【概率论】3.2随机变量与多维随机变量及其概率分布

1.随机变量及其概率分布

1.随机变量及概率分布

  取值带有随机性的变量，严格地说是定义在样本空间上，取值于实数的函数称为随机变量，概率分布通常指分布函数或分布律

2.分布函数的概念与性质

定义： $F(x)=P(X\le x),-\infty <x<+\infty$

性质：(1)$0\le F(x)\le 1$

(2) $F(x)$单调不减

(3) 右连续$F(x+0)=F(x)$

(4) $F(-\infty )=0,F(+\infty )=1$

3.离散型随机变量的概率分布

$P(X=x_i)=p_i,i=1,2,\cdots ,n,\cdots p_i\ge 0,{\sum }_{i=1}^{\infty }{p}_i=1$

4.连续型随机变量的概率密度

概率密度$f(x)$;非负可积，且:

(1)$f(x)\ge 0,$

(2)${\int }_{-\infty }^{+\infty }f(x)dx=1$

(3)$x$为$f(x)$的连续点，则: $f(x)=F^{\prime }(x)$分布函数$F(x)={\int }_{-\infty }^{x}f(t)dt$

5.常见分布

(1) 0-1 分布:$P(X=k)=p^k{(1-p)}^{1-k},k=0,1$

(2) 二项分布:$B(n,p)$： $P(X=k)=C_n^k{p}^k{(1-p)}^{n-k},k=0,1,\cdots ,n$

(3) Poisson分布:$p(\lambda )$： $P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },\lambda >0,k=0,1,2\cdots$

(4) 均匀分布$U(a,b)$： f ( x ) = { 1 b − a , a < x < b 0 , f(x) = \{ \begin{matrix} & \frac{1}{b - a},a < x< b \\ & 0, \\ \end{matrix} f(x)={​b−a1​,a<x<b0,​

(5) 正态分布:$N(\mu ,{\sigma }^2):$ $\phi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{(x-\mu )}^2}{2{\sigma }^2}},\sigma >0,\infty <x<+\infty$

(6)指数分布: E ( λ ) : f ( x ) = { λ e − λ x , x > 0 , λ > 0 0 , E(\lambda):f(x) =\{ \begin{matrix} & \lambda e^{-{λx}},x > 0,\lambda > 0 \\ & 0, \\ \end{matrix} E(λ):f(x)={​λe−λx,x>0,λ>00,​

(7)几何分布:$G(p):P(X=k)={(1-p)}^{k-1}p,0<p<1,k=1,2,\cdots .$

(8)超几何分布: $H(N,M,n):P(X=k)=\frac{C_M^k{C}_{N-M}^{n-k}}{C_N^n},k=0,1,\cdots ,min(n,M)$

6.随机变量函数的概率分布

(1)离散型：$P(X=x_1)=p_i,Y=g(X)$

则: $P(Y=y_j)={\sum }_{g(x_i)=y_i}^{}P(X=x_i)$

(2)连续型：$X\stackrel{~}{}{f}_X(x),Y=g(x)$

则:$F_y(y)=P(Y\le y)=P(g(X)\le y)={\int }_{g(x)\le y}^{}{f}_x(x)dx$， $f_Y(y)=F_Y^{\prime }(y)$

7.重要公式与结论

(1) $X\sim N(0,1)\Rightarrow \phi (0)=\frac{1}{\sqrt{2\pi }},\Phi (0)=\frac{1}{2},$ $\Phi (-a)=P(X\le -a)=1-\Phi (a)$

(2) $X\sim N\left(\mu ,{\sigma }^2\right)\Rightarrow \frac{X-\mu }{\sigma }\sim N\left(0,1\right),P(X\le a)=\Phi (\frac{a-\mu }{\sigma })$

(3) $X\sim E(\lambda )\Rightarrow P(X>s+t|X>s)=P(X>t)$

(4) $X\sim G(p)\Rightarrow P(X=m+k|X>m)=P(X=k)$

(5) 离散型随机变量的分布函数为阶梯间断函数；连续型随机变量的分布函数为连续函数，但不一定为处处可导函数。

(6) 存在既非离散也非连续型随机变量。

2.多维随机变量及其分布

1.二维随机变量及其联合分布

  由两个随机变量构成的随机向量$(X,Y)$， 联合分布为$F(x,y)=P(X\le x,Y\le y)$

2.二维离散型随机变量的分布

(1) 联合概率分布律 P { X = x i , Y = y j } = p i j ; i , j = 1 , 2 , ⋯ P\{ X = x_{i},Y = y_{j}\} = p_{{ij}};i,j =1,2,\cdots P{X=xi​,Y=yj​}=pij​;i,j=1,2,⋯

(2) 边缘分布律 $p_{i\cdot }={\sum }_{j=1}^{\infty }{p}_{ij},i=1,2,\cdots$ $p_{\cdot j}={\sum }_i^{\infty }{p}_{ij},j=1,2,\cdots$

(3) 条件分布律 P { X = x i ∣ Y = y j } = p i j p ⋅ j P\{ X = x_{i}|Y = y_{j}\} = \frac{p_{{ij}}}{p_{\cdot j}} P{X=xi​∣Y=yj​}=p⋅j​pij​​
P { Y = y j ∣ X = x i } = p i j p i ⋅ P\{ Y = y_{j}|X = x_{i}\} = \frac{p_{{ij}}}{p_{i \cdot}} P{Y=yj​∣X=xi​}=pi⋅​pij​​

