文章目录
Ch2. 一维随机变量及其分布
1.随机变量及分布函数
1.随机变量
①X=X(ω)
②一般用大写字母表示
常见的两类随机变量——离散型随机变量、连续型随机变量
2.分布函数 F ( x ) F(x) F(x)
(1)定义
1.定义:
称函数
F
(
x
)
=
P
{
X
≤
x
}
(
−
∞
<
x
<
+
∞
)
F(x)=P\{ X≤x\} \ (-∞<x<+∞)
F(x)=P{X≤x} (−∞<x<+∞) 为随机变量X的分布函数,或称 X服从F(x)分布,记为X~F(x)
(2)分布函数F(x)的性质 (充要条件)
①
0
≤
F
(
x
)
≤
1
0≤F(x)≤1
0≤F(x)≤1:分布函数是事件的概率,满足有界性
②
F
(
x
)
单调不减
F(x)单调不减
F(x)单调不减:x从-∞取到+∞的过程中,F(x)单调不减,从0逐渐变大到1
③
F
(
x
)
右连续
F(x)右连续
F(x)右连续:
F
(
a
)
=
F
(
a
+
)
F(a)=F(a^+)
F(a)=F(a+)
④
lim
x
→
−
∞
F
(
x
)
=
F
(
−
∞
)
=
0
,
lim
x
→
+
∞
F
(
x
)
=
F
(
+
∞
)
=
1
\lim\limits_{x→-∞}F(x)=F(-∞)=0,\lim\limits_{x→+∞}F(x)=F(+∞)=1
x→−∞limF(x)=F(−∞)=0,x→+∞limF(x)=F(+∞)=1
若函数F(x)满足性质②-④,则F(x)必为某个随机变量的分布函数。
⑤ f ( x ) = F ′ ( x ) f(x)=F'(x) f(x)=F′(x)
例题:判断是否为分布函数、概率密度
例题1:02年10.
分析:
A.
∫
−
∞
+
∞
f
(
x
)
d
x
=
∫
−
∞
+
∞
(
f
1
(
x
)
+
f
2
(
x
)
)
d
x
=
∫
−
∞
+
∞
f
1
(
x
)
d
x
+
∫
−
∞
+
∞
f
2
(
x
)
d
x
=
2
≠
1
∴
f
1
(
x
)
+
f
2
(
x
)
\int_{-∞}^{+∞}f(x)dx=\int_{-∞}^{+∞}(f_1(x)+f_2(x))dx=\int_{-∞}^{+∞}f_1(x)dx+\int_{-∞}^{+∞}f_2(x)dx=2≠1 \quad ∴f_1(x)+f_2(x)
∫−∞+∞f(x)dx=∫−∞+∞(f1(x)+f2(x))dx=∫−∞+∞f1(x)dx+∫−∞+∞f2(x)dx=2=1∴f1(x)+f2(x)不是概率密度
B.
∫
−
∞
+
∞
f
(
x
)
d
x
=
∫
−
∞
+
∞
f
1
(
x
)
f
2
(
x
)
d
x
≠
1
∴
f
1
(
x
)
f
2
(
x
)
\int_{-∞}^{+∞}f(x)dx=\int_{-∞}^{+∞}f_1(x)f_2(x)dx≠1\quad ∴f_1(x)f_2(x)
∫−∞+∞f(x)dx=∫−∞+∞f1(x)f2(x)dx=1∴f1(x)f2(x)不是概率密度
C.
F
(
+
∞
)
=
F
1
(
+
∞
)
+
F
2
(
+
∞
)
=
2
≠
1
∴
F
1
(
x
)
+
F
2
(
x
)
F(+∞)=F_1(+∞)+F_2(+∞)=2≠1 \quad ∴F_1(x)+F_2(x)
F(+∞)=F1(+∞)+F2(+∞)=2=1∴F1(x)+F2(x)不是分布函数
D.①
0
≤
F
1
(
x
)
F
2
(
x
)
≤
1
0≤F_1(x)F_2(x)≤1
0≤F1(x)F2(x)≤1
②
F
1
(
x
)
F
2
(
x
)
F_1(x)F_2(x)
F1(x)F2(x)单调不减
③
F
1
(
x
)
F
2
(
x
)
F_1(x)F_2(x)
F1(x)F2(x)右连续
④
F
(
+
∞
)
=
F
1
(
+
∞
)
F
2
(
+
∞
)
=
1
,
F
(
−
∞
)
=
F
1
(
−
∞
)
F
2
(
−
∞
)
=
0
F(+∞)=F_1(+∞)F_2(+∞)=1,F(-∞)=F_1(-∞)F_2(-∞)=0
F(+∞)=F1(+∞)F2(+∞)=1,F(−∞)=F1(−∞)F2(−∞)=0
∴
F
1
(
x
)
F
2
(
x
)
F_1(x)F_2(x)
F1(x)F2(x)必为某个随机变量的分布函数。
答案:D
例题2:11年7.
分析:
①如果对乘法的求导法则熟悉,则会发现D的
f
1
(
x
)
F
2
(
x
)
+
f
2
(
x
)
F
1
(
x
)
=
[
F
1
(
x
)
F
2
(
x
)
]
′
f_1(x)F_2(x)+f_2(x)F_1(x) = [F_1(x)F_2(x)]'
f1(x)F2(x)+f2(x)F1(x)=[F1(x)F2(x)]′
②验证性质:
∫
−
∞
+
∞
f
1
(
x
)
F
2
(
x
)
+
f
2
(
x
)
F
1
(
x
)
d
x
=
F
1
(
x
)
F
2
(
x
)
∣
−
∞
+
∞
=
1
×
1
−
0
×
0
=
1
\int_{-∞}^{+∞}f_1(x)F_2(x)+f_2(x)F_1(x)\rm dx=F_1(x)F_2(x)|_{-∞}^{+∞}=1×1-0×0=1
∫−∞+∞f1(x)F2(x)+f2(x)F1(x)dx=F1(x)F2(x)∣−∞+∞=1×1−0×0=1
满足
f
(
x
)
≥
0
f(x)≥0
f(x)≥0、
∫
−
∞
+
∞
f
(
x
)
d
x
=
1
\int_{-∞}^{+∞}f(x){\rm d}x=1
∫−∞+∞f(x)dx=1,为概率密度
答案:D
例题3:24李林六(二)8.
分析:
①由
F
(
−
∞
)
=
0
,
F
(
+
∞
)
=
1
F(-∞)=0,F(+∞)=1
F(−∞)=0,F(+∞)=1,排除AB
②由右连续 或 单调不减,排除C
答案:D
(3)分布函数的应用——求概率
1.一元分布函数:
①
P
{
X
≤
a
}
=
F
(
a
)
P\{X≤a\}=F(a)
P{X≤a}=F(a)
② P { X > a } = 1 − P { X ≤ a } = 1 − F ( a ) P\{X>a\}=1-P\{X≤a\}=1-F(a) P{X>a}=1−P{X≤a}=1−F(a)
③ P { a < X ≤ b } = P { X ≤ b } − P { X ≤ a } P\{a<X≤b\}=P\{X≤b\}-P\{X≤a\} P{a<X≤b}=P{X≤b}−P{X≤a}
④ P { X < a } = F ( a − ) P\{X<a\}=F(a^-) P{X<a}=F(a−)
⑤ P { X = a } = P { X ≤ a } − P { X < a } = F ( a ) − F ( a − ) P\{X=a\}=P\{X≤a\}-P\{X<a\}=F(a)-F(a^-) P{X=a}=P{X≤a}−P{X<a}=F(a)−F(a−)(一点处的概率,连续型一点处的概率为0)
①若 P { X = a } = 0 ,即 F ( a ) − F ( a − ) P\{X=a\}=0,即F(a)-F(a^-) P{X=a}=0,即F(a)−F(a−),即要求左连续。
②因为分布函数统一用F字母,所以不同分布函数是用F的不同角标来区分,如X和Y不同分布,则分布函数为 F X ( z ) 、 F Y ( z F_X(z)、F_Y(z FX(z)、FY(z)
2.二元分布函数:
F
Z
(
z
)
=
P
{
Z
≤
z
}
=
P
{
Z
(
X
,
Y
)
≤
z
}
F_Z(z) = P\{Z≤z\}=P\{Z(X,Y)≤z\}
FZ(z)=P{Z≤z}=P{Z(X,Y)≤z}
例题1:10年7.
