多维随机变量及其分布

最新推荐文章于 2024-02-10 23:07:08 发布

qq_39272695

最新推荐文章于 2024-02-10 23:07:08 发布

阅读量70

点赞数

分类专栏：概率论与数理统计

本文链接：https://blog.csdn.net/qq_39272695/article/details/119903234

版权

概率论与数理统计专栏收录该内容

7 篇文章 0 订阅

订阅专栏

二维随机变量

$设X=X(\omega)，Y=Y(\omega)是定义在样本空间\Omega上的两个随机$ $变量，则称向量 (X, Y) 为二维随机变量$

二维随机变量的分布

$F(x,y)=F(X\leqslant x,Y\leqslant y)=P$ { $X\leqslant x,Y\leqslant y$ } $，-\infty<x,y<+\infty$
$F(-\infty,y)=F(x,-\infty)=F(-\infty,-\infty)=0，F(-\infty,+\infty)=1$
$F (x, y) 关于 x, y 的单调不减函数，且是关于 x, y 的右连续$
$P$ { $a<X\leqslant b,c<Y\leqslant d$ } $= F (b, d) - F (b, c) - F (a, d) + F (a, c)$
$P$ { $max(x,y)\leqslant z$ } $= P$ { $x\leqslant z ,y\leqslant z$ }
$P$ { $min(x,y)\leqslant z$ } $= 1 - P$ { $m i n (x, y) > z$ } $= 1 - P$ { $x > z, y > z$ }
$P$ { $Z(x,y)\leqslant z$ } $=\iint_{z(x,y)}^{}f(x,y)d\sigma$

边缘概率分布

$F_{x}(X)=P$ { $X\leqslant x$ } $= P$ { $X\leqslant x$ ， $Y<+\infty$ } $=\lim\limits_{Y\to+\infty}F(X,Y)=F(X,+\infty)$
$F_{y}(Y)=P$ { $Y\leqslant x$ } $= P$ { $X\leqslant +\infty$ ， $Y < y$ } $=\lim\limits_{X\to+\infty}F(X,Y)=F(+\infty,Y)$

二维离散型随机变量

$p_{ij}\geqslant 0，i,j=1,2,....$
$\sum_{i}\sum_{j}p_{ij}=1$
$p_{i}=P$ { $X=x_i$ } $=\sum_{j=1}^{\infty}P$ { $X=x_i，Y=y_j$ } $=\sum_{j=1}^{\infty}p_{ij}，i=1,2,....$
$p_{j}=P$ { $Y=y_j$ } $=\sum_{i=1}^{\infty}P$ { $X=x_i，Y=y_j$ } $=\sum_{i=1}^{\infty}p_{ij}，j=1,2,....$
$对于给定的j，如果P{Y=y_j }>0，则称$
$P$ { $X=x_i\mid Y=y_j$ } $=\frac{ P\left \{ X=x_i，Y=y_j \right \}} {P\left \{ Y=y_j \right \}}=\frac{p_ij} {p_j}$

二维连续性随机变量

$存在非负可积的函数 f (x, y) ，使得对任意的实数 x, y 都有$
$F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(\upsilon ,\nu)d\upsilon d\nu，-\infty<x,y<+\infty$
$f(x,y)\geqslant 0$
$\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)dxdy=1$
$P$ { $(x,y)\epsilon D$ } $=\iint_{D}^{}f(x,y)d\sigma$
$f_x(X)=\int_{-\infty}^{+\infty}f(x,y)dy$ ， $f_y(Y)=\int_{-\infty}^{+\infty}f(x,y)dx$
$F_{X\mid Y}(x\mid y)=\int_{-\infty}^{x}\frac{f(s,y)}{f_{Y}(y)}ds$
$f_{X\mid Y}(x\mid y)=\frac{f(x,y)}{f_{Y}(y)}$

随机变量的独立性

$对于任意的 x, y 都有$
$P\left \{ X\leqslant x，Y\leqslant y\right \}=P\left \{ X\leqslant x\right \}P\left \{ Y\leqslant y\right \}$
$F(x,y)=F_x(X)F_y(Y)$
$f (x, y) = f (x) f (y)$ $，则称 X 与 Y 相互独立$

二维正态分布

$二维连续性随机变量 (X, Y) 的概率密度为$
$f(x,y)=\frac{1}{2\pi\sigma_{1}\sigma_{2}\sqrt{1-\rho^{2}}}e^{-\frac{1}{2(1-\rho^{2})}[\frac{(x-\mu_{1})^{2}}{\sigma_{1}^{2}}-\frac{2\rho(x-\mu_{1})(y-\mu_{2}))}{\sigma_{1}\sigma_{2}}+\frac{(y-\mu_{2})^{2}}{\sigma_{2}^{2}}]}，$
$-\infty<x,y<+\infty，\sigma_{1},\sigma_{2}>0，-1<\rho <1，$ $则称 (X, Y) 服从二维正态分布，记作 (X, Y)$ ~ $N(\mu_1,\mu_2;\sigma_1^{2},\sigma_2^{2};\rho)$
$若 (X, Y) 服从二维正态分布，则$ $X$ ~ $N(\mu_1,\sigma_{1}^{2})$ $， Y$ ~ $N(\mu_2,\sigma_2^{2})$
$\rho=0 \rightleftharpoons X,Y相互独立$
$a X + b Y$ ~ $N(a\mu_1+b\mu_2,a^{2}\sigma_{1}^{2}+2ab\sigma_{1}\sigma_{2}\rho+b^{2}\sigma_{2}^{2})$

两个随机变量Z=g(X,Y)的分布

$X, Y 均为离散型与一位离散型随机变量类似$
$X, Y 均为连续性型，用定义法或者卷积公式$
$X, Y 为离散型和连续性，用全概率公式展开$
$X 为离散型， Y 为连续性， Z = g (X, Y)$
$F_Z(z)=P\left \{ Z\leqslant z \right \}=P\left \{ g(X,Y)\leqslant z \right \}$
$=\sum_{i}{}P\left \{ X=x_i\right \}P\left \{ g(X,Y)\leqslant z \mid X=x_i\right \}$
$=\sum_{i}{}p_{i}P\left \{g(x_i,Y)\leqslant z \mid X=x_i\right \}$

qq_39272695

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
多维随机变量及其分布

二维随机变量设X=X(ω)，Y=Y(ω)是定义在样本空间Ω上的两个随机设X=X(\omega)，Y=Y(\omega)是定义在样本空间\Omega上的两个随机设X=X(ω)，Y=Y(ω)是定义在样本空间Ω上的两个随机变量，则称向量(X,Y)为二维随机变量变量，则称向量(X,Y)为二维随机变量变量，则称向量(X,Y)为二维随机变量二维随机变量的分布F(x,y)=F(X⩽x,Y⩽y)=PF(x,y)=F(X\leqslant x,Y\leqslant y)=PF(x,y)=F(X⩽x,Y⩽y)=P{
复制链接

扫一扫