2.4 概率论——二维随机变量的独立性

合集下载

二维随机变量的独立性

二维随机变量的独立性

令 x=1 , y=2 , f (1, 2 ) fX ( 1) fY (2 ),

1
1 1
பைடு நூலகம்
2 12 1 2 2 1 2 2
=0.
1/2
4/20 2/20 4/20
问X与Y相互独立吗?
pij pi• p• j
解: 设(X,Y)的边缘分布律为
Y
x
-1 0
2
pi.
1/2 2/20 1/20 2/20 1/4
1 2/20 1/20 2/20 1/4
2 4/20 2/20 4/20 1/2
p .j
2/5 1/5 2/5
下面判断X、Y是否相互独立。
例 设随机变量 X 和Y 相互独立,并且 X 服从 N (a, σ 2 ),Y 在 [b,b] 上服从均匀分布, 求 ( X ,Y ) 的联合概率密度.
解: 由于X 与Y 相互独立, 所以 f ( x, y) fX ( x) fY ( y)
X ~ N(, 2)
则fX (x)
1
e ,
(2)若X,Y相互独立,由
P{X xi ,Y yj} P{X xi Y yj} P{Y yj}
P{Y yj X xi} P{X xi}
P{X xi Y y j} P{X xi}; P{Y y j X xi} P{Y y j}
当0 y 1时,fY ( y)
y 8xydx 4 y3,则
0
4 y3,0 y 1 fY ( y) 0,其他
f (x, y) fX (x) fY ( y)
X , Y不独立。
例 已知 (X, Y) 的联合概率密度为

概率论二维随机变量总结

概率论二维随机变量总结

概率论二维随机变量总结二维随机变量是指具有两个随机变量组成的随机向量,用(X, Y)表示。

概率论中研究二维随机变量的分布、期望、方差以及其它统计特性。

1. 二维随机变量的联合分布:联合分布是描述二维随机变量X 和Y的取值情况和对应的概率的函数。

可以通过联合概率密度函数或联合分布函数来表示。

2. 边缘分布:边缘分布是指某个变量的分布,不考虑另一个变量的取值情况。

对于二维随机变量(X, Y),X的边缘分布是通过对所有可能的Y求和或积分得到的函数,Y的边缘分布同理。

3. 条件分布:条件分布是指在已知一个变量的取值情况下,另一个变量的分布情况。

对于二维随机变量(X, Y),给定X的条件下Y的条件分布可以通过联合分布和边缘分布得到,形式为P(Y|X)。

4. 期望和方差:对于二维随机变量(X, Y),期望E(X)表示X的平均取值,E(Y)表示Y的平均取值,方差Var(X)表示X的取值的离散程度,Var(Y)表示Y的取值的离散程度。

5. 协方差和相关系数:协方差描述了X和Y之间的线性相关程度,可以通过公式Cov(X, Y) = E((X - E(X))(Y - E(Y)))计算得到。

相关系数表示X和Y之间的线性相关程度的强度,公式为Corr(X, Y) = Cov(X, Y) / (SD(X) * SD(Y)),其中SD(X)和SD(Y)分别表示X和Y的标准差。

6. 独立性:如果二维随机变量(X, Y)的联合分布可以拆分为X 的边缘分布和Y的边缘分布的乘积形式,即P(X, Y) = P(X) * P(Y),则称X和Y是独立的。

