联合分布
- 随机向量
- 随机向量的函数
- 联合分布:
- 离散型: pij p i j ,
- 连续型: 密度函数 p(x,y) p ( x , y ) ,分布函数 F(x,y)=P(X≤x,Y≤y) F ( x , y ) = P ( X ≤ x , Y ≤ y )
- 非负性、次可加性、归一性
p(x,y)=∂2F(x,y)∂x∂y p ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y
p((X,Y)∈D)=∬Dp(x,y)dxdy p ( ( X , Y ) ∈ D ) = ∬ D p ( x , y ) d x d y
边缘分布
- 边缘分布:联合分布的分量
- 联合分布决定边缘分布,由联合分布积分得到
三项分布
二维正态分布
- 概率密度
p(x,y)=12πσ1σ21−ρ2−−−−−√e−12(1−ρ2)[(1−μ1)/σ1)2−2ρ(x−μ1)(x−μ2)/σ1σ2+(x−μ2/σ2)2] p ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 e − 1 2 ( 1 − ρ 2 ) [ ( 1 − μ 1 ) / σ 1 ) 2 − 2 ρ ( x − μ 1 ) ( x − μ 2 ) / σ 1 σ 2 + ( x − μ 2 / σ 2 ) 2 ] - 边缘密度是一维正态密度 pX(x)∼N(μ1,σ21),pY(y)∼N(μ2,σ22) p X ( x ) ∼ N ( μ 1 , σ 1 2 ) , p Y ( y ) ∼ N ( μ 2 , σ 2 2 )
- 二维正态分布X和Y相互独立的充要条件是 ρ=0 ρ = 0
- X+Y∼N(2μ,2σ2) X + Y ∼ N ( 2 μ , 2 σ 2 )
独立性
充要条件:
- p(x,y)=pX(x)pY(y) p ( x , y ) = p X ( x ) p Y ( y )
- P(X=xi,Y=yi)=P(X=xi)P(Y=yi) P ( X = x i , Y = y i ) = P ( X = x i ) P ( Y = y i )
函数的分布
-
Z=X+Y
Z
=
X
+
Y
的分布
pZ(z)=∫∞−∞p(x,z−x)dx p Z ( z ) = ∫ − ∞ ∞ p ( x , z − x ) d x -
Z=X/Y
Z
=
X
/
Y
的分布
pZ(z)=∫∞−∞|y|p(zy,y)dy p Z ( z ) = ∫ − ∞ ∞ | y | p ( z y , y ) d y - 可作变量替换的一般函数的分布
x=x(u,v),y=y(u,v) x = x ( u , v ) , y = y ( u , v ) ,有
q(u,v)=p[x(u,v),y(u,v)]∣∣∣∂(x,y)∂(u,v)∣∣∣ q ( u , v ) = p [ x ( u , v ) , y ( u , v ) ] | ∂ ( x , y ) ∂ ( u , v ) | - X,Y X , Y 相互独立,则 E(XY)=E(X)E(Y),D(X)=D(X)+D(Y) E ( X Y ) = E ( X ) E ( Y ) , D ( X ) = D ( X ) + D ( Y )
-
E[f(x,y)]=∬f(x,y)p(x,y)dxdy E [ f ( x , y ) ] = ∬ f ( x , y ) p ( x , y ) d x d y
协方差
- 协方差: cov(X,Y)=E(X−E(X)(Y−E(Y)) c o v ( X , Y ) = E ( X − E ( X ) ( Y − E ( Y ) )
-
|cov(X,Y)|2≤var(X)⋅var(Y) | c o v ( X , Y ) | 2 ≤ v a r ( X ) ⋅ v a r ( Y )
- 相关系数:
ρ=cov(X,Y)var(X)−−−−−−√var(Y)−−−−−−√ ρ = c o v ( X , Y ) v a r ( X ) v a r ( Y )
- X,Y X , Y 独立则系数为 0 0 ,线性相关则系数为 ±1 ± 1
n
n
维分布
- 分布函数,密度函数,边缘分布,独立性,多项分布,
- 密度公式
- 独立的充要条件:联合密度等于各个密度之积。
- 期望,协方差矩阵,相关阵(相关系数的矩阵),
n
n
维正态分布,随机变量的函数
- 函数分布公式
- 均值公式
