未经同意,禁止转载
本文为本人在校学习笔记,若有疑问或谬误,欢迎探讨、指出。
文章目录
【概率论】高维随机变量
高维随机变量组成随机向量。主要以二维为例,可推广到n维。
联合概率
连续型随机变量,对 x 1 < x 2 , y 1 < y 2 x_1<x_2,y_1<y_2 x1<x2,y1<y2 有
P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) ≥ 0 P\{x_1<X\le x_2, y_1<Y\le y_2\} = F(x_2,y_2) - F(x_2,y_1) - F(x_1,y_2) + F(x_1,y_1) \ge 0 P{
x1<X≤x2,y1<Y≤y2}=F(x2,y2)−F(x2,y1)−F(x1,y2)+F(x1,y1)≥0
在连续点处的概率密度(可以理解为面密度)
∂ 2 F ( x , y ) ∂ x ∂ y = f ( x , y ) \frac{\partial^2F(x,y)}{\partial x \partial y} = f(x,y) ∂x∂y∂2F(x,y)=f(x,y)
边缘分布
连续型随机变量,
F X ( x ) = F ( x , ∞ ) = ∫ − ∞ x [ ∫ − ∞ ∞ f ( x , y ) d y ] d x f X ( x ) = F X ′ ( x ) = ∫ − ∞ ∞ f ( x , y ) d y F_X(x) = F(x, \infty) = \int_{-\infty}^{x} [\int_{-\infty}^{\infty}f(x,y) \mathrm{d}y]\mathrm{d}x \\ f_X(x) = F_X'(x) = \int_{-\infty}^{\infty} f(x,y) \mathrm{d}y FX(x)=F(x,∞)=∫−∞x[∫−∞∞f(x,y)dy]dxfX(x)=FX′(x)=∫−∞∞f(x,y)dy
变量 Y Y Y 的边缘分布函数和边缘概率密度同理。
积分时注意 f ( x , y ) f(x,y) f(x,y) 的积分上下限与另一维变量有关,需要通过画图确定积分域。
特征独立性
各维相互独立的充要条件:联合分布律等于边缘分布率的乘积。
若随机向量中各维是相互独立的,则有:
P ( X ≤ x , Y ≤ y ) = P ( X ≤ x ) P ( Y ≤ y ) P(X \le x, Y\le y) = P(X\le x)P(Y\le y) \\ P(X≤x,Y≤y)=P(X≤x)P(Y≤y)
若各维随机变量都是连续型,则有联合概率密度等于边缘概率密度的乘积(在平面上除去面积为0的集合外,处处成立;也即允许有可列多个点不成立):
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)
若为各维随机变量为离散型,则有联合分布率等于边缘分布率的乘积(相互的独立的充要条件):
P { X = x i , Y = y i } = P { X = x i } P { Y = y i } P\{X=x_i, Y=y_i\} = P\{X=x_i\} P\{Y=y_i\} P{
X=xi,Y=yi}=P{
X=xi}P{
Y=yi}
二维均匀分布 Two-dimensional Uniform Distribution
( X , Y ) ∼ U ( G ) (X, Y) \sim U(G) (X,Y)∼U(G)
-
概率密度
二维平面上的有界区域 G G G 面积为 A A A ,随机向量 ( X , Y ) (X,Y) (X,Y) 服从均匀分布,则:
f ( x , y ) = { 1 A , ( x , y ) ∈ G 0 , otherwise f(x,y) = \begin{cases} \frac{1}{A}, & (x,y) \in G \\ 0, & \text{otherwise} \\ \end{cases} f(