随机向量:
概率论考研笔记(三):随机向量
概念 | 释义 | 性质 |
---|---|---|
n维随机向量 | 若随机变量 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn定义在同一个样本空间 Ω \Omega Ω上,则称 ( X 1 , X 2 , . . . , X n ) (X_1,X_2,...,X_n) (X1,X2,...,Xn)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 ) (X,Y) (X,Y)的所有可能取值为 ( x i , y j ) (x_i,y_j) (xi,yj),则称 P ( X = x i , Y = y j ) = p i j P(X = x_i,Y = y_j) = p_{ij} P(X=xi,Y=yj)=pij为随机向量 ( X , Y ) (X,Y) (X,Y)的联合分布律 | ①
p
i
j
≥
0
p_{ij} \geq 0
pij≥0; ② ∑ i = 1 ∞ ∑ j = 1 ∞ p i j = 1 \sum_{i=1}^{\infty}\sum_{j=1}^{\infty} p_{ij} = 1 ∑i=1∞∑j=1∞pij=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 i j = p i ⋅ p ⋅ j P(X = x_i,Y = y_j) = P(X=x_i)P(Y=y_j),即p_{ij} = p_{i\cdot}p_{\cdot j} P(X=xi,Y=yj)=P(X=xi)P(Y=yj),即pij=pi⋅p⋅j |
边缘分布律 | 设离散型随机向量 ( X , Y ) (X,Y) (X,Y)的联合分布律为 P ( X = x i , Y = y j ) = p i j P(X = x_i,Y = y_j) = p_{ij} P(X=xi,Y=yj)=pij,则称 P ( X = x i ) = ∑ j = 1 ∞ p i j = p i ⋅ P(X = x_i) = \sum_{j=1}^{\infty}p_{ij} = p_{i\cdot} P(X=xi)=∑j=1∞pij=pi⋅和 P ( Y = y j ) = ∑ i = 1 ∞ p i j = p ⋅ j P(Y = y_j) = \sum_{i=1}^{\infty}p_{ij} = p_{\cdot j} P(Y=yj)=∑i=1∞pij=p⋅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 ) F(x,y) F(x,y) | 对于任意实数x,y,称二元函数 F ( x , y ) = P ( X ≤ x , Y ≤ y ) F(x,y) = P(X \leq x, Y \leq y) F(x,y)=P(X≤x,Y≤y)为随机向量 ( X , Y ) (X,Y) (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
≤
F
(
x
,
y
)
≤
1
0\leq F(x,y) \leq 1
0≤F(x,y)≤1、③右连续; ④对于任意实数 x 1 ≤ x 2 x_1\leq x_2 x1≤x2和 y 1 ≤ y 2 y_1\leq y_2 y1≤y2,有: F ( x 1 , y 1 ) + F ( x 2 , y 2 ) ≥ F ( x 1 , y 2 ) + F ( x 2 , y 1 ) F(x_1,y_1)+F(x_2,y_2) \geq F(x_1,y_2) + F(x_2,y_1) F(x1,y1)+F(x2,y2)≥F(x1,y2)+F(x2,y1) => 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 ) F(x,y) = F_X(x)F_Y(y) F(x,y)=FX(x)FY(y) |
边缘分布函数 | 由随机向量 ( X , Y ) (X,Y) (X,Y)的联合分布函数 F ( x , y ) F(x,y) 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 ) F_X(x)和F_Y(y) FX(x)和FY(y),称其为 ( X , Y ) (X,Y) (X,Y)的边缘分布函数 |
F
X
(
x
)
=
F
(
x
,
+
∞
)
F_X(x) = F(x,+\infty)
FX(x)=F(x,+∞) F Y ( y ) = F ( + ∞ , y ) F_Y(y) = F(+\infty,y) FY(y)=F(+∞,y) |
联合概率密度 f ( x , y ) f(x,y) f(x,y) | 设二维随机变量 ( X , Y ) (X,Y) (X,Y)的分布函数为 F ( x , y ) F(x,y) F(x,y),若存在非负可积二元函数 f ( x , y ) f(x,y) f(x,y)使得对于任意实数x,y,有: F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d u d v F(x,y) = \int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)dudv F(x,y)=∫−∞x∫−∞yf(u,v)dudv,则称 ( X , Y ) (X,Y) (X,Y)为二维连续型随机变量,且其中的 f ( x , y ) f(x,y) f(x,y)为 ( X , Y ) (X,Y) (X,Y)的联合概率密度 | ①
f
(
x
,
y
)
≥
0
f(x,y) \geq 0
f(x,y)≥0; ② ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)dxdy = 1 ∫−∞+∞∫−∞+∞f(x,y)dxdy=1; ③ P ( ( X , Y ) ∈ D ) = ∬ D f ( x , y ) d x d y P((X,Y) \in D) = \iint_{D}f(x,y)dxdy P((X,Y)∈D)=∬Df(x,y)dxdy; ④当X和Y相互独立时: f ( x , y ) = f X ( x ) f Y ( y ) f(x,y) = f_X(x)f_Y(y) f(x,y)=fX(x)fY(y); ⑤ f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y) = \cfrac{\partial^2 F(x,y)}{\partial x\partial y} f(x,y)=∂x∂y∂2F(x,y); |
边缘概率密度 | 由连续型随机向量 ( X , Y ) (X,Y) (X,Y)的联合概率密度 f ( x , y ) f(x,y) 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 ) f_X(x)和f_Y(y) fX(x)和fY(y),称其为 ( X , Y ) (X,Y) (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 ) = ∫ − ∞ + ∞ 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 |
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 M M | n , p 1 , p 2 n,p_1,p_2 n,p1,p2 |
P
(
X
1
=
k
1
,
X
2
=
k
2
)
=
n
!
k
1
!
k
2
!
k
3
!
p
1
k
1
p
2
k
2
p
3
k
3
P(X_1=k_1,X_2=k_2) = \frac{n!}{k_1!k_2!k_3!}p_1^{k_1}p2^{k_2}p_3^{k_3}
P(X1=k1,X2=k2)=k1!k2!k3!n!p1k1p2k2p3k3, 其中: k 3 = n − k 1 − k 2 , p 3 = 1 − p 1 − p 2 k_3 = n-k_1-k_2,p_3=1-p_1-p_2 k3=n−k1−k2,p3=1−p1−p2 | 略 | 略 | 二项分布的推广,即在 n n 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 A_1,A_2,A_3 A1,A2,A3 |
多元超几何分布 H H H | n , N , N 1 , N 2 n,N,N_1,N_2 n,N,N1,N2 |
P
(
X
1
=
k
1
,
X
2
=
k
2
)
=
C
N
1
k
1
C
N
2
k
2
C
N
3
k
3
C
N
n
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}}
P(X1=k1,X2=k2)=CNnCN1k1CN2k2CN3k3, 其中: k 3 = n − k 1 − k 2 , N 3 = N − N 1 − N 2 k_3 = n-k_1-k_2,N_3=N-N_1-N_2 k3=n−k1−k2,N3=N−N1−N2 | 略 | 略 | 超几何分布的直接推广 |
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 U U | a , b , c , d a,b,c,d a,b,c,d | f ( x , y ) = { 1 S ( x , y ) ∈ G 0 o t h e r s f(x,y) = \begin{cases}\cfrac{1}{S}&(x,y)\in G\\0& others\end{cases} f(x,y)=⎩⎨⎧S10(x,y)∈Gothers | 略 | 略 | 数轴上均匀分布的直接推广 |
二元正态分布 N N N | μ 1 , μ 2 , σ 1 2 , σ 2 2 , ρ \mu_1,\mu_2,\sigma_1^2,\sigma_2^2,\rho μ1,μ2,σ12,σ22,ρ | f ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 e − 1 2 ( 1 − ρ 2 ) t t = [ ( x − μ 1 ) 2 σ 1 2 + ( y − μ 2 ) 2 σ 2 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 ] 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}] f(x,y)=2πσ1σ21−ρ21e2(1−ρ2)−1tt=[σ12(x−μ1)2+σ22(y−μ2)2−2ρσ1σ2(x−μ1)(y−μ2)] | 略 | 略 | 正态分布的直接推广,其中
ρ
\rho
ρ为
X
1
,
X
2
X_1,X_2
X1,X2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 ρ = 0 \rho=0 ρ=0,即X,Y不相关 |
设
(
X
,
Y
)
(X,Y)
(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
i
j
P(X = x_i,Y = y_j) = p_{ij}
P(X=xi,Y=yj)=pij,则若
Z
=
g
(
X
,
Y
)
Z = g(X,Y)
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
)
=
∑
g
(
x
i
,
y
j
)
=
k
p
i
j
P(Z = k) = P(g(X,Y) = k) = \sum\limits_{g(x_i,y_j) = k}p_{ij}
P(Z=k)=P(g(X,Y)=k)=g(xi,yj)=k∑pij
特殊地,
① 当
g
(
X
,
Y
)
=
X
+
Y
g(X,Y) = X+Y
g(X,Y)=X+Y时,有卷积公式:
P
(
Z
=
k
)
=
∑
i
=
0
k
P
(
X
=
i
,
Y
=
k
−
i
)
P(Z = k) =\sum\limits_{i=0}^k P(X=i,Y=k-i)
P(Z=k)=i=0∑kP(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
,
⋃
j
=
0
k
−
1
Y
=
j
)
+
P
(
Y
=
k
,
⋃
j
=
0
k
−
1
X
=
j
)
P(Z=k) = P(X=k,Y=k)+P(X=k,\bigcup\limits_{j=0}^{k-1} Y=j)+P(Y=k,\bigcup\limits_{j=0}^{k-1} X=j)
P(Z=k)=P(X=k,Y=k)+P(X=k,j=0⋃k−1Y=j)+P(Y=k,j=0⋃k−1X=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
,
⋃
j
>
k
Y
=
j
)
+
P
(
Y
=
k
,
⋃
j
>
k
X
=
j
)
P(Z=k) = P(X=k,Y=k)+P(X=k,\bigcup\limits_{j>k}Y=j)+P(Y=k,\bigcup\limits_{j>k} X=j)
P(Z=k)=P(X=k,Y=k)+P(X=k,j>k⋃Y=j)+P(Y=k,j>k⋃X=j)
设
(
X
,
Y
)
(X,Y)
(X,Y)为二维连续型随机向量,且有联合概率密度
f
(
x
,
y
)
f(x,y)
f(x,y),则若
Z
=
g
(
X
,
Y
)
Z = g(X,Y)
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
)
]
′
=
[
P
(
Z
≤
z
)
]
′
=
[
P
(
g
(
X
,
Y
)
)
≤
z
]
′
=
d
d
z
∬
g
(
x
,
y
)
≤
z
f
(
x
,
y
)
d
x
d
y
f_Z(z) = [F_Z(z)]' = [P(Z \leq z)]' = [P(g(X,Y))\leq z]' = \frac{d}{dz} \iint\limits_{g(x,y)\leq z}f(x,y)dxdy
fZ(z)=[FZ(z)]′=[P(Z≤z)]′=[P(g(X,Y))≤z]′=dzdg(x,y)≤z∬f(x,y)dxdy
特殊地,
① 若
Z
=
g
(
X
,
Y
)
Z=g(X,Y)
Z=g(X,Y)容易推得:
X
=
h
X
(
Y
,
Z
)
X = h_X(Y,Z)
X=hX(Y,Z)或
Y
=
h
Y
(
X
,
Z
)
Y=h_Y(X,Z)
Y=hY(X,Z),则可利用雅克比行列式换元得到如下公式:
f
Z
(
z
)
=
∣
∂
x
∂
z
∣
∫
−
∞
+
∞
f
(
h
X
,
y
)
d
y
=
∣
∂
y
∂
z
∣
∫
−
∞
+
∞
f
(
x
,
h
Y
)
d
x
f_Z(z) = |\cfrac{\partial x}{\partial z}|\int_{-\infty}^{+\infty}f(h_X,y)dy= |\cfrac{\partial y}{\partial z}|\int_{-\infty}^{+\infty}f(x,h_Y)dx
fZ(z)=∣∂z∂x∣∫−∞+∞f(hX,y)dy=∣∂z∂y∣∫−∞+∞f(x,hY)dx
常见的有:
-
当 g ( X , Y ) = X + Y g(X,Y) = X+Y g(X,Y)=X+Y时,有卷积公式:
f Z ( z ) = ∫ − ∞ + ∞ f ( z − y , y ) d y = ∫ − ∞ + ∞ f ( x , z − x ) d x f_Z(z) = \int_{-\infty}^{+\infty}f(z-y,y)dy= \int_{-\infty}^{+\infty}f(x,z-x)dx fZ(z)=∫−∞+∞f(z−y,y)dy=∫−∞+∞f(x,z−x)dx -
当 g ( X , Y ) = X Y g(X,Y)=XY g(X,Y)=XY时,有公式:
