[概率论与数理统计]笔记:3.1 随机向量的分布
第三章 随机向量
3.1 随机向量的分布
随机向量及其分布函数
概念
- (X_1,X_2,cdots,X_n)是(n)个随机向量,则((X_1,X_2,cdots,X_n))是一个(n)维随机向量。
- (n)元函数(F(x_1,x_2,cdots,x_n)=P{X_1le x_1,X_2le x_2,cdots,X_nle x_n})为随机向量((X_1,X_2,cdots,X_n))的分布函数。其中({X_1le x_1,X_2le x_2,cdots,X_nle x_n})表示({X_1le x_1},{X_2le x_2},cdots,{X_nle x_n})的交事件。
一般不会讨论高维的向量,教材上大多是二维向量。
概率表示
性质
-
(0le F(x,y)le1).
-
(F(x,y))关于(x,y)均单调、非降、右连续.
-
极限值:
- (F(-infty,y)=limlimits_{x o-infty}F(x,y)=0)
- (F(x,-infty)=limlimits_{y o-infty}F(x,y)=0)
- (F(-infty,-infty)=limlimits_{(x,y) o(-infty,-infty)}F(x,y)=0)
- (F(+infty,+infty)=limlimits_{(x,y) o(+infty,+infty)}F(x,y)=1)
-
(一维)边缘分布函数
-
(F_X(x)=P{Xle x}=P{Xle x,Y<+infty}=F(x,+infty))
-
(F_Y(y)=P{Yle y}=F(+infty,y))
-
一般地,对于(n)维随机向量的分布函数的边缘分布函数为:
[F_i(x_i)=F(+infty,cdots,+infty,x_i,+infty,cdots,+infty),quad i=1,2,cdots,n ]
-
离散型随机向量的概率分布
定义
如果二维随机向量((X,Y))只取有限个或可列个值,则称((X,Y))为二维离散型随机向量。
其概率分布为:
也叫做(X)和(Y)的联合概率分布。
性质
- (p_{ij}ge0,quad i,j=1,2,cdots;)
- (sumlimits_isumlimits_jp_{ij}=1).
概念
联合概率分布表:以二维表格形式表示二维离散型随机向量的概率分布。
边缘概率分布:联合概率分布的某一行或某一列的和。
连续型随机向量的概率密度函数
定义
二维随机向量((X,Y))的分布函数为(F(x,y)),如果存在一个非负可积的二元函数(f(x,y)),使得对任意实向量((x,y)),有
则称((X,Y))为二维连续型随机向量,并称(f(x,y))为((X,Y))的概率密度函数,或(X)和(Y)的联合密度函数。
性质
-
(f(x,y)ge0)
-
(int_{-infty}^{+infty}int_{-infty}^{+infty}f(x,y)mathrm{d}xmathrm{d}y=1)
-
若(D)是平面上的一个区域,则(P{(X,Y)in D}=iintlimits_Df(x,y)mathrm{d}xmathrm{d}y)
-
边缘分布函数
[egin{align*} F_X(x) &= P{Xle x}=P{Xle x,Yle+infty}\ &= int_{-infty}^xint_{-infty}^{+infty}f(s,t)mathrm{d}smathrm{d}t \ &= int_{-infty}^x left[ int_{-infty}^{+infty}f(s,t)mathrm{d}t ight] mathrm{d}s. end{align*} ] -
边缘密度函数
[f_X(x)=int_{-infty}^{+infty}f(x,y)mathrm{d}y \ f_Y(y)=int_{-infty}^{+infty}f(x,y)mathrm{d}x \ ]
均匀分布
如果一个二维随机向量((X,Y))以
为密度函数,则称((X,Y))服从区域(G)上的均匀分布。
图像
![二维均匀分布](https://fox-blog-image-1312870245.cos.ap-guangzhou.myqcloud.com/202301091533714.jpg)
平面区域上的均匀分布实质就是平面区域上的几何概型。
二元正态分布
定义
设随机向量((X,Y))的密度函数为
其中(mu_1,mu_2,sigma_1^2,sigma_2^2, ho)均为参数,且(sigma_1>0,sigma_2>0,| ho|<1),则称((X,Y))服从参数为((mu_1,mu_2;sigma_1^2,sigma_2^2; ho))的二元正态分布,记作((X,Y)sim N(mu_1,mu_2;sigma_1^2,sigma_2^2; ho)).
![二元正态分布](https://fox-blog-image-1312870245.cos.ap-guangzhou.myqcloud.com/202301091809924.jpg)
性质
-
二元正态分布以((mu_1,mu_2))为中心,中心附近具有较高密度,离中心越远,密度越小。
-
边缘密度函数
- (varphi_X(x)=frac{1}{sqrt{2pi}sigma_1}e^{-frac{(x-mu_1)^2}{2sigma_1^2}})
- (varphi_Y(y)=frac{1}{sqrt{2pi}sigma_2}e^{-frac{(x-mu_2)^2}{2sigma_2^2}})
- (Xsim N(mu_1,sigma_1^2), Ysim N(mu_2,sigma_2^2))
-
参数( ho)是随机变量(X,Y)的相关系数,( ho=0)表示(X,Y)相互独立,此时对于任何((x,y)),有
[varphi(x,y)=varphi_X(x)varphi_Y(y) ]
注:
- 二元正态分布的边缘分布只有前4个参数确定,因此对于只有参数( ho)不同的二元正态分布,它们的边缘分布是一致的。
- 只有(X)和(Y)的边缘分布不能唯一确定二元正态分布,还需要明确的参数( ho).
- 两个边缘分布为正态分布的二位随机向量不一定服从二元正态分布。
使用教材:
《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社
相关文章
- 一篇带给你K8s集群稳定性提升手段
- 如何利用人工智能减少塑料垃圾?
- 三大运营商2022年将如何“干架”?
- 智能云迁移的基础知识
- 听听宽带师傅这样说:路由器多久要关闭一次?否则WiFi容易变龟速
- 一图看完2021年网络界收购年度报告
- 企业在研究和产品开发中测试人工智能的可能性和局限性
- 企业私有云部署指南
- 盘点:2021年网络通信三大关键词
- SDN 和 SD-WAN 到底有啥区别?
- 多传感器融合趋势下 实现高级别自动驾驶的三大关键
- 开启部署新时代之Kubernetes
- 成长型企业商业创新绽放“齐鲁大地”
- 2021年网络安全行业快速发展,星阑科技API安全新赛道成绩亮眼
- 企业在2022年应避免这六大云成本优化问题
- 人形机器人火了,距离我们还有多远?
- 无影云电脑7x24支持企业远程复工,一站连通阿里云全球资源
- Docker对于我意味着什么?它如何改变了我
- 云计算支持数字化转型有哪些方式?
- Omdia:2022年全球千兆宽带用户数将达5000万