E[f(x1,⋯,xn)]=∬f(x1,⋯,xn)p(x1,⋯,xn)dx1⋯dxn
E
[
f
(
x
1
,
⋯
,
x
n
)
]
=
∬
f
(
x
1
,
⋯
,
x
n
)
p
(
x
1
,
⋯
,
x
n
)
d
x
1
⋯
d
x
n
- 独立的充要条件:联合密度等于各个密度之积。
- 期望,协方差矩阵,相关阵(相关系数的矩阵), n n 维正态分布,随机变量的函数
- 函数分布公式
- 均值公式
E[f(x1,⋯,xn)]=∬f(x1,⋯,xn)p(x1,⋯,xn)dx1⋯dxn E [ f ( x 1 , ⋯ , x n ) ] = ∬ f ( x 1 , ⋯ , x n ) p ( x 1 , ⋯ , x n ) d x 1 ⋯ d x n
次序统计量
-
X(k)
X
(
k
)
的分布
FX(k)(x)=P[X(k)≤x]=n!(k−1)!(n−k)!∫F(x)0uk−1(1−u)n−kdu F X ( k ) ( x ) = P [ X ( k ) ≤ x ] = n ! ( k − 1 ) ! ( n − k ) ! ∫ 0 F ( x ) u k − 1 ( 1 − u ) n − k d u X(1),⋯,X(n) X ( 1 ) , ⋯ , X ( n ) 的联合分布密度
q(x1,⋯,xn)={n!∏ni=1p(xi),x1<⋯<xn0,else q ( x 1 , ⋯ , x n ) = { n ! ∏ i = 1 n p ( x i ) , x 1 < ⋯ < x n 0 , e l s e评论有问这个公式怎么证明,在此补充一下:
P((X(1),⋯,X(n))∈D)=P((X(1),⋯,X(n))∈D,X(1)<X(2)<⋯<X(n))=P(∪∗{P((Xi1,⋯,Xin)∈D,Xi1<Xi2<⋯<Xin})=n!P((X1,⋯,Xn)∈D,X1<X2<⋯<Xn)=n!∬Dp(x1,⋯,xn)I{x1<⋯<xn}dx1⋯dxn=∬Dn!∏ni=1p(xi)dx1⋯dxn P ( ( X ( 1 ) , ⋯ , X ( n ) ) ∈ D ) = P ( ( X ( 1 ) , ⋯ , X ( n ) ) ∈ D , X ( 1 ) < X ( 2 ) < ⋯ < X ( n ) ) = P ( ∪ ∗ { P ( ( X i 1 , ⋯ , X i n ) ∈ D , X i 1 < X i 2 < ⋯ < X i n } ) = n ! P ( ( X 1 , ⋯ , X n ) ∈ D , X 1 < X 2 < ⋯ < X n ) = n ! ∬ D p ( x 1 , ⋯ , x n ) I { x 1 < ⋯ < x n } d x 1 ⋯ d x n = ∬ D n ! ∏ i = 1 n p ( x i ) d x 1 ⋯ d x n
根据密度函数的定义, X(1),⋯,X(n) X ( 1 ) , ⋯ , X ( n ) 的联合分布密度即为
q(x1,⋯,xn)={n!∏ni=1p(xi),x1<⋯<xn0,else q ( x 1 , ⋯ , x n ) = { n ! ∏ i = 1 n p ( x i ) , x 1 < ⋯ < x n 0 , e l s e
解释一下,
第一个等号说的是该联合分布密度是连续函数,向量的X个分量存在相等的情况概率为0;
第二个等号是说对于X个分量总可以给一个排序,排序的个数是n!个,每个排序对应一个可能成立的情况;
第三个等号提取出n!;
第四个等号用上述的密度公式将单个情况表示出来,最后用联合分布密度的定义得证。(X(1),X(n)) ( X ( 1 ) , X ( n ) ) 的联合密度为
q1(u1,u2)={n(n−1)(F(u2)−F(u1))n−2p(u1)p(u2),u1<u20,else q 1 ( u 1 , u 2 ) = { n ( n − 1 ) ( F ( u 2 ) − F ( u 1 ) ) n − 2 p ( u 1 ) p ( u 2 ) , u 1 < u 2 0 , e l s e极差 ξ=X(n)−X(1) ξ = X ( n ) − X ( 1 ) 的分布
P(ξ≤x)=n∫∞−∞(F(x+u)−F(u))n−1p(u)du,x>0 P ( ξ ≤ x ) = n ∫ − ∞ ∞ ( F ( x + u ) − F ( u ) ) n − 1 p ( u ) d u , x > 0
条件分布
离散
连续
条件期望
离散
连续
定理(权期望公式,条件期望与期望的关系):
离散类似