Day03-概率论与数理统计-多维随机变量及其分布(DataWhale)

五、二维随机变量及其分布

5.1 联合分布

$E：试验；\Omega ：样本空间；X,Y是\Omega 的两个变量【来自同一样本空间】$

联合分布函数： F ( x , y ) = P { ( X ≤ x ) ∩ P { Y ≤ y ) } = P ( X ≤ x , Y ≤ y } F(x,y)=P\{(X\leq x)\cap P\{Y\leq y)\}=P(X\leq x,Y\leq y\} F(x,y)=P{(X≤x)∩P{Y≤y)}=P(X≤x,Y≤y}

性质：

• $0\le F(x,y)\le 1$

• $F(x,y)$ 不减，$y$固定，$x_1>x_2,F(x_1,y)\ge F(x_2,y)$；$x$固定同理

• $F(-\infty ,y)=0,F(x,-\infty )=0,F(-\infty ,-\infty )=0,F(+\infty ,+\infty )=1$

• $F(x,y)$分别关于 $x$ 和 $y$ 的右连续

• $x_1<x_2,y_1<y_2$，则

  P { x 1 < X ≤ x 2   y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\{x_1<X\leq x_2\,y_1<Y\leq y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) P{x1​<X≤x2​y1​<Y≤y2​}=F(x2​,y2​)−F(x2​,y1​)−F(x1​,y2​)+F(x1​,y1​)

5.2 边缘分布

F X ( x ) = P { X ≤ x } = F ( x , + ∞ ) = P { X ≤ x , Y < + ∞ } F_X(x)=P\{X\leq x\}=F(x,+\infty)=P\{X\leq x,Y<+\infty\} FX​(x)=P{X≤x}=F(x,+∞)=P{X≤x,Y<+∞}

F Y ( y ) = P { Y ≤ y } = F ( + ∞ , y ) = P { X < + ∞ , Y ≤ y } F_Y(y)=P\{Y\leq y\}=F(+\infty,y)=P\{X<+\infty,Y\leq y\} FY​(y)=P{Y≤y}=F(+∞,y)=P{X<+∞,Y≤y}

5.3 二维离散型的联合分布和边缘分布

P { X = x i , Y = y i } = P i j P\{X=x_i,Y=y_i\}=P_{ij} P{X=xi​,Y=yi​}=Pij​

F ( x , y ) = P { X ≤ x , Y ≤ y } = ∑ x i ≤ x ∑ y i ≤ y P i j F(x,y)=P\{X\leq x,Y\leq y\}=\sum_{x_i\leq x}\sum_{y_i\leq y}P_{ij} F(x,y)=P{X≤x,Y≤y}=∑xi​≤x​∑yi​≤y​Pij​

联合分布可唯一确定边缘分布；边缘分布不能确定联合分布，但X，Y独立时可以确定联合分布

5.4 二维连续型的联合密度和边缘密度

F ( x , y ) = P { X ≤ x , Y ≤ y } = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) =P\{X\leq x,Y\leq y\}=\int_{-\infty}^x\int_{-\infty}^yf(s,t)dsdt F(x,y)=P{X≤x,Y≤y}=∫−∞x​∫−∞y​f(s,t)dsdt

$F_X(x)={\lim }_{y\to +\infty }F(x,y)={\int }_{-\infty }^x[{\int }_{-\infty }^{+\infty }f(s,t)dt]ds$

$F_Y(y)={\lim }_{x\to +\infty }F(x,y)={\int }_{-\infty }^y[{\int }_{-\infty }^{+\infty }f(s,t)ds]dt$

性质：

• $f(x,y)\ge 0$
• ${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)=1$
• $\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}=f(x,y)$
• $G$是$XY$平面的区域， P { ( X , Y ) ∈ G } = ∫ ∫ G f ( x , y ) d x d y P\{(X,Y)\in G\}=\int\int_G f(x,y)dxdy P{(X,Y)∈G}=∫∫G​f(x,y)dxdy

变上限积分求导：${\int }_a^{f(x)}g(t)dt=f^{\prime }(x)g(f(x))$

$f_X(x)={\int }_{-\infty }^{+\infty }f(s,t)dt={\int }_{-\infty }^{+\infty }f(x,y)dy$

$f_Y(y)={\int }_{-\infty }^{+\infty }f(s,t)ds={\int }_{-\infty }^{+\infty }f(x,y)dx$

二维正态分布的边缘分布也是正态分布；两边缘分布是正态分布，二维正态分布并非是二维正态分布

5.5 条件分布

F ( x ∣ A ) = P { X ≤ x ∣ A } = P { X ≤ x , A } P { A } F(x|A)=P\{X\leq x|A\}=\frac{P\{X\leq x,A\}}{P\{A\}} F(x∣A)=P{X≤x∣A}=P{A}P{X≤x,A}​

5.5.1 离散型

P { X = x i ∣ Y = y j } = P i j P j P\{X=x_i|Y=y_j\}=\frac{P_{ij}}{P_j} P{X=xi​∣Y=yj​}=Pj​Pij​​