分析: P X = 1 = F ( 1 ) − F ( 1 − 0 ) = 1 − e − 1 − 1 2 = 1 2 − e − 1 P{X=1}=F(1)-F(1-0)=1-e^{-1}-\dfrac{1}{2}=\dfrac{1}{2}-e^{-1} PX=1=F(1)−F(1−0)=1−e−1−21=21−e−1
答案:C
例题2:19年14. 分类讨论、数学期望
分析:
答案: 2 3 \dfrac{2}{3} 32
例题3:09年8.
分析:
答案:B
例题4:23李林四(一)9.
分析:
答案:D
(4)最大最小值函数
分布函数 | 概率密度 | |
---|---|---|
最大值函数: max { X 1 , X 2 , . . . , X n } \max\{X_1,X_2,...,X_n\} max{X1,X2,...,Xn} | [ F ( x ) ] n [F(x)]^n [F(x)]n | n [ F ( x ) ] n − 1 f ( x ) n[F(x)]^{n-1}f(x) n[F(x)]n−1f(x) |
最小值函数: min { X 1 , X 2 , . . . , X n } \min\{X_1,X_2,...,X_n\} min{X1,X2,...,Xn} | 1 − [ 1 − F ( x ) ] n 1-[1-F(x)]^n 1−[1−F(x)]n | n [ 1 − F ( x ) ] n − 1 f ( x ) n[1-F(x)]^{n-1}f(x) n[1−F(x)]n−1f(x) |
推导:
①
P
{
max
{
X
,
Y
}
≤
a
}
=
P
{
X
≤
a
,
Y
≤
a
}
P\{\max\{X,Y\}≤a\}=P\{X≤a,Y≤a\}
P{max{X,Y}≤a}=P{X≤a,Y≤a} 【16年23(1) 最大值函数】
② P { min { X , Y } ≥ a } = P { X ≥ a , Y ≥ a } P\{\min\{X,Y\}≥a\}=P\{X≥a,Y≥a\} P{min{X,Y}≥a}=P{X≥a,Y≥a}
③ P { a < max { X , Y } ≤ b } = P { a < U ≤ b } = P { U ≤ b } − P { U ≤ a } = P { X ≤ b , Y ≤ b } − P { X ≤ a , Y ≤ a } P\{a<\max\{X,Y\}≤b\}=P\{a<U≤b\}=P\{U≤b\}-P\{U≤a\}=P\{X≤b,Y≤b\}-P\{X≤a,Y≤a\} P{a<max{X,Y}≤b}=P{a<U≤b}=P{U≤b}−P{U≤a}=P{X≤b,Y≤b}−P{X≤a,Y≤a}
例题1:08年7. Z=max{X,Y}与Z=min{X,Y}的分布函数
分析:
F 2 ( x ) : Z = m a x { X , Y } F²(x):Z=max\{X,Y\} F2(x):Z=max{X,Y},独立,同分布
F ( x ) F ( y ) : Z = m a x { X , Y } F(x)F(y):Z=max\{X,Y\} F(x)F(y):Z=max{X,Y},独立,不同分布
1 − [ 1 − F ( x ) ] 2 : Z = m i n { X , Y } 1-[1-F(x)]²:Z=min\{X,Y\} 1−[1−F(x)]2:Z=min{X,Y},独立,同分布
1 − [ 1 − F ( x ) ] [ 1 − F ( y ) ] : Z = m i n { X , Y } 1-[1-F(x)][1-F(y)]:Z=min\{X,Y\} 1−[1−F(x)][1−F(y)]:Z=min{X,Y},独立,不同分布
答案:A
例题2:08年7. 变式
分析:主要是看①max还是min,②是否同分布。就看这两个。最大值是乘积,最小值是 1-[ ],同分布无角标,不同分布有角标,有x有y
①分布函数的定义:分布函数F与概率P的关系
②最大值最小值的定义
③独立:P的乘积可拆为乘积的P,同理F可拆
④同分布:角标可以抹去了,合并。随机变量不同分布,则有各自的角标。
答案:C
例题3:16年23(1)
分析:
直接默写最大值函数的分布函数、概率密度公式
答案:
例题4:24李林六(六)16. 最大值函数 U=max{X,Y}
分析:
①
P
{
max
{
X
,
Y
}
≤
a
}
=
P
{
X
≤
a
,
Y
≤
a
}
P\{\max\{X,Y\}≤a\}=P\{X≤a,Y≤a\}
P{max{X,Y}≤a}=P{X≤a,Y≤a}
②
P
{
a
<
max
{
X
,
Y
}
≤
b
}
=
P
{
a
<
U
≤
b
}
=
P
{
U
≤
b
}
−
P
{
U
≤
a
}
=
P
{
X
≤
b
,
Y
≤
b
}
−
P
{
X
≤
a
,
Y
≤
a
}
P\{a<\max\{X,Y\}≤b\}=P\{a<U≤b\}=P\{U≤b\}-P\{U≤a\}=P\{X≤b,Y≤b\}-P\{X≤a,Y≤a\}
P{a<max{X,Y}≤b}=P{a<U≤b}=P{U≤b}−P{U≤a}=P{X≤b,Y≤b}−P{X≤a,Y≤a}
答案: 15 8 e \dfrac{15}{8e} 8e15
例题5:24李林六(一)22(1)
答案:
2.一维离散型随机变量
(1)离散型随机变量的定义
(1)离散型随机变量的定义:
定义1:如果随机变量X的所有可能取值为有限个或无限可列个离散的点
x
1
,
x
2
,
.
.
.
,
x
i
,
.
.
.
x_1,x_2,...,x_i,...
x1,x2,...,xi,...,则称X为一个离散型随机变量。
定义2:若随机变量X的分布函数F(x)为一个阶梯函数,则称X为一个离散型随机变量。
(2)分布律的定义:
P
{
X
=
x
i
}
=
p
i
P\{X=x_i\}=p_i
P{X=xi}=pi 为X的分布列/分布律
(3)分布律的性质:
①非负性:
p
i
>
0
(
i
=
1
,
2
,
.
.
.
)
p_i>0 \ (i=1,2,...)
pi>0 (i=1,2,...)
②归一性:
∑
i
=
0
∞
p
i
=
1
\sum\limits_{i=0}^∞p_i=1
i=0∑∞pi=1
可以看出分布函数F(x)的性质:
①右连续,即 F ( a ) = F ( a + ) F(a)=F(a^+) F(a)=F(a+)
②单调不减
③写分布函数的取值范围时,都是左闭右开的,这是由分布函数的右连续性质决定的。
一维离散型的分布函数F(x) → 分布列:取值 x i x_i xi就是跳跃间断点,对应的概率 p i p_i pi就是跃度
(2)一维离散型随机变量的概率分布:分布律
1.离散型随机变量:如果随机变量X只能取有限个或可列个值 x 1 , x 2 , . . . x_1,x_2,... x1,x2,...,则称X为离散型随机变量
2.分布律:
(1)分布律的定义:
称
P
{
X
=
x
k
}
=
p
k
,
k
=
1
,
2
,
.
.
.
P\{X=x_k\}=p_k,k=1,2,...
