对于连续型随机向量
(
X
,
Y
)
(X,Y)
(X,Y)的边缘分布和条件分布而言,密度函数都是一元函数。为计算随机变量取值落入指定区间
I
=
(
a
,
b
)
I=(a, b)
I=(a,b)的概率
P
(
X
∈
I
)
=
∫
a
b
f
(
x
)
d
x
P(X\in I)=\int_{a}^{b}f(x)dx
P(X∈I)=∫abf(x)dx,可以调用scipy.integrate包中的quad函数。该函数的调用接口为:
quad(f, a, b)
\text{quad(f, a, b)}
quad(f, a, b)
其中,参数f表示被积函数
f
(
x
)
f(x)
f(x),a和b分别表示积分下限
a
a
a和上限
b
b
b。
例1 设
(
X
,
Y
)
(X, Y)
(X,Y)的密度函数为
f
(
x
,
y
)
=
{
1
y
<
x
<
2
−
y
,
0
<
y
<
1
0
其他
{f(x,y)=}\begin{cases} 1&y<x<2-y, 0<y<1\\ 0&\text{其他} \end{cases}
f(x,y)={10y<x<2−y,0<y<1其他
计算(1)
P
(
0.5
<
X
<
3
/
1.5
)
P(0.5<X<3/1.5)
P(0.5<X<3/1.5);(2)
f
Y
∣
X
(
y
∣
x
)
f_{Y|X}(y|x)
fY∣X(y∣x);(3)
P
(
0.1
<
Y
≤
0.4
∣
X
=
1.5
)
P(0.1<Y\leq0.4|X=1.5)
P(0.1<Y≤0.4∣X=1.5)。
解:(1)为计算
P
(
0.5
<
X
<
1.5
)
P(0.5<X<1.5)
P(0.5<X<1.5),先算得
X
X
X的边缘密度函数
f
X
(
x
)
f_X(x)
fX(x)。由于对
x
≤
0
x\leq0
x≤0或
x
≥
2
x\geq2
x≥2,
f
(
x
,
y
)
=
0
f(x, y)=0
f(x,y)=0,故此时
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
=
0
f_X(x)=\int_{-\infty}^{+\infty}f(x, y)dy=0
fX(x)=∫−∞+∞f(x,y)dy=0。下设
x
∈
(
0
,
2
)
=
(
0
,
1
]
∪
(
1
,
2
)
x\in(0, 2)=(0, 1]\cup(1, 2)
x∈(0,2)=(0,1]∪(1,2)。
当
x
∈
(
0
,
1
]
x\in(0, 1]
x∈(0,1]时,
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
=
∫
0
x
d
y
=
x
f_X(x)=\int_{-\infty}^{+\infty}f(x, y)dy=\int_{0}^{x}dy=x
fX(x)=∫−∞+∞f(x,y)dy=∫0xdy=x
当
x
∈
(
1
,
2
)
x\in(1, 2)
x∈(1,2)时,
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
=
∫
0
2
−
x
d
y
=
2
−
x
f_X(x)=\int_{-\infty}^{+\infty}f(x, y)dy=\int_{0}^{2-x}dy=2-x
fX(x)=∫−∞+∞f(x,y)dy=∫02−xdy=2−x
综上所述,
f
X
(
x
)
=
{
x
0
<
x
≤
1
2
−
x
1
<
x
<
2
0
其他
{f_X(x)=}\begin{cases}x&0<x\leq1\\ 2-x&1<x<2\\ 0&\text{其他} \end{cases}
fX(x)=⎩
⎨
⎧x2−x00<x≤11<x<2其他
于是
P
(
0.5
<
X
<
1.5
)
=
∫
0.5
1.5
f
X
(
x
)
d
x
=
∫
0.5
1
x
d
x
+
∫
1
1.5
(
2
−
x
)
d
x
=
x
2
2
∣
0.5
1
+
2
∣
1
1.5
−
x
2
2
∣
1
1.5
=
0.75
P(0.5<X<1.5)=\int_{0.5}^{1.5}f_X(x)dx=\int_{0.5}^{1}xdx+\int_{1}^{1.5}(2-x)dx\\ =\frac{x^2}{2}\big|_{0.5}^1+2\big|_{1}^{1.5}-\frac{x^2}{2}\big|_{1}^{1.5}=0.75
P(0.5<X<1.5)=∫0.51.5fX(x)dx=∫0.51xdx+∫11.5(2−x)dx=2x2
0.51+2
11.5−2x2
11.5=0.75
(2)我们知道,
f
Y
∣
X
(
y
∣
x
)
=
f
(
x
,
y
)
f
X
(
x
)
f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}
fY∣X(y∣x)=fX(x)f(x,y)仅在
f
X
(
x
)
≠
0
f_X(x)\not=0
fX(x)=0处存在,故当
x
∈
(
0
,
1
]
x\in(0, 1]
x∈(0,1]时,
f
Y
∣
X
(
y
∣
x
)
=
{
1
x
0
<
y
<
x
0
其他
{f_{Y|X}(y|x)=}\begin{cases} \frac{1}{x}&0<y<x\\ 0&\text{其他} \end{cases}
fY∣X(y∣x)={x100<y<x其他
而当
x
∈
(
1
,
2
)
x\in(1,2)
x∈(1,2)时,
f
Y
∣
X
(
y
∣
x
)
=
{
1
2
−
x
0
<
y
<
2
−
x
0
其他
f_{Y|X}(y|x)=\begin{cases} \frac{1}{2-x}&0<y<2-x\\ 0&\text{其他} \end{cases}
fY∣X(y∣x)={2−x100<y<2−x其他
(3)由于
x
=
1.5
∈
(
1
,
2
)
x=1.5\in(1, 2)
x=1.5∈(1,2),故
f
Y
∣
X
(
y
∣
1.5
)
=
{
1
2
−
1.5
0
<
y
<
2
−
1.5
0
其他
{f_{Y|X}(y|1.5)=}\begin{cases} \frac{1}{2-1.5}&0<y<2-1.5\\ 0&\text{其他} \end{cases}
fY∣X(y∣1.5)={2−1.5100<y<2−1.5其他
即
f
Y
∣
X
(
y
∣
1.5
)
=
{
2
0
<
y
<
0.5
0
其他
{f_{Y|X}(y|1.5)}=\begin{cases} 2&0<y<0.5\\ 0&\text{其他} \end{cases}
fY∣X(y∣1.5)={200<y<0.5其他
于是
P
(
0.1
<
Y
≤
0.4
∣
X
=
1.5
)
=
∫
0.1
0.4
f
Y
∣
X
(
y
∣
1.5
)
d
y
=
∫
0.1
0.4
2
d
y
=
0.6.
P(0.1<Y\leq0.4|X=1.5)=\int_{0.1}^{0.4}f_{Y|X}(y|1.5)dy=\int_{0.1}^{0.4}2dy=0.6.
P(0.1<Y≤0.4∣X=1.5)=∫0.10.4fY∣X(y∣1.5)dy=∫0.10.42dy=0.6.
下列代码验算本例计算结果。
from scipy.integrate import quad #导入quad
fx=lambda x: x if x<=1 else 2-x #X的边缘密度函数
p, _=quad(fx, 0.5, 1.5) #计算P(0.5<X<1.5)
print('P(0.5<X<1.5)=%.2f'%p)
f=lambda x: 1/0.5 if x>0 and x<0.5 else 0 #X|Y=1.5的密度函数
p, _=quad(f, 0.1, 0.4) #计算P(0.1<Y<=0.4|X=1.5)
print('P(0.1<Y≤0.4|X=1.5)=%.4f'%p)
根据各行注释,不难理解该程序。需要注意的是,由于区间 ( 0.5 , 1.5 ) (0.5,1.5) (0.5,1.5)位于 f X ( x ) f_X(x) fX(x)的非零区间 ( 0 , 2 ) (0,2) (0,2)内,故计算 P ( 0.5 < X < 1.5 ) P(0.5<X<1.5) P(0.5<X<1.5)的积分式中只取 f X ( x ) f_X(x) fX(x)对应的非零表达式(见第2行)。相仿地,第5行设置 f Y ∣ X ( y ∣ 1.5 ) f_{Y|X}(y|1.5) fY∣X(y∣1.5)时,也仅考虑其非零表达式“2”。运行程序,输出:
P(0.5<X<1.5)=0.75
P(0.1<Y≤0.4|X=1.5)=0.60
此即为本例的计算结果。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好。
返回《导引》