条件分布
随机变量的条件分布与条件期望

随机变量的条件分布与条件期望随机变量是概率论中十分重要的概念之一,它描述了在概率模型中可能出现的各种结果。
随机变量可以是离散的,也可以是连续的。
在概率论中,我们经常关注的是随机变量的分布以及其与其他变量之间的关系。
本文将重点讨论条件分布与条件期望。
一、条件分布条件分布是指在给定某些条件下,随机变量满足的分布。
对于离散型随机变量,条件分布的计算可以通过条件概率来进行。
假设X和Y是两个离散型随机变量,我们想要求解在给定X的取值为x的条件下,Y的取值为y的概率。
可以表示为P(Y=y|X=x)。
这个概率可以通过联合概率分布和边缘概率分布来计算。
具体计算方法为:P(Y=y|X=x) = P(X=x,Y=y) / P(X=x)对于连续型随机变量,条件分布的计算可以通过条件密度函数来进行。
假设X和Y是两个连续型随机变量,我们想要求解在给定X的取值为x的条件下,Y的取值在a到b之间的概率。
可以表示为P(a <= Y <= b | X = x)。
这个概率可以通过联合概率密度函数和边缘概率密度函数来计算。
具体计算方法为:P(a <= Y <= b | X = x) = ∫[a, b] f(x, y) dy / f_X(x)二、条件期望条件期望是指在给定某些条件下,随机变量的期望值。
对于离散型随机变量,条件期望的计算可以通过条件概率和随机变量的取值来进行。
假设X和Y是两个离散型随机变量,我们想要求解在给定X的取值为x的条件下,Y的期望值E(Y|X=x)。
可以表示为:E(Y|X=x) = Σy y * P(Y=y|X=x)其中Σ为求和符号,y为随机变量Y的取值。
对于连续型随机变量,条件期望的计算可以通过条件密度函数和随机变量的取值来进行。
假设X和Y是两个连续型随机变量,我们想要求解在给定X的取值为x的条件下,Y的期望值E(Y|X=x)。
可以表示为:E(Y|X=x) = ∫y y * f(y|x) dy其中∫为积分符号,f(y|x)为在给定X=x的条件下,Y的概率密度函数。
条件分布与条件期望

33
XY 3 1 2
P
61
77
43 P
77 4
例2. 设随机变量X ,Y相互独立,X P(1), Y P(2 ) ,
在X Y n的条件下,求X的条件分布.
解:X Y P(1 2 )
P(X k X Y n) P(X k, X Y n) P(X k,Y n k)
P(X Y n)
pY ( y)E( X Y y) dy E( X Y y)看作是y的函数.
E[E( X Y )]
13
例5 一矿工被困在有三个门的矿井里,第一个门通 甲坑道,须走3小时到达安全区;第二个门通乙坑 道,走5小时回到原处;第三个门通丙坑道,走7小 时回到原处。问他平均用多长时间能够到达安全区。 分析:到达安全区的时间与第一次选择的门有关,
i
1 (1 (2 EX )
yi )P(Y yi )
(n EX ))
EX
n(n 1) . 2
n
17
作业:
P197 2 4
18
The End!
Thank You!
Department of Mathematics
19
即有
P(X x Y y)
x p( x, y) dx;
pY ( y)
同样可得 P(Y y X x)
y p( x, y) dy .
pX ( x)
8
2、连续随机变量的条件分布
定义3:对y,且pY ( y) 0,在给定Y y条件下
X的条件分布函数和条件密度函数分别是:
F ( x y)
3 E( X Y 2) 5 EX; E( X Y 3) 7 EX .
E( X ) E( X Y y j )P(Y y j )
条件分布

对于任一给定的值
x
(0<x<1), 在X=x
的条件下, Y 的条件概率密度为 :
1 , f Y |X ( y | x) 1 x 0,
x y 1, 0thers.
f ( x, y ) 由 f Y |X ( y | x) 得X 和 Y 的 联 合概率密度 f X ( x)
P{ X x i , Y y j } P { X xi } pi j pi . , j 1, 2,...
为在X = x i 条件下,随机变量Y的条件分布律.
简言之:条件分布等于联合分布与边缘 分布之商
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表示由机器人焊接 的不良焊点的数 目 ,据积累的资料知 ( X , Y ) 具有分布 律:
x
f ( x, y) dx . f Y ( y)
在 X= x 的条件下 Y的条件概率密度为 f ( x, y) f Y|X( y | x ) f X ( x) 在 X = x 的条件下 Y 的条件分布函数为 F Y|X( y | x) P{ Y y | X x }
y
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 f Y ( y ). 若对于固定的 y, f Y ( y ) 0, 则 f ( x, y) 称 为在 Y=y 的条件下X 的条件概 f Y( y ) 率密度, 记为: f ( x, y) . f X|Y ( x | y ) f Y ( y)
第23讲 条件分布