独立性意味着X和Y之间没有任何关联。

7. 协变和不相关性:如果协方差Cov(X, Y)为0,则X和Y是不相关的,不相关性不一定意味着独立性。

如果协方差Cov(X, Y)大于0,则X和Y是正相关的,如果Cov(X, Y)小于0,则X和Y是负相关的。

以上是二维随机变量的一些基本概念和理论,这些知识可以用于分析和解决涉及二维随机变量的问题。

第三节二维随机变量的独立性

第三节二维随机变量的独立性
或随机变量X与Y的联合分布律. 注: 二维离散型随机变量的分布律也可列表表示如下:
X Y y1 y2 … yj … x1 p11 p12 ... p1j ... x2 p21 p22 ... P2j ...
xi pi1 pi2 ... Pij ...
3. 联合分布律的性质 :
(1) pij 0;(2) pij=1.
F ( x1 ,, xn ) FX1 ( x1 )FX2 ( x2 )FXn ( xn )
则称X1 , X2, …, Xn 相互独立,或称(X1 , X2, …, Xn )是独立的.
一、二维离散型随机变量
1. 定义:若二维随机变量(X, Y)只能取至多可列个值(xi, yj), (i, j=1, 2, … ),则称(X, Y)为二维离散型随机变量。
2. 联合分布律: 若二维随机变量(X, Y) 取 (xi, yj)的概率为Pij, 则称P{X=xi, Y= yj}= Pij为随机变量(X, Y)的分布律,
等价定义:设X, Y为两个随机变量,如果对任意实数a<b, c<d, 有P{a<Xb, c<Yd} =P{a<Xb}P{c<Yd},即事件{a<Xb}与 事件{c<Yd} 独立,则称随机变量X与Y相互独立.
2. 独立的充要条件 (1) 设( X,Y )为离散型随机变量,分布律为 pij,则 X与Y相互独立 pij pi. p. j . (2) 设( X,Y )为连续型随机变量,概率密度为 f ( x,y),则
例2. 设( X,Y )的分布律为 且X与 Y独立,求a,b.
XY 1 2 0 0.15 0.15 1 ab
例2. 设( X,Y )的分布律为 且X与 Y独立,求a,b.

随机变量的独立性

随机变量的独立性
0
目 录 前一页
( 1,1 ) G 1
后一页
X
退 出
例4 已知二维随机变量( X , Y )的概率密度为:
8 xy, 0 y x 1; f ( x, y ) = 0 , 其他.
问 X , Y 是否相互独立? 解: f X ( x ) =



f ( x, y ) dy
Y ( 1,1 ) G 1
目 录
前一页
后一页
退 出
等价条件: 1. X与 Y 相互独立 F (x , y ) = F X (x )FY ( y ) 2. (离散型)X与Y相互独立 = X P{ = xi ,Y = y j } P{ = xi } P{ = y j } X Y
3. (连续型)X与Y相互独立 f (x , y ) = f X (x ) fY (y ) 在平面上除去“面积”为0 的集合外成 立。
0
X
退 出
fY ( y ) = f ( x, y )dx


1 6 xy 2dx , y 1 0 0 = 0, 其他
3 y 2 , 0 y 1 = 0 , 其他
在区域G中,f X ( x) fY ( y ) = f ( x, y )
Y
X 与 Y 相互独立
目 录 前一页 后一页
x 8 xydy ,0 x 1 0 = 0 , 其他 4 x 3 ,0 x 1 = , 其他 0
0
X
退 出
4 y(1 y 2 ),0 y 1 fY ( y )= , 其他 0
记 G={(x, y ) 0 y x 1}
6 xy 2 , 0 x 1,0 y 1; f ( x, y ) = 0 , 其他.

二维随机变量的相互独立性

二维随机变量的相互独立性

f(x, y)=fX(x) fY(y) 几乎处处成立(即: 在平面上除去“面积”为零的集合以外, 处处成立).
➢ 因为随机变量是随机事件的量化指标,因此在判断随机 变量X与Y是否相互独立时,仍可以像判断随机事件的独 立性一样,根据问题的实际意义去判定.
概率论与数理统计
9
❖ 3.连续型随机变量的独立性 1.概念
判断随机变量X与Y是否相互独立.
➢ 解 (2) 不放回摸球, 分布律如表:
P( X 0,Y 0) P( X 0)P(Y 0)
故采用无放回抽取时,可判定
X与Y不是相互独立的,这也
与实际意义一致.
概率论与数理统计
8
❖ 3.连续型随机变量的独立性 1.概念
➢ 定理3.6.2 设二维连续型随机变量(X, Y) 的概率密度为 f(x, y), fX(x), fY(y) 分别为(X, Y) 的边缘概率密度, 则X和Y 相互独立等价于
1, 第一次摸出白球, 1, 第二次摸出白球, X 0, 第一次摸出黑球, Y 0, 第二次摸出黑球.
判断随机变量X与Y是否相互独立.
➢ 解 利用古典概型的方法求其
联合分布律及边缘分布律,
根据分布律的结果判断独立性.
(1) 有放回摸球,分布律如下:
概率论与数理统计
6
❖ 2.离散型随机变量的独立性 1.概念
即X 和Y 相互独立.
概率论与数理统计
4
❖ 2.离散型随机变量的独立性 1.概念
➢ 设离散型随机变量(X, Y)的联合分布律、边缘分布律分别为
P( X xi ,Y y j ) pij , P( X xi ) pi , P(Y y j ) p• j
关于离散型随机变量X, Y的相互独立性,有如下的判别法. ➢ 定理3.6.1 离散型随机变量X与Y相互独立的充要条件是:

