概率论基础 —— 5.离散型二维随机变量

在本系列前4章节,我们快速的过了一遍概率论对于一维随机变量的定义与分类。
从最原始直观的经典概率类型出发,我们引申到了条件概率,以及针对条件概率,扩展得到的全概率、贝叶斯概率。
在对概率建立起一定概念后,我们又引入了针对是否连续,而提出的连续型和离散型概率事件的模型,并且分别介绍了针对离散型概率事件表达的概率分布函数,与连续型的概率密度函数,并介绍了5种重要的概率模型。

关于二维概率事件

二维可以认为是针对一维事件的扩展,由于现实中很多事件可能包含多个变量,所以单纯的用一维模型是无法解决的。因此在教材中引入二维的概念,其实是为了将来面对高维度概率事件做准备。

离散型从概念上说,要比连续型容易理解和入手,所以这里也遵照教材的顺序,从离散型二维随机变量出发,引入二维概率事件。

关于离散型二维随机变量

分布律(Probability Function / Distribution Law)

再次重申,你需要反复记住一个概念,就是针对离散型的概率模型,有且只有分布律。因为对于离散的点来说,它在数学上是没有积分面积这个概念的,因为离散的点,即不存在极限,也不存在斜率,所以为了研究离散概率事件,只能研究它的分布函数,而连续型,是有分布函数的,之所以不常提连续型的概率分布函数,是因为在连续的积分区域里面,更为方便和容易理解连续概率事件的特征。

我一直不是很明白中文教材一些数学专业名词的含义,大抵跟这些概念引入中国是在清中期,比如与李善兰等老先生的工作有关,不过语言是活的,当年的那些概念是否符合今人的习惯,并且能够准确理解,我是抱有怀疑态度的。所以在这个数学基础系列里,在一些我认为有所模糊的地方,都会尝试引入原本的英文定义,或者我认为比较接近小白都能理解的含义。

在前两个章节里,反复提到的分布律,你可以理解为概率集合,或者是概率样本集合。英文直译就是分布概率函数或者分布规律。因此,比方说对于一个一维随机离散型概率事件,它的分布规律/分布律/分布函数,就可以是这样的:

X012
P1/158/156/15

而对于二维离散概率,就可以得到这样的表现形式:

X\Y-112
-10.10.20.3
20.20.10.1

边缘分布律 (Marginal Distribution Law)

所谓边缘分布律,可以理解为投影,即从一个方向投影到另外一个方向上,线性叠加的过程。

在这里插入图片描述
这个概念和线性代数里的特征向量很相似,只不过要更为简单。因为如果变量X,Y分别为离散随机样本的两个变量,那么当提到X,Y上的边缘分布律时,只是把所有的点映射到X或者Y轴上面。

在这里插入图片描述

因此,可以有这样简单的公式计算边缘分布律

对于X轴的边缘分布概率,可以得到:

P { x } = ∑ y P { x , y } = ∑ P { x ∣ y } P { y } P\{ x \} = \sum_y P\{ x, y \} = \sum P\{ x | y \} P \{y \} P{x}=yP{x,y}=P{xy}P{y}

同理,对于Y轴的边缘分布概率,也可以得到:

P { y } = ∑ x P { x , y } = ∑ P { y ∣ x } P { x } P\{ y \} = \sum_x P\{ x, y \} = \sum P\{ y | x \} P \{x \} P{y}=xP{x,y}=P{yx}P{x}

实际上也就是把概率按照一个方向上进行加和运算。

独立性

离散型二维随机变量是否满足独立的一个条件,就是看它各自在边缘分布上是否独立。听起来有点绕?其实很简单,大致就是:对于二维离散型随机分布 P { X = x i , Y = y j } P\{ X = x_i, Y = y_j \} P{X=xi,Y=yj} X和Y是否独立,要满足:

P { X = x i , Y = y j } ⇋ P { X = x i } ∩ P { Y = y j } P\{ X = x_i, Y = y_j \} \leftrightharpoons P\{ X=x_i \} \cap P\{ Y = y_j \} P{X=xi,Y=yj}P{X=xi}P{Y=yj}

稍微细心的朋友,就会发现这其实是第一章节里,基本概率类型的交概率事件,是的!到这里,离散型二维随机变量的基本概念就结束了,不过基于这些概念,可以出的题可是有很多的。

然后我们来试着做点练习题吧:

做点练习题吧!

