概率论与数理统计 教案 3.3 二维连续型随机变量与一维连续型随机变量的关系

《概率论与数理统计》教学设计方案PAGE2第三章连续型随机变量及其分布3.3二维连续型随机变量与一维连续型随机变量的关系1.知识与技能目标理解并掌握二维连续型随机变量的边缘分布、条件分布并会计算；理解连续型随机变量随机变量的独立性概念.2.能力与思维目标通过案例导入，使学生明白为什么要学习二维连续型随机变量的边缘分布、条件分布；通过对典型案例的探究，使学生理解并掌握二维连续型随机变量的联合分布函数和联合概率密度函数．3.情感态度与价值观目标将二维连续型随机变量与一维连续型随机变量进行比较，让学生在理解二者之间的关系．要求：通过具体的例子，培养学生运用软件Python和随机变量解决实际问题的能力，从而增强其学习本课程的兴趣．1.边缘分布的概念；2.边缘分布律、边缘密度的计算．3.条件分布的概念以及计算4.独立性的概念处理措施：举例．1.边缘分布律、边缘密度的计算。2.条件分布的概念以及计算。处理措施：应用图示法直观展示以及举例展示相关概念．思政元素融入1.系统思维与整体观：边缘分布≠整体分布边缘分布仅反映单个变量的规律，无法替代二维联合分布的整体特征。企业若仅公布单个指标的边缘分布而隐瞒变量关联性，是“以局部代整体”的片面行为。思政引导：工程实践和生活中，需用系统思维兼顾局部与整体。如同团队协作中，个人能力优秀但缺乏配合会影响整体成效，引导学生认识：忽视关联的片面认知会导致决策偏差，统筹全局是科学分析的基础。2.严谨性与细节责任：条件分布的精准把控条件分布的计算依赖联合密度与边缘密度的精准推导，分母为零或积分范围偏差会导致结论失真。思政引导：质量检测中，“差之毫厘”的计算误差可能让不合格品流入市场。正如桥梁建设需精准计算“承重与跨度的条件关系”，引导学生体会：对关联细节的严谨把控，是工匠精神在数据分析中的体现。3.数据诚信与关联透明：拒绝“选择性披露”变量关联性是客观存在的统计规律，企业若隐瞒“续航与快充的正相关”等关联特征，仅披露边缘分布，本质是“选择性披露数据”的误导行为。独立性判断需基于真实相关系数，篡改数据违背《统计法》原则。思政引导：如同食品需标注“热量与含糖量的关联”，企业必须如实公开变量关联性。引导学生认识：尊重数据关联的客观性、拒绝选择性披露，是坚守职业诚信的底线。【情景与问题】引例若二维连续型随机变量的联合密度函数为，因为，，其中与分别为，．它们恰好处于密度函数的位置，故称与分别为与的边缘密度函数，简称边缘密度或边际密度．条件概率密度函数为:同理,条件概率密度函数为:设及，分别是二维随机变量的分布函数及边缘分布函数．若对任意的实数，有，即，则称随机变量与是相互独立的．学生在学习通上观看视频，思考知识点一：知识点二：知识点三：教学环节主要教学内容学生活动安排一、反转课堂，帮助学生绘制知识线（共10分钟）向学生展示【情景与问题1】引例，结合案例，提问学生：【提问学生】【解析、反思与课程思政融入点】1.通过计算边缘分布提取单个指标的分布规律。具体而言，对二维联合概率密度函数积分消去另一变量：续航X的边缘概率密度：快充Y的边缘概率密度：这种“单个指标的分布”本质上就是一维连续型随机变量的分布，满足一维概率密度的所有性质（非负性、规范性），是3.1中一维连续型随机变量分布在二维场景中的自然延伸。2.需通过条件分布计算。步骤为确定“续航≥550公里”的条件区域，计算该条件下的条件概率密度续对条件概率密度在“”区间积分，即。3.判断独立性需验证联合概率密度是否等于边缘概率密度的乘积4.企业的行为构成误导。边缘分布仅反映单个指标规律，无法体现变量间的关联性（如引例中“续航较长时快充易超时”），消费者可能因“局部指标达标”误判整体合格性。学生通过学习通抢答问题1，2，3。教师引导学生思考问题4学生回答问题：二、新课(70分钟)1.连续型随机变量的边缘分布2.连续型随机变量的条件分布3.连续型随机变量的独立性.4.实操与引例复盘.定义3.3.1若在二维随机变量的联合分布函数中令，由于为必然事件，故可得，这是一个分布函数，称为的边缘分布函数，记为．类似地，在中令，可得的边缘分布函数．例3.3.1设二维随机变量的联合分布函数为，这个分布称为二维指数分布，其中参数．由此联合分布函数，容易获得与的边缘分布函数为它们都是一维指数分布，且与参数无关．不同的对应不同的二维指数分布，但它们的两个边缘分布函数不变．这说明：二维联合分布不仅含有每个分量的概率分布，而且还含有两个变量与之间的关系的信息，这正是人们要研究多维随机变量的原因．定义3.3.2若二维连续型随机变量的联合密度函数为，因为，，其中与分别为，．它们恰好处于密度函数的位置，故称与分别为与的边缘密度函数，简称边缘密度或边际密度．例3.3.2设随机变量与具有联合概率密度求边缘密度函数与．例3.3.3设二维随机变量具有密度函数试求：(1)常数；(2)分布函数；(3)边缘分布函数、及相应的边缘密度函数；落在图中区域内的概率．