二维随机变量及独立性--教学设计课题

二维随机变量及独立性--教学设计课题

概率论与数理统计教学设计不大于实数的概率,并把联合分布函数记为,即.3.联合分布函数的性质(1); (2 )是变量(固定)或(固定)的非减函数;(3) ,; (4) 是变量(固定)或(固定)的右连续函数; (5) .例题:设二维随机变量(,)X Y 的联合分布函数为(,)(arctan )(arctan )F x y A B x C y =++求:常数,,(,)A B C x y -∞<<+∞-∞<<+∞解:由分布函数(,)F x y 的性质得:lim (arctan )(arctan )()()122lim (arctan )(arctan )()(arctan )02lim (arctan )(arctan )(arctan )()02x y x y A B x C y A B C A B x C y A B C y A B x C y A B x C ππππ→+∞→+∞→-∞→-∞++=++=++=-+=++=+-=由以上三式可解得:21,,22A B C πππ===教师给予引导,提出的问题上。

y (,)F x y (,)(,),,F x y P X x Y y x y =≤≤-∞<<+∞-∞<<+∞0(,)1F x y ≤≤(,)F x y x y y x (,)0,(,)0lim lim x y F x y F x y →-∞→-∞==(,)0,(,)1lim lim x x y y F x y F x y →-∞→+∞→-∞→+∞==(,)F x y x y y x 121222211211(,)(,)(,)(,)(,)P x X x y Y y F x y F x y F x y F x y <≤<≤=--+1.也可用下边的概率分布表表示:分)5.二维连续型随机变量及联合概率密度(1)对于二维随机变量(X,Y)的分布函数,如果存在一个二元非负函数,使得对于任意一对实数有成立,则为二维连续型随机变量,为二维连续型随机变量的联合概率密度.(2)二维连续型随机变量及联合概率密度的性质①;②;③设为二维连续型随机变量,则对任意一条平面曲线,有;’④在的连续点处有;⑤设为二维连续型随机变量,则对平面上任一区域有例.求在D上服从均匀分布的随机变量(X,Y)的密度函数和分布函数,其中D为x轴、y轴及直线y=2x+1围城的三角形区域。

二维随机变量独立性的判定定理

二维随机变量独立性的判定定理
徐 幼 学
( 湛江广播 电 ' 视大学, 广东湛江,5 2 4 0 0 5 )
【 摘 要】二维随机变 量及其分布 是概 率论 与数理统计课程 的难点和重点。 已有 的二维随机变量判定定理判断随机变
量的独立性,必须 求出边缘分布律 ,有 时计算会 比较复杂,另有的两个判定定理更为简明直接 ,可 以参考应用。 【 关键词】 独立性 ;直接判别法 ;二维随机 变量 ;判定定理 I 中 图分类号 l O 2 1 1 . 5 I 文献标识 码l A 【 文章编号 l 2 0 9 5 -9 3 2 x( 2 0 1 5 )0 2 -0 1 1 1 -0 2
【 收稿 日 期l 2 0 1 5 — 0 3 —0 6 【 作者简介】徐 幼学 ( 1 9 5 7 -), 男 ,江西临川人 ,湛江广播 电视大学讲师。
广东开 放大学学 报
( 第 2 4卷 总第 1 1 1期)
2 0 1 5 年第 3 期
= g ) £ ;  ̄ g ( x ) h ( y ) d x d y = g ) £ £ 厂 、 y ) d x d y
P ( 2 ,0 ) = = × , P ( 2 ,1 ) = = ×
( 3 ) 肚

且 + ; , ; = 1 , + =
O l 2 1 / 1 2 1 / 4
由定理 四知 , X与Y独立 。
1 1 / 6 1 / 2 P
总第 1 1 1期
S u m N o .1 1 1
广东开放大学学报
J0URNAL OF OPEN UNI VERSI TY O F GUANGDONG
2 0 1 5 年 第 3 期
N o . 3 . 2 01 5

概率论二维随机变量

概率论二维随机变量
联合概率密度函数法
对于连续型随机变量,可以通过联合概率密度函数积分计算边缘分布的概率密 度函数。
边缘分布的应用场景
统计推断
在统计分析中,常常需要利用边缘分布来推断另 一个随机变量的统计性质,如均值、方差等。
概率模型简化
在复杂概率模型中,可以通过计算边缘分布来简 化模型,便于分析和计算。
数据处理
在处理多维数据时,可以利用边缘分布来提取单 维数据,进行进一步的分析和处理。
条件概率与条件期望
条件概率
在概率论中,条件概率是指在某个条件下的概率。对于二维随机变量,条件概率是指在给定某个变量的条件下, 另一个变量的概率分布。
条件期望
条件期望是指在给定某个变量的条件下,另一个变量的期望值。在二维随机变量中,条件期望是指在给定某个变 量的条件下,另一个变量的加权平均值。
05
例如温度和压力的联合分布。
02
二维随机变量的定义与性质
二维随机变量的定义
1 2
定义
二维随机变量是两个随机变量的组合,通常表示 为 (X, Y),其中 X 和 Y 都是随机变量。
定义域
二维随机变量的定义域是 X 和 Y 的取值范围的 组合,通常表示为 D,D 是实数域 R 的子集。
3
概率空间
二维随机变量是概率空间的一个元素,概率空间 由样本空间、事件域和概率函数组成。
联合概率分布满足概率的基本性质,即非 负性、归一性和可加性。
03
二维随机变量的期望与方差
二维随机变量的期望
01
02
03
定义
二维随机变量的期望是所 有可能取值的概率加权和。
计算公式
E(X,Y)=∫−∞∞∫−∞∞(x,y )f(x,y)dxdy,其中f(x,y)是 联合概率密度函数。

2.4边缘分布与独立性

2.4边缘分布与独立性

0 x y 0 y x 其它
二、边缘分布律 若随机变量X与Y的联合分布律为 (p80) (X, Y)~ P{X=xi, Y= yj,}= pij ,i, j=1, 2, … 则称 pij ,i=1, 2, … P{X=xi}=pi.=

j
为(X, Y)关于X的边缘分布律; P{Y= yj}=p.j=
x=-y
x=y
y dx 0 y 1 fY ( y ) y 0 others
设(X,Y)的概率密度为 cy 0 x 1,0 y x f ( x, y) others 0 (1)求常数c.(2)求关于X的和关于Y的边缘概率密度. 答:c 6
p ,j=1, 2, …
i 1 ij
为(X, Y)关于Y的边缘分布律。
边缘分布律自然也满足分布律的性质。
例2.已知(X,Y)的分布律如下,求X、Y的边缘分布律。 x\y 1 0 1 1/10 3/10 0 3/10 3/10 解:
x\y
1 0
p{Y=yi}
1 0 p{X=xi}. 1/10 3/10 2/5 3/10 3/10 3/5 2/5 3/5
2 连续型随机变量的条件概率密度
定义. 给定y,设对任意固定的,极限
lim P{ X x | y Y y }
0
P{ X x, y Y y } lim 0 P{ y Y y } 存在,则称此极限为在条件条件下X的条件分布函数. 记作 FX |Y ( x | y) P{X x | Y y}
pi| j P{ X xi | Y y j } =
pij p. j
,
j 1,2,...
为Y= yj的条件下,X的条件分布律;

2.4边缘分布与独立性

2.4边缘分布与独立性

已知(X,Y)的分布函数为 例1.已知 已知 的分布函数为
1 − e − x − xe − y −y −y F ( x, y ) = 1 − e − ye 0
求FX(x)与FY(y)。 与
1 − e − x 解:FX (x)=F(x,+∞)= 0
0≤ x≤ y 0≤ y≤ x 其它
如果按中国人的相应参数代入上 式,即可得出以脚印长度作自变量 的身高近似公式.
∫ 6dy = 6( x − x
2
) 0≤ x≤1
x2
4、随机变量的相互独立性 、
定义 称随机变量X 与 Y 独立, 如果对任意实数 称随机变量 X 独立 , a<b,c<d, a<b,c<d,有 P{a<X≤b,c<Y≤d}=P{a<X≤b}P{c<Y≤ P{a<X≤b,c<Y≤d}=P{a<X≤b}P{c<Y≤d} 量X与Y独立。 独立。 定理:随机变量X 定理:随机变量X与Y独立的充分必要条件是 独立的充分必要条件是 F(x,y)=FX(x)FY(y)
身高 = 脚印长度× 6.876
算出罪犯的身高. 这个公式是 如何推导出来的?
设一个人身高为 X ,脚印长度为 Y . 显然,两者之间是有统计关系的,故 应作为二维随机变量 ( X , Y )来研究. 由于影响人类身高与脚印的随机 因素是大量的、相互独立的,且各因 素的影响又是微小的,可以叠加的. 故 由中心极限定理知 ( X , Y ) 可以近似看 2 2 成服从二维正态分布 N(u1,σ1 , u2,σ2 ; ρ).
j =1

关于Y的边缘分布律 为(X, Y)关于 的边缘分布律。 关于 的边缘分布律。 边缘分布律自然也满足分布律的性质。 边缘分布律自然也满足分布律的性质。

《二维随机变量》课件

《二维随机变量》课件
详细描述
二维随机变量是概率论中的一个概念 ,它由两个随机变量组成,每个随机 变量都可以取不同的值,这些值之间 有一定的概率分布关系。
性质
总结词
二维随机变量具有独立性、对称性、可加性等性质。
详细描述
独立性是指两个随机变量之间没有相互影响,一个随机变量的取值不会影响到另一个随机变量的取值。对称性是 指两个随机变量的取值概率相同,即P(X=x, Y=y) = P(X=y, Y=x)。可加性是指两个随机变量的和仍然是一个随 机变量,其概率分布可以通过两个随机变量的概率分布计算得出。
CHAPTER 03
二维随机变量的函数
Z变换
定义
Z变换是数学中的一种变换方法,用于将离散信号或序列转换为复 平面上的函数。在二维随机变量的背景下,Z变换可以用于分析两
个随机变量之间的关系。
应用
通过Z变换,我们可以研究两个随机变量之间的依赖关系,例如相 关性、条件概率等。此外,Z变换还可以用于信号处理、控制系统
线性变换在统计学、概率论和数据分 析等领域有广泛应用,例如在回归分 析和主成分分析中常用到线性变换。
标准化变换
标准化变换的定义
标准化变换是将二维随机变 量的每个分量分别减去其均 值并除以其标准差,从而将 原始变量转换为标准正态分
布的随机变量。
标准化变换的性质
标准化变换将原始变量的均 值为0、标准差为1的标准正 态分布,保持了变量的方差 、协方差等统计特性不变。
03
当相关系数为0时,协方差也 为0,表示两个随机变量之间 没有线性相关性。
CHAPTER 06
二维随机变量的函数变换
线性变换
01
线性变换的定义
线性变换是二维随机变量的变换方式 之一,它通过一个线性方程组将原始 变量转换为新的变量。

二维随机变量相互独立的充要条件

二维随机变量相互独立的充要条件

二维随机变量相互独立的充要条件一、引言随机变量是概率论和数理统计中的基本概念,而二维随机变量则是指由两个随机变量组成的随机向量。

在实际问题中,常常需要研究二维随机变量之间的关系,其中一个重要的问题就是如何判断二维随机变量是否相互独立。

本文就二维随机变量相互独立的充要条件进行详细介绍。

二、定义设 $(X,Y)$ 是一个二维随机变量,$F_{X}(x)$ 和 $F_{Y}(y)$ 分别是 $X$ 和 $Y$ 的分布函数,$f_{X}(x)$ 和 $f_{Y}(y)$ 分别是$X$ 和 $Y$ 的概率密度函数。

若对于任意的 $x,y$,有$$F_{XY}(x,y)=F_{X}(x)F_{Y}(y)$$或者$$f_{XY}(x,y)=f_{X}(x)f_{Y}(y)$$则称 $(X,Y)$ 是相互独立的。

三、充要条件二维随机变量相互独立的充要条件有两种形式,分别是基于分布函数和概率密度函数的充要条件。

1. 基于分布函数的充要条件设 $(X,Y)$ 是一个二维随机变量,$F_{X}(x)$ 和 $F_{Y}(y)$ 分别是 $X$ 和 $Y$ 的分布函数,则 $(X,Y)$ 相互独立的充要条件是$$F_{XY}(x,y)=F_{X}(x)F_{Y}(y)$$其中 $F_{XY}(x,y)$ 是 $(X,Y)$ 的联合分布函数。

2. 基于概率密度函数的充要条件设 $(X,Y)$ 是一个二维随机变量,$f_{X}(x)$ 和 $f_{Y}(y)$ 分别是 $X$ 和 $Y$ 的概率密度函数,则 $(X,Y)$ 相互独立的充要条件是$$f_{XY}(x,y)=f_{X}(x)f_{Y}(y)$$其中 $f_{XY}(x,y)$ 是 $(X,Y)$ 的联合概率密度函数。

四、举例说明为了更好地理解二维随机变量相互独立的充要条件,下面举一个例子。

设 $(X,Y)$ 是一个二维随机变量,它的概率密度函数为$$f_{XY}(x,y)=\begin{cases}x+y,&0\leq x\leq 1,0\leq y\leq1\\0,&\text{其他}\end{cases}$$我们需要判断 $(X,Y)$ 是否相互独立。

二维随机变量独立性的判定及其应用

二维随机变量独立性的判定及其应用
参考文献: [1] 董俊超.离散型随机变量独立性的一种判定方法[J].
天 津 师 范 大 学 学 报 .1999,19(3):10-11. [2] 汪建均.随机变量独立性的简易判别法[J].数学理 论
解 存在非负Lebesgue可积函数h(x)=2x,0
与 应 用 .2005,25(1):71-73.
或边缘分布函数和 边 缘 概 率 密 度 函 数,才 能 判 断
X 与Y 的独立性,而一般 情 况 下 求 边 缘 分 布 函 数 或边 缘 概 率 密 度 函 数 是 较 麻 烦 的,于 是 文 献
[1-4]给出了二维随机变量相 互 独 立 的 几 个 简 易 的判定定理。
4 简易判别法 对于二维 离 散 型 随 机 变 量 (X,Y)的 联 合 分
60
定理3 设二维连续型随机变量(X,Y)的联 合概率密度函 数 为 f(x,y),关 于 X,Y 的 边 缘 概 率密度函数分别为fX (x),fY (y),则随机变量 X, Y 相互独立的充要条件是:对任意实数x和y 都有 f(x,y)=fX (x)·fY (y)
上述几种方法必须求出随机变量的分布函数
3 0.062 0.128 0.007 0.928 智力因素
4 0.216 0.245 0.872 -0.081 自信程度
5 0.918 -0.104 0.166 -0.063 经验
6 0.863 0.099 0.259 0.004 应变能力
7 0.216 -0.242 0.863 0.001 理解力
8 0.917 0.206 0.087 -0.051 交际能力
9 0.083 0.852 -0.052 0.212 诚实
10 0.798 0.352 0.161 -0.049 理想和抱负

3.4二维随机变量的独立性

3.4二维随机变量的独立性

f ( x , y ) f X ( x ) fY ( y )
则称X与Y相互独立。
证明:若 ( X ,Y ) ~ N ( μ1 , μ2 , σ12 , σ 22 , ρ) 则
X与Y相互独立
0
f ( x, y ) f X ( x ) fY ( y )
2 y μ2 x μ1 y μ2 2 ρ σ2 σ1 σ2
将其余数值 填入空白处.
X
Y
y1
1 24 1 8 1 6
y2
1 8 3 8 1 2
y3
1 12 1 4 1 3
P X xi pi
1 4 3 4 1
x1 x2
P Y y j p j


二、二维连续型随机变量的独立性 定义3.4.2 设(X,Y)为二维连续型随机变量, 如果对任意的实数 x 和 y 都有
X
Y
y1
p11 p21 pi 1
y2 ...
p12 ... p22 ... pi 2 ...
yj
p1 j p2 j pij
x1 x2 xi Y
... X ... p1
... ...
p 2 pi
p1
p2 pபைடு நூலகம் j
例 设随机变量 X 与 Y 独立, 下表列出二维随机变量 ( X , Y ) 的联合分布律 及边缘分布律 的部分数值,
证明:X与Y相互独立
f ( x, y ) f X ( x ) fY ( y )
1 2πσ1σ 2 1 ρ
2
e
1 2(1 ρ2 )


