19. 二元连续型随机变量,联合概率密度
文章目录
二元连续型随机变量,联合概率密度
联合概率密度函数
定义:对于二元随机变量 (X,Y)(X, Y)(X,Y) 的 分布函数 F(x,y)F(x, y)F(x,y),如果存在非负函数 f(x,y)f(x,y)f(x,y),使对于任意 x,yx,yx,y,有
F(x,y)=∫−∞x∫−∞yf(u,v) dudv F(x,y) = \int_{-\infty}^{x}\int_{-\infty}^{y}f(u, v)\,{\rm d}u{\rm d}v F(x,y)=∫−∞x∫−∞yf(u,v)dudv
称 (X,Y)(X,Y)(X,Y) 为二元连续型随机变量。
并称 f(x,y)f(x,y)f(x,y) 为二元随机变量 (X,Y)(X,Y)(X,Y) 的 (联合)概率密度(函数)。
概率密度的性质
-
f(x,y)≥0f(x,y) \geq 0f(x,y)≥0
-
∫−∞+∞∫−∞+∞f(x,y) dxdy=1\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)\, {\rm d}x {\rm d}y = 1∫−∞+∞∫−∞+∞f(x,y)dxdy=1
-
设 DDD 是 xoyxoyxoy 平面上的区域,点 (X,Y)(X, Y)(X,Y) 落在 DDD 内的概率为:
P((X,Y)∈D)=∬Df(x,y) dxdyP((X,Y)\in D) = \underset{D}{\iint}f(x,y) \,{\rm d}x{\rm d}yP((X,Y)∈D)=D∬f(x,y)dxdy
- 在 f(x,y)f(x,y)f(x,y) 的连续点 (x,y)(x,y)(x,y),有 ∂2F(x,y)∂x∂y=f(x,y)\cfrac{\partial^{2}F(x,y)}{\partial x\partial y}= f(x,y)∂x∂y∂2F(x,y)=f(x,y)
例 1: 设二元随机变量 (X,Y)(X,Y)(X,Y) 具有概率密度:
f(x,y)={ke−(2x+3y),x>0,y>00,其他 f(x,y)= \begin{cases} ke^{-(2x+3y)}, & x>0,y>0 \\ 0, & \text{其他} \end{cases} f(x,y)={ke−(2x+3y),0,x>0,y>0其他
(1)求常数 kkk;
(2)求分布函数 F(x,y)F(x,y)F(x,y);
(3)求 P(Y≤X)P(Y\leq X)P(Y≤X) 的概率。
解:(1)
1=∫−∞∞∫−∞∞f(x,y) dxdy=∫0∞ dx∫0∞ke−(2x+3y) dy=k∫0∞e−2x dx∫0∞e−3y dy=k(−12 e−2x)0∞(−13 e−3y)0∞=k/6 ⟹ k=6 \begin{aligned} 1 &= \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y) \, {\rm d}x{\rm d}y \\ &=\int_{0}^{\infty} \, {\rm d}x \int_{0}^{\infty} ke^{-(2x+3y)} \, {\rm d}y=k\int_{0}^{\infty}e^{-2x} \, {\rm d}x \int_{0}^{\infty} e^{-3y} \, {\rm d}y \\ &= k\left(-\cfrac{1}{2}\, e^{-2x}\right)_{0}^{\infty}\left(-\cfrac{1}{3}\, e^{-3y}\right)_{0}^{\infty} = k/6 \implies k = 6 \end{aligned} 1=∫−∞∞∫−∞∞f(x,y)dxdy=∫0∞dx∫0∞ke−(2x+3y)dy=k∫0∞e−2xdx∫0∞e−3ydy=k(−21e−2x)0∞(−31e−3y)0∞=k/6⟹k=6
前面已得:
f(x,y){6e−(2x+3y),x>0,y>00,其他 f(x,y) \begin{cases} 6e^{-(2x+3y)}, & x>0, y>0 \\ 0, & \text{其他} \end{cases} f(x,y){6e−(2x+3y),0,x>0,y>0其他
(2)