P{X=xk}=pk,k=1,2,...为离散型随机变量X的分布律 或 X的概率分布,记为
X
∼
p
k
X \sim p_k
X∼pk。其函数图形为“步步高的阶梯函数”。
离散型随机变量的概率分布是分布律。可用矩阵或表格表示。
(2)分布律的性质(充要条件)
①
p
k
≥
0
p_k≥0
pk≥0
②规范性(归一性):
∑
k
=
1
+
∞
p
k
=
1
\sum\limits_{k=1}^{+∞}p_k=1
k=1∑+∞pk=1
3.特点
(1)分布函数
F
(
x
)
=
∑
x
i
≤
x
p
i
F(x)=\sum\limits_{x_i≤x}p_i
F(x)=xi≤x∑pi,即F(x) = x扫过的离散点的概率之和。F(x)是“步步高的阶梯函数”。
(2)归一性:
∑
i
=
1
n
p
i
=
1
\sum\limits_{i=1}^np_i=1
i=1∑npi=1
(3)概率:
①一点处概率:
P
{
X
=
a
}
=
F
(
a
)
−
F
(
a
−
0
)
P\{X=a\}=F(a)-F(a-0)
P{X=a}=F(a)−F(a−0)
②区间上概率:
P
{
X
∈
B
}
=
∑
x
i
∈
B
p
i
P\{X∈B\}=\sum\limits_{x_i∈B}p_i
P{X∈B}=xi∈B∑pi
4.离散型随机变量的概率分布(分布律)
①先求该离散型随机变量的取值范围,一一列举:
Z=XY的取值范围:-1,0,1
②求每一个取值的概率:
P{XY=-1}=…
P{XY=0}=…
P{XY=1}=…
③列分布律:
Z=XY | -1 | 0 | 1 |
---|---|---|---|
P |
例题1:23李林四(一)16. 数学期望+分布律
分析:
答案: 3 − 3 2 \dfrac{3-\sqrt{3}}{2} 23−3
(3)常见的离散型随机变量分布
①两点分布 / 0-1分布
0-1分布的概率分布为:
①
P
{
X
=
1
}
=
p
,
P
{
X
=
0
}
=
1
−
p
P\{X=1\}=p,P\{X=0\}=1-p
P{X=1}=p,P{X=0}=1−p
或 ② P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 P\{X=k\}=p^k(1-p)^{1-k},k=0,1 P{X=k}=pk(1−p)1−k,k=0,1
②二项分布 X~B(n,p)
n重伯努利实验:干一件事,要么成功,要么失败。成功概率为p,失败概率为1-p。则干这件事n次,成功了k次的概率为 ( x k = k x_k=k xk=k)。k的取值范围:[0,n]
P
{
X
=
k
}
=
C
n
k
p
k
(
1
−
p
)
n
−
k
(
k
=
0
,
1
,
2
,
.
.
.
,
n
)
P\{X=k\}={\rm C}_n^kp^k(1-p)^{n-k} \qquad (k=0,1,2,...,n)
P{X=k}=Cnkpk(1−p)n−k(k=0,1,2,...,n)
其中,
C
n
k
=
n
⋅
(
n
−
1
)
⋅
.
.
.
⋅
(
n
−
k
+
1
)
k
!
{\rm C}_n^k=\dfrac{n·(n-1)·...·(n-k+1)}{k!}
Cnk=k!n⋅(n−1)⋅...⋅(n−k+1)
习题1:09年14. 二项分布的期望与方差、E(S²)=D(X)、无偏估计
分析:
答案:-1
例题2:16年8.
分析:
答案:A
例题3:01年19. 考点:二项分布、泊松分布、条件概率
③泊松分布
若随机变量X的概率分布为:
P
{
X
=
k
}
=
λ
k
k
!
e
−
λ
(
k
=
0
,
1
,
2
,
.
.
.
;
λ
>
0
)
P\{X=k\}=\dfrac{λ^k}{k!}e^{-λ} \qquad (k=0,1,2,...;λ>0)
P{X=k}=k!λke−λ(k=0,1,2,...;λ>0)
则称X服从参数为λ的泊松分布(Poisson),记作
X
∼
P
(
λ
)
X\sim P(λ)
X∼P(λ)。E(X)=λ,D(X)=λ。
k的取值范围:[0,+∞]
λ称为强度。泊松分布的数学期望 E(X)=λ。
应用:
①某场合下,单位时间内源源不断的质点来流的数量
②稀有事件发生的概率
泊松分布由二项分布近似而来。
例题1:01年19. 考点:二项分布、泊松分布、条件概率
分析:
X服从泊松分布,X~P(λ)
Y服从二项分布,Y~B(n,p)
④几何分布 G ( p ) G(p) G(p)
几何分布 G ( p ) G(p) G(p):前k-1次未成功,第k次成功了。(首中即停止的伯努利试验)
若X的概率分布 (分布律) 为 P { X = k } = C k − 1 0 p 0 q k − 1 ⋅ p = q k − 1 p ( k = 1 , 2 , . . . ) P\{X=k\}=C_{k-1}^0p^0q^{k-1}·p=q^{k-1}p \quad (k=1,2,...) P{X=k}=Ck−10p0qk−1⋅p=qk−1p(k=1,2,...),则称X服从参数为p的几何分布,记为 X ∼ G ( p ) X\sim G(p) X∼G(p)
几何分布是离散型的等待分布。k不能取0,k从1起。
例题1: 几何分布推广,首二中即停止: P = C k − 1 1 p ( 1 − p ) k − 2 ⋅ p P=C_{k-1}^1p(1-p)^{k-2}·p P=Ck−11p(1−p)k−2⋅p
答案:
⑤超几何分布
超几何分布 H ( n , N , M ) H(n,N,M) H(n,N,M)
P { X = k } = C M k C N − M n − k C N n P\{X=k\}=\dfrac{C_M^kC_{N-M}^{n-k}}{C_N^n} P{X=k}=CNnCMkCN−Mn−k
3.一维连续型随机变量
(1连续型随机变量的定义
(2)连续型随机变量的概率分布:分布函数、概率密度
1.定义:
若随机变量X的分布函数可表示为
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
F(x)=\int_{-∞}^xf(t)dt
F(x)=∫−∞xf(t)dt
(
−
∞
<
x
<
+
∞
)
(-∞<x<+∞)
(−∞<x<+∞)
其中f(x)是非负可积函数,则称X为连续型随机变量,称f(x)为连续型随机变量X的概率密度函数,简称概率密度,记为 X~f(x)
2.概率密度f(x)的性质、充要条件:
①非负性:
f
(
x
)
≥
0
f(x)≥0
f(x)≥0
②归一性: ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-∞}^{+∞}f(x){\rm d}x=1 ∫−∞+∞f(x)dx=1 【常用于求解题目中的未知数a、b,作为隐藏条件】
③ P { a < X ≤ b } = F ( b ) − F ( a ) = ∫ a b f ( x ) d x P\{a<X≤b\} = F(b) - F(a)= \int_{a}^{b}f(x){\rm d}x P{a<X≤b}=F(b)−F(a)=∫abf(x)dx
④在f(x)的连续点x处, F ′ ( x ) = f ( x ) F'(x) = f(x) F′(x)=f(x)
其中①② 非负性和归一性,是f(x)成为概率密度的充要条件
已知f(x)为概率密度,则 f ( a x + b ) 为概率密度 ⇔ a = ± 1 f(ax+b)为概率密度\Leftrightarrow a=±1 f(ax+b)为概率密度⇔a=±1
【若|a|≠1,或f(x²) 或f²(x)均不是概率密度】
F 1 ( x ) F 2 ( x ) F_1(x)F_2(x) F1(x)F2(x)为 、 max { X 1 , X 2 } 、\max\{X₁,X₂\} 、max{X1,X2}的分布函数, f 1 ( x ) F 2 ( x ) + F 1 ( x ) f 2 ( x ) f_1(x)F_2(x)+F_1(x)f_2(x) f1(x)F2(x)+F1(x)f2(x)为它的概率密度