x μ1 σ1
2

1 2πσ1

二维随机变量相互独立的条件

二维随机变量相互独立的条件

二维随机变量相互独立的条件二维随机变量相互独立的条件可以通过以下几个方面来解释:1. 定义:首先,我们需要了解什么是二维随机变量。

二维随机变量是指由两个随机变量组成的一组数据。

而二维随机变量相互独立是指其中一个随机变量的取值不会对另一个随机变量的分布产生影响。

2. 条件概率:在理解二维随机变量相互独立的条件之前,我们需要了解条件概率的概念。

条件概率是指当某个事件已经发生时,另一个事件发生的概率。

用数学符号表示为P(A|B),表示在事件B已经发生的条件下,事件A发生的概率。

3. 独立事件:对于二维随机变量来说,如果两个随机变量之间的事件是相互独立的,那么对于任意的事件A和事件B来说,P(A|B) = P(A)。

也就是说,当一个事件已经发生时,另一个事件的发生概率与之前的概率没有改变。

4. 条件概率的定义:根据条件概率的定义,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。

5. 独立事件的条件概率:如果两个事件相互独立,那么P(A∩B) = P(A)P(B)。

根据条件概率的定义,我们可以得到P(A|B) = P(A)P(B)/P(B) = P(A)。

6. 二维随机变量相互独立的条件:根据独立事件的条件概率,我们可以得到对于二维随机变量X和Y来说,如果对于任意的x和y,P(X=x|Y=y) = P(X=x)和P(Y=y|X=x) = P(Y=y),那么X和Y就是相互独立的。

综上所述,二维随机变量相互独立的条件是当一个随机变量的取值已知时,另一个随机变量的分布不受影响,即它们之间的条件概率等于无条件概率。

这种独立性可以通过条件概率的定义和独立事件的条件概率来解释和理解。

  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)。

y
FY ( y) F(, y) [ f ( x, v)dx]dv,
故X,Y 的 边缘密度函数为:
fX ( x) FX ( x)
f ( x, y)dy,
fY ( y) FY ( y)
f ( x, y)dx,
例2:设(X,Y)服从下列区域上的二维均匀分布,
试求X,Y的边缘概率密度。
y
(1)D ( x, y) | 0 x 2,0 y 1 1
2.4 二维随机变量的独立性
一、二维随机变量的边缘分布
随机向量( X ,Y )中, X ,Y的分布分别称为关于X、Y的 边缘分布。X, Y的分布函数 FX ( x), FY ( y) 称为边缘分布函数。
巳知 (X, Y) 的联合分布函数为 F(x, y), 则易知:
FX x PX x PX x,Y F x, FY y PY y PX ,Y y F , y
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 的联合分布及条件分布.
解 依题意,{Y=n} 表示在第n次射击时击中目 标 , 且在前n-1次射击中有一次击中目标. {X=m} 表 首次击中目标时射击了m次 .
1 2 ……m…………. n-1 n
n次射击 击中
击中
j
P{[( X xi ) (Y y j )]}
j
P{X xi ,Y y j }
j
pij pi• (i 1,2, ) j
同理,Y的边缘分布
P{Y y j } pij p• j i
( j 1,2, )
XY
x1 x2 xi
p• j
y1 y2 y j pi•
p11 p12 p1 j p1•
暂时固定
当 y 0 时,
fY y
0dx 0
y
当 y 0 时,
fY
y
y e y dx ye y
0
y

fY
y
ye 0,
y
,
y y
0, 0.
0
y
y
暂时固定
概率论
y x x
二、二维r.v.的条件分布
1. 离散型 定义2.4: 设(X,Y)的联合概率分布列为
pij P( X xi ,Y y j ), i, j 1, 2,L
6 10
5 9
1 3
类似可得其余三个联合概率(见下表)。
(1)不放回抽取
(2)有放回抽取
X2 X1
0
1
1
4
0
3 15
4
2
1
15 15
(2)有放回抽取
X2 X1
0
1
9
6
0
25 25
6
4
1
25 25
事件“X1 i”与“X2 j”相互独立, 则有
P{X1 0, X2 0} P{X1 0} P{X2 0} 6 6 9
f (x, y)
0,
其它 暂时固定
求 (1) c的值; (2) 两个边缘密度 .
解 (2)
fY y
f x, ydx
y
当 y 1或 y 0时,对x ,, y
y x
都有 f x, y 0,故 fY y 0 .
1
当0 y 1时,
fY y
y f x, ydx
y 0 y1 x y
p21 p22 p2 j p2• ..........................................
pi1 pi2
pij pi•
..........................................
p•1 p•2 p• j
再回到第二节之例题
例1 : 10件产品中有4件次品,6件合格品,每次任取一件,
pj i
P(Y
yj
X
xi )
P( X xi ,Y y j ) P( X xi )
pij , pi g
j 1, 2,L
为在 X xi 条件下Y的条件分布列。
例4:设二维d.r.v.(X,Y)的联合分布列为
XY 1
1
0.1
2
0.2
p gj
0.3
2
3
pi g
0.3
0.2 0.6
0.05 0.15 0.4
1
f
(
x,
y)
2
0 x 2,0 y 1
0
其它
0
D 2x
y
(2)D ( x, y) | x2 y2 1
1
1
f
(
x,
y)
x2 y2 1
1
0 其它
0 D 1x 1
解 (1)D ( x, y) | 0 x 2,0 y 1
f
(
x,
y)
1 2
0 x 2,0 y 1
概率论
为求条件分布,先求边缘分布. X的边缘分布律是:
PX m PX m,Y n
nm1
p2 (1 p)n2 p2 (1 p)n2
n m 1
n m 1
p2 (1 p)m12 p(1 p)m1
1 (1 p)
( m=1,2, … )
概率论
Y的边缘分布律是:
n1
PY n PX m,Y n

