文章目录
一、二维离散型
1.1、二维离散型
1.1.1、随机变量
1.1.2、分布函数
定义:设(x,y)是二维随机变量,对于任意实数x,y,二元函F(x,y)=P{(X<=x)n(Y<=y)}=P{X<=x,Y<=y},称F(x,y)为二维随机变量(x,y)的联合概率分布函数,简称为随机变量x和y的联合分布函数。
P{x1<X<=x2,y1<Y<=y2}=F(x1,y1)+F(x2,y2)-F(x1,y2)-F(x2,y1)。
性质:
- 单调不减:F(x,y)是变量x和y的单调不减函数,即对任意固定y,当x2>x1时,有F(x2,y)>=F(x1,y);对任意固定x,当y2>y1时,有F(x,y2)>=F(x,y1)。
- 规范性:0<=F(x,y)<=1,且 F ( + ∞ , + ∞ ) F(+\infty,+\infty) F(+∞,+∞)=1, F ( x , − ∞ ) F(x,-\infty) F(x,−∞)=0, F ( − ∞ , y ) F(-\infty,y) F(−∞,y)=0, F ( − ∞ , − ∞ ) F(-\infty,-\infty) F(−∞,−∞)=0.
- 右连续性:F(x,y)关于x右连续,关于y右连续
- 非负性:对于任意x1<x2,y1<y2,有F(x1,y1)+F(x2,y2)-F(x1,y2)-F(x2,y1)>=0。
1.1.3、边缘分布
- F x ( x ) = P ( X ⩽ x ) = lim y → + ∞ P ( X ⩽ x , Y ⩽ y ) = lim y → ∞ F ( x , y ) = F ( x , + ∞ ) F_x(x)=P{(X \leqslant x)}=\lim_{y \to +\infty}P(X \leqslant x,Y \leqslant y)=\lim_{y \to \infty}F(x,y)=F(x,+\infty) Fx(x)=P(X⩽x)=limy→+∞P(X⩽x,Y⩽y)=limy→∞F(x,y)=F(x,+∞)
- F y ( y ) = lim x → + ∞ F ( x , y ) = F ( + ∞ , y ) F_y(y)=\lim_{x \to +\infty}F(x,y)=F(+\infty,y) Fy(y)=limx→+∞F(x,y)=F(+∞,y)
1.1.4、条件分布
定义:
设(x,y)是二维离散型随机变量,对于固定的j,若P{Y=yj}>0,则称
P
(
X
=
x
i
∣
Y
=
y
j
)
=
P
(
X
=
x
i
,
Y
=
y
j
)
P
(
Y
=
y
j
)
=
p
i
j
p
j
,
i
=
1
,
2
,
…
P(X=x_i|Y=y_j)=\frac{P(X=x_i,Y=y_j)}{P(Y=y_j)}=\frac{p_{ij}}{p_j},i=1,2,\dots
P(X=xi∣Y=yj)=P(Y=yj)P(X=xi,Y=yj)=pjpij,i=1,2,…,为在
Y
=
y
j
Y=y_j
Y=yj条件下随机变量X的条件分布律。
同理,设(x,y)是二维离散型随机变量,对于固定的i,若P{X=xi}>0,则称
P
(
Y
=
y
j
∣
X
=
x
i
)
=
P
(
Y
=
y
j
,
X
=
x
i
)
P
(
X
=
x
i
)
=
p
i
j
p
i
,
j
=
1
,
2
,
…
P(Y=y_j|X=x_i)=\frac{P(Y=y_j,X=x_i)}{P(X=x_i)}=\frac{p_{ij}}{p_i},j=1,2,\dots
P(Y=yj∣X=xi)=P(X=xi)P(Y=yj,X=xi)=pipij,j=1,2,…,为在
X
=
x
i
X=x_i
X=xi条件下随机变量Y的条件分布律。
1.1.5、独立
若离散型随机变量(X,Y)的联合分布律为 P ( X = i , Y = j ) = p i j , i , j = 1 , 2 , … P(X=i,Y=j)=p_{ij},i,j=1,2,\dots P(X=i,Y=j)=pij,i,j=1,2,…。如果X和Y相互独立,则 P ( X = x i , Y = y j ) = P ( X = x i ) P ( Y = y j ) P(X=x_i,Y=y_j)=P(X=x_i)P(Y=y_j) P(X=xi,Y=yj)=P(X=xi)P(Y=yj),即 p i j = p i p j , i , j = 1 , 2 , … p_{ij}=p_ip_j,i,j=1,2,\dots pij=pipj,i,j=1,2,…
1.2、二维连续型
1.2.1、联合分布函数F(x,y)
设二维随机变量(X,Y)的联合分布函数为F(x,y),若存在一个非负实值可积函数f(x,y),使得对任意x,y,有F(x,y)= ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v \int_{-\infty}^y \int_{-\infty}^xf(u,v)dudv ∫−∞y∫−∞xf(u,v)dudv,则称(X,Y)为二维连续型随机变量,f(x,y)称为(X,Y)的联合概率密度函数,简称为联合密度。
1.2.2、联合概率密度f(x,y)
性质:
- 非负性:f(x,y)>=0
- 规范性: ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 \int_{-\infty }^{+\infty}f(x,y)dxdy=1 ∫−∞+∞f(x,y)dxdy=1
- 若f(x,y)在点(x,y)处连续,则f(x,y)= ∂ 2 F ( x , y ) ∂ x ∂ y \frac{\partial^2F(x,y)}{\partial x\partial y} ∂x∂y∂2F(x,y)
- 设G是平面上一区域, P ( ( X , Y ) ∈ G ) = ∫ ∫ G f ( x , y ) d x d y P((X,Y)\in G)=\int \int_Gf(x,y)dxdy P((X,Y)∈G)=∫∫Gf(x,y)dxdy,即哪儿求概率,哪儿求积分。
1.2.3、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
1.2.4、条件概率密度
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)
f
Y
∣
X
(
y
∣
x
)
=
f
(
x
,
y
)
f
X
(
x
)
f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}
fY∣X(y∣x)=fX(x)f(x,y)
1.2.5、分布函数
1、均匀分布
若
f
(
x
,
y
)
=
{
1
A
,
(x,y)属于 G
0
,
其它
f(x,y)=\begin{cases} \frac{1}{A}, & \text{(x,y)属于 G} \\ 0, & \text{其它} \end{cases}
f(x,y)={A1,0,(x,y)属于 G其它
则称(X,Y)在G上服从均匀分布,其中A为平面区域G的面积。
若(X,Y)在G上服从均匀分布,即(X,Y)落在G内各点是等可能的。
2、二维正态分布
若f(x,y)=
1
2
π
σ
1
σ
2
1
−
p
2
e
−
1
2
(
1
−
p
)
2
[
(
x
−
μ
)
2
σ
1
2
−
2
p
(
x
−
μ
1
)
(
y
−
μ
2
)
σ
1
σ
2
+
(
y
−
μ
2
)
2
σ
2
2
]
,
−
∞
<
x
<
+
∞
,
∞
<
y
<
+
∞
,
其
中
μ
1
,
μ
2
,
σ
1
,
σ
2
,
p
,
σ
1
>
0
,
σ
2
>
2
,
−
1
<
p
<
1
都
是
参
数
\frac{1}{2\pi \sigma_1 \sigma_2 \sqrt{1-p^2}}e^{-\frac{1}{2(1-p)^2}[\frac{(x-\mu)^2}{\sigma_1^2}-2p\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1 \sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}]},-\infty<x<+\infty,\infty<y<+\infty,其中\mu_1,\mu_2,\sigma_1,\sigma_2,p,\sigma_1>0,\sigma_2>2,-1<p<1都是参数
2πσ1σ21−p21e−2(1−p)21[σ12(x−μ)2−2pσ1σ2(x−μ1)(y−μ2)+σ22(y−μ2)2],−∞<x<+∞,∞<y<+∞,其中μ1,μ2,σ1,σ2,p,σ1>0,σ2>2,−1<p<1都是参数。则称(x,y)服从参数为
μ
1
,
μ
2
,
σ
1
,
σ
2
,
p
的
二
维
正
态
分
布
,
记
为
(
x
,
y
)
−
N
(
μ
1
,
μ
2
;
σ
1
,
σ
2
;
p
)
\mu_1,\mu_2,\sigma_1,\sigma_2,p的二维正态分布,记为(x,y)- N(\mu_1,\mu_2;\sigma_1,\sigma_2;p)
μ1,μ2,σ1,σ2,p的二维正态分布,记为(x,y)−N(μ1,μ2;σ1,σ2;p)
1.2.6、独立性
设连续型随机变量(X,Y)的概率密度为f(x,y),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),若X和Y相互独立,则f(x,y)=f_X(x)f_Y(y),F(x,y)=F_X(x)F_Y(y)。
注:
1、二维正态随机变量(X,Y)-
N
(
μ
1
,
μ
2
;
σ
1
2
,
σ
2
2
;
p
)
N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;p)
N(μ1,μ2;σ12,σ22;p)。若X和Y相互独立,则p=0。
2、设随机变量x与y相互独立,令U=h(X),V=g(Y),其中h(x),g(y)为连续函数,则U与V也相互独立。
三、二维离散型随机变量函数分布
1、泊松分布,可加性
2、二项分布(独立性),若x-B(n,p1),y-B(n,p2),若p1不等于p2,则不可加,否则可加
3、正态分布,可加性
4、卡方分布,可加性
四、二维连续型随机变量正数分布
Z = X + Y , 则 Y = Z − X , X = Z − Y , f Z ( z ) = ∫ − ∞ + ∞ f ( x , z − x ) d x = ∫ − ∞ + ∞ f ( z − y , y ) d y = P ( X + Y = k ) = ∑ i = 0 k P ( X = i , Y = k − i ) Z=X+Y,则Y=Z-X,X=Z-Y,f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)dx=\int_{-\infty}^{+\infty}f(z-y,y)dy=P(X+Y=k)=\sum_{i=0}^kP(X=i,Y=k-i) Z=X+Y,则Y=Z−X,X=Z−Y,fZ(z)=∫−∞+∞f(x,z−x)dx=∫−∞+∞f(z−y,y)dy=P(X+Y=k)=∑i=0kP(X=i,Y=k−i),当相互独立,则可拆分相乘。
五、最大最小值函数的分布
F m a x ( z ) = [ F ( Z ) ] n , F m i n ( Z ) = 1 − [ 1 − F ( z ) ] n F_{max}(z)=[F(Z)]^n,F_{min}(Z)=1-[1-F(z)]^n Fmax(z)=[F(Z)]n,Fmin(Z)=1−[1−F(z)]n