前言
只做自己筆記,日後查詢之用。
二維隨機變量
一維概率密度函數定義
F(x)=∫−∞xf(t)dt
分佈函數與概率密度函數
F(x,y)=P{(X⩽x)∩(Y⩽y)}=P{X⩽x,Y⩽y}
F(x,y)=∫−∞y∫−∞xf(u,v)dudv
邊緣分佈
FX(x)=P{X⩽x}=P{X⩽x,Y<∞}=F(x,∞)
即
FX(x)=F(x,∞)=∫−∞x[∫−∞∞f(x,y)dy]dx
邊緣密度函數:
fX(x)=dxdFX(x)=[∫−∞∞f(x,y)dy]x=−∞x=∫−∞∞f(x,y)dy
即對 x=x 這一點上, 所有 y 作積分。同理:
fY(y)=∫−∞∞f(x,y)dx
條件分佈
- 離散條件概率:
P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yj}
- 連續條件概率密度:
由於在一個點上, 概率密度爲0, 因此, 取一個 ε的範圍:
P{X⩽x∣y<Y⩽y+ε}=P{y<Y⩽y+ε}P{X⩽x,y<Y⩽y+ε}=∫yy+εfY(y)dy∫−∞x[∫yy+εf(x,y)dy]dx
當 ε 很小時:
分子分母都趨於0, 由洛必達法則:
x→climg(x)f(x)=x→climg′(x)f′(x)
有:
∫yy+εfY(y)dy∫−∞x[∫yy+εf(x,y)dy]dx=∫yy+εfY(y)dy[∫yy+εf(x,y)dy]x=x−[∫yy+εf(x,y)dy]x=−∞=∫yy+εfY(y)dyεf(x,y)dy−0=≈εfY(y)ε∫−∞xf(x,y)dx=∫−∞xfY(y)f(x,y)dx
即:
fX∣Y(x∣y)=fY(y)f(x,y)
這個和貝葉斯公式是非常像的。
相互獨立
顯然,顧名思義, 相互獨立就是:
P{X⩽x,Y⩽y}=P{X⩽x}P{Y⩽y}
用概率分佈函數表示:
F(x,y)=FX(x)FY(y)
對兩邊都對x與y求導:
f(x,y)=fX(x)fY(y)
函數分佈
Z=X+Y 的概率密度爲:
fX+Y(z)=∫−∞∞f(z−y,y)dyfX+Y(z)=∫−∞∞f(x,z−x)dx
若x, y獨立:
fX+Y(z)=fX∗fY=∫−∞∞fx(z−y)fY(y)dy
推廣到正態分佈 有以下性質:
若 Z=X1+X2+⋯+Xn, 則 Z=X1+X2+⋯+Xn滿足:
Z∼N(μ1+μ2+⋯+μn,σ12+σ22+⋯+σn2)