(2)
fX x
f x, ydy
当 x 1或 x 0时 , y ,, y
y x
都有 f x, y 0,故 fX x 0 .
当 0 x 1时,
fX
x
0
f
x,
y dy
x x0
x
0
f
x,
y dy
x
f
x,
y dy
.
x1 x x
概率论
当 0 x 1时,
fX
x
0
f
x,
y dy
概率论
1 2 ……m…………. n-1 n
n次射击 击中
击中
不论m(m<n)是多少, P{X=m,Y=n}都应等于
每次击中目标的概率为 p P{X=m,Y=n}=?
PX m,Y n p2 1 p n2
由此得X和Y的联合分布律为
PX m,Y n p2 1 p n2
( n=2,3, …; m=1,2, …, n-1)
连取两次,用 Xi 表示第i 次取到的次品数 (i 1,2), 分别就不放 回和有放回两种抽样方式,求( X1, X2 )的联 合概率分布。
解 ( X1, X2 )可取 (0,0),(0,1),(1,0),(1,1) 共四个值。
(1) 不放回抽取
P{X1 0, X2 0}
P{X1 0} P{X2 0 | X1 0}
x
0
f
x,
y dy
x
f
x,
y dy
.
x 24 y(2 x)dy 05
y
y x
12 x2(2 x),
x
综上 , 5
x 0 x1x x
fX x 152 x22 x,0 x 1, 注意取值范围
0 , , 其它 .
例 3 设(X,Y)的概率密度是
概率论
cy(2 x), 0 x 1,0 y x
其联合分布与边缘分布如下表所示
pij X 0
1
2
3 p• j
Y
111 1
8
0
27 9 9 27 27
1
121 0
4
999
9
2
110 0
2
99
9
3
1 00 0
1
27
27
pi•
84 2 27 9 9
1
27 1
(1) P(X i Y 0) P(X i , Y 0) P(Y 0)
P(X i , Y 0) i 0,1,2,3
2 1 y2 fY ( y)
0
1 y 1 其它
易见,(1)中X与Y均服从一维均匀分布,(2)中则不然。
例3 设(X,Y)的概率密度是
概率论
cy( 2 x ), 0 x 1,0 y x
f ( x,y )
0,
其它
求 (1) c的值; (2)两个边缘密度。 y
解 (1) 1 f x, ydxdy
3
2
5
5
X1 0
1
3
2
P
5
5
X2 0
1
3
2
P5
5
➢ 由联合分布可以唯一确定边际分布. ➢ 但由边际分布一般无法确定联合分布. ➢ 所以联合分布包含随机向量更多的信息.
2. 二维c.r.v.
X,Y 的 边缘分布函数为:
FX ( x) F( x, )
x
f (u, v)dvdu
x
[ f (u, y)dy]du,
m1
n1
p2 (1 p)n2 m 1
(n 1) p2 (1 p)n2
( n = 2,3, … )
于是可求得:
概率论
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
(n
p2 (1 p)n2 1) p2 (1 p)n2
1, n1
m=1,2, …,n-1
0.35 0.35
因为 P( X 1) p1g 0.6, 在X=1的条件下,Y 的分布列为
Y X 1 1
2
3
p
1/ 6
1/ 2
1/ 3
因为 P( X 2) p2g 0.4, 在X=2的条件下,Y的分布列为
相关文档
最新文档