概统笔记——多维随机变量及其分布、卷积公式
二维随机变量
定义 设 ( X , Y ) (X,Y) (X,Y)是二维随机变量,对于任意实数 x , y x,y x,y,二元函数: \newline
F ( x , y ) = P { ( X ⩽ x ) ⋂ ( Y ⩽ y ) } = 记 成 P { X ⩽ x , Y ⩽ y } F(x,y)=P\{(X\leqslant x)\bigcap(Y\leqslant y)\}\xlongequal{记成}P\{X\leqslant x,Y\leqslant y\} F(x,y)=P{(X⩽x)⋂(Y⩽y)}记成P{X⩽x,Y⩽y}
称为二位随机变量 ( X , Y ) (X,Y) (X,Y)的分布函数,或称为随机变量 X X X和 Y Y Y的联合分布函数
对离散型随机变量X和Y,有
F ( x , y ) = ∑ x i ⩽ x ∑ y i ⩽ y P i j F(x,y) = \displaystyle\sum_{x_i\leqslant x}\displaystyle\sum_{y_i\leqslant y}P_{ij}\newline F(x,y)=xi⩽x∑yi⩽y∑Pij
对连续型随机变量,有
F ( x , y ) = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x,y) = \int_{- \infty}^{y}\int_{- \infty}^{x}f(u,v)dudv F(x,y)=∫−∞y∫−∞xf(u,v)dudv
f ( x , y ) f(x,y) f(x,y)称为二维随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度,或称为随机变量 X X X和 Y Y Y的联合概率密度.
边缘概率密度
边缘分布函数:
F X ( x ) = P { X ⩽ x } = P { X ⩽ x , Y < ∞ } = F ( x , ∞ ) , F_X(x) = P\{X \leqslant x \}=P\{X \leqslant x ,Y < \infty\}=F(x,\infty), FX(x)=P{X⩽x}=P{X⩽x,Y<∞}=F(x,∞),
即 F X ( x ) = F ( x , ∞ ) . F_X(x) = F(x , \infty). FX(x)=F(x,∞).
边缘概率密度
f X ( x ) = ∫ − ∞ ∞ f ( x , y ) d y . f_X(x) = \int_{-\infty}^{\infty}f(x,y)dy. fX(x)=∫−∞∞f(x,y)dy.
f Y ( y ) = ∫ − ∞ ∞ f ( x , y ) d x f_Y(y) = \int_{-\infty}^{\infty}f(x,y)dx fY(y)=∫−∞∞f(x,y)dx
条件分布
定义 设 ( X , Y ) (X,Y) (X,Y)是二维离散型随机变量,对于固定的 j j j ,若 P { Y = y j } > 0 , P\{Y = y_j\} > 0, P{Y=yj}>0, 则称
P { X = x i ∣ Y = y j } = P { X = x i , Y = y i } P { Y = y j } P\{X=x_i | Y = y_j\} = \frac{P\{X=x_i,Y=y_i\}}{P\{Y=y_j\}} P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yi}
为在 X = x i X=x_i X=xi在条件 Y = y j Y=y_j Y=yj下随机变量 X X X的条件分布律.
定义 设二维随机变量 ( X , Y ) (X,Y) (X,Y) 的概率密度为 f ( x , y ) , ( X , Y ) f(x,y),(X,Y) f(x,y),(X,Y) 关于 Y Y Y 的边缘概率密度为 f Y ( y ) . f_Y(y). fY(y).若对于固定的 y , f Y ( y ) > 0 y,f_Y(y)>0 y,fY(y)>0,则称 f ( x , y ) f Y ( y ) \frac{f(x,y)}{f_Y(y)} fY(y)f(x,y) 为在 Y = y Y=y Y=y 的条件下 X X X 的条件概率密度,记为
f x ∣ y ( x ∣ y ) = f ( x , y ) f Y ( y ) . f_{x|y}(x|y)=\frac{f(x,y)}{f_Y(y)}. fx∣y(x∣y)=fY(y)f(x,y).
