条件分布

合集下载

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

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

条件分布
1, 0 x 1, f X ( x) 0, 0thers.
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

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
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

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

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

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。

北邮概率统计课件3.3条件分布

北邮概率统计课件3.3条件分布

特别是在回归分析和预测中。
01Biblioteka 连续型条件分布连续型条件概率密度函数
定义
条件概率密度函数是在给定某个随机变量或随机向量取值的条件下,另一个随 机变量的概率分布。对于连续型随机变量,条件概率密度函数描述了在给定另 一随机变量值的条件下,该随机变量的概率分布。
应用场景
在统计推断、贝叶斯推断、马尔科夫链蒙特卡洛方法等领域中,条件概率密度 函数有着广泛的应用。
应用场景
在统计推断、回归分析、时间序列分析等领域中,条件方差有着广泛的应用。
01
条件分布的应用
在统计推断中的应用
条件概率
条件分布是统计推断中的重要概念,用于描述在给定其他事件发生的情况下,某事件发生 的概率。例如,在医学研究中,条件分布可以用来描述在考虑其他因素(如年龄、性别) 的情况下,某种疾病的发生概率。
THANKS
THE FIRST LESSON OF THE SCHOOL YEAR
在贝叶斯推断中的应用
贝叶斯定理
贝叶斯定理是贝叶斯推断的基础,它描述了在给定先验概率和样本信息的情况下,未知参数的后验概率分布。条件分 布在这个定理中起到了关键作用,它帮助我们将先验信息和样本数据结合起来。
贝叶斯网络
贝叶斯网络是一种基于概率的图形模型,用于表示随机变量之间的概率依赖关系。条件分布在贝叶斯网络中有着广泛 应用,例如在构建网络结构、推理和分类等方面。
特别是在贝叶斯推断中。
离散型条件期望
定义
在离散型随机变量中,给定某些 信息后,随机变量的期望值称为
条件期望。
公式
$E(X|Y=y) = sum x times P(X=x|Y=y)$,其中 $X$ 和 $Y$ 是离散型随机变量,$x$ 和 $y$ 是它们可能的取值。

§3、条件分布

§3、条件分布
11
例2 设随机变量(X,Y)的概率密度为
1, | y | x ,0 x 1; f ( x, y) 其它, 0, 求条件概率密度 fY | X ( y | x ). 〖解〗先求X的边缘概率密度
f X ( x ) f ( x , y )dy


x 1dy, 0 x 1; 2 x, 0 x 1; x 其它 . 0, 0, 其它
0

8
FX Y ( x y ) lim P{ X x y Y y }
[ F ( x , 0
0
lim[ F ( x , y ) F ( x , y )] 0 [ FY ( y ) FY ( y )] lim 0 F ( x , y ) y . FY ( y )

[ FY ( y ) FY ( y )]

9
F ( x , y ) y FX Y ( x y ) FY ( y )
而 FY ( y ) fY ( y ), 由 F ( x, y )
F ( x, y ) f ( x, y )dx y x 1 所以 F ( x y ) f ( x, y )dx XY fY ( y )


类似地,可定义Y的条件分布函数 FY X ( y x ) . 下面对于离散型与连续型变量(X,Y)分别讨论之.
1
一、离散型二维随机变量的条件分布 定义2 二维离散型随机变量(X,Y)中, 在Y取值 y j 的条件下, X取其可能值 x1 , x2 ,, xi , 所对应的概率, 称为随机变量(X,Y)在 Y y j条件下X的条件分布律, 记为
12

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

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。

3.3 条件分布-

3.3 条件分布-

y f (x, y)d x. f X ( y)
联合分布
边缘分布 条件分布
联合分布
作 业 P85 10,14
思考与练习
补例. 已知分布律,求 Y=1 时 X 的条件分布.
YX 0 0 3 28
1 9 28
2 3 28
1 3 14 3 14 0
2 1 28 0
0
解 由于 P{Y 1} 3 3 0 3 ,
求条件概率密度 fX|Y ( x | y).
y 1
解:第一步:求(X,Y)的联合概率密度
1 π x2 y2 1
f ( x, y) 0
, 其他
x 1
1 π x2 y2 1
f ( x, y) 0
, 其他
第二步:求关于Y 的边缘概率密度

fY ( y)
f (x, y)d x

1 1 y2
2



1 y2 d x
0
1 y2
1 y 1, 其他
第三步:求条件概率密度 f X|Y(x|y)
-1<y <1 固定的
时,fX Y ( x y) y
f (x, y)
fY ( y)
2 0
1 1 y2
y
1
x2 y2 1
所以
P{Y

