【概率论】联合分布 |
您所在的位置:网站首页 › 分布列的dx怎么求 › 【概率论】联合分布 |
联合分布
部分公式是自己推导的,有不对的地方请说出来 QAQ 离散随机变量假设 X X X 和 Y Y Y 是定义在同一样本空间上的离散随机变量,它们的联合频率函数是 p ( x i , y i ) = P ( X = x i , Y = y i ) p(x_i, y_i) = P(X=x_i, Y = y_i) p(xi,yi)=P(X=xi,Y=yi)。 P X ( x ) = ∑ i p ( x , y i ) P_X(x) = \sum_i p(x, y_i) PX(x)=∑ip(x,yi) 为 X X X 的边际频率函数, P Y P_Y PY 的定义类似。 连续随机变量假设 X X X 和 Y Y Y 是具有累积分布函数 F ( x , y ) F(x, y) F(x,y) 的连续型随机变量,它们的联合密度函数是两变量的分段连续函数。 F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d v d u F(x, y) = \int_{-\infty}^x \int_{-\infty}^y f(u, v)dvdu F(x,y)=∫−∞x∫−∞yf(u,v)dvdu。 那么在导数定义存在的情况下, f ( x , y ) = ∂ 2 ∂ x ∂ y F ( x , y ) f(x, y) = \frac{\partial^2}{\partial x \partial y} F(x, y) f(x,y)=∂x∂y∂2F(x,y)。 ( X , Y ) (X, Y) (X,Y) 落入 ( x , y ) (x, y) (x,y) 的较小邻域概率与 f ( x , y ) f(x, y) f(x,y) 成比例: P ( x ≤ X ≤ x + d x , y ≤ Y ≤ y + d y ) = f ( x , y ) d x d y P(x\leq X \leq x+dx, y\leq Y \leq y+dy)=f(x, y)dxdy P(x≤X≤x+dx,y≤Y≤y+dy)=f(x,y)dxdy。 X X X 的边际累积分布函数: F X ( x ) = P ( X ≤ x ) = ∫ − ∞ x ∫ − ∞ + ∞ f ( u , y ) d y d u F_X(x) = P(X\leq x) = \int_{-\infty}^x \int_{-\infty}^{+\infty}f(u, y)dydu FX(x)=P(X≤x)=∫−∞x∫−∞+∞f(u,y)dydu。 X X X 的边际密度函数为: f X ( x ) = F X ′ ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x) = F_X'(x) = \int_{-\infty}^{+\infty}f(x, y)dy fX(x)=FX′(x)=∫−∞+∞f(x,y)dy。 独立随机变量 定义随机变量 X 1 , … , X n X_1,\dots,X_n X1,…,Xn 称为独立的,如果 ∀ x i \forall x_i ∀xi,它们联合累积分布函数可分解成各自边际累积分布函数之积 F ( x 1 , … , x n ) = ∏ F ( X i ) F(x_1,\dots,x_n) = \prod F(X_i) F(x1,…,xn)=∏F(Xi),该定义对离散型和连续型随机变量都是成立的。 对于离散型随机变量,等价的叙述为:分解联合频率函数。 对于连续型随机变量,等价的叙述为:分解联合密度函数。 条件分布 离散情形如果 X X X 和 Y Y Y 是离散随机变量,给定 Y = y j Y=y_j Y=yj 的情况下 X = x i X=x_i X=xi 的条件概率是:如果 p Y ( y j ) > 0 p_Y(y_j)>0 pY(yj)>0,那么 P ( X = x i ∣ Y = y j ) = P ( X = x i , Y = y j ) P ( Y = y i ) = p X Y ( x i , y j ) p Y ( y j ) P(X=x_i|Y=y_j) = \frac{P(X=x_i, Y=y_j)}{P(Y=y_i)} = \frac{p_{XY}(x_i, y_j)}{p_Y(y_j)} P(X=xi∣Y=yj)=P(Y=yi)P(X=xi,Y=yj)=pY(yj)pXY(xi,yj) 也可以重新表述为: p X Y ( x , y ) = p X ∣ Y ( x ∣ y ) p Y ( y ) p_{XY}(x, y) = p_{X|Y}(x|y)p_Y(y) pXY(x,y)=pX∣Y(x∣y)pY(y) 连续情形如果 f Y ( y ) > 0 f_Y(y)>0 fY(y)>0,那么 f X Y ( x , y ) = f X ∣ Y ( x ∣ y ) f Y ( y ) f_{XY}(x, y) = f_{X|Y}(x|y)f_Y(y) fXY(x,y)=fX∣Y(x∣y)fY(y) 否则为 0 0 0。 联合分布随机变量函数首先考虑一些重要的特殊情形: 和与商 和对于离散形式,设 X , Y X,Y X,Y 为离散型随机变量,具有联合频率函数 p ( x , y ) p(x, y) p(x,y),令 Z = X + Y Z = X+Y Z=X+Y,那么 Z Z Z 的频率函数为: p Z ( z ) = ∑ i = − ∞ ∞ p ( x , z − x ) p_Z(z) = \sum_{i=-\infty}^\infty p(x, z-x) pZ(z)=i=−∞∑∞p(x,z−x) 这个和称为序列 p X , p Y p_X,p_Y pX,pY 的卷积。 