相互独立的随机变量
定义 设 F ( x , y ) F(x,y) F(x,y) 及 F x ( x ) , F Y ( y ) F_x(x),F_Y(y) Fx(x),FY(y) 分别是二维随机变量 ( X , Y ) (X,Y) (X,Y) 的分布函数及边缘分布函数.若对于所有 x , y x,y x,y 有
P { X ⩽ x , Y ⩽ y } = P { X ⩽ x } P { Y ⩽ y } , P\{X\leqslant x, Y\leqslant y\} = P\{X \leqslant x\} P\{Y\leqslant y\} , P{X⩽x,Y⩽y}=P{X⩽x}P{Y⩽y},
即 F ( x , y ) = F X ( x ) F Y ( y ) , \nobreak F(x,y) = F_X(x)F_Y(y), F(x,y)=FX(x)FY(y),
则称随机变量 X X X 和 Y Y Y 是相互独立的.
设 ( X , Y ) (X,Y) (X,Y) 是连续型随机变量, f ( x , y ) , f X ( x ) , f Y ( y ) f(x,y),f_X(x),f_Y(y) f(x,y),fX(x),fY(y) 分别为 ( X , Y ) (X,Y) (X,Y) 的概率密度和边缘概率密度,则 X X X 和 Y Y Y 相互独立的条件等价于
f ( x , y ) = f X ( x ) f Y ( y ) f(x,y)=f_X(x)f_Y(y) f(x,y)=fX(x)fY(y)
对于二维正态随机变量 ( X , Y ) , X (X,Y),X (X,Y),X 和 Y Y Y 相互独立的充要条件是参数 ρ = 0. \rho=0. ρ=0.
两个随机变量的函数的分布、卷积公式
(一)Z=X+Y的分布
设(X,Y) 是二维连续型随机变量,它们具有概率密度 f ( x , y ) . f(x,y). f(x,y). 则 Z = X + Y Z=X+Y Z=X+Y 仍为连续型随机变量,其概率密度为
f X + Y ( z ) = ∫ − ∞ ∞ f ( z − y , y ) d y , f_{X+Y}(z)=\int_{-\infty}^{\infty}f(z-y,y)dy, \newline fX+Y(z)=∫−∞∞f(z−y,y)dy, 或 f X + Y ( z ) = ∫ − ∞ ∞ f ( x , z − x ) d x \\f_{X+Y}(z)=\int_{-\infty}^{\infty}f(x,z-x)dx fX+Y(z)=∫−∞∞f(x,z−x)dx
又若 X 和 Y 相互独立,设(X,Y)关于X,Y的边缘概率密度分别为 f X ( x ) , f Y ( y ) f_X(x),f_Y(y) fX(x),fY(y) 则上式化为
f X + Y ( z ) = ∫ − ∞ ∞ f X ( z − y ) f Y ( y ) d y f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy\newline fX+Y(z)=∫−∞∞fX(z−y)fY(y)dy
和 f X + Y ( z ) = ∫ − ∞ ∞ f X ( x ) f Y ( z − x ) d x . f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx. fX+Y(z)=∫−∞∞fX(x)fY(z−x)dx.
这两个公式称为 f X f_X fX 和 f Y f_Y fY 的卷积公式,记为 f X ∗ f Y f_X*f_Y fX∗fY,即
f X ∗ f Y = ∫ − ∞ ∞ f X ( z − y ) f Y ( y ) d y = ∫ − ∞ ∞ f X ( x ) f Y ( z − x ) d x . f_X*f_Y=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx. fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx.
(二)Z=X/Y的分布、Z=XY的分布
设(X,Y)是二维连续型随机变量,它具有概率密度 f ( x , y ) f(x,y) f(x,y) ,则 Z = Y X 、 Z = X Y Z=\frac{Y}{X}、Z=XY Z=XY、Z=XY仍为连续型随机变量,其概率密度分别为
f Y / X ( z ) = ∫ − ∞ ∞ ∣ x ∣ f ( x , x z ) d x , f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f(x,xz)dx, fY/X(z)=∫−∞∞∣x∣f(x,xz)dx,
f X Y ( z ) = ∫ − ∞ ∞ 1 ∣ x ∣ f ( x , z x ) d x . f_{XY}(z)=\int_{-\infty}^{\infty}\frac{1}{|x|}f(x,\frac{z}{x})dx. fXY(z)=∫−∞∞∣x∣1f(x,xz)dx.
又若 X 和 Y 相互独立.设(X,Y)关于X,Y的边缘密度分别为 f X ( x ) , f Y ( y ) , f_X(x),f_Y(y), fX(x),fY(y),则上式化为
f Y / X ( z ) = ∫ − ∞ ∞ ∣ x ∣ f X ( x ) f Y ( x z ) d x . f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f_X(x)f_Y(xz)dx. fY/X(z)=∫−∞∞∣x∣fX(x)fY(xz)dx.
f X Y ( z ) = ∫ − ∞ ∞ 1 ∣ x ∣ f X ( x ) f Y ( x , z x ) d x . f_{XY}(z)=\int_{-\infty}^{\infty}\frac{1}{|x|}f_X(x)f_Y(x,\frac{z}{x})dx. fXY(z)=∫−∞∞∣x∣1fX(x)fY(x,xz)dx.
(三)M=max{X,Y} 及 N=min{X,Y}的分布
设X,Y是两个相互独立的随机变量,它们的分布函数分别为
F
X
(
x
)
F_X(x)
FX(x) 和
F
Y
(
y
)
.
F_Y(y).
FY(y). 现在来求
M
=
m
a
x
{
X
,
Y
}
M=max\{X,Y\}
M=max{X,Y} 及
N
=
m
i
n
{
X
,
Y
}
N=min\{X,Y\}
N=min{X,Y} 的分布函数.
由于
M
=
m
a
x
{
X
,
Y
}
M=max\{X,Y\}
M=max{X,Y} 不大于 z 等价于 X 和 Y 都不大与 z ,故有
P
{
M
⩽
z
}
=
P
{
X
⩽
z
,
Y
⩽
z
}
.
P\{M\leqslant z\}=P\{X\leqslant z,Y\leqslant z\}.
P{M⩽z}=P{X⩽z,Y⩽z}.
又由于 X 和 Y 相互独立,得到
M
=
m
a
x
{
X
,
Y
}
M=max\{X,Y\}
M=max{X,Y}的分布函数为
F
m
a
x
(
z
)
=
P
{
M
⩽
z
}
=
P
{
X
⩽
z
,
Y
⩽
z
}
=
P
{
X
⩽
z
}
P
{
Y
⩽
z
}
.
F_{max}(z)=P\{M\leqslant z\}=P\{X\leqslant z,Y\leqslant z\}=P\{X\leqslant z\}P\{Y\leqslant z\}.
Fmax(z)=P{M⩽z}=P{X⩽z,Y⩽z}=P{X⩽z}P{Y⩽z}.
即有
F m a x ( z ) = F X ( z ) F Y ( z ) . F_{max}(z)=F_X(z)F_Y(z). Fmax(z)=FX(z)FY(z).
类似地,可得
N
=
m
i
n
{
X
,
Y
}
N=min\{X,Y\}
N=min{X,Y} 的分布函数为
F
m
i
n
(
z
)
=
P
{
N
⩽
z
}
=
1
−
P
{
N
>
z
}
=
1
−
P
{
X
>
z
,
Y
>
z
}
=
1
−
P
{
X
>
z
}
⋅
P
{
Y
>
z
}
F_{min}(z)=P\{N\leqslant z\}=1-P\{N>z\}\newline =1-P\{X>z,Y>z\}=1-P\{X>z\} \cdot P\{Y>z\}
Fmin(z)=P{N⩽z}=1−P{N>z}=1−P{X>z,Y>z}=1−P{X>z}⋅P{Y>z}
即有
F m i n ( z ) = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] . F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)]. Fmin(z)=1−[1−FX(z)][1−FY(z)].
例题:
设随机变
(
X
,
Y
)
(X,Y)
(X,Y) 的概率密度为
f
(
x
,
y
)
=
{
x
+
y
,
0<x<1,0<y<1
,
0
,
其他
f(x,y)=\begin{cases}x+y, &\text{0<x<1,0<y<1},\\0, &\text{其他}\end{cases}
f(x,y)={x+y,0,0<x<1,0<y<1,其他
分别求(1)Z=X+Y,(2)Z=XY的概率密度
解:
(1)
f
(
z
−
y
,
y
)
=
{
z
,
0<z-y<1,0<y<1
,
0
,
其他
f(z-y,y)=\begin{cases}z, &\text{0<z-y<1,0<y<1},\\0, &\text{其他}\end{cases}
f(z−y,y)={z,0,0<z-y<1,0<y<1,其他
可以看出使
f
≠
0
f\neq0
f̸=0 的
y
y
y 的取值范围
{
0
<
y
<
1
z
−
1
<
y
<
z
\begin{cases}0<y<1 \\z-1<y<z\end{cases}
{0<y<1z−1<y<z
这两部分的交集就是对
f
f
f 积分时
y
y
y 的取值范围.
f
Z
(
z
)
=
∫
−
∞
∞
f
(
z
−
y
,
y
)
=
{
∫
0
z
z
d
y
,
0<z<1
,
∫
z
−
1
1
z
d
y
,
1
⩽
z
<
2
0
others
=
{
z
2
,
0<z<1
,
2
z
−
z
2
,
1
⩽
z
<
2
0
others
f_Z(z)=\int_{-\infty}^{\infty}f(z-y,y)=\begin{cases}\int_{0}^{z}zdy, &\text{0<z<1},\\\int_{z-1}^{1}zdy, &\text{}1\leqslant z<2\\0 &\text{others}\end{cases}=\begin{cases}z^2, &\text{0<z<1},\\2z-z^2, &\text{}1\leqslant z<2\\0 &\text{others}\end{cases}
fZ(z)=∫−∞∞f(z−y,y)=⎩⎪⎨⎪⎧∫0zzdy,∫z−11zdy,00<z<1,1⩽z<2others=⎩⎪⎨⎪⎧z2,2z−z2,00<z<1,1⩽z<2others
(2)
f
(
x
,
z
x
)
=
{
x
+
z
x
,
0
<
x
<
1
,
0
<
z
x
<
1
,
0
o
t
h
e
r
s
f(x,\frac{z}{x})=\begin{cases}x+\frac{z}{x},&\text{}0<x<1,0<\frac{z}{x}<1,\\0&\text{} others\end{cases}
f(x,xz)={x+xz,00<x<1,0<xz<1,others
从中求得
x
x
x 的取值范围为
z
<
x
<
1
z<x<1
z<x<1
f
X
Y
(
z
)
=
∫
−
∞
∞
1
∣
x
∣
f
(
x
,
z
x
)
d
x
=
∫
z
1
1
∣
x
∣
(
x
+
z
x
)
d
x
=
∫
z
1
(
1
+
z
x
2
)
d
x
=
2
(
1
−
z
)
f_{XY}(z)=\int_{-\infty}^{\infty}\frac{1}{|x|}f(x,\frac{z}{x})dx=\int_{z}^{1}\frac{1}{|x|}(x+\frac{z}{x})dx=\int_{z}^{1}(1+\frac{z}{x^2})dx=2(1-z)
fXY(z)=∫−∞∞∣x∣1f(x,xz)dx=∫z1∣x∣1(x+xz)dx=∫z1(1+x2z)dx=2(1−z)