N
1
1 2
(y
2 ),
2 1
(1
2
)
.
同理可得 fY|X ( y | x)
1
2 2 1 2
exp
2
2 2
1 (1
2
)
y
2
2 1
(
x
1
)
2
.
即在X =x条件下,Y的条件分布是正态分布
N
2
2 1
(
x
1
),
2 2
(1
2
)
.
结论:二维正态分布的条件分布仍为正态分布.
简记为 FX|Y ( x | y). 即:FX|Y ( x | y)=P( X x |Y =y).
连续型随机变量的条件概率密度
定义2 设二维随机变量 ( X ,Y )的概率密度为 f ( x, y),Y 的边缘概率密度为fY ( y)是连续函数. 若对于固定的 y, fY ( y) 0, 则在Y y条件下, X的条件概率密度为
条件分布
条件分布
对于两个事件A,B,若P(B)>0,可以讨论条件概率
P( A | B) P( AB) P(B)
推广到随机变量
P(X
xi
|Y
yj)
P( X xi ,Y P(Y y j )
yj),
i 1,2, , P(Y yj ) 0.
这个分布就是条件分布.
离散型随机变量的条件分布列
定义 设 二维离散型随机变量(X,Y) 的分布列
X
,Y
)~N
(
1
,
2
;
2 1
,
22;
),
求条件概率密度
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。
条件分布与条件期望