3.求解f(x)
①F(x)求导:先求F(x),则
f
(
x
)
=
F
′
(
x
)
f(x)=F'(x)
f(x)=F′(x)
②由二维概率密度求边缘概率密度:已知f(x,y)表达式,则
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
f_X(x)=\int_{-∞}^{+∞}f(x,y)dy
fX(x)=∫−∞+∞f(x,y)dy
4.特点
(1)分布函数
F
(
x
)
=
P
{
X
≤
x
}
=
∫
−
∞
x
f
(
t
)
d
t
F(x)=P\{X≤x\}=\int_{-∞}^xf(t)dt
F(x)=P{X≤x}=∫−∞xf(t)dt,记为
X
∼
f
(
x
)
X\sim f(x)
X∼f(x)。F(x)是连续函数。
(2)f(x)非负、可积,且有归一性:
∫
−
∞
+
∞
f
(
x
)
d
x
=
1
\int_{-∞}^{+∞}f(x){\rm d}x=1
∫−∞+∞f(x)dx=1
(3)概率:
①一点处概率:
P
{
X
=
a
}
=
0
P\{X=a\}=0
P{X=a}=0 。(即<、≤的概率相等)
②区间上概率:
P
{
X
∈
B
}
=
∫
B
f
(
x
)
d
x
P\{X∈B\}=\int_Bf(x){\rm d}x
P{X∈B}=∫Bf(x)dx
5.概率P、分布函数F、概率密度f的关系
①
P
{
X
≤
a
}
=
F
(
a
)
=
∫
−
∞
a
f
(
x
)
d
x
P\{X≤a\}=F(a)=\int_{-∞}^af(x)dx
P{X≤a}=F(a)=∫−∞af(x)dx
P
{
X
>
a
}
P\{X>a\}
P{X>a}
=
1
−
P
{
X
≤
a
}
=
1
−
F
(
a
)
=1-P\{X≤a\}=1-F(a)
=1−P{X≤a}=1−F(a)
=
∫
a
+
∞
f
(
x
)
d
x
=\int_a^{+∞}f(x)dx
=∫a+∞f(x)dx
P
P
P{
a
<
X
≤
b
a<X≤b
a<X≤b }
=
F
(
b
)
−
F
(
a
)
=
∫
a
b
f
(
x
)
d
x
= F(b)-F(a) =\int_a^bf(x)dx
=F(b)−F(a)=∫abf(x)dx
②
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
F(x)=\int_{-∞}^xf(t)dt
F(x)=∫−∞xf(t)dt
f
(
x
)
=
F
′
(
x
)
f(x)=F'(x)
f(x)=F′(x)
f可以唯一确定F,但F不能推出f。如U(a,b)和U[a,b],f的x一个开区间,一个闭区间,都能得到同样的F(x)
例题1:16年23.
求概率密度,先求分布函数,再求导。
答案:
(1)FT(t) = P{T≤t} = P{ max{X1,X2,X3}≤t } = P{ X1≤t,X2≤t,X3≤t } = P{X1≤t}·P{X2≤t}·P{X3≤t} = P3{X≤t} = F3X(t)
(2)aT为θ的无偏估计 ⇦⇨ E(aT)=θ
(3)常见的连续型型随机变量分布:均匀分布、指数分布、正态分布
①均匀分布
均匀分布 U ( a , b ) U(a,b) U(a,b)
1.均匀分布的概率密度
f
(
x
)
=
{
1
b
−
a
,
a
<
x
<
b
0
,
其他
f(x)=\left\{\begin{aligned} \dfrac{1}{b-a} ,& a<x<b\\ 0 \qquad,& 其他 \end{aligned}\right.
f(x)=⎩
⎨
⎧b−a1,0,a<x<b其他
2.均匀分布的分布函数
F
(
x
)
=
{
0
,
x
<
a
x
−
a
b
−
a
,
a
≤
x
<
b
1
,
x
≥
b
F(x)=\left\{\begin{aligned} 0\qquad ,&x<a\\ \dfrac{x-a}{b-a} ,& a≤x<b\\ 1\qquad ,& x≥b \end{aligned}\right.
F(x)=⎩
⎨
⎧0,b−ax−a,1,x<aa≤x<bx≥b
均匀分布,是一维的几何概型
例题1:20年14. 均匀分布的概率密度
答案: 2 π \dfrac{2}{π} π2
例题2:21年22.
答案:
②指数分布
1.指数分布的概率密度:
若连续型 随机变量X的概率密度为
f
(
x
)
=
{
λ
e
−
λ
x
,
x
>
0
0
,
x
≤
0
f(x)=\begin{cases} λe^{-λx}, & x>0\\ 0, & x≤0 \end{cases}
f(x)={λe−λx,0,x>0x≤0
其中λ>0为常数,则称X服从参数为λ的指数分布,记为X~E(λ)
2.指数分布的分布函数:
F
(
x
)
=
{
1
−
e
−
λ
x
,
x
>
0
0
,
x
≤
0
F(x)=\begin{cases} 1-e^{-λx}, & x>0\\ 0, & x≤0 \end{cases}
F(x)={1−e−λx,0,x>0x≤0
指数分布是连续型等待分布。
指数分布的λ是失效率,指数分布的数学期望 E ( X ) = 1 λ E(X)=\dfrac{1}{λ} E(X)=λ1
3.指数分布的无记忆性
P
{
X
>
s
+
t
∣
X
>
t
}
=
P
{
X
>
s
+
t
}
P
{
X
>
t
}
=
e
−
λ
(
s
+
t
)
e
−
λ
t
=
e
−
λ
s
=
P
{
X
>
s
}
P\{X>s+t|X>t\}=\dfrac{P\{X>s+t\}}{P\{X>t\}}=\dfrac{e^{-λ(s+t)}}{e^{-λt}}=e^{-λs}=P\{X>s\}
P{X>s+t∣X>t}=P{X>t}P{X>s+t}=e−λte−λ(s+t)=e−λs=P{X>s}
① P { X > X 1 ∣ X > X 2 } = P { X > X 1 − X 2 } P\{X>X_1|X>X_2\}=P\{X>X_1-X_2\} P{X>X1∣X>X2}=P{X>X1−X2}
②指数分布的λ是失效率,在失效率λ不变的情况下,该理想元件是无损耗的。因此工作1年失效的概率和工作2年失效的概率相等,因此有无记忆性。
无记忆性:指数分布、几何分布
习题1:19年22(1)
分析:Z = 指数分布×两点分布
答案:
(1) E(X)~1,∴
F
(
x
)
=
{
1
−
e
−
x
,
x
>
0
0
,
x
≤
0
F(x)=\begin{cases} 1-e^{-x}, & x>0\\ 0, & x≤0 \end{cases}
F(x)={1−e−x,0,x>0x≤0
f Z ( z ) = F Z ′ ( z ) f_Z(z)=F_Z'(z) fZ(z)=FZ′(z)
对于FZ(z):
FZ(z) = P{Z≤z} = P{XY≤z} = P{Y=-1}·P{XY≤z|Y=-1} + P{Y=1}·P{XY≤z|Y=1} = p·P{-X≤z} + (1-p)·P{X≤z}
对于P{-X≤z} :
P{-X≤z} = P{-z≤X} = P{X≥-z} = 1-P{X≤-z}
=1-FX(-z) [连续型随机变量,某一点的概率为0]
∴FZ(z) =p·[1-FX(-z)] + (1-p)·FX(z)
对z的取值进行分类讨论:
当z>0时,FZ(z) =p·[1-0] + (1-p)·(1-e-z) = p+(1-p)·(1-e-z)
当z≤0时,FZ(z) =p·[1-(1-ez)] + (1-p)·0 = pez
∴ F Z ( z ) = { p + ( 1 − p ) ⋅ ( 1 − e − z ) , z > 0 p e z , z ≤ 0 F_Z(z) =\begin{cases} p+(1-p)·(1-e^{-z}) , & z>0\\ pe^z, & z≤0 \end{cases} FZ(z)={p+(1−p)⋅(1−e−z),pez,z>0z≤0
