一、多维随机变量
① 如果 X 1 , X 2 , ⋅ ⋅ ⋅ , X n X_1,X_2,···,X_n X1,X2,⋅⋅⋅,Xn是定义在同一个样本空间 Ω \Omega Ω上的 n n n个随机变量,则称 ( X 1 , X 2 , ⋅ ⋅ ⋅ , X n ) (X_1,X_2,···,X_n) (X1,X2,⋅⋅⋅,Xn)为 n n n维随机变量或 n n n维随机向量, X i ( i = 1 , 2 , ⋅ ⋅ ⋅ , n ) X_i(i=1,2,···,n) Xi(i=1,2,⋅⋅⋅,n)称为第 i i i个分量。
当
n
=
2
n=2
n=2时,记
(
X
,
Y
)
(X,Y)
(X,Y)为二维随机变量
(或二维随机向量)。
② 对任意的
n
n
n个实数
x
1
,
x
2
,
⋅
⋅
⋅
,
x
n
x_1,x_2,···,x_n
x1,x2,⋅⋅⋅,xn,称
n
n
n元函数:
F
(
x
1
,
x
2
,
⋅
⋅
⋅
,
x
n
)
=
P
{
X
1
≤
x
1
,
X
2
≤
x
2
,
⋅
⋅
⋅
,
X
n
≤
x
n
}
F(x_1,x_2,···,x_n)= P\{ X_1 \le x_1, X_2 \le x_2, ···, X_n \le x_n\}
F(x1,x2,⋅⋅⋅,xn)=P{X1≤x1,X2≤x2,⋅⋅⋅,Xn≤xn}
为
n
n
n维随机变量
(
X
1
,
X
2
,
⋅
⋅
⋅
,
X
n
)
(X_1,X_2,···,X_n)
(X1,X2,⋅⋅⋅,Xn)的联合分布函数
。
③ F ( x , y ) F(x,y) F(x,y)是关于 x , y x,y x,y的单调不减函数。 F ( − ∞ , y ) = F ( x , − ∞ ) = F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 F(-\infty,y) = F(x,-\infty)=F(-\infty,-\infty)=0, \ F(+\infty,+\infty)=1 F(−∞,y)=F(x,−∞)=F(−∞,−∞)=0, F(+∞,+∞)=1。
④ 设二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的联合分布函数为
F
(
x
,
y
)
F(x,y)
F(x,y),随机变量
X
X
X与
Y
Y
Y的分布函数
F
X
(
x
)
F_X(x)
FX(x)与
F
Y
(
y
)
F_Y(y)
FY(y)分别称为
(
X
,
Y
)
(X,Y)
(X,Y)关于
X
X
X和关于
Y
Y
Y的边缘分布函数
。由概率性质得:
F
X
(
x
)
=
P
{
X
≤
x
}
=
P
{
X
≤
x
,
Y
≤
+
∞
}
=
lim
y
→
+
∞
P
{
X
≤
x
,
Y
≤
y
}
=
lim
y
→
+
∞
F
(
x
,
y
)
=
F
(
x
,
+
∞
)
\begin{aligned} F_X(x) &= P\{ X \le x \} = P\{ X \le x, Y \le +\infty \} \\\\ &= \lim _{y \to + \infty} P\{ X \le x, Y \le y \} \\\\ &= \lim _{y \to + \infty} F(x,y) = F(x,+\infty) \end{aligned}
FX(x)=P{X≤x}=P{X≤x,Y≤+∞}=y→+∞limP{X≤x,Y≤y}=y→+∞limF(x,y)=F(x,+∞)
同理,有
F
Y
(
y
)
=
F
(
+
∞
,
y
)
F_Y(y) = F(+\infty,y)
FY(y)=F(+∞,y)。
二、二维离散型随机变量
① 如果二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)只能取有限对值或可列对值
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
⋅
⋅
⋅
,
(
x
n
,
y
n
)
⋅
⋅
⋅
(x_1,y_1),(x_2,y_2),···,(x_n,y_n)···
(x1,y1),(x2,y2),⋅⋅⋅,(xn,yn)⋅⋅⋅,则称
(
X
,
Y
)
(X,Y)
(X,Y)为二维离散型随机变量
。
称 p i j = P { X = x i , Y = y j } , i , j = 1 , 2 , ⋅ ⋅ ⋅ p_{ij} = P\{ X=x_i,Y=y_j \},\ i,j=1,2,··· pij=P{X=xi,Y=yj}, i,j=1,2,⋅⋅⋅,为 ( X , Y ) (X,Y) (X,Y)的分布律或称为 X X X和 Y Y Y的联合分布律,记为 ( X , Y ) ∼ p i j (X,Y) \sim p_{ij} (X,Y)∼pij。
② 设
(
X
,
Y
)
(X,Y)
(X,Y)的概率分布为
p
i
j
,
i
,
j
=
1
,
2
,
⋅
⋅
⋅
p_{ij} \ , \ i,j = 1,2,···
pij , i,j=1,2,⋅⋅⋅,则称
(
X
,
Y
)
(X,Y)
(X,Y)的联合分布函数
为:
F
(
x
,
y
)
=
P
{
X
≤
x
,
Y
≤
y
}
=
∑
x
i
≤
x
∑
y
j
≤
y
p
i
j
F(x,y) = P\{ X \le x,Y \le y \} = \sum _{x_i \le x} \sum _{y_j \le y} p_{ij}
F(x,y)=P{X≤x,Y≤y}=xi≤x∑yj≤y∑pij
③
X
,
Y
X,Y
X,Y的边缘分布
为:
p
i
⋅
=
P
{
X
=
x
i
}
=
∑
j
=
1
∞
P
{
X
=
x
i
,
Y
=
y
j
}
=
∑
j
=
1
∞
p
i
j
,
(
i
=
1
,
2
,
⋅
⋅
⋅
)
p
⋅
j
=
P
{
Y
=
y
j
}
=
∑
i
=
1
∞
P
{
X
=
x
i
,
Y
=
y
j
}
=
∑
i
=
1
∞
p
i
j
,
(
j
=
1
,
2
,
⋅
⋅
⋅
)
p_{i·} = P\{ X=x_i \} = \sum ^{\infty} _{j=1} P\{ X= x_i, Y=y_j \} = \sum ^{\infty} _{j=1}p_{ij}, \ (i = 1,2,···) \\ p_{·j} = P\{ Y=y_j \} = \sum ^{\infty} _{i=1} P\{ X= x_i, Y=y_j \} = \sum ^{\infty} _{i=1}p_{ij}, \ (j = 1,2,···)
pi⋅=P{X=xi}=j=1∑∞P{X=xi,Y=yj}=j=1∑∞pij, (i=1,2,⋅⋅⋅)p⋅j=P{Y=yj}=i=1∑∞P{X=xi,Y=yj}=i=1∑∞pij, (j=1,2,⋅⋅⋅)
三、二维连续型随机变量
① 如果二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的联合分布函数
F
(
x
,
y
)
F(x,y)
F(x,y)可以表示为:
F
(
x
,
y
)
=
∫
−
∞
x
∫
−
∞
y
f
(
u
,
v
)
d
u
d
v
,
(
x
,
y
)
∈
R
2
F(x,y) = \int ^x _{- \infty} \int ^y _{- \infty} f(u,v)dudv, \ (x,y) \in R^2
F(x,y)=∫−∞x∫−∞yf(u,v)dudv, (x,y)∈R2
其中
f
(
x
,
y
)
f(x,y)
f(x,y)是非负可积函数,则称
(
X
,
Y
)
(X,Y)
(X,Y)为二维连续型随机变量
,称
f
(
x
,
y
)
f(x,y)
f(x,y)为
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度
,记为
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y) \sim f(x,y)
(X,Y)∼f(x,y)。
② 设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y) \sim f(x,y)
(X,Y)∼f(x,y),则
X
,
Y
X,Y
X,Y的边缘分布函数
为:
F
X
(
x
)
=
F
(
x
,
+
∞
)
=
∫
−
∞
x
[
∫
−
∞
+
∞
f
(
u
,
v
)
d
v
]
d
u
F
Y
(
y
)
=
F
(
+
∞
,
y
)
=
∫
−
∞
y
[
∫
−
∞
+
∞
f
(
u
,
v
)
d
u
]
d
v
F_X(x) = F(x,+\infty)=\int ^x _{-\infty} \left [\int ^{+\infty} _{-\infty} f(u,v) dv \right]du \\ F_Y(y) = F(+\infty,y)=\int ^y _{-\infty} \left [\int ^{+\infty} _{-\infty} f(u,v) du \right]dv
FX(x)=F(x,+∞)=∫−∞x[∫−∞+∞f(u,v)dv]duFY(y)=F(+∞,y)=∫−∞y[∫−∞+∞f(u,v)du]dv
③ 如果
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度为:
f
(
x
,
y
)
=
{
1
S
D
,
(
x
,
y
)
∈
D
0
,
其
他
f(x,y) = \left \{ \begin{aligned} &\frac {1} {S_D}, &(x,y) \in D \\ &0,&其他 \end{aligned} \right .
f(x,y)=⎩⎨⎧SD1,0,(x,y)∈D其他
其中
S
D
S_D
SD为区域
D
D
D的面积,则称
(
X
,
Y
)
(X,Y)
(X,Y)在平面有界区域
D
D
D上服从均匀分布
。
④ 如果
(
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
e
x
p
{
−
1
2
(
1
−
ρ
2
)
[
(
x
−
μ
1
σ
1
)
2
−
2
ρ
(
x
−
μ
1
σ
1
)
(
y
−
μ
2
σ
2
)
+
(
y
−
μ
2
σ
2
)
2
]
}
f(x,y) = \frac 1 {2\pi \sigma_1\sigma_2 \sqrt {1-\rho ^2} } exp \left\{ -\frac 1 {2(1-\rho^2)} \left[ (\frac {x-\mu _1} {\sigma_1})^2- 2\rho(\frac {x-\mu_1} {\sigma_1})(\frac {y-\mu_2} {\sigma_2}) + (\frac {y-\mu_2} {\sigma_2})^2 \right] \right\}
f(x,y)=2πσ1σ21−ρ21exp{−2(1−ρ2)1[(σ1x−μ1)2−2ρ(σ1x−μ1)(σ2y−μ2)+(σ2y−μ2)2]}
其中
μ
1
∈
R
,
μ
2
∈
R
,
σ
1
>
0
,
σ
2
>
0
,
−
1
<
ρ
<
1
\mu_1 \in R,\mu_2 \in R,\sigma_1>0,\sigma_2>0,-1<\rho <1
μ1∈R,μ2∈R,σ1>0,σ2>0,−1<ρ<1,则称
(
X
,
Y
)
(X,Y)
(X,Y)服从参数为
μ
1
,
μ
2
,
σ
1
,
σ
2
,
ρ
\mu_1,\mu_2,\sigma_1,\sigma_2,\rho
μ1,μ2,σ1,σ2,ρ的二维正态分布
,记为
(
X
,
Y
)
∼
N
(
μ
1
,
μ
2
,
σ
1
,
σ
2
,
ρ
)
(X,Y) \sim N(\mu_1,\mu_2,\sigma_1,\sigma_2,\rho)
(X,Y)∼N(μ1,μ2,σ1,σ2,ρ)。