对于连续型随机变量（X，Y），因为P{X=x，Y=y}=0，所以不能直接由定义3.5来定义条件分布，但是对于任意的ε＞0，如果P{y-ε＜Y≤y+ε}＞0，则可以考虑P{X≤x｜y-ε＜Y≤y+ε}=如果上述条件概率当ε→0+时的极限存在，自然可以将此极限值定义为在Y=y条件下X的条件分布.定义3.3.3设对于任何固定的正数ε，P{y-ε＜Y≤y+ε}＞0，若存在，则称此极限为在Y=y的条件下X的条件分布函数，记作P{X≤x｜Y=y}或FX｜Y（x｜y）.设二维连续型随机变量（X，Y）的分布函数为F（x，y），分布密度函数为f（x，y），且f（x，y）和边缘分布密度函数fY（y）连续，fY（y）＞0，则不难验证，在Y=y的条件下X的条件分布函数为FX｜Y（x｜y）=若记fX｜Y（x｜y）为在Y=y的条件下X的条件分布密度，则fX｜Y（x｜y）=f（x，y）/fY（y）.类似地，若边缘分布密度函数fX（x）连续，fX（x）＞0，则在X=x的条件下Y的条件分布函数为FY｜X(y｜x)=.若记fY｜X（y｜x）为在X=x的条件下Y的条件分布密度，则fY｜X（y｜x）=.例3.3.4设（X，Y）~N（0，0，1，1，ρ），求fX｜Y（x｜y）与fY｜X(y｜x).解易知f（x，y）=（-∞＜x，y＜+∞），所以fX｜Y（x｜y）=；fY｜X（y｜x）=.例3.3.5设随机变量X~U(0,1)，当观察到X=x（0＜x＜1）时，Y~U(x,1)，求Y的概率密度fY（y）.解按题意，X具有概率密度fX（x）=类似地，对于任意给定的值x（0＜x＜1），在X=x的条件下，Y的条件概率密度fY｜X（y｜x）=因此，X和Y的联合概率密度为f（x，y）=fY｜X（y｜x）fX（x）=于是，得关于Y的边缘概率密度为fY（y）=定义3.3.4设及，分别是二维随机变量的分布函数及边缘分布函数．若对任意的实数，有，即，则称随机变量与是相互独立的．当是离散型随机变量时，与相互独立的条件等价于：对于的所有可能取值有，即，若是连续型随机变量，及，分别是的概率密度和边缘概率密度，则与相互独立的条件等价于对任意实数，，有例如在例3.3.3中，有，所以与相互独立．#导入必要库importnumpyasnpimportscipy.statsasstatsimportmatplotlib.pyplotasplt#1.输入数据与企业宣称参数#测试数据（续航X,快充Y）测试数据=np.array([(580,28),(610,32),(595,30),(620,31),(570,33),(630,29),(585,34),(605,27),(590,35),(615,30)])X测试,Y测试=测试数据[:,0],测试数据[:,1]#企业宣称参数mu_x,sigma_x=600,30#X边缘分布参数mu_y,sigma_y=30,5#Y边缘分布参数#2.提取边缘分布并验证（问题1解答）#计算样本边缘分布特征样本均值X=np.mean(X测试)样本均值Y=np.mean(Y测试)样本标准差X=np.std(X测试,ddof=1)样本标准差Y=np.std(Y测试,ddof=1)print("===边缘分布提取与验证===")print(f"续航X边缘分布：样本均值={样本均值X:.2f}，样本标准差={样本标准差X:.2f}")print(f"企业宣称X边缘分布：均值={mu_x}，标准差={sigma_x}")print(f"快充Y边缘分布：样本均值={样本均值Y:.2f}，样本标准差={样本标准差Y:.2f}")print(f"企业宣称Y边缘分布：均值={mu_y}，标准差={sigma_y}")print("结论：样本边缘分布与企业宣称基本吻合，但未反映关联性\n")#3.计算条件概率（问题2解答）#筛选"续航≥550公里"的样本条件样本=测试数据[X测试>=550]条件Y=条件样本[:,1]#条件样本的快充时间#计算"续航≥550时，Y≤35"的概率条件合格数=np.sum(条件Y<=35)条件概率=条件合格数/len(条件样本)print("===条件概率计算===")print(f"续航≥550的样本量：{len(条件样本)}，其中快充≤35的数量：{条件合格数}")print(f"条件概率P(Y≤35|X≥550)={条件概率:.2%}")print("实际意义：反映变量关联，揭示'续航达标但快充超时'的风险\n")#4.判断独立性（问题3解答）#计算样本相关系数（独立变量相关系数≈0）样本相关系数=np.corrcoef(X测试,Y测试)[0,1]#可视化联合分布与边缘分布乘积对比plt.figure(figsize=(10,6))plt.scatter(X测试,Y测试,c='blue',label='测试数据',alpha=0.7)plt.xlabel('续航里程（公里）')plt.ylabel('快充时间（分钟）')plt.title(f'续航与快充联合分布（相关系数={样本相关系数:.2f}）')plt.legend()plt.grid(alpha=0.3)plt.show()p