3. 二维连续性随机变量的密度

(1) 联合概率密度$f(x,y):$

1. $f(x,y)\ge 0$

2. ${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dxdy=1$

(2) 分布函数：$F(x,y)={\int }_{-\infty }^x{\int }_{-\infty }^{y}f(u,v)dudv$

(3) 边缘概率密度： $f_X\left(x\right)={\int }_{-\infty }^{+\infty }f\left(x,y\right)dy$ $f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx$

(4) 条件概率密度：$f_{X|Y}\left(x|y\right)=\frac{f\left(x,y\right)}{f_Y\left(y\right)}$ $f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$

4.常见二维随机变量的联合分布

(1) 二维均匀分布：$(x,y)\sim U(D)$ ,$f(x,y)=\{\begin{array}{l}\frac{1}{S(D)},(x,y)\in D\\ 0,其他\end{array}$

(2) 二维正态分布：$(X,Y)\sim N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$,$(X,Y)\sim N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$

$f(x,y)=\frac{1}{2\pi {\sigma }_1{\sigma }_2\sqrt{1-{\rho }^2}}.\exp \left\{\frac{-1}{2(1-{\rho }^2)}[\frac{{(x-{\mu }_1)}^2}{{\sigma }_1^2}-2\rho \frac{(x-{\mu }_1)(y-{\mu }_2)}{{\sigma }_1{\sigma }_2}+\frac{{(y-{\mu }_2)}^2}{{\sigma }_2^2}]\right\}$

5.随机变量的独立性和相关性

$X$和$Y$的相互独立:$\iff F\left(x,y\right)=F_X\left(x\right)F_Y\left(y\right)$:

$\iff p_{ij}=p_{i\cdot }\cdot p_{\cdot j}$（离散型）
$\iff f\left(x,y\right)=f_X\left(x\right)f_Y\left(y\right)$（连续型）

$X$和$Y$的相关性：

相关系数${\rho }_{XY}=0$时，称$X$和$Y$不相关，
否则称$X$和$Y$相关

6.两个随机变量简单函数的概率分布

离散型： $P\left(X=x_i,Y=y_i\right)=p_{ij},Z=g\left(X,Y\right)$ 则：

P ( Z = z k ) = P { g ( X , Y ) = z k } = ∑ g ( x i , y i ) = z k P ( X = x i , Y = y j ) P(Z = z_{k}) = P\left\{ g\left( X,Y \right) = z_{k} \right\} = \sum_{g\left( x_{i},y_{i} \right) = z_{k}}^{}{P\left( X = x_{i},Y = y_{j} \right)} P(Z=zk​)=P{g(X,Y)=zk​}=∑g(xi​,yi​)=zk​​P(X=xi​,Y=yj​)

连续型： $\left(X,Y\right)\sim f\left(x,y\right),Z=g\left(X,Y\right)$
则：

F z ( z ) = P { g ( X , Y ) ≤ z } = ∬ g ( x , y ) ≤ z f ( x , y ) d x d y F_{z}\left( z \right) = P\left\{ g\left( X,Y \right) \leq z \right\} = \iint_{g(x,y) \leq z}^{}{f(x,y)dxdy} Fz​(z)=P{g(X,Y)≤z}=∬g(x,y)≤z​f(x,y)dxdy，$f_z(z)=F_z^{\prime }(z)$

7.重要公式与结论

(1) 边缘密度公式： $f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy,$
$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx$

(2) P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y P\left\{ \left( X,Y \right) \in D \right\} = \iint_{D}^{}{f\left( x,y \right){dxdy}} P{(X,Y)∈D}=∬D​f(x,y)dxdy

(3) 若$(X,Y)$服从二维正态分布$N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$
则有：

1. $X\sim N\left({\mu }_1,{\sigma }_1^2\right),Y\sim N({\mu }_2,{\sigma }_2^2).$

2. $X$与$Y$相互独立$\iff \rho =0$，即$X$与$Y$不相关。

3. $C_{1}X+C_{2}Y\sim N(C_1{\mu }_1+C_2{\mu }_2,C_1^2{\sigma }_1^2+C_2^2{\sigma }_2^2+2C_1{C}_2{\sigma }_1{\sigma }_2\rho )$

4. $X$关于$Y=y$的条件分布为： $N({\mu }_1+\rho \frac{{\sigma }_1}{{\sigma }_2}(y-{\mu }_2),{\sigma }_1^2(1-{\rho }^2))$

5. $Y$关于$X=x$的条件分布为： $N({\mu }_2+\rho \frac{{\sigma }_2}{{\sigma }_1}(x-{\mu }_1),{\sigma }_2^2(1-{\rho }^2))$

(4) 若$X$与$Y$独立，且分别服从$N({\mu }_1,{\sigma }_1^2),N({\mu }_1,{\sigma }_2^2),$
则：$\left(X,Y\right)\sim N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,0),$

$C_{1}X+C_{2}Y\stackrel{~}{}N(C_1{\mu }_1+C_2{\mu }_2,C_1^2{\sigma }_1^2{C}_2^2{\sigma }_2^2).$

(5) 若$X$与$Y$相互独立，$f\left(x\right)$和$g\left(x\right)$为连续函数， 则$f\left(X\right)$和$g(Y)$也相互独立。