目录
- 3.3 二维均匀分布和二维正态分布
- 例4 设随机变量 X X X的概率密度为 f ( x ) = { 1 9 x 2 , 0 < x < 3 , 0 , 其 他 . f(x)=\begin{cases}\cfrac{1}{9}x^2,&0<x<3,\\0,&其他.\end{cases} f(x)=⎩⎨⎧91x2,0,0<x<3,其他.令随机变量 Y = { 2 , X ⩽ 1 , X , 1 < X < 2 , 1 , 2 ⩽ X . Y=\begin{cases}2,&X\leqslant1,\\X,&1<X<2,\\1,&2\leqslant X.\end{cases} Y=⎩⎪⎨⎪⎧2,X,1,X⩽1,1<X<2,2⩽X.
- 例5 设 ( X , Y ) ∼ N ( μ , μ ; σ 2 , σ 2 ; 0 ) (X,Y)\sim N(\mu,\mu;\sigma^2,\sigma^2;0) (X,Y)∼N(μ,μ;σ2,σ2;0),则 P { X < Y } = P\{X<Y\}= P{X<Y}=______。
- 3.4 两个随机变量函数 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y)的分布
- 习题三
- 写在最后
3.3 二维均匀分布和二维正态分布
例4 设随机变量 X X X的概率密度为 f ( x ) = { 1 9 x 2 , 0 < x < 3 , 0 , 其 他 . f(x)=\begin{cases}\cfrac{1}{9}x^2,&0<x<3,\\0,&其他.\end{cases} f(x)=⎩⎨⎧91x2,0,0<x<3,其他.令随机变量 Y = { 2 , X ⩽ 1 , X , 1 < X < 2 , 1 , 2 ⩽ X . Y=\begin{cases}2,&X\leqslant1,\\X,&1<X<2,\\1,&2\leqslant X.\end{cases} Y=⎩⎪⎨⎪⎧2,X,1,X⩽1,1<X<2,2⩽X.
(1)求 Y Y Y的分布函数;
解
Y
=
{
2
,
X
⩽
1
,
X
,
1
<
X
<
2
,
1
,
2
⩽
X
,
Y=\begin{cases}2,&X\leqslant1,\\X,&1<X<2,\\1,&2\leqslant X,\end{cases}
Y=⎩⎪⎨⎪⎧2,X,1,X⩽1,1<X<2,2⩽X,显然
Y
Y
Y是随机变量
X
X
X的函数,只是这函数是分段表示的,
Y
Y
Y的取值:
1
⩽
Y
⩽
2
1\leqslant Y\leqslant2
1⩽Y⩽2。所以讨论
Y
Y
Y的分布函数
F
Y
(
y
)
F_Y(y)
FY(y)用分段讨论。
当
y
<
1
y<1
y<1时,
F
Y
(
y
)
=
P
{
Y
⩽
y
}
⩽
P
{
Y
<
1
}
=
0
F_Y(y)=P\{Y\leqslant y\}\leqslant P\{Y<1\}=0
FY(y)=P{Y⩽y}⩽P{Y<1}=0;
当
1
⩽
y
<
2
1\leqslant y<2
1⩽y<2时,
F
Y
(
y
)
=
P
{
Y
⩽
y
}
=
P
{
Y
<
1
}
+
P
{
Y
=
1
}
+
P
{
1
<
Y
⩽
y
}
=
0
+
P
{
X
⩾
2
}
+
P
{
1
<
X
⩽
y
}
=
∫
2
3
1
9
x
2
d
x
+
∫
1
y
1
9
x
2
d
x
=
y
3
+
18
27
.
\begin{aligned} F_Y(y)&=P\{Y\leqslant y\}=P\{Y<1\}+P\{Y=1\}+P\{1<Y\leqslant y\}\\ &=0+P\{X\geqslant2\}+P\{1<X\leqslant y\}\\ &=\displaystyle\int^3_2\cfrac{1}{9}x^2\mathrm{d}x+\displaystyle\int^y_1\cfrac{1}{9}x^2\mathrm{d}x=\cfrac{y^3+18}{27}. \end{aligned}
FY(y)=P{Y⩽y}=P{Y<1}+P{Y=1}+P{1<Y⩽y}=0+P{X⩾2}+P{1<X⩽y}=∫2391x2dx+∫1y91x2dx=27y3+18.
当
2
⩽
y
2\leqslant y
2⩽y时,
F
Y
(
y
)
=
P
{
Y
⩽
y
}
=
P
{
Y
⩽
2
}
=
1
F_Y(y)=P\{Y\leqslant y\}=P\{Y\leqslant2\}=1
FY(y)=P{Y⩽y}=P{Y⩽2}=1。
总之,
Y
Y
Y的分布函数为
F
Y
(
y
)
=
{
0
,
y
<
1
,
y
3
+
18
27
,
1
<
X
<
2
,
1
,
2
⩽
y
.
F_Y(y)=\begin{cases}0,&y<1,\\\cfrac{y^3+18}{27},&1<X<2,\\1,&2\leqslant y.\end{cases}
FY(y)=⎩⎪⎪⎨⎪⎪⎧0,27y3+18,1,y<1,1<X<2,2⩽y.
