概率论与数理统计教程(三)-多维随机变量及其分布01：多维随机变量及其联合分布

在有些随机现象中, 对每个样本点 $\omega$ 只用一个随机变量去描述是不够的.
譬如要研究儿童的生长发育情况, 仅研究儿童的身高 $X(\omega )$
或仅研究其体重 $Y(\omega )$ 都是局部的, 有必要把 $X(\omega )$ 和
$Y(\omega )$ 作为一个整体来考虑, 讨论它们同时变化的统计规律性,
进一步可以讨论 $X(\omega )$ 与 $Y(\omega )$ 之间的关系. 在有些随机现象中,
甚至要同时研究两个以上随机变量.
如何来研究多维随机变量的统计规律性呢? 仿一维随机变量,
我们先研究联合分布函数,然后研究离散随机变量的联合分布列、连续随机变量的联合密度函数等.
§3.1 多维随机变量及其联合分布
3.1.1 多维随机变量
下面我们先给出 $n$ 维随机变量的定义.
定义 3.1.1 如果 $X_1(\omega ),X_2(\omega ),\cdots ,X_n(\omega )$
是定义在同一个样本空间 Ω = { ω } \Omega=\{\omega\} Ω={ ω} 上的 $n$ 个随机变量, 则称
$$\mathbf{X}(\omega )=\left(X_1(\omega ),X_2(\omega ),\cdots ,X_n(\omega )\right)$$
为 $n$ 维 (或 $n$ 元) 随机变量或随机向量.
注意,多维随机变量的关键是定义在同一样本空间上, 对于不同样本空间
${\Omega }_1$ 和 ${\Omega }_2$ 上的两个随机变量, 我们只能在乘积空间
Ω 1 × Ω 2 = { ( ω 1 , ω 2 ) : ω 1 ∈ Ω 1 , ω 2 ∈ Ω 2 } \Omega_{1} \times \Omega_{2}=\left\{\left(\omega_{1}, \omega_{2}\right): \omega_{1} \in \Omega_{1}, \omega_{2} \in \Omega_{2}\right\} Ω1​×Ω2​={ (ω1​,ω2​):ω1​∈Ω1​,ω2​∈Ω2​}
及其事件域上讨论它们,这一点在以下讨论中是默认的.
在实际问题中,多维随机变量的情况是经常会遇到的.壁如
- 在研究四岁至六岁儿童的生长发育情况时, 我们感兴趣于每个儿童 (样本点
$\omega$ )的身高 $X_1(\omega )$ 和体重 $X_2(\omega )$, 这里
$\left(X_1,X_2\right)$ 是一个二维随机变量.
- 在研究每个家庭的支出情况时, 我们感兴趣于每个家庭 (样本点 $\omega$ )
的衣食住行四个方面, 若用
$X_1(\omega ),X_2(\omega ),X_3(\omega ),X_4(\omega )$
分别表示衣食住行的花费占其家庭总收人的百分比,则
$\left(X_1,X_2,X_3,X_4\right)$ 就是一个四维随机变量.
3.1.2 联合分布函数
定义 3.1.2 对任意的 $n$ 个实数 $x_1,x_2,\cdots ,x_n,n$ 个事件
{ X 1 ⩽ x 1 } , { X 2 ⩽ x 2 } , ⋯ \left\{X_{1} \leqslant x_{1}\right\},\left\{X_{2} \leqslant x_{2}\right\}, \cdots { X1​⩽x1​},{ X2​⩽x2​},⋯,
{ X n ⩽ x n } \left\{X_{n} \leqslant x_{n}\right\} { Xn​⩽xn​} 同时发生的概率
$$F\left(x_1,x_2,\cdots ,x_n\right)=P\left(X_1⩽x_1,X_2⩽x_2,\cdots ,X_n⩽x_n\right)$$
称为 $n$ 维随机变量 $\left(X_1,X_2,\cdots ,X_n\right)$
的联合分布函数.
本章主要研究二维随机变量, 二维以上的情况可类似讨论.
在二维随机变量 $(X,Y)$ 场合, 联合分布函数
$F(x,y)=P(X⩽x,Y⩽y)$ 是事件 { X ⩽ \{X \leqslant { X⩽ $x\}$
与 { Y ⩽ y } \{Y \leqslant y\} { Y⩽y} 同时发生 (交) 的概率. 如果将二维随机变量 $(X,Y)$
看成是平面上随机点的坐标, 那么联合分布函数 $F(x,y)$ 在 $(x,y)$
处的函数值就是随机点 $(X,Y)$ 落在以 $(x,y)$为顶点的左下无穷直角区域
(见图 3.1.1) 上的概率.
定理 3.1.1 任一二维联合分布函数 $F(x,y)$ 必具有如下四条基本性质:
(1) 单调性 $F(x,y)$ 分别对 $x$ 或 $y$ 是单调非减的, 即
当 $x_1<x_2$ 时, 有
$F\left(x_1,y\right)⩽F\left(x_2,y\right)$,
当 $y_1<y_2$ 时, 有
$F\left(x,y_1\right)⩽F\left(x,y_2\right)$.
(2) 有界性 对任意的 $x$ 和 $y$, 有 $0⩽F(x,y)⩽$ 1 ,
且{width=“180px”}
图3.1.1 以 $(x,y)$ 为顶点的左下无穷直角区域
$$\begin{array}{l}F(-\infty ,y)=\underset{\cdots \to -\infty }{\lim }F(x,y)=0,\\ F(x,-\infty )=\underset{y\to -\infty }{\lim }F(x,y)=0,\\ F(\infty ,\infty )=\underset{x,y\to \infty }{\lim }F(x,y)=1.\end{array}$$

(3) 右连续性 对每个变量都是右连续的, 即
$$\begin{array}{l}F(x+0,y)=F(x,y),\\ F(x,y+0)=F(x,y).\end{array}$$

(4) 非负性 对任意的 $a<b,c<d$ 有
$$P(a<X⩽b,c<Y⩽d)=F(b,d)-F(a,d)-F(b,c)+F(a,c)⩾0.$$
证明 (1) 因为当 $x_1<x_2$ 时, 有
{ X ⩽ x 1 } ⊂ { X ⩽ x 2 } \left\{X \leqslant x_{1}\right\} \subset\left\{X \leqslant x_{2}\right\} { X⩽x1​}⊂{ X⩽x2​},
所以对任意给定的 $y$ 有
{ X ⩽ x 1 , Y ⩽ y } ⊂ { X ⩽ x 2 , Y ⩽ y } , \left\{X \leqslant x_{1}, Y \leqslant y\right\} \subset\left\{X \leqslant x_{2}, Y \leqslant y\right\}, { X⩽x1​,Y⩽y}⊂{ X⩽x2​,Y⩽y},
由此可得
$$F\left(x_1,y\right)=P\left(X⩽x_1,Y⩽y\right)⩽P\left(X⩽x_2,Y⩽y\right)=F\left(x_2,y\right),$$
即 $F(x,y)$ 关于 $x$ 是单调非减的. 同理可证 $F(x,y)$ 关于 $y$
是单调非减的.
(2) 由概率的性质可知 $0⩽F(x,y)⩽1$.
又因为对任意的正整数 $n$ 有
lim ⁡ x → − ∞ { X ⩽ x } = lim ⁡ n → ∞ ⋂ m = 1 n { X ⩽ − m } = ∅ , lim ⁡ x → ∞ { X ⩽ x } = lim ⁡ n → ∞ ⋃ m = 1 n { X ⩽ m } = Ω , \begin{array}{l} \lim \limits_{x \rightarrow-\infty}\{X \leqslant x\}=\lim \limits_{n \rightarrow \infty} \bigcap_{m=1}^{n}\{X \leqslant-m\}=\varnothing, \\ \lim \limits_{x \rightarrow \infty}\{X \leqslant x\}=\lim \limits_{n \rightarrow \infty} \bigcup_{m=1}^{n}\{X \leqslant m\}=\Omega, \end{array} x→−∞lim​{ X⩽x}=n→∞lim​⋂m=1n​{ X⩽−m}=∅,x→∞lim​{ X⩽x}=n→∞lim​⋃m=1n​{ X⩽m}=Ω,​

对 { Y ⩽ y } \{Y \leqslant y\} { Y⩽y} 也类似可得. 再由概率的连续性, 就可得
$$F(-\infty ,y)=F(x,-\infty )=0,F(\infty ,\infty )=1.$$
(3) 固定 $y$, 仿一维分布函数右连续的证明, 就可得知 $F(x,y)$ 关于 $x$
是右连续的.同样固定 $x$, 可证得 $F(x,y)$ 关于 $y$ 是右连续的.
(4) 只需证: 对 $a<b,c<d$ 有
$$P(a<X⩽b,c<Y⩽d)=F(b,d)-F(a,d)-F(b,c)+F(a,c).$$
为此记 (见图 3.1.2)
A = { X ⩽ a } , B = { X ⩽ b } , C = { Y ⩽ c } , D = { Y ⩽ d } , \begin{array}{ll} A=\{X \leqslant a\}, & B=\{X \leqslant b\}, \\ C=\{Y \leqslant c\}, & D=\{Y \leqslant d\}, \end{array} A={ X⩽a},C={ Y⩽c},​B={ X⩽b},D={ Y⩽d},​

这里 $A$ 是 { X ⩽ a , Y < ∞ } \{X \leqslant a, Y<\infty\} { X⩽a,Y<∞} 的简写, $C$ 是
{ X < ∞ , Y ⩽ c } \{X<\infty, Y \leqslant c\} { X<∞,Y⩽c} 的简写,其他类同.考虑到
{ a < X ⩽ b } = B − A = B ∩ A ˉ , { c < Y ⩽ d } = D − C = D ∩ C ˉ , \begin{array}{l} \{a<X \leqslant b\}=B-A=B \cap \bar{A}, \\ \{c<Y \leqslant d\}=D-C=D \cap \bar{C}, \end{array} { a<X⩽b}=B−A=B∩Aˉ,{ c<Y⩽d}=D−C=D∩Cˉ,​

{width=“162px”}
图 3.1.2 二维随机变量 $(X,Y)$ 落在矩形中的情况
且 $A\subset B,C\subset D$, 由此可得
$$\begin{array}{rl}0& ⩽P(a<X⩽b,c<Y⩽d)\\ & =P(B\cap \bar{A}\cap D\cap \bar{C})\\ & =P(BD-(A\cup C))\\ & =P(BD)-P(ABD\cup BCD\\ & \\ & \\ & \\ & \end{array}$$