1 8
X

1} 4

P{ X

1 4
,Y

P{ X

1 4
}
1 8
}
不存在.
正确解法为
fX ( x)

f (x, y)d y

数学高考知识点条件分布

数学高考知识点条件分布

数学高考知识点条件分布数学作为一门学科,无论在学术研究还是实际应用上,都扮演着重要的角色。

而高考作为选拔优秀人才的重要途径,自然也离不开数学的考察。

在高考数学中,条件分布是一个重要的知识点。

下面我们将从概念、原理和应用三个方面来探讨条件分布的相关内容。

一、概念在高考数学中,条件分布是指在根据给定条件发生的情况下,事件发生的概率分布。

换言之,当某些条件给定时,我们可以根据这些条件来推测相关事件的发生概率。

二、原理条件分布的原理在于贝叶斯定理,也被称之为条件概率公式。

该定理表明,在给定事件B发生条件下,事件A发生的概率可以通过事件A与事件B的交并集关系求得。

具体而言,我们可以通过以下公式计算条件概率:P(A|B) = P(A∩B)/P(B)其中,P(A)表示事件A发生的概率,P(B)表示事件B发生的概率,P(A∩B)表示事件A与事件B同时发生的概率。

通过这个公式,我们可以计算在事件B发生的条件下,事件A发生的概率。

三、应用条件分布在实际生活中有着广泛的应用,特别是在概率统计领域。

以下以一个实例来说明条件分布的应用。

假设有一所高中有500名学生,其中200名是男生,300名是女生。

在这500名学生中,有100名学生参加了篮球队选拔赛,并最终选拔上了篮球队。

其中,男生占选拔名额的70%,女生占选拔名额的30%。

现在的问题是:已经知道某一学生是篮球队成员,这个学生是男生的概率是多少?首先,我们可以计算男生中被选拔上篮球队的概率。

根据条件,男生占选拔名额的70%,而总男生人数为200,因此,男生中被选拔上篮球队的人数为200 * 0.7 = 140人。

接着,我们可以计算总体中被选拔上篮球队的人数。

根据条件,被选拔上篮球队的总人数为100人。

最后,我们可以带入公式计算出已知某学生是男生的条件下,这个学生是篮球队成员的概率:P(男生|篮球队成员) = P(男生∩篮球队成员)/P(篮球队成员)= 140/100= 1.4通过计算可知,在已知某学生是男生的条件下,这个学生是篮球队成员的概率为1.4。

(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。

条件分布

条件分布

X 的取值有 1, 2, 3, 4; Y 的取值有 1, 2, 3, 4
相应的分布律有16个,现分别计算两个: 1 P ( X 1, Y 1) 12 4 P ( X 1 Y 1) 25 P (Y 1) 25 48
P ( X 2, Y 1) 6 8 P ( X 2 Y 1) 25 P (Y 1) 25 48 1
1 2 1 1 2 e

Hale Waihona Puke 122(1 )
[
x 1
1

y 2
2
]2
显然它也是服从正态分布:
结论:
1 N ( 1 ( y 2 ), (1 2 ) 12 ) 2
正态分布的边缘分布及条件分布仍服从正态分布.
17
例 4. 设 (X,Y) 的概率密度为:
12
解: (1) 由已知的 f ( x, y ) 可知:
当 0 x 1时
f X ( x)

f ( x, y) dy

x
0
3 xdy 3 x 2
y
1
B(1,1)
当 x 0 或 y 1时
f X ( x) 0
X 的边缘概率密度为:
0
A(1, 0)
x
3 x2 f X ( x) 0
1 x2 y 1 x2
即 当 | x | < 1 时,有:
fY |X ( y | x )
1 2 1 x2 0
1 x2 y 1 x2 y 取其它值
21

故对 y > 0
f ( x, y ) e x y , f X |Y ( x | y ) y fY ( y )

条件分布

条件分布
h 0 h 0
P X x, y Y y h P y Y y h
x
lim
h 0
x
yh y yh y
f u, v dudv fY v dv d
x

x
f u, y du fY y

f u, y fY y
连续随机变量的条件分布
二元连续型随机变量 X , Y 的联合密度函数为 f x , y ,对一切使 Y 的边缘密度函数
fY y 0 的 y ,给定 Y y 条件下 X 的条件分布函数为: F x | y P X x |Y y
lim P X x | y Y y h lim



P X xi , Y y j P Y yj




pij p j
( i 1,2, )
称为给定 Y y j 条件下 X 的分布列。 在 Y y j 条件下 X 的分布函数 F x | y j

P X x
xi x
i
|Y yj 。

**********************************************************
第八周 条件分布与条件期望
8.1.条件分布 离散随机变量的条件分布
二元离散型随机变量 X , Y 的联合分布列: P X xi , Y y j pij ,


P Y y j pij p j ,对一切使得 p j 0 的 y j ,
i


P X xi | Y y j
1i 2j 1 2 e 例 8.1.1 设 离散型 随 机 变 量 X , Y 联 合分 布列 为 P X i , Y j , i! j!
  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)。

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:

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:

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

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}
相关文档
最新文档