(2)求概率 P { X ⩽ Y } P\{X\leqslant Y\} P{X⩽Y}。
解 因为
Y
=
{
2
,
X
⩽
1
,
X
,
1
<
X
<
2
,
1
,
2
⩽
X
.
Y=\begin{cases}2,&X\leqslant1,\\X,&1<X<2,\\1,&2\leqslant X.\end{cases}
Y=⎩⎪⎨⎪⎧2,X,1,X⩽1,1<X<2,2⩽X.
P
{
X
⩽
Y
}
=
P
{
X
=
Y
}
+
P
{
X
<
Y
}
=
P
{
1
<
X
<
2
}
+
P
{
X
⩽
1
}
=
P
{
X
<
2
}
=
∫
0
2
1
9
x
2
d
x
=
8
27
.
\begin{aligned} P\{X\leqslant Y\}&=P\{X=Y\}+P\{X<Y\}\\ &=P\{1<X<2\}+P\{X\leqslant1\}\\ &=P\{X<2\}=\displaystyle\int^2_0\cfrac{1}{9}x^2\mathrm{d}x=\cfrac{8}{27}. \end{aligned}
P{X⩽Y}=P{X=Y}+P{X<Y}=P{1<X<2}+P{X⩽1}=P{X<2}=∫0291x2dx=278.
(这道题主要利用了二维正态分布求解)
例5 设 ( X , Y ) ∼ N ( μ , μ ; σ 2 , σ 2 ; 0 ) (X,Y)\sim N(\mu,\mu;\sigma^2,\sigma^2;0) (X,Y)∼N(μ,μ;σ2,σ2;0),则 P { X < Y } = P\{X<Y\}= P{X<Y}=______。
解
P
{
X
<
Y
}
=
∬
x
<
y
1
2
π
σ
2
e
−
1
2
σ
2
[
(
x
−
μ
)
2
+
(
y
−
μ
)
2
]
d
x
d
y
P\{X<Y\}=\displaystyle\iint\limits_{x<y}\cfrac{1}{2\pi\sigma^2}e^{-\frac{1}{2\sigma^2}[(x-\mu)^2+(y-\mu)^2]}\mathrm{d}x\mathrm{d}y
P{X<Y}=x<y∬2πσ21e−2σ21[(x−μ)2+(y−μ)2]dxdy,用极坐标
{
x
−
μ
=
ρ
cos
θ
,
y
−
μ
=
ρ
sin
θ
,
\begin{cases}x-\mu=\rho\cos\theta,\\y-\mu=\rho\sin\theta,\end{cases}
{x−μ=ρcosθ,y−μ=ρsinθ,上式化为
P
{
X
<
Y
}
=
1
2
π
σ
2
∫
π
4
5
4
π
d
θ
∫
0
+
∞
e
−
ρ
2
2
σ
2
ρ
d
ρ
=
1
2
P\{X<Y\}=\cfrac{1}{2\pi\sigma^2}\displaystyle\int^{\frac{5}{4}\pi}_{\frac{\pi}{4}}\mathrm{d}\theta\displaystyle\int^{+\infty}_0e^{-\frac{\rho^2}{2\sigma^2}}\rho\mathrm{d}\rho=\cfrac{1}{2}
P{X<Y}=2πσ21∫4π45πdθ∫0+∞e−2σ2ρ2ρdρ=21。
如果把
P
{
X
<
Y
}
P\{X<Y\}
P{X<Y}化成
P
{
X
−
Y
<
0
}
P\{X-Y<0\}
P{X−Y<0},则
X
−
Y
∼
N
(
0
,
2
σ
2
)
X-Y\sim N(0,2\sigma^2)
X−Y∼N(0,2σ2),根据对称性
P
{
X
−
Y
<
0
}
=
1
2
P\{X-Y<0\}=\cfrac{1}{2}
P{X−Y<0}=21。
如果注意到
(
X
,
Y
)
(X,Y)
(X,Y)中
X
X
X与
Y
Y
Y的对称性,则也有
P
{
X
<
Y
}
=
P
{
Y
<
X
}
=
1
2
P\{X<Y\}=P\{Y<X\}=\cfrac{1}{2}
P{X<Y}=P{Y<X}=21,因
P
{
X
=
Y
}
=
0
P\{X=Y\}=0
P{X=Y}=0。(这道题主要利用了概率密度函数的对称性求解)
3.4 两个随机变量函数 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y)的分布
例1 设随机变量 X X X和 Y Y Y相互独立,服从同一参数为 λ \lambda λ的泊松分布,试求:随机变量 Z = X + Y Z=X+Y Z=X+Y的分布律。
解 因为
X
X
X和
Y
Y
Y相互独立且服从同一参数为
λ
\lambda
λ的泊松分布,所以
P
{
Z
=
k
}
=
P
{
X
+
Y
=
k
}
=
∑
i
=
0
k
P
{
X
=
i
,
Y
=
k
−
i
}
=
∑
i
=
0
k
λ
i
e
−
λ
i
!
⋅
λ
k
−
i
e
−
λ
(
k
−
i
)
!