∴ f Z ( z ) = F Z ′ ( z ) { ( 1 − p ) ⋅ e − z , z > 0 p e z , z ≤ 0 f_Z(z) =F_Z'(z)\begin{cases} (1-p)·e^{-z} , & z>0\\ pe^z, & z≤0 \end{cases} fZ(z)=FZ′(z){(1−p)⋅e−z,pez,z>0z≤0
③正态分布
若X的概率密度为:
f
(
x
)
=
1
2
π
σ
e
−
1
2
(
x
−
μ
σ
)
2
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
(
−
∞
<
x
<
+
∞
)
f(x)=\dfrac{1}{\sqrt{2π}σ}e^{-\frac{1}{2}(\frac{x-μ}{σ})^2}=\dfrac{1}{\sqrt{2π}σ}e^{-\frac{{(x-μ^)}^2}{2σ^2}} \quad(-∞<x<+∞)
f(x)=2πσ1e−21(σx−μ)2=2πσ1e−2σ2(x−μ)2(−∞<x<+∞)
其中-∞<μ<+∞,σ>0,则称X服从参数为N(μ,σ²)的正态分布,或称X为正态变量,记为
X
∼
N
(
μ
,
σ
2
)
X\sim N(μ,σ²)
X∼N(μ,σ2)。
①
f
(
x
)
f(x)
f(x)关于
x
=
μ
x=μ
x=μ对称
②当
x
=
μ
x=μ
x=μ时,f(x)取最大值
f
(
μ
)
=
1
2
π
σ
f(μ)=\dfrac{1}{\sqrt{2π}σ}
f(μ)=2πσ1,只与
σ
σ
σ有关
③若随机变量
X
∼
N
(
μ
,
σ
2
)
X\sim N(μ,σ²)
X∼N(μ,σ2), 则
X
−
a
∼
N
(
μ
−
a
,
σ
2
)
X-a\sim N(μ-a,σ²)
X−a∼N(μ−a,σ2) (a为任意常数)
【X-a仍服从正态分布,只是均值发生了平移】
![](https://i-blog.csdnimg.cn/blog_migrate/8b6758bfa961fd70ad4c2667d4360810.png)
(1)标准正态分布
X~N(0,1),则标准正态分布的概率密度φ(x)为:
φ
(
x
)
=
1
2
π
e
−
x
2
2
,
(
−
∞
<
x
<
+
∞
)
Ф
(
x
)
=
∫
−
∞
x
1
2
π
e
−
x
2
2
d
x
∫
−
∞
+
∞
φ
(
x
)
d
x
=
∫
−
∞
+
∞
1
2
π
e
−
x
2
2
d
x
=
1
φ(x)=\dfrac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}},\quad (-∞<x<+∞)\\[5mm] Ф(x)=\int_{-∞}^x\dfrac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}}dx\\[5mm] \int_{-∞}^{+∞}φ(x)dx=\int_{-∞}^{+∞}\frac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}}{\rm d}x = 1
φ(x)=2π1e−2x2,(−∞<x<+∞)Ф(x)=∫−∞x2π1e−2x2dx∫−∞+∞φ(x)dx=∫−∞+∞2π1e−2x2dx=1
上α分位点
若X~N(0,1),点
μ
α
μ_α
μα右侧概率为α (
P
{
X
>
μ
α
}
=
α
P\{X>μ_α\}=α
P{X>μα}=α),则称
μ
α
μ_α
μα为标准正态分布的上α分位点(上侧α分位数)
![](https://i-blog.csdnimg.cn/blog_migrate/daada3c229ec5aacf690d3ee77dca68b.png)
公式:
推论:
①
Ф
(
0
)
=
1
2
Ф(0)=\dfrac{1}{2}
Ф(0)=21
②
Ф
(
x
)
+
Ф
(
−
x
)
=
1
Ф(x)+Ф(-x)=1
Ф(x)+Ф(−x)=1
结论:对于标准正态分布 X ∼ N ( 0 , 1 ) X\sim N(0,1) X∼N(0,1)
① P = ∫ − ∞ + ∞ φ ( x ) d x = 1 P=\int_{-∞}^{+∞}φ(x)dx=1 P=∫−∞+∞φ(x)dx=1
② E ( X ) = ∫ − ∞ + ∞ x φ ( x ) d x = 0 E(X)=\int_{-∞}^{+∞}xφ(x)dx=0 E(X)=∫−∞+∞xφ(x)dx=0
(理解1:φ(x)是偶函数,xφ(x)为奇函数,在对称区间上积分为0. 理解2: ∫ − ∞ + ∞ x φ ( x ) d x \int_{-∞}^{+∞}xφ(x)dx ∫−∞+∞xφ(x)dx即为标准正态分布的数学期望,X~N(0,1),则期望为0)
(2)正态分布的独立可加性
若X与Y分别服从正态分布
N
(
μ
1
,
σ
1
2
)
N(μ_1,σ_1^2)
N(μ1,σ12)与
N
(
μ
2
,
σ
2
2
)
N(μ_2,σ_2^2)
N(μ2,σ22),且X与Y相互独立。
则
Z
=
X
−
Y
Z=X-Y
Z=X−Y也服从正态分布,
Z
∼
N
(
μ
1
−
μ
2
,
σ
1
2
+
σ
2
2
)
Z\sim N( μ_1-μ_2, σ_1^2+σ_2^2)
Z∼N(μ1−μ2,σ12+σ22) 【12年23(1)】
(3)5种独立可加性 (XY独立且同类型分布)
若X与Y独立,且满足以下5种同类型分布,则具有独立可加性.
分布 | X,Y独立 | ⇨ 独立可加性 |
---|---|---|
①二项分布 | X ∼ B ( m , p ) , Y ∼ B ( n , p ) X\sim B(m,p), Y\sim B(n,p) X∼B(m,p),Y∼B(n,p) | X + Y ∼ B ( m + n , p ) X+Y\sim B(m+n,p) X+Y∼B(m+n,p) |
②泊松分布 | X~P(λ₁), Y~P(λ₂) | X+Y~ P(λ₁+λ₂) |
③正态分布 | X~N(μ₁,σ₁²), Y~N(μ₂,σ₂²) | a X ± b Y ∼ N ( a μ 1 ± b μ 2 , a 2 σ 1 2 + b 2 σ 2 2 ) aX±bY\sim N(aμ₁±bμ₂,a^2σ²₁+b^2σ₂²) aX±bY∼N(aμ1±bμ2,a2σ12+b2σ22) |
④卡方分布 | X~χ²(m), Y~χ²(n) | X+Y~ χ²(m+n) |
⑤指数分布 | X~E(λ₁), X~E(λ₂) | m i n { X , Y } min\{X,Y\} min{X,Y} ∼ E ( λ 1 + λ 2 ) \sim E(λ₁+λ₂) ∼E(λ1+λ2) |
例如: X ∼ N ( μ , σ 2 ) , Y ∼ N ( 2 μ , σ 2 ) ,则 2 X − Y ∼ N ( 0 , 5 σ 2 ) X\sim N(μ,σ²), Y\sim N(2μ,σ²), 则2X-Y\sim N(0,5σ²) X∼N(μ,σ2),Y∼N(2μ,σ2),则2X−Y∼N(0,5σ2)
(4)正态分布 μ,σ 对图像的影响
(1)期望μ:对称轴位置
(2)方差σ2:σ2越小,越集中,越高 (高瘦)。σ2越大,越分散,越低(扁平,矮胖)
例题1:
分析:
答案:D
例题1:23李林六套卷(三)9. 独立可加性
分析:
答案:C
习题1:17年14. 标准正态分布
分析:
答案:2
习题2:19年23(1)
习题3:12年23. 正态分布的独立可加性
分析:
(3)注意样本与总体独立同分布
答案:
(1)∵X与Y相互独立且分别服从正态分布
∴由正态分布的独立可加性知 Z=X-Y 也服从正态分布,Z~N(0,3σ2)
(3)
E
(
σ
^
2
)
=
E
(
∑
i
=
1
n
Z
i
2
3
n
)
=
1
3
n
E
(
∑
i
=
1
n
