三章
3.1.4 联合密度函数
设二维随机变量(X, Y) 的分布函数为 F(x, y)，若存在非负可积函数 p(x, y)，使得
F(, y) = F(x, ) =0， F(+, +) = 1. (3) F(x, y) 关于 x 和 y 分别右连续. (右连续性) (4) 当a<b, c<d 时，有 (非负性)

概率论与数理统计第三章

F(x, y) P(X x,Y y)
称为二维随机变量(X，Y)的联合分布函数，简称为(X，Y)的分布函数。
几何意义：F(x,y)表示随机点落入以(x,y)为顶点而位于该点左下方的无穷矩形区域D内的概率。（如图阴影部分）
随机点(X,Y) 落在矩形区域：x1 x x2, y1 y y2 内的概率为
设二维随机变量 (X,Y) 的分布函数为 F(x,y)，分别记关于 X 和 Y 的边缘分布函数为 Fx(x)和 Fy(y)，由于 Fx(x)=P(X≤x,Y<+∞ )=F(x,+∞ ), 同理，有 Fy(y)=F(+∞ ,y). 由此看出，边缘分布函数Fx(x)，Fy(y)完全由联合分布函数 F(x,y) 来确定。
y)
1/ 0
A ,
,
(x, y)G 其他
则称( X, Y )服从区域G上的均匀分布
与第2章中服从区间[a, b]上的均匀分布类似，服从区域 G 上的均匀分布 (X, Y) 落在 G 中任一区域 D的概率只与的 D 面积成正比，
而与 D 的位置和形状无关。 P(X ,Y ) D m(D)
m(G)
第三章多维随机变量及其分布
我们开始学习——多维随机变量它是第二章内容的推广. 一维随机变量及其分布
多维随机变量及其分布由于从二维推广到多维一般无实质性的困难，我们重点讨论二维随机变量 .
到现在为止，我们只讨论了一维r.v及其分布. 但有些随机现象用一个随机变量来描述还不够，而需要用几个随机变量来描述.
y
.
（1）求(X, Y)的分布函数 F(x, y)；（2）求 P(0<X≤3，0<Y≤4)。
解（1）F (x, 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，

概率论与数理统计第3章

i
31
二维离散型随机变量的边缘分布
关于X的边缘分布列
X
x1
x2
x3
…
概率 P1.
P2.
P3.
…
pi P{X xi} pij
关于Y的边缘分布列
j
Y
y1
y2
y3
…
概率 P.1
P.2
P.3
…
p j P{Y y j} pij
32
i
16
2019-9-16
例1 设二维离散型随机变量（X,Y）的联合分布律为
30
15
2019-9-16
二维离散型随机变量的边缘分布
Y
X
y1
y2
y3
…
Pi.
x1
p11
p12
p13
…
P1.
x2
p21
p22
p23
…
P2.
x3
p31
p32
p33
…
P3.
…………… …
p.j p.1 p.2 p.3 …
关于X的边缘分布律关于Y的边缘分布律
pi P{X xi} pij
j
p j P{Y y j} pij
22
11
2019-9-16
第4节常见多维随机变量
23
1. 多项分布
在独立重复试验中，设每次实验必有A1, A2 , , Ar 之一发生，且事件Ai在每次实验中发生的概率为pi，记Xi为Ai出现的次数，则 X1, X 2 , , X r 的分布律为
P{X1 n1, X 2 n2 , , X r nr}
20
10
2019-9-16
(4) P{X Y} f (x, y)dxdy y x 0, y 0

《概率论与数理统计》三

称F(x,y)为二维随机变量(X,Y)的分布函数,或称为随机变量X 和Y 的联合分布函数。
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.

概率论与数理统计第三章第三节(概率统计)

概率论与数理统计第三章

高等教育出版社《概率论与数理统计统计》第3章

概率论与数理统计03(3)

概率论与数理统计3章

概率论与数理统计第3讲

概率论与数理统计课件第三章

概率论与数理统计课件 第3章3节

茆诗松概率论与数理统计教程课件第三章 (3)

概率论与数理统计总结之第三章

概率论与数理统计-基于R 第三章 第三节 边缘分布

概率论与数理统计 第三节 条件概率与独立性

概率论与数理统计 第三章

概率论与数理统计第三章

概率论与数理统计总结之第三章

概率论与数理统计 第三章课件

概率论与数理统计第三章

《概率论与数理统计》第三章

概率论与数理统计第3章

《概率论与数理统计》三

概率论与数理统计课件第3章3节

概率论与数理统计-基于R 第三章第三节边缘分布

概率论与数理统计第三节条件概率与独立性

概率论与数理统计第三章

概率论与数理统计第三章课件