=
e
−
2
λ
∑
i
=
0
k
λ
k
i
!
(
k
−
i
)
!
=
e
−
2
λ
∑
i
=
0
k
k
!
i
!
(
k
−
i
)
!
⋅
λ
k
k
!
=
e
−
2
λ
⋅
λ
k
k
!
∑
i
=
0
k
C
k
i
=
e
−
2
λ
⋅
λ
k
k
!
(
1
+
1
)
k
=
(
2
λ
)
k
k
!
e
−
2
λ
,
k
=
0
,
1
,
2
,
⋯
\begin{aligned} P\{Z=k\}&=P\{X+Y=k\}=\displaystyle\sum^k_{i=0}P\{X=i,Y=k-i\}=\displaystyle\sum^k_{i=0}\cfrac{\lambda^ie^{-\lambda}}{i!}\cdot\cfrac{\lambda^{k-i}e^{-\lambda}}{(k-i)!}\\ &=e^{-2\lambda}\displaystyle\sum^k_{i=0}\cfrac{\lambda^k}{i!(k-i)!}=e^{-2\lambda}\displaystyle\sum^k_{i=0}\cfrac{k!}{i!(k-i)!}\cdot\cfrac{\lambda^k}{k!}\\ &=e^{-2\lambda}\cdot\cfrac{\lambda^k}{k!}\displaystyle\sum^k_{i=0}\mathrm{C}^i_k=e^{-2\lambda}\cdot\cfrac{\lambda^k}{k!}(1+1)^k\\ &=\cfrac{(2\lambda)^k}{k!}e^{-2\lambda},k=0,1,2,\cdots \end{aligned}
P{Z=k}=P{X+Y=k}=i=0∑kP{X=i,Y=k−i}=i=0∑ki!λie−λ⋅(k−i)!λk−ie−λ=e−2λi=0∑ki!(k−i)!λk=e−2λi=0∑ki!(k−i)!k!⋅k!λk=e−2λ⋅k!λki=0∑kCki=e−2λ⋅k!λk(1+1)k=k!(2λ)ke−2λ,k=0,1,2,⋯
故
Z
=
X
+
Y
Z=X+Y
Z=X+Y服从参数为
2
λ
2\lambda
2λ的泊松分布。(这道题主要利用了二次项展开式求解)
习题三
9.设随机变量 X X X和 Y Y Y相互独立, X ∼ B ( n , p ) , Y ∼ B ( m , p ) X\sim B(n,p),Y\sim B(m,p) X∼B(n,p),Y∼B(m,p),试求 X + Y X+Y X+Y的分布。
解 X ∼ B ( n , p ) , Y ∼ B ( m , p ) X\sim B(n,p),Y\sim B(m,p) X∼B(n,p),Y∼B(m,p), X X X和 Y Y Y独立,可将 X X X看成 n n n次独立重复试验中成功次数。令 X i = { 1 , 在 X 的 n 次 试 验 中 第 i 次 试 验 成 功 , 0 , 在 X 的 n 次 试 验 中 第 i 次 试 验 失 败 , i = 1 , ⋯ , n X_i=\begin{cases}1,&在X的n次试验中第i次试验成功,\\0,&在X的n次试验中第i次试验失败,\end{cases}i=1,\cdots,n Xi={1,0,在X的n次试验中第i次试验成功,在X的n次试验中第i次试验失败,i=1,⋯,n,显然 X = X 1 + ⋯ + X n X=X_1+\cdots+X_n X=X1+⋯+Xn。同样,令 Y j = { 1 , 在 Y 的 m 次 试 验 中 第 j 次 试 验 成 功 , 0 , 在 Y 的 m 次 试 验 中 第 j 次 试 验 失 败 , j = 1 , ⋯ , n Y_j=\begin{cases}1,&在Y的m次试验中第j次试验成功,\\0,&在Y的m次试验中第j次试验失败,\end{cases}j=1,\cdots,n Yj={1,0,在Y的m次试验中第j次试验成功,在Y的m次试验中第j次试验失败,j=1,⋯,n,显然 Y = Y 1 + ⋯ + Y n Y=Y_1+\cdots+Y_n Y=Y1+⋯+Yn。由于 X X X和 Y Y Y独立,所以 X 1 , x 2 , ⋯ , X n , Y 1 , Y 2 , ⋯ , Y m X_1,x_2,\cdots,X_n,Y_1,Y_2,\cdots,Y_m X1,x2,⋯,Xn,Y1,Y2,⋯,Ym是相互独立的。 X + Y = X 1 + x 2 + ⋯ + X n + Y 1 + Y 2 + ⋯ + Y m X+Y=X_1+x_2+\cdots+X_n+Y_1+Y_2+\cdots+Y_m X+Y=X1+x2+⋯+Xn+Y1+Y2+⋯+Ym可看成每次成功率均为 p p p的 n + m n+m n+m次独立重复试验中成功的次数,所以 X + Y ∼ B ( n + m , p ) X+Y\sim B(n+m,p) X+Y∼B(n+m,p)。(这道题主要利用了独立重复试验求解)
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。