对于连续形式,设 X , Y X,Y X,Y 为连续型随机变量,我们首先计算 Z = X + Y Z=X+Y Z=X+Y 的累积分布函数 F Z F_Z FZ。 KaTeX parse error: Undefined control sequence: \ce at position 108: …(x, y)dydx \\ &\̲c̲e̲{\overset{v=x+y… ∫ − ∞ + ∞ f ( x , v − x ) d x \int_{-\infty}^{+\infty} f(x, v-x)dx ∫−∞+∞f(x,v−x)dx 可以看作是 g ( v ) g(v) g(v)(关于 v v v 的函数)。 那么 f Z ( z ) = ∫ − ∞ + ∞ f ( x , z − x ) d x f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x)dx fZ(z)=∫−∞+∞f(x,z−x)dx。 如果 X , Y X,Y X,Y 独立,那么 f Z ( z ) = ∫ − ∞ + ∞ f X ( x ) f Y ( z − x ) d x f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x)dx fZ(z)=∫−∞+∞fX(x)fY(z−x)dx 商下考虑两个随机变量的商。 Z = Y / X Z = Y/X Z=Y/X,推导的方式类似于上述和的推导方式可以得到结果,这里采取另一种方法:利用二重积分的变量替换。 令: { u = y / x v = x \begin{cases} u = y/x\\ v=x \end{cases} {u=y/xv=x 那么有: F Z ( z ) = ∫ − ∞ z ∫ − ∞ + ∞ f ( v , u v ) ∣ J ∣ d v d u F_Z(z) = \int_{-\infty}^{z} \int_{-\infty}^{+\infty} f(v, uv)|J|dvdu FZ(z)=∫−∞z∫−∞+∞f(v,uv)∣J∣dvdu 其中 J = ∂ ( x , y ) ∂ ( u , v ) J = \frac{\partial (x, y)}{\partial (u, v)} J=∂(u,v)∂(x,y),这里的 ∣ J ∣ |J| ∣J∣ 是 J J J 的绝对值。 化简即可得到 F Z ( z ) = ∫ − ∞ z ∫ − ∞ + ∞ ∣ x ∣ f ( x , x v ) d x d v F_Z(z) = \int_{-\infty}^{z} \int_{-\infty}^{+\infty} |x|f(x, xv)dxdv FZ(z)=∫−∞z∫−∞+∞∣x∣f(x,xv)dxdv 因此 f Z ( z ) = ∫ − ∞ + ∞ ∣ x ∣ f ( x , x z ) d x f_Z(z) = \int_{-\infty}^{+\infty} |x|f(x, xz)dx fZ(z)=∫−∞+∞∣x∣f(x,xz)dx 如果 X , Y X,Y X,Y 独立, f Z ( z ) = ∫ − ∞ + ∞ ∣ x ∣ f X ( x ) f Y ( x z ) d x f_Z(z) = \int_{-\infty}^{+\infty} |x|f_X(x) f_Y(xz)dx fZ(z)=∫−∞+∞∣x∣fX(x)fY(xz)dx。 一般情形利用类似于上面使用雅可比行列式求随机变量的商的方法,我们可以得到多个随机变量函数的一般情形。 假设 X , Y X,Y X,Y 是连续型随机变量,通过 g 1 , g 2 g_1,g_2 g1,g2 投影到 U , V U,V U,V 上: u = g 1 ( x , y ) , v = g 2 ( x , y ) u=g_1(x, y),v=g_2(x, y) u=g1(x,y),v=g2(x,y)。 同时存在逆变换 x = h 1 ( u , v ) , y = h 2 ( u , v ) x=h_1(u, v),y=h_2(u, v) x=h1(u,v),y=h2(u,v),那么有 f U V ( u , v ) = f X Y ( h 1 ( u , v ) , h 2 ( u , v ) ) ∣ J − 1 ( h 1 ( u , v ) , h 2 ( u , v ) ) ∣ f_{UV}(u, v) = f_{XY}(h_1(u,v),h_2(u,v))|J^{-1}(h_1(u, v), h_2(u, v))| fUV(u,v)=fXY(h1(u,v),h2(u,v))∣J−1(h1(u,v),h2(u,v))∣ 不难注意到这个公式和一维公式的形式是非常接近的。 极值与顺序统计量假设 X 1 , … , X n X_1,\dots,X_n X1,…,Xn 是具有密度 f ( x ) f(x) f(x) 的独立连续型随机变量,对 X i X_i Xi 排序,记 X ( 1 ) < ⋯ < X ( n ) X_{(1)} |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |