1.条件分布律
设
(
X
,
Y
)
(X,Y)
(X,Y)是二维离散型随机变量,对于固定的
j
j
j,若
P
{
Y
=
y
j
}
>
0
,
P\{Y=y_{j}\}>0,
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}=p.jpij,i=1,2,…
为在
Y
=
y
j
Y=y_j
Y=yj条件下随机变量
X
X
X的条件分布律.
同样,对于固定的
i
i
i,若
P
{
X
=
x
i
}
>
0
,
P\{X=x_{i}\}>0,
P{X=xi}>0,则称
P
{
Y
=
y
j
∣
X
=
x
i
}
=
P
{
X
=
x
i
,
Y
=
y
j
}
P
{
X
=
x
i
}
=
p
i
j
p
i
.
,
j
=
1
,
2
,
…
P\{Y=y_{j}|X=x_{i}\}=\frac{P\{X=x_{i},Y=y_{j}\}}{P\{X=x_{i}\}}=\frac{p_{ij}}{p_{i.}},j=1,2,\dots
P{Y=yj∣X=xi}=P{X=xi}P{X=xi,Y=yj}=pi.pij,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.
2.条件概率密度
设二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度为
f
(
x
,
y
)
,
(
X
,
Y
)
f(x,y),(X,Y)
f(x,y),(X,Y)关于
Y
Y
Y的边缘概率密度为
f
Y
(
y
)
.
f_Y(y).
fY(y).若对于固定的
Y
,
f
Y
(
y
)
>
0
,
Y,f_Y(y)>0,
Y,fY(y)>0,则称
f
(
x
,
y
)
f
Y
(
y
)
\frac{f(x,y)}{f_Y(y)}
fY(y)f(x,y)为在
Y
=
y
Y=y
Y=y的条件下
X
X
X的条件概率密度,记为
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).
称
∫
−
∞
x
f
X
∣
Y
(
x
∣
y
)
d
x
=
∫
−
∞
x
f
(
x
,
y
)
f
Y
(
y
)
d
x
\int_{-\infty}^{x}f_{X|Y}(x|y)dx=\int_{-\infty}^{x}\frac{f(x,y)}{f_Y(y)}dx
∫−∞xfX∣Y(x∣y)dx=∫−∞xfY(y)f(x,y)dx为
Y
=
y
Y=y
Y=y的条件下
X
X
X的条件分布函数,记为
P
{
X
≤
x
∣
Y
=
y
}
P\{X \leq x|Y=y\}
P{X≤x∣Y=y}或
F
X
∣
Y
(
x
∣
y
)
.
F_{X|Y}(x|y).
FX∣Y(x∣y).
类似地,可以定义
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)和
F
Y
∣
X
(
y
∣
x
)
=
∫
−
∞
y
f
(
x
,
y
)
f
X
(
x
)
.
F_{Y|X}(y|x)=\int_{-\infty}^{y}\frac{f(x,y)}{f_X(x)}.
FY∣X(y∣x)=∫−∞yfX(x)f(x,y).
3.相互独立的随机变量
设
F
(
x
,
y
)
F(x,y)
F(x,y)及
F
X
(
x
)
,
F
Y
(
y
)
F_X(x),F_Y(y)
FX(x),FY(y)分别是二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的分布函数及边缘分布函数.若对于所有
x
,
y
x,y
x,y有
P
{
X
≤
x
,
Y
≤
y
}
=
P
{
X
≤
x
}
P
{
Y
≤
y
}
,
即
F
(
x
,
y
)
=
F
X
(
x
)
F
Y
(
y
)
,
P\{X \leq x,Y \leq y\}=P\{X \leq x\}P\{Y \leq y\},\\ 即F(x,y)=F_X(x)F_Y(y),
P{X≤x,Y≤y}=P{X≤x}P{Y≤y},即F(x,y)=FX(x)FY(y),
则称随机变量
X
X
X和
Y
Y
Y是相互独立的.
