概率论复习笔记——卷积公式

二维随机变量

定义 ( 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{(Xx)(Yy)} P{Xx,Yy}
称为二位随机变量 ( X , Y ) (X,Y) (X,Y)分布函数,或称为随机变量 X X X Y Y Y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)=xixyiyPij

  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)=yxf(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)概率密度,或称为随机变量 X X X Y Y Y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 &lt; ∞ } = F ( x , ∞ ) , F_X(x) = P\{X \leqslant x \}=P\{X \leqslant x ,Y &lt; \infty\}=F(x,\infty), FX(x)=P{Xx}=P{Xx,Y<}=F(x,),
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 ( 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 } &gt; 0 , P\{Y = y_j\} &gt; 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=xiY=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 ) &gt; 0 y,f_Y(y)&gt;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)}. fxy(xy)=fY(y)f(x,y).

相互独立的随机变量

定义 F ( x , y ) F(x,y) F(x,y) 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
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{Xx,Yy}=P{Xx}P{Yy},
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 Y Y Y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 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 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). 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(zy,y)dy, 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,zx)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(zy)fY(y)dy
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(zx)dx.

  这两个公式称为 f X f_X fX f Y f_Y fY卷积公式,记为 f X ∗ f Y f_X*f_Y fXfY,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. fXfY=fX(zy)fY(y)dy=fX(x)fY(zx)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=XYZ=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)=xf(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)=x1f(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)=xfX(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)=x1fX(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) 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} 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{Mz}=P{Xz,Yz}.
  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{Mz}=P{Xz,Yz}=P{Xz}P{Yz}.
  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 &gt; z } = 1 − P { X &gt; z , Y &gt; z } = 1 − P { X &gt; z } ⋅ P { Y &gt; z } F_{min}(z)=P\{N\leqslant z\}=1-P\{N&gt;z\}\newline =1-P\{X&gt;z,Y&gt;z\}=1-P\{X&gt;z\} \cdot P\{Y&gt;z\} Fmin(z)=P{Nz}=1P{N>z}=1P{X>z,Y>z}=1P{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[1FX(z)][1FY(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&lt;x&lt;1,0&lt;y&lt;1 , 0 , 其他 f(x,y)=\begin{cases}x+y, &amp;\text{0&lt;x&lt;1,0&lt;y&lt;1},\\0, &amp;\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&lt;z-y&lt;1,0&lt;y&lt;1 , 0 , 其他 f(z-y,y)=\begin{cases}z, &amp;\text{0&lt;z-y&lt;1,0&lt;y&lt;1},\\0, &amp;\text{其他}\end{cases} f(zy,y)={z,0,0<z-y<1,0<y<1,其他

  可以看出使 f ≠ 0 f\neq0 f̸=0 y y y 的取值范围
   { 0 &lt; y &lt; 1 z − 1 &lt; y &lt; z \begin{cases}0&lt;y&lt;1 \\z-1&lt;y&lt;z\end{cases} {0<y<1z1<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&lt;z&lt;1 , ∫ z − 1 1 z d y , 1 ⩽ z &lt; 2 0 others = { z 2 , 0&lt;z&lt;1 , 2 z − z 2 , 1 ⩽ z &lt; 2 0 others f_Z(z)=\int_{-\infty}^{\infty}f(z-y,y)=\begin{cases}\int_{0}^{z}zdy, &amp;\text{0&lt;z&lt;1},\\\int_{z-1}^{1}zdy, &amp;\text{}1\leqslant z&lt;2\\0 &amp;\text{others}\end{cases}=\begin{cases}z^2, &amp;\text{0&lt;z&lt;1},\\2z-z^2, &amp;\text{}1\leqslant z&lt;2\\0 &amp;\text{others}\end{cases} fZ(z)=f(zy,y)=0zzdy,z11zdy,00<z<1,1z<2others=z2,2zz2,00<z<1,1z<2others


  (2)
   f ( x , z x ) = { x + z x , 0 &lt; x &lt; 1 , 0 &lt; z x &lt; 1 , 0 o t h e r s f(x,\frac{z}{x})=\begin{cases}x+\frac{z}{x},&amp;\text{}0&lt;x&lt;1,0&lt;\frac{z}{x}&lt;1,\\0&amp;\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 &lt; x &lt; 1 z&lt;x&lt;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)=x1f(x,xz)dx=z1x1(x+xz)dx=z1(1+x2z)dx=2(1z)

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页