Z
i
2
)
=
1
3
n
∑
i
=
1
n
E
(
Z
i
2
)
=
1
3
n
∑
i
=
1
n
E
(
Z
2
)
=
1
3
n
×
n
×
[
D
(
Z
)
+
E
2
(
Z
)
]
=
1
3
×
(
3
σ
2
+
0
)
=
σ
2
E(\hat{σ}^2)=E(\dfrac{{\sum\limits_{i=1}^n}Z_i^2}{3n})=\dfrac{1}{3n}E(\sum\limits_{i=1}^n{Z_i^2})=\dfrac{1}{3n}\sum\limits_{i=1}^nE({Z_i^2})=\dfrac{1}{3n}\sum\limits_{i=1}^nE({Z^2})=\dfrac{1}{3n}×n×[D(Z)+E^2(Z)]=\dfrac{1}{3}×(3σ^2+0)=σ^2
E(σ^2)=E(3ni=1∑nZi2)=3n1E(i=1∑nZi2)=3n1i=1∑nE(Zi2)=3n1i=1∑nE(Z2)=3n1×n×[D(Z)+E2(Z)]=31×(3σ2+0)=σ2
∴
σ
^
2
\hat{σ}^2
σ^2是σ2的无偏估计
习题4:13年07. 正态分布 μ,σ 对图像的影响
答案:A
习题5:06年14. 正态分布 μ,σ 对图像的影响
答案:A
习题6:16年7. 正态分布 μ,σ 对图像的影响
分析:将X标准化为标准正态分布
答案:B
4.一般类型(混合型)随机变量及其分布:全概率公式
1.定义
2.解题
只能用定义
F
(
X
)
=
P
{
X
≤
x
}
F(X)=P\{X≤x\}
F(X)=P{X≤x},分区间讨论。最好画图。注意自变量取遍(-∞,+∞)
3.类型
①离散型→离散型
②连续型→连续型 或 混合型
5.一维随机变量函数的分布
Ch3. 二维随机变量及其分布
多维随机变量:联合、边缘、条件、独立性、函数分布
1.二维随机变量及其分布函数
1.二维随机变量
X:一维随机变量
(X,Y):二维随机变量
(X₁,X₂,…,Xn):n维随机变量
(1)二维离散型随机变量
(2)二维连续型随机变量
2.二维随机变量的分布函数
(1)联合分布函数
(1)概念
F
(
x
,
y
)
=
P
{
X
≤
x
,
Y
≤
y
}
F(x,y)=P\{X≤x,Y≤y\}
F(x,y)=P{X≤x,Y≤y} (-∞<x<+∞,-∞<y<+∞)
(2)性质
③二维规范性/归一性:若为二维连续型随机变量,
F
(
+
∞
,
+
∞
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
f
(
x
,
y
)
d
x
d
y
=
1
F(+∞,+∞)=\int_{-∞}^{+∞}\int_{-∞}^{+∞}f(x,y){\rm d}x{\rm d}y = 1
F(+∞,+∞)=∫−∞+∞∫−∞+∞f(x,y)dxdy=1
例题1:10年22.(1)
(2)边缘分布函数
F
X
(
x
)
=
P
{
X
≤
x
,
Y
≤
+
∞
}
=
F
(
x
,
+
∞
)
F_X(x)=P\{X≤x,Y≤+∞\}=F(x,+∞)
FX(x)=P{X≤x,Y≤+∞}=F(x,+∞)
F
Y
(
y
)
=
P
{
X
≤
+
∞
,
Y
≤
y
}
=
F
(
+
∞
,
y
)
F_Y(y)=P\{X≤+∞,Y≤y\}=F(+∞,y)
FY(y)=P{X≤+∞,Y≤y}=F(+∞,y)
边缘分布函数,考试常考
常见的两类二维随机变量:离散型随机变量、连续型随机变量
2.二维离散型随机变量及其分布
(1)联合分布律
p
i
j
=
P
{
X
=
x
i
,
Y
=
y
j
}
i
,
j
=
1
,
2
,
.
.
.
p_{ij}=P\{X=x_i,Y=y_j\} \quad i,j=1,2,...
pij=P{X=xi,Y=yj}i,j=1,2,...
(X,Y)的分布律 或 X和Y的联合分布律,记为
(
X
,
Y
)
∼
p
i
j
(X,Y)\sim p_{ij}
(X,Y)∼pij
联合分布律的求法:求出每个P{ }的值,画分布律
例题1:09年22.(2)
(2)边缘分布律
联合分布律的右边缘 p i ⋅ p_{i·} pi⋅、下边缘 p ⋅ j p_{·j} p⋅j,称为X、Y的边缘分布律
联合分布律: p i j = P { X = x i , Y = y j } p_{ij}=P\{X=x_i,Y=y_j\} pij=P{X=xi,Y=yj}
边缘分布率:
①
p
i
⋅
=
P
{
X
=
x
i
}
p_{i·}=P\{X=x_i\}
pi⋅=P{X=xi}
②
p
⋅
j
=
P
{
Y
=
y
j
}
p_{·j}=P\{Y=y_j\}
p⋅j=P{Y=yj}
(3)条件分布律
条件 = 联合 边缘 条件=\dfrac{联合}{边缘} 条件=边缘联合
3.二维连续型随机变量及其分布
(1)二维随机变量的概率密度 f(x,y):联合概率密度
(1)定义
联合概率密度
f
(
x
,
y
)
f(x,y)
f(x,y)的定义:
设F(x,y) 是 二维随机变量(X,Y) 的 分布函数,若存在非负函数f(x,y),使得对于任意实数x、y,有
F
(
x
,
y
)
=
∫
−
∞
y
∫
−
∞
x
f
(
u
,
v
)
d
u
d
v
F(x,y)=\int_{-∞}^y\int_{-∞}^xf(u,v)dudv
F(x,y)=∫−∞y∫−∞xf(u,v)dudv
则称(X,Y)为二维连续型随机变量,称函数f(x,y)为二维随机变量(X,Y)的概率密度(随机变量X和Y的联合概率密度)
(2)性质
联合概率密度
f
(
x
,
y
)
f(x,y)
f(x,y)的性质:
1.非负性:
f
(
x
,
y
)
≥
0
f(x,y)≥0
f(x,y)≥0
2.规范性/归一性:
F
(
+
∞
,
+
∞
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
f
(
x
,
y
)
d
x
d
y
=
1
F(+∞,+∞)=\int_{-∞}^{+∞}\int_{-∞}^{+∞}f(x,y)dxdy=1
F(+∞,+∞)=∫−∞+∞∫−∞+∞f(x,y)dxdy=1
3.设D是xOy平面上的一个区域,则(X,Y)落在D内的概率为
P
{
(
X
,
Y
)
∈
D
}
=
∬
D
f
(
x
,
y
)
d
x
d
y
P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y
P{(X,Y)∈D}=D∬f(x,y)dxdy
举例: 若 Z = 2 X − Y ,则 F Z ( z ) = P { Z ≤ z } = P { 2 X − Y ≤ z } = ∬ 2 x − y ≤ z f ( x , y ) d x d y 若Z=2X-Y,则F_Z(z)=P\{Z≤z\}=P\{2X-Y≤z\}=\iint\limits_{2x-y≤z}f(x,y)dxdy 若Z=2X−Y,则FZ(z)=P{Z≤z}=P{2X−Y≤z}=2x−y≤z∬f(x,y)dxdy
当(X,Y)服从二维均匀分布时, P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y = S ( D ) S ( A ) P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y=\dfrac{S(D)}{S(A)} P{(X,Y)∈D}=D∬f(x,y)dxdy=S(A)S(D)
4.偏导
①由f(x,y)求F(x,y):
F
(
x
,
y
)
=
∫
−
∞
y
∫
−
∞
x
f
(
x
,
y
)
d
x
d
y
F(x,y)=\int_{-∞}^y\int_{-∞}^xf(x,y)\rm dxdy
F(x,y)=∫−∞y∫−∞xf(x,y)dxdy