f Z ( z ) = 1 ∣ y ∣ ∫ − ∞ + ∞ f ( z / y , y ) d y = 1 ∣ x ∣ ∫ − ∞ + ∞ f ( x , z / x ) d x f_Z(z) = \cfrac{1}{|y|}\int_{-\infty}^{+\infty}f(z/y,y)dy= \cfrac{1}{|x|}\int_{-\infty}^{+\infty}f(x,z/x)dx fZ(z)=∣y∣1∫−∞+∞f(z/y,y)dy=∣x∣1∫−∞+∞f(x,z/x)dx -
当 g ( X , Y ) = X / Y g(X,Y)=X/Y g(X,Y)=X/Y时,有公式:
f Z ( z ) = ∣ y ∣ ∫ − ∞ + ∞ f ( y z , y ) d y = ∣ x ∣ z 2 ∫ − ∞ + ∞ f ( x , x / z ) d x f_Z(z) = |y|\int_{-\infty}^{+\infty}f(yz,y)dy= \cfrac{|x|}{z^2}\int_{-\infty}^{+\infty}f(x,x/z)dx fZ(z)=∣y∣∫−∞+∞f(yz,y)dy=z2∣x∣∫−∞+∞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)]
若
(
X
,
Y
)
(X,Y)
(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
i
j
P(X = x_i,Y = y_j) = p_{ij}
P(X=xi,Y=yj)=pij,
则在
X
=
x
i
X = x_i
X=xi的条件下,Y的条件分布律为:
Y ∥ X = x i Y\|X=x_i Y∥X=xi | y 1 y_1 y1 | y 2 y_2 y2 | … | y j y_j yj | … |
---|---|---|---|---|---|
P P P | p i 1 / p i ⋅ p_{i1}/p_{i\cdot} pi1/pi⋅ | p i 2 / p i ⋅ p_{i2}/p_{i\cdot} pi2/pi⋅ | … | p i j / p i ⋅ p_{ij}/p_{i\cdot} pij/pi⋅ | … |
X X X的条件分布律同理可得;
若
(
X
,
Y
)
(X,Y)
(X,Y)是二维连续型随机向量,且有联合概率密度
f
(
x
,
y
)
f(x,y)
f(x,y)
则在
X
=
x
i
X = x_i
X=xi的条件下,Y的条件密度为:
f
Y
∥
X
=
x
i
(
y
)
=
f
(
x
,
y
)
f
X
(
x
i
)
f_{Y \| X = x_i }(y) = \frac{f(x,y)}{f_X(x_i)}
fY∥X=xi(y)=fX(xi)f(x,y)
X
X
X的条件密度同理可得;
对于二维离散型随机向量 ( X , Y ) (X,Y) (X,Y),若其联合分布律为 P ( X = x i , Y = y j ) = p i j P(X=x_i,Y=y_j)=p_{ij} P(X=xi,Y=yj)=pij,则有:
E
(
Z
)
=
E
[
g
(
X
,
Y
)
]
=
∑
i
∑
j
g
(
x
i
,
y
j
)
p
i
j
E(Z) = E[g(X,Y)] = \sum\limits_{i}\sum\limits_{j} g(x_i,y_j)p_{ij}
E(Z)=E[g(X,Y)]=i∑j∑g(xi,yj)pij
特殊地,
E
(
X
)
=
∑
i
∑
j
x
i
p
i
j
E(X)= \sum\limits_{i}\sum\limits_{j} x_ip_{ij}
E(X)=i∑j∑xipij
E
(
Y
)
=
∑
i
∑
j
y
j
p
i
j
E(Y)= \sum\limits_{i}\sum\limits_{j} y_jp_{ij}
E(Y)=i∑j∑yjpij
对于二维连续型随机向量
(
X
,
Y
)
(X,Y)
(X,Y),若其联合概率密度为
f
(
x
,
y
)
f(x,y)
f(x,y),则有:
E
(
Z
)
=
E
[
g
(
X
,
Y
)
]
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
E(Z) = E[g(X,Y)] =\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
E(Z)=E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
特殊地,
E
(
X
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
x
f
(
x
,
y
)
d
x
d
y
E(X) = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xf(x,y)dxdy
E(X)=∫−∞+∞∫−∞+∞xf(x,y)dxdy
E
(
Y
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
y
f
(
x
,
y
)
d
x
d
y
E(Y) = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}yf(x,y)dxdy
E(Y)=∫−∞+∞∫−∞+∞yf(x,y)dxdy