多维随机变量及其分布(知识点部分02)

1.条件分布律

设$(X,Y)$是二维离散型随机变量,对于固定的$j$,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.j​pij​​,i=1,2,…
为在$Y=y_j$条件下随机变量$X$的条件分布律.
同样,对于固定的$i$,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$X=x_i$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$(X,Y)$的概率密度为$f(x,y),(X,Y)$关于$Y$的边缘概率密度为$f_Y(y).$若对于固定的$Y，f_Y(y)>0,$则称$\frac{f(x,y)}{f_Y(y)}$为在$Y=y$的条件下$X$的条件概率密度,记为
$$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}.$$
称${\int }_{-\infty }^x{f}_{X|Y}(x|y)dx={\int }_{-\infty }^x\frac{f(x,y)}{f_Y(y)}dx$为$Y=y$的条件下$X$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$F_{X|Y}(x|y).$
类似地,可以定义$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$和$F_{Y|X}(y|x)={\int }_{-\infty }^y\frac{f(x,y)}{f_X(x)}.$

3.相互独立的随机变量

设$F(x,y)$及$F_X(x),F_Y(y)$分别是二维随机变量$(X,Y)$的分布函数及边缘分布函数.若对于所有$x,y$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$X$和$Y$是相互独立的.

4.结论

二维正态随机变量$(X,Y)$的概率密度为
$$f(x,y)=\frac{1}{2\pi {\sigma }_1{\sigma }_2\sqrt{1-{\rho }^2}}\exp \left\{\frac{-1}{2\left(1-{\rho }^2\right)}\left[\frac{{\left(x-{\mu }_1\right)}^2}{{\sigma }_1^2}-2\rho \frac{\left(x-{\mu }_1\right)\left(y-{\mu }_2\right)}{{\sigma }_1{\sigma }_2}+\frac{{\left(y-{\mu }_2\right)}^2}{{\sigma }_2^2}\right]\right\}$$
对于二维正态随机变量$(X,Y),X$和$Y$相互独立的充要条件是参数$\rho =0.$

5.定理

设$(X_1,X_2,\dots ,X_m)$和$(Y_1,Y_2,\dots ,Y_n)$相互独立,则$X_i(i=1,2,\dots ,m)$和$Y_j(j=1,2,\dots ,n)$相互独立.又若$h,g$是连续函数,则$h(X_1,X_2,\dots ,X_m)$和$g(Y_1,Y_2,\dots ,Y_n)$相互独立.

6.Z=X+Y的分布

设$(X,Y)$是二维连续型随机变量,它具有概率密度$f(x,y).$则$Z=X+Y$仍为连续型随机变量,其概率密度为
$$\begin{gathered} f_{X+Y}(z)={\int }_{-\infty }^{\infty }f(z-y,y)dy, \\ 或f_{X+Y}(z)={\int }_{-\infty }^{\infty }f(x,z-x)dx. \end{gathered}$$
又若$X$和$Y$相互独立,设$(X,Y)$关于$X,Y$的边缘密度分别为$f_X(x),f_Y(y),$则
$$\begin{gathered} f_{X+Y}(z)={\int }_{-\infty }^{\infty }{f}_X(z-y)f_Y(y)dy, \\ {f}_{X+Y}(z)={\int }_{-\infty }^{\infty }{f}_X(x)f_Y(z-x)dx. \end{gathered}$$
这两个公式记为$f_X$和$f_Y$的卷积公式,记为$f_X\ast f_Y,$即
$$f_X\ast f_Y={\int }_{-\infty }^{\infty }{f}_X(z-y)f_Y(y)dy={\int }_{-\infty }^{\infty }{f}_X(x)f_Y(z-x)dx.$$
$Z=X+Y的分布函数为$
$$F_Z(z)={\int }_{-\infty }^{\infty }[{\int }_{-\infty }^{z}f(u-y,y)du]dy={\int }_{-\infty }^z[{\int }_{-\infty }^{\infty }f(u-y,y)dy]du.$$

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
$$Z=X_1+X_2+\cdots +X_n\sim N({\mu }_1+{\mu }_2+\cdots +{\mu }_m,{{\sigma }_1}^2+{{\sigma }_2}^2+\cdots +{{\sigma }_n}^2).$$

8.卡方分布($\Gamma$)分布

若$n$个相互独立的随机变量$\xi ₁,\xi ₂,...,\xi n,$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$X,Y$相互独立,且分别服从参数为$\alpha ,\theta ,;\beta ,\theta$的$\Gamma$分布(分别记作$X\sim \Gamma (\alpha ,\theta ),Y\sim \Gamma (\beta ,\theta )).X,Y$的概率密度分别为
$$\begin{gathered} f_X(x)=\{\begin{array}{rl}& \frac{1}{{\theta }^{\alpha }\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\frac{x}{\theta }},x>0,\alpha >0,\theta >0.\\ & 0,其他,\end{array} \\ {f}_Y(y)=\{\begin{array}{rl}& \frac{1}{{\theta }^{\beta }\Gamma (\beta )}{x}^{\beta -1}{e}^{-\frac{y}{\theta }},x>0,\beta >0,\theta >0.\\ & 0,其他,\end{array} \end{gathered}$$
且有$X+Y\sim \Gamma (\alpha +\beta ,\theta ).$(可加性）

9.$Z=\frac{Y}{X}$的分布 $Z=XY$的分布

设$(X,Y)$是二维连续型随机变量,它具有概率密度$f(x,y),$则$Z=\frac{Y}{X},Z=XY$仍为连续型随机变量,其概率密度分别为
$$\begin{gathered} f_{Y/X}(z)={\int }_{-\infty }^{\infty }|x|f(x,xz)dx, \\ {f}_{XY}(z)={\int }_{-\infty }\infty \frac{1}{|x|}f(x,\frac{z}{x})dx. \end{gathered}$$
又若$X$和$Y$相互独立.设$(X,Y)$关于$X,Y$的边缘密度分别为$f_X(x),f_Y(y)$，则
$$\begin{gathered} f_{Y/X}(z)={\int }_{-\infty }^{\infty }|x|f_X(x)f_Y(xz)dx. \\ {f}_{XY}(z)={\int }_{-\infty }^{\infty }\frac{1}{|x|}{f}_X(x)f_Y(\frac{z}{x})dx. \end{gathered}$$

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
$$F_{max}(z)=F_x(z)F_Y(z).$$
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
$$F_{max}(z)=F_{X_1}(z)F_{X_2}(z)\dots F_{X_n}(z).$$
N = m i n { X , Y } N=min\{X,Y\} N=min{X,Y}的分布函数为
$$F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)].$$
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
$$F_{min}(z)=1-[1-F_{X_1}(z)][1-F_{X_2}(z)]\dots [1-F_{X_n}(z)].$$