按照限制找到对应的值，然后除以条件的概率

5.5.2 连续型

$已知(X,Y)、f(x,y)、f_X(x)、f_Y(y)，若f_Y(y)>0，在Y=y的条件下，F(x|y)={\int }_{-\infty }^x\frac{f(u,y)}{f_Y(y)}du$

$f(x|y)=\frac{f(x,y)}{f_Y(y)}$

5.6 随机变量的独立性

$f(x,y)=f_X(x)f_Y(y)$

5.6.1 二维离散型

P { X = x i , Y = y i } = P { X = x i } P { Y = y i } P\{X=x_i,Y=y_i\}=P\{X=x_i\}P\{Y=y_i\} P{X=xi​,Y=yi​}=P{X=xi​}P{Y=yi​}

5.6.2 二维连续型

$f(x,y)=f_X(x)f_Y(y)$

独立的随机变量的函数也独立

5.7 二维随机变量的函数的分布

5.7.1 二维离散型

$X_1,X_2$ 都是0-1分布，则$X_1+X_2$服从二项分布$B(2,p)$

$X_1,X_2$ 都是泊松分布，则$X_1+X_2$服从泊松分布$P({\lambda }_1+{\lambda }_2)$

5.7.2 二维连续型

$(X,Y),f(x,y),Z=g(X,Y)$

F Z ( z ) = P { Z ≤ z } = P { g ( X , Y ) ≤ z } = ∫ ∫ D z f ( x , y ) d x d y 【 D z = { ( x , y ) ∣ g ( x , y ) ≤ z } 】 F_Z(z)=P\{Z\leq z\}=P\{g(X,Y)\leq z\}=\int\int_{D_z}f(x,y)dxdy【D_z=\{(x,y)|g(x,y)\leq z\}】 FZ​(z)=P{Z≤z}=P{g(X,Y)≤z}=∫∫Dz​​f(x,y)dxdy【Dz​={(x,y)∣g(x,y)≤z}】

5.7.3 $Z=X+Y$的分布

$F_Z(z)={\int }_{-\infty }^z[{\int }_{-\infty }^{\infty }f(x,t-x)dx]dt={\int }_{-\infty }^{\infty }dx{\int }_{-\infty }^{z}f(x,t-x)dt$

$f_Z(z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx$ 或者 $f_Z(z)={\int }_{-\infty }^{+\infty }f(z-y,y)dy$

若$X,Y$独立：

卷积公式

$f_Z(z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(z-x)dx$

或者 $f_Z(z)={\int }_{-\infty }^{+\infty }f(z-y,y)dy={\int }_{-\infty }^{+\infty }{f}_X(z-y)f_Y(y)dx$

$X\sim N({\mu }_1,{\sigma }_1^2),Y\sim N({\mu }_2,{\sigma }_2^2),Z=X+Y,则：Z\sim N({\mu }_1+{\mu }_2,{\sigma }_1^2+{\sigma }_2^2)$

5.7.4 $Z=\frac{Y}{X}、Z=XY$

$f_{\frac{Y}{X}}(z)={\int }_{-\infty }^{+\infty }|x|f(x,xz)dx$

$f_{XY}(z)={\int }_{-\infty }^{+\infty }\frac{1}{|x|}f(x,\frac{z}{x})dx$

若$X,Y$独立：

$f_{\frac{Y}{X}}(z)={\int }_{-\infty }^{+\infty }|x|f_X(x)f_Y(xz)dx$

$f_{XY}(z)={\int }_{-\infty }^{+\infty }\frac{1}{|x|}{f}_X(x)f_Y(\frac{z}{x})dx$

5.7.5 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}

$X,Y$独立

M = m a x { X , Y } ≤ z = { X ≤ z , Y ≤ z } M=max\{X,Y\}\leq z=\{X\leq z,Y\leq z\} M=max{X,Y}≤z={X≤z,Y≤z}

F M ( z ) = P { M ≤ z } = P { X ≤ z , Y ≤ z } = P { X ≤ z } P { Y ≤ z } = F X ( z ) F Y ( z ) F_M(z)=P\{M\leq z\}=P\{X\leq z,Y\leq z\}=P\{X\leq z\}P\{Y\leq z\}=F_X(z)F_Y(z) FM​(z)=P{M≤z}=P{X≤z,Y≤z}=P{X≤z}P{Y≤z}=FX​(z)FY​(z)

N = m i n { X , Y } N=min\{X,Y\} N=min{X,Y}

F N ( z ) = P { N ≤ z } = 1 − P { N > z } = 1 − P { X > z , Y > z } = 1 − P { X > z } P { Y > z } = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_N(z)=P\{N\leq z\}=1-P\{N>z\}=1-P\{X>z,Y>z\}=1-P\{X>z\}P\{Y>z\}=1-[1-F_X(z)][1-F_Y(z)] FN​(z)=P{N≤z}=1−P{N>z}=1−P{X>z,Y>z}=1−P{X>z}P{Y>z}=1−[1−FX​(z)][1−FY​(z)]