②由F(x,y)求f(x,y): f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y)=\dfrac{∂^2F(x,y)}{∂x∂y} f(x,y)=∂x∂y∂2F(x,y) [F(x,y)可导或f(x,y)在(x,y)连续]
例题1:03年5. 二维连续型随机变量的分布:f(x,y)的性质 注意积分区域的限:D∩定义域
分析:设D是xOy平面上的一个区域,则(X,Y)落在D内的概率为
P
{
(
X
,
Y
)
∈
D
}
=
∬
D
f
(
x
,
y
)
d
x
d
y
P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y
P{(X,Y)∈D}=D∬f(x,y)dxdy
答案: 1 4 \dfrac{1}{4} 41
例题2:12年07. f(x,y)的性质:
P
{
(
X
,
Y
)
∈
D
}
=
∬
D
f
(
x
,
y
)
d
x
d
y
P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y
P{(X,Y)∈D}=D∬f(x,y)dxdy 注意积分次序,可简化计算
分析:
答案:A
(2)边缘分布
1.边缘概率分布
F
X
(
x
)
=
F
(
x
,
+
∞
)
=
∫
−
∞
x
[
∫
−
∞
+
∞
f
(
u
,
v
)
d
v
]
d
u
F_X(x)=F(x,+∞)=\int_{-∞}^x[\int_{-∞}^{+∞}f(u,v)dv]du
FX(x)=F(x,+∞)=∫−∞x[∫−∞+∞f(u,v)dv]du
F
Y
(
y
)
=
F
(
+
∞
,
y
)
F_Y(y)=F(+∞,y)
FY(y)=F(+∞,y)
2.边缘概率密度
由 ( X , Y ) (X,Y) (X,Y)的联合概率密度 f ( x , y ) f(x,y) f(x,y),即可求出(X,Y)关于 X X X的边缘概率密度 f X ( x ) f_X(x) fX(x)、(X,Y)关于 Y Y Y的边缘概率密度 f Y ( y ) f_Y(y) fY(y):
① f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x) = \int_{-∞}^{+∞}f(x,y){\rm d}y fX(x)=∫−∞+∞f(x,y)dy 【注意上下限是代y的取值,x是常数,所以最后得到的是关于x的函数】
② f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_Y(y) = \int_{-∞}^{+∞}f(x,y){\rm d}x fY(y)=∫−∞+∞f(x,y)dx
例题1:10年22.(2)
例题2:23年22. 由联合概率密度求边缘概率密度,并判断X与Y是否相互独立
(3)条件分布
1.条件概率密度
(1)设二维随机变量(X,Y)的概率密度为
f
(
x
,
y
)
f(x,y)
f(x,y),(X,Y)关于Y的边缘概率密度为
f
Y
(
y
)
f_Y(y)
fY(y)。若对于固定的y,
f
Y
(
y
)
>
0
f_Y(y)>0
fY(y)>0,则称
f
(
x
,
y
)
f
Y
(
y
)
\dfrac{f(x,y)}{f_Y(y)}
fY(y)f(x,y)为
Y
=
y
Y=y
Y=y 的条件下X的条件概率密度,记为
f
X
∣
Y
(
x
∣
y
)
=
f
(
x
,
y
)
f
Y
(
y
)
f_{\rm X|Y}(x\ |\ y) = \dfrac{f(x,y)}{f_Y(y)}
fX∣Y(x ∣ y)=fY(y)f(x,y)
(2)设二维随机变量(X,Y)的概率密度为
f
(
x
,
y
)
f(x,y)
f(x,y),(X,Y)关于X的边缘概率密度为
f
X
(
x
)
f_X(x)
fX(x)。若对于固定的x,
f
X
(
x
)
>
0
f_X(x)>0
fX(x)>0,则称
f
(
x
,
y
)
f
X
(
x
)
\dfrac{f(x,y)}{f_X(x)}
fX(x)f(x,y)为
X
=
x
X=x
X=x 的条件下Y的条件概率密度,记为
f
Y
∣
X
(
y
∣
x
)
=
f
(
x
,
y
)
f
X
(
x
)
f_{\rm Y|X}(y\ |\ x) = \dfrac{f(x,y)}{f_X(x)}
fY∣X(y ∣ x)=fX(x)f(x,y)
(3) f ( x , y ) = f X ( x ) ⋅ f Y ∣ X ( y ∣ x ) = f Y ( y ) ⋅ f X ∣ Y ( x ∣ y ) f(x,y)=f_X(x)·f_{\rm Y|X}(y\ |\ x)=f_Y(y)·f_{\rm X|Y}(x\ |\ y) f(x,y)=fX(x)⋅fY∣X(y ∣ x)=fY(y)⋅fX∣Y(x ∣ y)
条件概率密度 = 联合概率密度 / 边缘概率密度
联合概率密度 = 边缘概率密度·条件概率密度
条件期望与条件方差:亚当夏娃公式
例题1:07年10. 条件概率密度
分析:
若随机变量(X,Y)服从二维正态分布,则 X与Y不相关(ρ=0) ⇦⇨ X与Y相互独立
∴
f
X
∣
Y
(
x
∣
y
)
=
f
(
x
,
y
)
f
Y
(
y
)
=
独立
f
X
(
x
)
⋅
f
Y
(
y
)
f
Y
(
y
)
=
f
X
(
x
)
f_{X|Y}(x\ |\ y) = \dfrac{f(x,y)}{f_Y(y)}\xlongequal{独立}\dfrac{f_X(x)·f_Y(y)}{f_Y(y)}=f_X(x)
fX∣Y(x ∣ y)=fY(y)f(x,y)独立fY(y)fX(x)⋅fY(y)=fX(x)
答案:A
例题2:10年22.(2)
例题3:14年22题
例题4:22年10.
法一:李艳芳解析,正常做:
先求f(x,y),再求y的边缘概率分布。然后:①凑二维正态 或者 ②求 E(XY),但计算量大
法二:亚当公式、夏娃公式
答案:D
2.条件分布函数
(4)二维均匀分布
设D是坐标平面xOy上面积为A的有界区域D,若二维随机变量(X,Y)的概率密度为
f
(
x
,
y
)
=
{
1
A
,
(
x
,
y
)
∈
D
,
0
,
(
x
,
y
)
∉
D
f(x,y)= \left \{\begin{array}{cc} \dfrac{1}{A}, &(x,y)∈D,\\ 0, & (x,y)∉D \end{array}\right.
f(x,y)={A1,0,(x,y)∈D,(x,y)∈/D
则称(X,Y)在区域D上服从均匀分布,记为 (X,Y) ~ UD
均匀分布的概率密度:几何度量的倒数
例题1:16年22.
答案:查看李艳芳的讲解
(5)二维正态分布
1.定义:
若二维随机变量(X,Y)的概率密度为
则称(X,Y)为服从参数μ1,μ2,σ1,σ2,ρ的二维正态分布,记作 ( X , Y ) ∼ N ( μ 1 , μ 2 ; σ 1 , σ 2 ; ρ ) (X,Y)\sim N(μ_1,μ_2;σ_1,σ_2;ρ) (X,Y)∼N(μ1,μ2;σ1,σ2;ρ)
2.性质
(1)二维正态分布:X与Y相互独立 ⇦⇨ X与Y不相关,ρXY=0
(2)若(X,Y)服从二维正态分布,则:
①X、Y各自服从一维正态分布:
即若有
(
X
,
Y
)
∼
N
(
μ
1
,
μ
2
;
σ
1
,
σ
2
;
ρ
)
(X,Y)\sim N(μ_1,μ_2;σ_1,σ_2;ρ)
(X,Y)∼N(μ1,μ2;σ1,σ2;ρ),则
X
∼
N
(
μ
1
,
σ
1
)
X\sim N(μ_1,σ_1)
X∼N(μ1,σ1),
Y
∼
N
(
μ
2
,
σ
2
)
Y\sim N(μ_2,σ_2)
Y∼N(μ2,σ2)
②X,Y的线性组合 a X + b Y ( a ≠ 0 或 b ≠ 0 ) aX+bY\quad (a≠0或b≠0) aX+bY(a=0或b=0) 也服从正态分布
例题1:15年14. 二维正态分布, ρ = 0 ρ=0 ρ=0则X与Y独立
分析:
答案: 1 2 \dfrac{1}{2} 21
例题2:11年14.
