本章主要介绍了多维随机变量及其分布的相关计算。
目录
- 习题三
-
- 28.设 X , Y X,Y X,Y是相互独立的随机变量,它们都服从正态分布 N ( 0 , σ 2 ) N(0,\sigma^2) N(0,σ2)。试验证随机变量 Z = X 2 + Y 2 Z=\sqrt{X^2+Y^2} Z=X2+Y2的概率密度为 f Z ( z ) = { z σ 2 e − z 2 / ( 2 σ 2 ) , z ⩾ 0 , 0 , 其他 . f_Z(z)=\begin{cases}\cfrac{z}{\sigma^2}e^{-z^2/(2\sigma^2)},&z\geqslant0,\\0,&\text{其他}.\end{cases} fZ(z)=⎩⎨⎧σ2ze−z2/(2σ2),0,z⩾0,其他.我们称 Z Z Z服从参数为 σ ( σ > 0 ) \sigma(\sigma>0) σ(σ>0)的`瑞利分布`。
- 34.设 X , Y X,Y X,Y是相互独立的随机变量, X ∼ π ( λ 1 ) , Y ∼ π ( λ 2 ) X\sim\pi(\lambda_1),Y\sim\pi(\lambda_2) X∼π(λ1),Y∼π(λ2)。证明 Z = X + Y ∼ π ( λ 1 + λ 2 ) . Z=X+Y\sim\pi(\lambda_1+\lambda_2). Z=X+Y∼π(λ1+λ2).
- 写在最后
习题三
28.设 X , Y X,Y X,Y是相互独立的随机变量,它们都服从正态分布 N ( 0 , σ 2 ) N(0,\sigma^2) N(0,σ2)。试验证随机变量 Z = X 2 + Y 2 Z=\sqrt{X^2+Y^2} Z=X2+Y2的概率密度为 f Z ( z ) = { z σ 2 e − z 2 / ( 2 σ 2 ) , z ⩾ 0 , 0 , 其他 . f_Z(z)=\begin{cases}\cfrac{z}{\sigma^2}e^{-z^2/(2\sigma^2)},&z\geqslant0,\\0,&\text{其他}.\end{cases} fZ(z)=⎩⎨⎧σ2ze−z2/(2σ2),0,z⩾0,其他.我们称 Z Z Z服从参数为 σ ( σ > 0 ) \sigma(\sigma>0) σ(σ>0)的瑞利分布
。
证 由于 Z = X 2 + Y 2 ⩾ 0 Z=\sqrt{X^2+Y^2}\geqslant0 Z=X2+Y2⩾0,知当 z < 0 z<0 z<0时, F Z ( z ) = 0 F_Z(z)=0 FZ(z)=0。当 z ⩾ 0 z\geqslant0 z⩾0时有
F Z ( z ) = p { Z ⩽ z } = P { X 2 + Y 2 ⩽ z } = P { X 2 + Y 2 ⩽ z 2 } = ∬ x 2 + y 2 ⩽ z 2 f ( x , y ) d x d y = ∬ x 2 + y 2 ⩽ z 2 1 2 π σ 2 e − ( x 2 + y 2 ) / ( 2 σ 2 ) d x d y = 用极坐标 ∫ 0 2 π d θ ∫ 0 z 1 2 π σ 2 e − r 2 / ( 2 σ 2 ) d r = 2 π ⋅ 1 2 π [ − e − r 2 / ( 2 σ 2 ) ] ∣ 0 z = 1 − e − z 2 / ( 2 σ 2 ) . \begin{aligned} F_Z(z)&=p\{Z\leqslant z\}=P\{\sqrt{X^2+Y^2}\leqslant z\}\\ &=P\{X^2+Y^2\leqslant z^2\}=\displaystyle\iint\limits_{x^2+y^2\leqslant z^2}f(x,y)\mathrm{d}x\mathrm{d}y\\ &=\displaystyle\iint\limits_{x^2+y^2\leqslant z^2}\cfrac{1}{2\pi\sigma^2}e^{-(x^2+y^2)/(2\sigma^2)}\mathrm{d}x\mathrm{d}y\\\\ &\xlongequal{\text{用极坐标}}\displaystyle\int^{2\pi}_0\mathrm{d}\theta\displaystyle\int^z_0\cfrac{1}{2\pi\sigma^2}e^{-r^2/(2\sigma^2)}\mathrm{d}r\\ &=2\pi\cdot\cfrac{1}{2\pi}[-e^{-r^2/(2\sigma^2)}]\biggm\vert^z_0=1-e^{-z^2/(2\sigma^2)}. \end{aligned} F