关于概率论里的Z=max{X,Y}，min{ X,Y }分布的理解与计算方法

解法一：分情况讨论然后加起来

首先我们来分析这个意思

也就是说变量Z是包含两种情况的，每一种情况都以一定的概率值发生，求Z的分布函数，即我们只需要分别算出这两种情况的分布函数再相加即可算出Z的分布函数。这里是以X,Y分别服从指数分布为例的，x<0时候密度函数=0。

（注：对于每一种情况，比如第二种情况 Y<= z 和X<Y 是同时发生，不是说Y<= z是在X<Y的条件下发生，即不是算条件概率，这里我再画个图解释一下，如下图）

（X,Y）随机变量的取值可以用二维平面上的点位置来对应表述，每个点存在的概率为（X,Y）的联合密度函数fxy(x,y)，斜线X=Y下面区域X>Y , 上面区域X<Y。

上图中红色区域明显就是 X>Y且X<= z，即max{X,Y} <= z的第一种情况，因此算出红色区域的点存在的总概率就是P{ X<= z , X>Y }

同理，蓝色区域为max{X,Y} <= z的第二种情况，同样分析。

具体一种情况应该如何计算呢，比如第一种，P{ X<= z , X>Y }

我们可以把这个区域的点按照上面进行划分，处于dx条形内的点的X取值都认为是相同的，Y随机变量的取值范围到分界线Y=X结束，即【0，X】，每个点(X,Y)都是以fxy(x,y)的概率密度存在，所以总的概率P{ X<= z , X>Y }就等于

最后可以计算出Z=max{X,Y}的分布函数：

Fz(z) = P{ max{X,Y} <= z } = P{ X<= z , X>Y } + P{ Y<= z , X<Y } 

这里给出个例子，假如X,Y分别以a1,a2的指数分布，且相互独立，即有

X : fx(x) = a1*e^(-a1*x)

Y : fy(y) = a2*e^(-a2*y)

因为X,Y相互独立，所以(X,Y)的联合分布密度函数为X,Y两个密度函数相乘即可

(X,Y) : fxy(x,y) = fx(x)*fy(y) ，得到了联合密度函数，带入上述公式即可算出Fz(z),下面是计算过程：
 

解法二：

我们来窥探一下（X,Y）所有可能的可能分布情况：

我们深入分析问题，实际上（X,Y）关于z的分布就6种情况罢了，这六种情况的概率加起来=1的。

实际上max{X,Y} <= z这种分布就是上图的1，2情况分布，我们解法一就是把这两种情况的概率加起来即可。

其中下面的P{  X<z , X>Y }就是等于情况2的P{  X<z , Y<z , X>Y }的，Y<z已经被自动包括进去了，写不写都可以，下面的积分形式也是体现出Y<z了的

进一步分析发现，既然max{X,Y} <= z ，其实我们并不关心X,Y谁大一点，然后让大的那个<z，无论哪个大，结果是X,Y都得同时<z，即X<=z 且 Y<=z ，即情况1，2的共同特征都是X<z且Y<z

（其实这种思考方式就是已经自动包括了X大一点，然后<z和Y大一点然后<z上面1，2这两种情况了），那么我们的概率就可以写成如下形式：

Fz(z) = P{ max{X,Y} <= z } = P{ X<=z , Y<=z }

然后就可以更简便的计算出结果了，计算过程如下：

我们可以看到，计算结果和解法一的分情况讨论的答案完全一样，这两种思考方法都是对的，但是我们在习题书上看到的一般都只是介绍第二种解法，而且很多人当初公式记忆罢了。但是我觉得我们要想理解得更透测，学得更扎实，还是有必要知道其原理。

第二种解法在很多时候解答过程更加简洁，我们再来看一种情况，求min{ X,Y }的分布函数

Fz(z) = P{ min{X,Y} <= z }，我们发现这个分布实际上就是包括上面的1，2，3，4这4种情况，如果我们分别计算，那么计算过程会很繁琐，但是我们可以用总的概率1减去情况5和6的概率，这样也可以得到结果，从而使得计算更加简便

而从上面的分析同理可得，情况5和6的概率分布为：

P{ X>z,Y>z,X<Y } + P{ X>z，Y>z,X>Y } = P{ X>z,Y>z }

所以

Fz(z) = P{ min{X,Y} <= z } = 1 - P{ X>z,Y>z } = 。。。

这样计算过程就大大简便了，所以我们善于运用上面的情况分布图，就能更加简便灵活求解出分布函数了，你学会了吗(*^__^*) 嘻嘻