分析:∵ρ=0 ∴X与Y相互独立 ∴E(XY²)=E(X)·E(Y²)=E(X)·[D(X)+E²(Y)]=μ(σ²+μ²)
答案:μ(σ²+μ²)
4.随机变量的独立性
(1)定义 (相互独立的充要条件)
对于(X,Y)是二维随机变量:
(1)普通,用定义:
①对
∀
x
,
y
∀x,y
∀x,y,均有
P
{
X
≤
x
,
Y
≤
y
}
=
P
{
X
≤
x
}
⋅
P
{
Y
≤
y
}
⇔
X
,
Y
独立
P\{X≤x,Y≤y\}=P\{X≤x\}·P\{Y≤y\}\Leftrightarrow X,Y独立
P{X≤x,Y≤y}=P{X≤x}⋅P{Y≤y}⇔X,Y独立
若
ョ
x
,
y
ョx,y
ョx,y,使得
P
{
X
≤
x
,
Y
≤
y
}
≠
P
{
X
≤
x
}
⋅
P
{
Y
≤
y
}
⇔
X
,
Y
不独立
P\{X≤x,Y≤y\}≠P\{X≤x\}·P\{Y≤y\}\Leftrightarrow X,Y不独立
P{X≤x,Y≤y}=P{X≤x}⋅P{Y≤y}⇔X,Y不独立
②对
∀
x
,
y
∀x,y
∀x,y,均有
F
(
x
,
y
)
=
F
X
(
x
)
⋅
F
Y
(
y
)
⇔
X
,
Y
独立
F(x,y)=F_X(x)·F_Y(y)\Leftrightarrow X,Y独立
F(x,y)=FX(x)⋅FY(y)⇔X,Y独立
若
ョ
x
,
y
ョx,y
ョx,y,使得
F
(
x
,
y
)
≠
F
X
(
x
)
⋅
F
Y
(
y
)
⇔
X
,
Y
不独立
F(x,y)≠F_X(x)·F_Y(y)\Leftrightarrow X,Y不独立
F(x,y)=FX(x)⋅FY(y)⇔X,Y不独立
(2)离散:对
∀
i
,
j
∀i,j
∀i,j,均有
p
i
j
=
p
i
⋅
⋅
p
⋅
j
⇔
X
,
Y
独立
p_{ij}=p_{i·}·p_{·j}\Leftrightarrow X,Y独立
pij=pi⋅⋅p⋅j⇔X,Y独立
若
ョ
i
,
j
ョi,j
ョi,j,使得
p
i
j
≠
p
i
⋅
⋅
p
⋅
j
p_{ij}≠p_{i·}·p_{·j}
pij=pi⋅⋅p⋅j,则X,Y不独立
(3)连续:对
∀
x
,
y
∀x,y
∀x,y,均有
f
(
x
,
y
)
=
f
X
(
x
)
⋅
f
Y
(
y
)
⇔
X
,
Y
独立
f(x,y)=f_X(x)·f_Y(y)\Leftrightarrow X,Y独立
f(x,y)=fX(x)⋅fY(y)⇔X,Y独立
若
ョ
x
,
y
ョx,y
ョx,y,使得
f
(
x
,
y
)
≠
f
X
(
x
)
⋅
f
Y
(
y
)
⇔
X
,
Y
不独立
f(x,y)≠f_X(x)·f_Y(y)\Leftrightarrow X,Y不独立
f(x,y)=fX(x)⋅fY(y)⇔X,Y不独立
(2)独立的性质
两变量独立,则P{ }可拆:P{X≤a}·P{Y≤b} = P{X≤a,Y≤b}
详情查看此文:https://blog.csdn.net/Edward1027/article/details/126604163
(3)考题:判别X与Y是否相互独立?
1.
P
{
X
≤
a
,
Y
≤
a
}
P\{X≤a,Y≤a\}
P{X≤a,Y≤a} 是否等于
P
{
X
≤
a
}
⋅
P
{
Y
≤
a
}
P\{X≤a\}·P\{Y≤a\}
P{X≤a}⋅P{Y≤a}? 若相等,则独立;不相等,则不独立
2.
f
(
x
,
y
)
f(x,y)
f(x,y) 是否等于
f
X
(
x
)
⋅
f
Y
(
y
)
f_X(x)·f_Y(y)
fX(x)⋅fY(y)? 若相等,则独立;不相等,则不独立
例题1:19年22.(3)
例题2:23年22.(2)
答案:(Ⅱ)由(Ⅰ)知, f ( x , y ) ≠ f X ( x ) ⋅ f Y ( y ) f(x,y)≠f_X(x)·f_Y(y) f(x,y)=fX(x)⋅fY(y),故X与Y不相互独立
例题3:880数字特征 基础解答4.(Ⅲ) 判断独立,用定义
答案:
5.二维随机变量函数的分布
常考三类多维随机变量
求 Z = f ( x , y ) Z=f(x,y) Z=f(x,y)的分布函数 F Z ( z ) F_Z(z) FZ(z)和概率密度 f Z ( z ) f_Z(z) fZ(z)
(1)X,Y均为离散型:分布律
P { Z = i } P\{Z=i\} P{Z=i},代入Z表达式,根据独立性进行概率拆解
例题1:18年22.(2) X,Y均为离散型的概率分布:分布律
(2)X,Y均为连续型
①定义法 (分布函数法)
①
F
(
z
)
=
P
{
Z
≤
z
}
=
P
{
g
(
X
,
Y
)
≤
z
}
=
∬
g
(
x
,
y
)
≤
z
f
(
x
,
y
)
d
x
d
y
F(z)=P\{Z≤z\}=P\{\ g(X,Y)≤z\}=\iint\limits_{g(x,y)≤z}f(x,y){\rm d}x{\rm d}y
F(z)=P{Z≤z}=P{ g(X,Y)≤z}=g(x,y)≤z∬f(x,y)dxdy
②画图:根据区域D:
f
(
X
,
Y
)
≤
z
f(X,Y)≤z
f(X,Y)≤z,画出积分区域
③对z的取值分段讨论
④分别计算二重积分,得到
F
Z
(
z
)
F_Z(z)
FZ(z)的分段函数
⑤求导得概率密度:
f
Z
(
z
)
=
F
Z
′
(
z
)
f_Z(z)=F_Z'(z)
fZ(z)=FZ′(z)
例题1:23年22(3)
答案:
例题3:880 数字特征 基础解答(7).Ⅰ
答案:
②卷积公式
卷积公式:专门针对 加、减、乘、除
口诀:积谁不换谁,换完求偏导 (对z求偏导,乘其系数的绝对值)
(3)X,Y为离散型+连续型:全概率公式
①
F
(
z
)
=
P
{
Z
≤
z
}
=
P
{
f
(
X
,
Y
)
≤
z
}
=
F(z)=P\{Z≤z\}=P\{\ f(X,Y)≤z\}=
F(z)=P{Z≤z}=P{ f(X,Y)≤z}=全概率公式,代入离散型,化简
②对z的取值分段讨论
例题1:09年8. 离散+连续:全概率公式
分析:
答案:B
例题2:23李林4套卷(二)22.(1) 离散+连续:全概率公式
答案:
例题3:基础30讲 3.11 离散+连续:全概率公式 (“全集分解思想”)
答案: