概率论考研笔记（三）

概率论考研笔记（三）：随机向量

• 随机向量相关概念和性质：

概念	释义	性质
n维随机向量	若随机变量$X_1,X_2,...,X_n$定义在同一个样本空间$\Omega$上，则称$(X_1,X_2,...,X_n)$为一个n维随机向量	分为离散型和连续型两种； 有时用黑体X,Y等表示n维随机向量； 性质可由维度推广，故仅需研究二维即可
联合分布律	设离散型随机向量$(X,Y)$的所有可能取值为$(x_i,y_j)$，则称$P(X=x_i,Y=y_j)=p_{ij}$为随机向量$(X,Y)$的联合分布律	①$p_{ij}\ge 0$； ②${\sum }_{i=1}^{\infty }{\sum }_{j=1}^{\infty }{p}_{ij}=1$； ③联合分布律可以有列联表表示； ④当X和Y相互独立时：$P(X=x_i,Y=y_j)=P(X=x_i)P(Y=y_j),即p_{ij}=p_{i\cdot }{p}_{\cdot j}$
边缘分布律	设离散型随机向量$(X,Y)$的联合分布律为$P(X=x_i,Y=y_j)=p_{ij}$，则称$P(X=x_i)={\sum }_{j=1}^{\infty }{p}_{ij}=p_{i\cdot }$和$P(Y=y_j)={\sum }_{i=1}^{\infty }{p}_{ij}=p_{\cdot j}$为其边缘分布律	可以由联合分布律的列联表的同一行/同一列的概率相加得到边缘分布律
联合分布函数$F(x,y)$	对于任意实数x,y，称二元函数$F(x,y)=P(X\le x,Y\le y)$为随机向量$(X,Y)$的联合分布函数	与随机变量分布函数一样，满足①单调不减性、②$0\le F(x,y)\le 1$、③右连续； ④对于任意实数$x_1\le x_2$和$y_1\le y_2$，有：$F(x_1,y_1)+F(x_2,y_2)\ge F(x_1,y_2)+F(x_2,y_1)$ => ②、③、④为充要条件； ⑤当X和Y相互独立时：$F(x,y)=F_X(x)F_Y(y)$
边缘分布函数	由随机向量$(X,Y)$的联合分布函数$F(x,y)$可以得到各分量X和Y的分布函数$F_X(x)和F_Y(y)$，称其为$(X,Y)$的边缘分布函数	$F_X(x)=F(x,+\infty )$ $F_Y(y)=F(+\infty ,y)$
联合概率密度$f(x,y)$	设二维随机变量$(X,Y)$的分布函数为$F(x,y)$，若存在非负可积二元函数$f(x,y)$使得对于任意实数x,y，有：$F(x,y)={\int }_{-\infty }^x{\int }_{-\infty }^{y}f(u,v)dudv$，则称$(X,Y)$为二维连续型随机变量，且其中的$f(x,y)$为$(X,Y)$的联合概率密度	①$f(x,y)\ge 0$； ②${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dxdy=1$; ③$P((X,Y)\in D)={\iint }_{D}f(x,y)dxdy$; ④当X和Y相互独立时：$f(x,y)=f_X(x)f_Y(y)$; ⑤$f(x,y)=\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}$;
边缘概率密度	由连续型随机向量$(X,Y)$的联合概率密度$f(x,y)$可以得到各分量X和Y的概率密度$f_X(x)和f_Y(y)$，称其为$(X,Y)$的边缘概率密度	连续型随机向量各分量也是连续型的随机变量，反之不一定成立； $f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy$ $f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx$

---

• 常见二维离散型随机向量的分布：

分布名称	参数	分布律	期望	方差	随机试验模型 / 性质
多项分布$M$	$n,p_1,p_2$	$P(X_1=k_1,X_2=k_2)=\frac{n!}{k_1!k_2!k_3!}{p}_1^{k_1}p{2}^{k_2}{p}_3^{k_3}$， 其中：$k_3=n-k_1-k_2,p_3=1-p_1-p_2$	略	略	二项分布的推广，即在$n$重伯努利试验中每次均有三种可能出现的结果$A_1,A_2,A_3$
多元超几何分布$H$	$n,N,N_1,N_2$	$P(X_1=k_1,X_2=k_2)=\frac{C_{N_1}^{k_1}{C}_{N_2}^{k_2}{C}_{N_3}^{k_3}}{C_N^n}$， 其中：$k_3=n-k_1-k_2,N_3=N-N_1-N_2$	略	略	超几何分布的直接推广

---

• 常见二维连续型随机向量的分布：

分布名称	参数	概率密度	期望	方差	随机试验模型 / 性质
平面上的均匀分布$U$	$a,b,c,d$	$f(x,y)=\{\begin{array}{ll}\frac{1}{S}& (x,y)\in G\\ 0& others\end{array}$	略	略	数轴上均匀分布的直接推广
二元正态分布$N$	${\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho$	$$\begin{gathered} f(x,y)=\frac{1}{2\pi {\sigma }_1{\sigma }_2\sqrt{1-{\rho }^2}}{e}^{\frac{-1}{2(1-{\rho }^2)}t} \\ t=[\frac{(x-{\mu }_1{)}^2}{{\sigma }_1^2}+\frac{(y-{\mu }_2{)}^2}{{\sigma }_2^2}-2\rho \frac{(x-{\mu }_1)(y-{\mu }_2)}{{\sigma }_1{\sigma }_2}] \end{gathered}$$	略	略	正态分布的直接推广，其中$\rho$为$X_1,X_2$的相关系数; 二维正态随机变量的分量X，Y相互独立的充要条件为$\rho =0$，即X，Y不相关

---

• 二维离散型随机向量函数的分布：

设$(X,Y)$为二维离散型随机向量，且有联合分布律：$P(X=x_i,Y=y_j)=p_{ij}$，则若$Z=g(X,Y)$是离散型随机变量，则其分布律可表示为：
$P(Z=k)=P(g(X,Y)=k)=\sum _{g(x_i,y_j)=k}{p}_{ij}$

特殊地，
① 当$g(X,Y)=X+Y$时，有卷积公式：
$P(Z=k)=\sum _{i=0}^{k}P(X=i,Y=k-i)$

② 当 g ( X , Y ) = max ⁡ { X , Y } g(X,Y) = \max\{X,Y\} g(X,Y)=max{X,Y}，有：
$P(Z=k)=P(X=k,Y=k)+P(X=k,\bigcup _{j=0}^{k-1}Y=j)+P(Y=k,\bigcup _{j=0}^{k-1}X=j)$

② 当 g ( X , Y ) = min ⁡ { X , Y } g(X,Y) = \min\{X,Y\} g(X,Y)=min{X,Y}，有：
$P(Z=k)=P(X=k,Y=k)+P(X=k,\bigcup _{j>k}Y=j)+P(Y=k,\bigcup _{j>k}X=j)$

---

• 二维连续型随机向量函数的分布：

设$(X,Y)$为二维连续型随机向量，且有联合概率密度$f(x,y)$，则若$Z=g(X,Y)$是连续型随机变量，则其概率密度可表示为：
$f_Z(z)=[F_Z(z){]}^{\prime }=[P(Z\le z){]}^{\prime }=[P(g(X,Y))\le z{]}^{\prime }=\frac{d}{dz}\underset{g(x,y)\le z}{\iint }f(x,y)dxdy$

特殊地，
① 若$Z=g(X,Y)$容易推得：$X=h_X(Y,Z)$或$Y=h_Y(X,Z)$，则可利用雅克比行列式换元得到如下公式：
$f_Z(z)=|\frac{\partial x}{\partial z}|{\int }_{-\infty }^{+\infty }f(h_X,y)dy=|\frac{\partial y}{\partial z}|{\int }_{-\infty }^{+\infty }f(x,h_Y)dx$
常见的有：

• 当$g(X,Y)=X+Y$时，有卷积公式：
  $f_Z(z)={\int }_{-\infty }^{+\infty }f(z-y,y)dy={\int }_{-\infty }^{+\infty }f(x,z-x)dx$

• 当$g(X,Y)=XY$时，有公式：
  $f_Z(z)=\frac{1}{|y|}{\int }_{-\infty }^{+\infty }f(z/y,y)dy=\frac{1}{|x|}{\int }_{-\infty }^{+\infty }f(x,z/x)dx$

• 当$g(X,Y)=X/Y$时，有公式：
  $f_Z(z)=|y|{\int }_{-\infty }^{+\infty }f(yz,y)dy=\frac{|x|}{z^2}{\int }_{-\infty }^{+\infty }f(x,x/z)dx$

② 当 g ( X , Y ) = max ⁡ { X , Y } g(X,Y) = \max\{X,Y\} g(X,Y)=max{X,Y}，且X,Y相互独立时，有：
F Z ( z ) = P ( Z ≤ z ) = P ( max ⁡ { X , Y } ≤ z ) = P ( X ≤ z ) P ( Y ≤ z ) = F X ( z ) F Y ( z ) F_Z(z) = P(Z\le z)=P(\max\{X,Y\} \le z) = P(X\le z)P(Y\le z)=F_X(z)F_Y(z) FZ​(z)=P(Z≤z)=P(max{X,Y}≤z)=P(X≤z)P(Y≤z)=FX​(z)FY​(z)

③ 当 g ( X , Y ) = min ⁡ { X , Y } g(X,Y) = \min\{X,Y\} g(X,Y)=min{X,Y}，且X,Y相互独立时，有：
F Z ( z ) = P ( Z ≤ z ) = P ( min ⁡ { X , Y } ≤ z ) = 1 − P ( min ⁡ { X , Y } > z ) = 1 − P ( X > z ) P ( Y > z ) = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_Z(z) = P(Z\le z)=P(\min\{X,Y\} \le z) = 1-P(\min\{X,Y\} > z) = 1 - P(X>z)P(Y> z)=1-[1-F_X(z)][1-F_Y(z)] FZ​(z)=P(Z≤z)=P(min{X,Y}≤z)=1−P(min{X,Y}>z)=1−P(X>z)P(Y>z)=1−[1−FX​(z)][1−FY​(z)]

---

• 二维离散型随机向量的条件分布：

若$(X,Y)$是二维离散型随机向量，且有分布律：$P(X=x_i,Y=y_j)=p_{ij}$，
则在$X=x_i$的条件下，Y的条件分布律为：

$Y\Vert X=x_i$	$y_1$	$y_2$	…	$y_j$	…
$P$	$p_{i1}/p_{i\cdot }$	$p_{i2}/p_{i\cdot }$	…	$p_{ij}/p_{i\cdot }$	…

$X$的条件分布律同理可得；

---

• 二维连续型随机向量的条件分布：

若$(X,Y)$是二维连续型随机向量，且有联合概率密度$f(x,y)$
则在$X=x_i$的条件下，Y的条件密度为：$f_{Y\Vert X=x_i}(y)=\frac{f(x,y)}{f_X(x_i)}$
$X$的条件密度同理可得；

---

• 二维离散型随机向量函数的期望：

对于二维离散型随机向量$(X,Y)$，若其联合分布律为$P(X=x_i,Y=y_j)=p_{ij}$，则有：

$E(Z)=E[g(X,Y)]=\sum _i\sum _{j}g(x_i,y_j)p_{ij}$
特殊地，
$E(X)=\sum _i\sum _j{x}_i{p}_{ij}$
$E(Y)=\sum _i\sum _j{y}_j{p}_{ij}$

---

• 二维连续型随机向量函数的期望：

对于二维连续型随机向量$(X,Y)$，若其联合概率密度为$f(x,y)$，则有：
$E(Z)=E[g(X,Y)]={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }g(x,y)f(x,y)dxdy$
特殊地，
$E(X)={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }xf(x,y)dxdy$
$E(Y)={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }yf(x,y)dxdy$

---

---