这表明,二元正态分布的条件分布仍为正态分布:
1 2 2 N r y , 1 r 2 1 1 2
.
31
二.条件数学期望
32
1.条件数学期望的概念
33
条件分布的数学期望称为条件数学期望.
34
对于离散型随机变量,当 Y y j 时,随机变量 X 的条 件分布律为
1 2 PX Y n
n!
n
e
1 2
.
所以,当 X Y n 时, X 的取值为 0, 1,
2, , n .
13
PX k X Y n
PX k , X Y n PX k , Y n k PX Y n PX Y n
PX k PY n k k! n k ! PX Y n 1 2 n e 1 2 n!
n! 1 k!n k ! 1 2
k
1k
e 1
2 n k
e 2
2 2 1
17
所以,
PY k PX nP Y k X n
n 0
PX nP Y k X n PX nP Y k X n
n 0 nk
k 1
n 0
k 1
n
n!
e 0
nk
n
n!
e C p 1 p
f X x 0 .
26
例
设二维随机变量 X , Y 服从平面区域
x, D
y:
x y 1
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, …
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。
- 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)。
fY ( y) f ( x, y)dx
y 0
1 1
x
dx
ln(1
y),
0,
已知边缘密度、 条件密度,求 联合密度
y y yx 1 y
o
x
y
0 y 1 其它
2、条件分布函数、条件概率与条件概率密度的关系:
称
x
f X Y
x y dx
x f x, y fY y dx 为在Y y
P{Y
1X
1}
P{ X 1,Y P{ X 1}
1}
0.010 , 0.045
P{Y
2
X
1}
P{ X 1,Y P{ X 1}
2}
0.005 , 0.045
即在 X 1的条件下,Y 的条件分布律为
Y k
012
P{Y k X 1} 6 2 1 999
同理可得在 Y 0 的条件下, X 的条件分布律为
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( A | B) P( AB) 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.
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 1.75<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1.75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 会不一样.
例如,在条件分布中体重取较大值的概率会显 著增加 .
P X m,Y n p 2 1 p n2 ( n=2,3, …; m=1,2, …, n-1)
(或者 m=1,2, …, n=m+1,…)
于是可求得:
当n=2,3, …时,
PX m Y n
联合分布
P{X m,Y n} P{Y n}
边缘分布
p2 (1 p)n2 (n 1) p2 (1 p)n2
01 2 3
P{ X k Y 0} 84 3
2
1
90 90 90 90
小结:离散型随机变量的条件分布律
1、求在 Y = yj条件下随机变量X的条件分布律. 先求 Y = yj边缘概率 再求在 Y = yj条件下,随机变量X在每一个取值的条件概率. 整理,列表表示.
2、在 Y = yj条件下随机变量X的条件分布律的表示形式: 3、在 Y = yj条件下随机变量X的条件分布律的性质。
一、离散型随机变量的条件分布
实际上是类第似一定章义讲在过X的=条xi 条件件概下率概念在另一种 形式下的重随复机. 变量Y 的条件分布律.
定义1 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 P{X= xi |Y= yj }=
X xi ,Y y j P Y yj
1 2 ……m…………. n-1 n
n次射击 击中
击中
1 2 ……m…………. n-1 n
n次射击 击中
击中
每次击中目标的概率为 p
不论m(m<n)是多少,P{X=m,Y=n}都应等于 P{X=m,Y=n}=?
P X m,Y n p 2 1 p n2
由此得X和Y的联合分布律为
P X m,Y n p 2 1 p n2 ( n=2,3, …; m=1,2, …, n-1)
P X m,Y n p 2 1 p n2 ( n=2,3, …; m=1,2, …, n-1)
(或者 m=1,2, …, n=m+1,…)
Y的边缘分布律是:
n1
PY n P X m ,Y n m 1 n1 p2 (1 p)n2 m 1 (n 1) p2 (1 p)n2 ( n = 2,3, … )
0 y
oy
x
为此, 需求出 f X|Y ( x | y) 故对y >0, P{X>1|Y=y}
于是对 y>0,
f X |Y ( x | y)
f (x, y) fY ( y)
ex y
y
,x
0
e x y 1y
dx
ex
y
1 e 1 y
P{X<1|Y=1/2}=?1 e2
设(X,Y)的概率密度是
YX 0 0 0.840 1 0.060 2 0.010
P{X i} 0.910
1 0.030 0.010 0.005 0.045
2 0.020 0.008 0.004 0.032
3 0.010 0.002 0.001 0.013
P{Y j}
0.900 0.080 0.020 1.000
(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 .
fY(y)
f (x, y)
x
类似地,可以定义
fY|X ( y | x)
f (x, y) fX (x)
先找分母表达式 再找分子表达式 计算整理
分析:连续型随机变量的条件概率密度
f X|Y ( x | y)
f (x, y) fY ( y)
y
确定在 Y = yj条件下随机变量X的条件概率密度.
1、先确定 Y = yj边缘概率密度 注意分母不能为0。
X k
01 2 3
P{ X k Y 0} 84 3
2
1
90 90 90 90
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 一切性质一样.
例如: P X xi Y y j 0 i=1,2, …
P X xi Y y j 1
i 1
检验: X k
2、在分母不为0的条件下,确定分子的表达式。
3、整理,统一表示出来.
fY(y)
f (x, y)
x
我们来解释一下定义的含义:
以
f X|Y ( x | y)
f (x, y) fY ( y)
为例
PX xY y lim PX x y Y y 0PXxyYy
PX x, Py
yY Y y
y
x
x
y y
f
x, ydy dx
y y
fY ydy
f x, y 1 dx fY y 2
x
x
f x, y 1 dx
fY y 2
f x, ydx fY y
0
FX Y
x
y
PX
xY
y
x
f x, y fY y
dx
f
X
Y
x
y
d dx
FX
Y
x
y
f x, y fY y
例5 设(X,Y)的概率密度是
f
(x,
y)
ex
ye y
y
,
0 x ,0 y
0 ,
其它
求 P{X>1|Y=y}, P{X<1|Y=1/2}
由于
fY ( y)
f ( x, y)dx
e x y e y dx
y
0
ey
y [ ye x
y]
ey,
y
y
0
解 P X 1 Y y 1 f X |Y ( x | y)dx
1、条件概率密度
fX(x)
定义2 设 X 和 Y 的联合概率密度为 f x, y,
X ,Y 关于 Y 的边缘概率密度为 fY y ,若对于固定 y
的
y,
fY y 0, 则称
f x, y fY y
为在 Y
y
的条件下
X 的条件概率密度.记为
f X|Y ( x | y)
f (x, y) fY ( y)
f
X
(
x)
1,
0,
0 x 1 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,
x y 1 其它
X 和Y 的联合密度为
f ( x, y) fX ( x) fY|X ( y | x)
1
1
x
,
0 x y 1
0, 其它
于是得Y的概率密度为
y
e
y,
x
0,
y
x
0, 其它
当 y 0 时,
fY y 0
fY
y
ye 0,
y
,
y y
0, 0.
y
y x
若 y 0或 y x,
fX Y
xy
0 ye y
0
y
综上 当 y 0 时,
fX Y
xy
e y,
0
第三节 条件分布
离散型随机变量的条件分布 连续型随机变量的条件分布 课堂练习
复习 边缘分布
1、已知联合分布函数,求边缘分布函数 FX ( x) F ( x, )
2、已知联合分布律,求边缘分布律
P{ X xi } Pi Pij j1
3、已知联合概率密度,求边缘概率密度
fX (x)
f (x, y)d y.
P{Y 0 X 1}
P{ X 1,Y 0} P{ X 1}