已知二维离散型随机变量(X, Y)的联合分布律如下:

X\Y-112
-10.10.20.3
20.20.10.1

(1) P { X = − 1 , Y = 2 } P \{ X = -1, Y = 2 \} P{X=1,Y=2} P { X ≤ Y } P \{ X \leq Y \} P{XY}
(2) X和Y的边缘分布律
(3) X和Y是否独立
(4) Z = X + Y Z = X + Y Z=X+Y W = m a x { X , Y } W = max \{ X, Y \} W=max{X,Y} 的分布律
(5) P { X = − 1 ∣ Y = 1 } P\{ X = -1 | Y = 1 \} P{X=1Y=1}

解(1)

从上面的分布律直接查表于是:
P { X = − 1 , Y = 2 } = 0.3 P \{ X = -1, Y = 2 \} = 0.3 P{X=1,Y=2}=0.3

对于 X ≤ Y X \leq Y XY,可以得到:

X = − 1 X = -1 X=1 的时候,符合以上条件的Y有 Y = − 1 , 1 , 2 Y = -1, 1, 2 Y=1,1,2;当 X = 2 X = 2 X=2 时,可以有 Y = 2 Y = 2 Y=2, 所以我们可以得到:

P { X ≤ Y } = P { − 1 , − 1 } + P { − 1 , 1 } + P { − 1 , 2 } + P { 2 , 2 } = 0.7 P \{ X \leq Y \} = P\{ -1, -1 \} + P\{ -1, 1 \} + P\{ -1, 2 \} + P\{ 2, 2 \} = 0.7 P{XY}=P{1,1}+P{1,1}+P{1,2}+P{2,2}=0.7

解(2)

根据边缘分布律的定义,我们可以得到:

对于X来说:

P { X = − 1 } = P { − 1 , − 1 } + P { − 1 , 1 } + P { − 1 , 2 } = 0.6 P \{ X = -1 \} = P \{ -1, -1 \} + P \{ -1, 1 \} + P \{ -1, 2 \} = 0.6 P{X=1}=P{1,1}+P{1,1}+P{1,2}=0.6

P { X = 2 } = P { 2 , − 1 } + P { 2 , 1 } + P { 2 , 2 } = 0.4 P \{ X = 2 \} = P \{ 2, -1 \} + P \{ 2, 1 \} + P \{ 2, 2 \} = 0.4 P{X=2}=P{2,1}+P{2,1}+P{2,2}=0.4

对于Y来说:
P { Y = − 1 } = P { − 1 , − 1 } + P { 2 , − 1 } = 0.3 P\{ Y = -1 \} = P\{ -1, -1 \} + P\{ 2, -1 \} = 0.3 P{Y=1}=P{1,1}+P{2,1}=0.3

P { Y = 1 } = P { − 1 , 1 } + P { 2 , 1 } = 0.3 P\{ Y = 1 \} = P\{ -1, 1 \} + P\{ 2, 1 \} = 0.3 P{Y=1}=P{1,1}+P{2,1}=0.3

P { Y = 2 } = P { − 1 , 2 } + P { 2 , 2 } = 0.4 P\{ Y = 2 \} = P\{ -1, 2 \} + P\{ 2, 2 \} = 0.4 P{Y=2}=P{1,2}+P{2,2}=0.4

然后我们把以上的分布概率制作成表格:

X-12
P0.60.4
Y-112
P0.30.30.4

解(3) 是否独立,我们把上面的边缘分布律进行相乘:

X ∩ Y X \cap Y XY-112
-10.180.180.24
20.120.120.16

然后我们跟原始的分布律表进行对比,发现不一样,所以可以得出事件X和Y不独立

解(4) 单纯看题目,好像很难解,于是我们把原始的分布律表换成这样的形式:

(X, Y)(-1, -1)(-1, 1)(-1, 2)(2, -1)(2, 1)(2, 2)
P0.10.20.30.20.10.1

然后我们把新函数的分布律加入到上面的那张表

(X, Y)(-1, -1)(-1, 1)(-1, 2)(2, -1)(2, 1)(2, 2)
P0.10.20.30.20.10.1
Z-201134
W-112222

然后把概率样本进行加和:

Z-20134
P0.10.20.50.10.1
W-112
P0.10.20.7

解(5) 我们根据条件概率的公式;

P { X = − 1 ∣ Y = 1 } = P { X = − 1 , Y = 1 } P { Y = 1 } P\{ X = -1 | Y = 1 \} = \frac{P\{X = -1, Y = 1 \} }{P \{ Y = 1\} } P{X=1Y=1}=P{Y=1}P{X=1,Y=1}

分别从边缘概率和原来的概率分布表中查表可知:

P { X = − 1 ∣ Y = 1 } = 0.2 0.3 = 2 / 3 P\{ X = -1 | Y = 1 \} = \frac{0.2}{0.3} = 2/3 P{X=1Y=1}=0.30.2=2/3

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值