【概率论与数理统计(研究生课程)】知识点总结3(二维随机变量及其分布)

原文地址【概率论与数理统计(研究生课程)】知识点总结3(二维随机变量及其分布)

联合分布函数

F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\{X\le x, Y\le y\} F(x,y)=P{X≤x,Y≤y}

性质：
$$\begin{array}{rl}& F(+\infty ,+\infty )=1\\ F(-\infty ,-\infty )=& F(x,-\infty )=F(-\infty ,y)=0\end{array}$$

二维随机变量边缘分布律

离散型

P { X = x i } = p i ⋅ = ∑ j = 1 ∞ p i j P\{X=x_i\}=p_{i\cdot}=\sum\limits_{j=1}^{\infty}p_{ij} P{X=xi​}=pi⋅​=j=1∑∞​pij​

$$\sum _{i=1}^{\infty }{p}_{i\cdot }=\sum _{i=1}^{\infty }\sum _{j=1}^{\infty }{p}_{ij}=1$$

连续型

$$\begin{array}{r}{P}_1(x)={\int }_{-\infty }^{+\infty }p(x,y)dy\\ P_2(y)={\int }_{-\infty }^{+\infty }p(x,y)dx\end{array}$$

注意： 不能由边缘分布求联合分布。

二维随机变量条件概率

离散型

P { X = x i ∣ Y = y j } = P { X = x i , Y = y j } P { Y = y j } = p i j p ⋅ j P\{X=x_i|Y=y_j\}=\frac{P\{X=x_i, Y=y_j\}}{P\{Y=y_j\}}=\frac{p_{ij}}{p_{\cdot j}} P{X=xi​∣Y=yj​}=P{Y=yj​}P{X=xi​,Y=yj​}​=p⋅j​pij​​

连续型

$$\begin{array}{rl}& Y=y:\\ & F_{X|Y}(x|y)=\frac{{\int }_{-\infty }^{x}f(u,y)du}{f_Y(y)},f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}\\ & X=x:\\ & F_{Y|X}(y|x)=\frac{{\int }_{-\infty }^{y}f(x,v)dv}{f_X(x)},f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}\\ & f(x,y)=f_Y(y)f_{X|Y}(x|y)=f_X(x)f_{Y|X}(y|x)\end{array}$$

注意： 当 $X、Y$ 相互独立时，$F(x,y)=F_X(x)F_Y(y)$ ，此时由边缘分布律可以唯一确定联合分布。

二维随机变量函数的分布

和分布（$Z=X+Y$）

$$\begin{array}{rl}{F}_Z(z)& ={\int }_{-\infty }^{z}g(u)du\\ g(u)& ={\int }_{-\infty }^{+\infty }f(x,u-x)dx\\ f_Z(z)& =g(z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx\end{array}$$

若 $X,Y$ 相互独立，则：
$$f_Z(z)={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(z-x)dx={\int }_{-\infty }^{+\infty }{f}_X(z-y)f_Y(y)dy$$
推广：

一般地，若$X_i$相互独立，$Z=\sum a_i{X}_i$

1. $X_i\sim N({\mu }_i,{\sigma }_i^2)⟹Z\sim N(\sum a_i{\mu }_i,\sum a_i^2{\sigma }_i^2)$
2. $X_i\sim b(n_i,p)⟹Z\sim b(\sum n_i,p)$
3. $X_i\sim \pi ({\lambda }_i)⟹Z\sim \pi (\sum {\lambda }_i)$

最大最小值分布（$Z=Max、Z=Min$，$X、Y$相互独立）

$M=\max (X,Y)$
F M ( z ) = P { M ≤ z } = P { max ⁡ ( X , Y ) ≤ z } = P { X ≤ z , Y ≤ z } = F X ( z ) F Y ( z ) \begin{aligned} F_M(z)&=P\{M\le z\} \\ &=P\{\max(X,Y)\le z\} \\ &=P\{X\le z, Y\le z\} \\ &=F_X(z)F_Y(z) \end{aligned} FM​(z)​=P{M≤z}=P{max(X,Y)≤z}=P{X≤z,Y≤z}=FX​(z)FY​(z)​
$N=\min (X,Y)$
F N ( z ) = P { N ≤ z } = 1 − P { N > z } = 1 − P { min ⁡ ( X , Y ) > z } = 1 − P { X > z , Y > z } = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] \begin{aligned} F_N(z)&=P\{N\le z\} \\ &=1-P\{N>z\} \\ &=1-P\{\min(X,Y) > z\} \\ &=1-P\{X> z, Y> z\} \\ &=1-[1-F_X(z)][1-F_Y(z)] \end{aligned} FN​(z)​=P{N≤z}=1−P{N>z}=1−P{min(X,Y)>z}=1−P{X>z,Y>z}=1−[1−FX​(z)][1−FY​(z)]​

商的分布（$Z=\frac{X}{Y}$）

$$f_Z(z)={\int }_{-\infty }^{+\infty }|y|f(zy,y)dy$$

若$X、Y$相互独立，$f_Z(z)={\int }_{-\infty }^{+\infty }|y|f_X(zy)f_Y(y)dy$

差的分布（$Z=X-Y$）

$$f_Z(z)={\int }_{-\infty }^{+\infty }f(z+y,y)dy$$

积的分布（$Z=XY$）

$$f_Z(z)={\int }_{-\infty }^{+\infty }f(x,\frac{z}{x})\frac{1}{|x|}dx={\int }_{-\infty }^{+\infty }f(\frac{z}{y},y)\frac{1}{|y|}dy$$

总结： 二维随机变量函数的分布，一般解题步骤如下：

1. 先求 $Z=g(X,Y)$ 的分布函数 $F_Z(z)$
2. $f_Z(z)=F_Z^{\prime }(z)$