4.结论
二维正态随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度为
f
(
x
,
y
)
=
1
2
π
σ
1
σ
2
1
−
ρ
2
exp
{
−
1
2
(
1
−
ρ
2
)
[
(
x
−
μ
1
)
2
σ
1
2
−
2
ρ
(
x
−
μ
1
)
(
y
−
μ
2
)
σ
1
σ
2
+
(
y
−
μ
2
)
2
σ
2
2
]
}
f(x, y)=\frac{1}{2 \pi \sigma_{1} \sigma_{2} \sqrt{1-\rho^{2}}} \exp \left\{\frac{-1}{2\left(1-\rho^{2}\right)}\left[\frac{\left(x-\mu_{1}\right)^{2}}{\sigma_{1}^{2}}-2 \rho \frac{\left(x-\mu_{1}\right)\left(y-\mu_{2}\right)}{\sigma_{1} \sigma_{2}}+\frac{\left(y-\mu_{2}\right)^{2}}{\sigma_{2}^{2}}\right]\right\}
f(x,y)=2πσ1σ21−ρ21exp{2(1−ρ2)−1[σ12(x−μ1)2−2ρσ1σ2(x−μ1)(y−μ2)+σ22(y−μ2)2]}
对于二维正态随机变量
(
X
,
Y
)
,
X
(X,Y),X
(X,Y),X和
Y
Y
Y相互独立的充要条件是参数
ρ
=
0.
\rho=0.
ρ=0.
5.定理
设 ( X 1 , X 2 , … , X m ) (X_1,X_2,\dots,X_m) (X1,X2,…,Xm)和 ( Y 1 , Y 2 , … , Y n ) (Y_1,Y_2,\dots,Y_n) (Y1,Y2,…,Yn)相互独立,则 X i ( i = 1 , 2 , … , m ) X_i(i=1,2,\dots,m) Xi(i=1,2,…,m)和 Y j ( j = 1 , 2 , … , n ) Y_j(j=1,2,\dots,n) Yj(j=1,2,…,n)相互独立.又若 h , g h,g h,g是连续函数,则 h ( X 1 , X 2 , … , X m ) h(X_1,X_2,\dots,X_m) h(X1,X2,…,Xm)和 g ( Y 1 , Y 2 , … , Y n ) g(Y_1,Y_2,\dots,Y_n) g(Y1,Y2,…,Yn)相互独立.
6.Z=X+Y的分布
设
(
X
,
Y
)
(X,Y)
(X,Y)是二维连续型随机变量,它具有概率密度
f
(
x
,
y
)
.
f(x,y).
f(x,y).则
Z
=
X
+
Y
Z=X+Y
Z=X+Y仍为连续型随机变量,其概率密度为
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
z
−
y
,
y
)
d
y
,
或
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
x
,
z
−
x
)
d
x
.
f_{X+Y}(z)=\int_{-\infty}^{\infty}f(z-y,y)dy,\\ 或 f_{X+Y}(z)=\int_{-\infty}^{\infty}f(x,z-x)dx.
fX+Y(z)=∫−∞∞f(z−y,y)dy,或fX+Y(z)=∫−∞∞f(x,z−x)dx.
又若
X
X
X和
Y
Y
Y相互独立,设
(
X
,
Y
)
(X,Y)
(X,Y)关于
X
,
Y
X,Y
X,Y的边缘密度分别为
f
X
(
x
)
,
f
Y
(
y
)
,
f_X(x),f_Y(y),
fX(x),fY(y),则
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
,
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
.
f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy, \\ f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx.
fX+Y(z)=∫−∞∞fX(z−y)fY(y)dy,fX+Y(z)=∫−∞∞fX(x)fY(z−x)dx.
这两个公式记为
f
X
f_X
fX和
f
Y
f_Y
fY的卷积公式,记为
f
X
∗
f
Y
,
f_X*f_Y,
fX∗fY,即
f
X
∗
f
Y
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
.
f_X*f_Y=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx.
fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx.
Z
=
X
+
Y
的
分
布
函
数
为
Z=X+Y的分布函数为
Z=X+Y的分布函数为
F
Z
(
z
)
=
∫
−
∞
∞
[
∫
−
∞
z
f
(
u
−
y
,
y
)
d
u
]
d
y
=
∫
−
∞
z
[
∫
−
∞
∞
f
(
u
−
y
,
y
)
d
y
]
d
u
.
F_Z(z)=\int_{-\infty}^{\infty}[\int_{-\infty}^{z}f(u-y,y)du]dy=\int_{-\infty}^{z}[\int_{-\infty}^{\infty}f(u-y,y)dy]du.
FZ(z)=∫−∞∞[∫−∞zf(u−y,y)du]dy=∫−∞z[∫−∞∞f(u−y,y)dy]du.
7.应用
有限个相互独立的正态随机变量的线性组合仍然服从正态分布.即
Z
=
X
1
+
X
2
+
⋯
+
X
n
∼
N
(
μ
1
+
μ
2
+
⋯
+
μ
m
,
σ
1
2
+
σ
2
2
+
⋯
+
σ
n
2
)
.
Z=X_1+X_2+\dots+X_n \sim N(\mu_1+\mu_2+\dots+\mu_m,{\sigma_1}^2+{\sigma_2}^2+\dots+{\sigma_n}^2).
Z=X1+X2+⋯+Xn∼N(μ1+μ2+⋯+μm,σ12+σ22+⋯+σn2).
8.卡方分布( Γ \Gamma Γ)分布
若
n
n
n个相互独立的随机变量
ξ
₁
,
ξ
₂
,
.
.
.
,
ξ
n
,
ξ₁,ξ₂,...,ξn ,
ξ₁,ξ₂,...,ξn,均服从标准正态分布(也称独立同分布于标准正态分布),则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为卡方分布(chi-square distribution).
设随机变量
X
,
Y
X,Y
X,Y相互独立,且分别服从参数为
α
,
θ
,
;
β
,
θ
\alpha,\theta,;\beta,\theta
α,θ,;β,θ的
Γ
\Gamma
Γ分布(分别记作
X
∼
Γ
(
α
,
θ
)
,
Y
∼
Γ
(
β
,
θ
)
)
.
X
,
Y
X \sim \Gamma(\alpha,\theta),Y \sim \Gamma(\beta,\theta)).X,Y
X∼Γ(α,θ),Y∼Γ(β,θ)).X,Y的概率密度分别为
f
X
(
x
)
=
{
1
θ
α
Γ
(
α
)
x
α
−
1
e
−
x
θ
,
x
>
0
,
α
>
0
,
θ
>
0.
0
,
其
他
,
f
Y
(
y
)
=
{
1
θ
β
Γ
(
β
)
x
β
−
1
e
−
y
θ
,
x
>
0
,
β
>
0
,
θ
>
0.
0
,
其
他
,
f_X(x)= \left\{\begin{aligned} &\frac{1}{\theta^\alpha\Gamma(\alpha)}x^{\alpha-1}e^{-\frac{x}{\theta}}, x>0,\alpha>0,\theta>0.\\ &0,其他,\\ \end{aligned}\right.\\ f_Y(y)= \left\{\begin{aligned} &\frac{1}{\theta^\beta\Gamma(\beta)}x^{\beta-1}e^{-\frac{y}{\theta}}, x>0,\beta>0,\theta>0.\\ &0,其他,\\ \end{aligned}\right.
fX(x)=⎩⎪⎨⎪⎧θαΓ(α)1xα−1e−θx,x>0,α>0,θ>0.0,其他,fY(y)=⎩⎪⎨⎪⎧θβΓ(β)1xβ−1e−θy,x>0,β>0,θ>0.0,其他,
且有
X
+
Y
∼
Γ
(
α
+
β
,
θ
)
.
X+Y \sim \Gamma(\alpha+\beta,\theta).
X+Y∼Γ(α+β,θ).(可加性)
9. Z = Y X Z=\frac{Y}{X} Z=XY的分布 Z = X Y Z=XY Z=XY的分布
设
(
X
,
Y
)
(X,Y)
(X,Y)是二维连续型随机变量,它具有概率密度
f
(
x
,
y
)
,
f(x,y),
f(x,y),则
Z
=
Y
X
,
Z
=
X
Y
Z=\frac{Y}{X},Z=XY
Z=XY,Z=XY仍为连续型随机变量,其概率密度分别为
f
Y
/
X
(
z
)
=
∫
−
∞
∞
∣
x
∣
f
(
x
,
x
z
)
d
x
,
f
X
Y
(
z
)
=
∫
−
∞
∞
1
∣
x
∣
f
(
x
,
z
x
)
d
x
.
f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f(x,xz)dx,\\ f_{XY}(z)=\int_{-\infty}{\infty}\frac{1}{|x|}f(x,\frac{z}{x})dx.
fY/X(z)=∫−∞∞∣x∣f(x,xz)dx,fXY(z)=∫−∞∞∣x∣1f(x,xz)dx.
又若
X
X
X和
Y
Y
Y相互独立.设
(
X
,
Y
)
(X,Y)
(X,Y)关于
X
,
Y
X,Y
X,Y的边缘密度分别为
f
X
(
x
)
,
f
Y
(
y
)
f_X(x),f_Y(y)
fX(x),fY(y),则
f
Y
/
X
(
z
)
=
∫
−
∞
∞
∣
x
∣
f
X
(
x
)
f
Y
(
x
z
)
d
x
.
f
X
Y
(
z
)
=
∫
−
∞
∞
1
∣
x
∣
f
X
(
x
)
f
Y
(
z
x
)
d
x
.
f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f_X(x)f_Y(xz)dx.\\ f_{XY}(z)=\int_{-\infty}^{\infty}\frac{1}{|x|}f_X(x)f_Y(\frac{z}{x})dx.
fY/X(z)=∫−∞∞∣x∣fX(x)fY(xz)dx.fXY(z)=∫−∞∞∣x∣1fX(x)fY(xz)dx.
10.M=max{X,Y}及N=min{X,Y}的分布
M
=
m
a
x
{
X
,
Y
}
M=max\{X,Y\}
M=max{X,Y}的分布函数为
F
m
a
x
(
z
)
=
F
x
(
z
)
F
Y
(
z
)
.
F_{max}(z)=F_x(z)F_Y(z).
Fmax(z)=Fx(z)FY(z).
M
=
m
a
x
{
X
1
,
X
2
,
…
,
X
n
}
M=max\{X_1,X_2,\dots,X_n\}
M=max{X1,X2,…,Xn}的分布函数为
F
m
a
x
(
z
)
=
F
X
1
(
z
)
F
X
2
(
z
)
…
F
X
n
(
z
)
.
F_{max}(z)=F_{X_1}(z)F_{X_2}(z)\dots F_{X_n}(z).
Fmax(z)=FX1(z)FX2(z)…FXn(z).
N
=
m
i
n
{
X
,
Y
}
N=min\{X,Y\}
N=min{X,Y}的分布函数为
F
m
i
n
(
z
)
=
1
−
[
1
−
F
X
(
z
)
]
[
1
−
F
Y
(
z
)
]
.
F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)].
Fmin(z)=1−[1−FX(z)][1−FY(z)].
N
=
m
i
n
{
X
1
,
X
2
,
…
,
X
n
}
N=min\{X_1,X_2,\dots,X_n\}
N=min{X1,X2,…,Xn}的分布函数为
F
m
i
n
(
z
)
=
1
−
[
1
−
F
X
1
(
z
)
]
[
1
−
F
X
2
(
z
)
]
…
[
1
−
F
X
n
(
z
)
]
.
F_{min}(z)=1-[1-F_{X_1}(z)][1-F_{X_2}(z)] \dots[1-F_{X_n}(z)].
Fmin(z)=1−[1−FX1(z)][1−FX2(z)]…[1−FXn(z)].