F(x,y)=P(X≤x,Y≤y)=∫−∞x∫−∞yf(u,v) dxdy={∫0x du∫0y6e−(2u+3v)dv,x>0,y>00,除第一象限={∫0x 2e−2udu∫0y3e−3vdv,x>0,y>00,其他={(1−e−2x)(1−e−3y)x>0,y>00,其他 \begin{aligned} F(x,y) &= P(X\leq x, Y\leq y)=\int_{-\infty}^{x}\int_{-\infty}^{y} f(u,v) \, {\rm d}x{\rm d}y \\ &=\begin{cases} \int_{0}^{x}\,{\rm d}u\int_{0}^{y}6e^{-(2u+3v)}{\rm d}v, & x>0,y>0 \\ 0, & \text{除第一象限} \end{cases} \\ &=\begin{cases} \int_{0}^{x}\,2e^{-2u}{\rm d}u\int_{0}^{y}3e^{-3v}{\rm d}v, & x>0,y>0 \\ 0, & \text{其他} \end{cases} \\ &=\begin{cases} (1-e^{-2x})(1-e^{-3y}) & x>0,y>0 \\ 0, & \text{其他} \end{cases} \end{aligned} F(x,y)=P(X≤x,Y≤y)=∫−∞x∫−∞yf(u,v)dxdy={∫0xdu∫0y6e−(2u+3v)dv,0,x>0,y>0除第一象限={∫0x2e−2udu∫0y3e−3vdv,0,x>0,y>0其他={(1−e−2x)(1−e−3y)0,x>0,y>0其他
前面已得:
f(x,y){6e−(2x+3y),x>0,y>00,其他 f(x,y) \begin{cases} 6e^{-(2x+3y)}, & x>0, y>0 \\ 0, & \text{其他} \end{cases} f(x,y){6e−(2x+3y),0,x>0,y>0其他
(3)
P(Y≤X)=∬y≤xf(x,y) dxdy=∫0∞ dy∫y∞6e−(2x+3y) dx=∫0∞3e−3ye−2y dy=∫0∞3e−5 dy=−35e−5y∣0∞=35 \begin{aligned} P(Y\leq X) &= \underset{y\leq x}{\iint}f(x,y) \,{\rm d}x{\rm d}y \\ &=\int_{0}^{\infty}\,{\rm d}y \int_{y}^{\infty}6e^{-(2x+3y)} \,{\rm d}x \\ &= \int_{0}^{\infty}3e^{-3y}e^{-2y}\,{\rm d}y \\ &= \int_{0}^{\infty}3e^{-5} \,{\rm d}y = -\cfrac{3}{5} e^{-5y} |_{0}^{\infty} = \cfrac{3}{5} \end{aligned} P(Y≤X)=y≤x∬f(x,y)dxdy=∫0∞dy∫y∞6e−(2x+3y)dx=∫0∞3e−3ye−2ydy=∫0∞3e−5dy=−53e−5y∣0∞=53
- 点赞 1
- 收藏
- 分享
- 文章举报
- matlab 产生任意概率密度的联合分布
- 核密度函数构建联合概率密度函数
- 概率论与数理统计(一)—— 联合概率、条件概率与边缘概率
- parzen窗方法和k近邻方法估计概率密度
- 给出x 和 y 的联合概率,求信息熵
- 满足任意概率密度函数分布的随机变量生成算法
- 机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之三(第1章)
- 贝叶斯决策理论和概率密度估计方法
- R语言︱分布函数与概率密度+随机数产生
- 条件概率、边缘概率、联合概率的简单理解
- 统计学:离散型和连续型随机变量的概率分布
- 高斯混合概率假设密度滤波器 matlab代码实现
- 二维正态分布的参数与概率密度图形
- 图像处理基础知识系列之二:核概率密度估计简介
- EffectiveJava之19-用类层次代替联合
- 深度学习FPGA实现基础知识19(通过文件读写方式实现Matlab和Modelsim的联合仿真)
- matlab画概率密度图
- 机器学习储备(13):概率密度和高斯分布例子解析
- 模式识别学习笔记(3)——高斯概率密度
- 概率密度估计简介