概率论基础知识整理☯ | 随机向量

最新推荐文章于 2022-10-10 19:20:41 发布

輝长六加1

最新推荐文章于 2022-10-10 19:20:41 发布

阅读量1k

点赞数

分类专栏：概率论文章标签：概率论

本文链接：https://blog.csdn.net/weixin_48928539/article/details/113625896

版权

概率论专栏收录该内容

4 篇文章 0 订阅

订阅专栏

一、二维随机向量及其分布

随机向量： $X (e)$ 与 $Y (e)$ 是样本空间 $\Omega$ 上的两个随机变量，则 $(X (e), Y (e))$ 称为 $\Omega$ 上的随机向量，简记 $(X, Y)$ 。
联合分布函数： $F(x,y)=P\{X\le x,Y\le y\}.$ 几何表示为：
分布函数 $F (x, y)$ 基本性质： $1^。F(x,y)是变量x,y的不减函数，对于任意固定y，\\ 当x_1<x_2时，有F(x_1,y)\le F(x_2,y);固定x时同理;$ $2^。0\le F(x,y)\le 1,对于固定的y，有F(-\infty,y)=0;\\ 对于固定的x，有F(x,-\infty)=0; F(-\infty,+\infty)=0,\\ F(+\infty,+\infty)=1.(可通过几何图形理解)$ $3^。F(x,y)关于x和y是右连续的，即\\ F(x,y)=F(x+0,y),F(x,y)=F(x,y+0).$
二维离散型随机变量：

分布律： $P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,3,\ldots$ （也可用图表表示）
分布函数： $F(x,y)=P\{X\le x,Y\le y\}=\sum\limits_{x_i\le x}\sum\limits_{y_j\le y}p_{ij}.$

二维连续型随机变量：

分布函数： $F(x,y)=P\{X\le x,Y\le y\}=\int^x_{-\infty}\int^y_{-\infty}f(u,v)dudv.$ 其中 $f (x, y)$ 是 $(X, Y)$ 联合概率密度或概率密度。
部分性质： $1^。\int^{+\infty}_{-\infty}\int^{+\infty}_{-\infty}f(x,y)dxdy=1;$ $2^。若f(x,y)在(x,y)处连续，则有\\ \frac{∂^2F(x,y)}{∂x∂y}=f(x,y).$ $3^。设G为xOy面上的一区域，随机点(X,Y)落入G中的概率为\\ P\{(X,Y)\in G\}=\iint\limits_Gf(x,y)dxdy.$

均匀分布：密度函数为 $f(x,y)=\begin{cases} \frac{1}{A}, &\text{$(x,y)\in G$}\\\\ 0,&\text{其他} \end{cases}$ 其中 $A$ 为区域 $G$ 的面积，则 $(X, Y)$ 服从均匀分布。
二维正态分布：密度函数为 $f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}exp\{{-\frac{1}{2(1-\rho^2)}[\frac{(x-\mu_1)^2}{\sigma^2_1}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma^2_2}]}\},\\ -\infty<x<+\infty,-\infty<y<+\infty$ 其中 $\sigma_1>0,\sigma_2>0,-1<\rho<1$ ,则称 $(X, Y)$ 为二维正态随机变量，记作 $(X,Y)\sim N(\mu_1,\mu_2,\sigma^2_1,\sigma^2_2,\rho)$ 。
对于不同的 $\rho$ 有不同的二维正态分布，但它们的边缘分布却是一样的。

二、边缘分布

边缘分布函数： $F_X(x)=P\{X\le x\}=P\{X\le x,Y<+\infty\}=F(x,+\infty)\\ F_Y(y)=P\{Y\le y\}=P\{X<+\infty,Y\le y\}=F(+\infty,y)$ 其中 $F (x, y)$ 为 $(X, Y)$ 的联合分布函数。
二维离散型随机变量的边缘分布：

边缘分布函数： $F_X(x)=F(x,+\infty)=\sum\limits_{x_i\le x}\sum\limits_jp_{ij}\\ F_Y(y)=F(+\infty,y)=\sum\limits_i\sum\limits_{y_j\le y}p_{ij}$
边缘分布律： $P\{X=x_i\}=\sum\limits_jp_{ij},i=1,2,3,\ldots\\ P\{Y=y_j\}=\sum\limits_ip_{ij},j=1,2,3,\ldots$

二维连续型随机变量的边缘分布：

边缘分布函数： $F_X(x)=F(x,+\infty)=\int^x_{-\infty}[\int^{+\infty}_{-\infty}f(x,y)dy]dx\\ F_Y(y)=F(+\infty,y)=\int^y_{-\infty}[\int^{+\infty}_{-\infty}f(x,y)dx]dy$
边缘密度函数（边缘分布密度）： $f_X(x)=\frac{dF_X(x)}{dx}=\int^{+\infty}_{-\infty}f(x,y)dy\\ f_Y(y)=\frac{dF_Y(y)}{dy}=\int^{+\infty}_{-\infty}f(x,y)dx.$

三、条件分布

二维离散型随机变量的条件分布律： $P\{X=x_i|Y=y_j\}=\frac{P\{X=x_i,Y=y_j\}}{P\{Y=y_j\}},i=1,2,3,\ldots$ 其中 $j$ 固定，且 $P\{Y=y_j\}>0$ 。同理有 $P\{Y=y_j|X=x_i\}=\frac{P\{X=x_i,Y=y_j\}}{P\{X=x_i\}},j=1,2,3,\ldots$
二维连续型随机变量的条件分布：

条件分布函数：设对于任意固定的 $\varepsilon>0$ ，有 $P\{y-\varepsilon<Y\le y+\varepsilon\}>0$ ，若极限 $\lim\limits_{\varepsilon\to0^+}P\{X\le x|y-\varepsilon<Y\le y+\varepsilon\}=\lim\limits_{\varepsilon\to0^+}\frac{P\{X\le x,y-\varepsilon<Y\le y+\varepsilon\}}{P\{y-\varepsilon<Y\le y+\varepsilon\}}$ 存在，则该极限称为在 $Y = y$ 的条件下 $X$ 的条件分布函数，记作 $P\{X\le x|Y=y\}$ 或 $F_{X|Y}(x|y)$ 。条件分布函数也可表示为 $F_{X|Y}(x|y)=\int^x_{-\infty}\frac{f(u,y)}{f_Y(y)}du$ 其中 $f_Y(y)$ 为 $Y$ 的边缘密度函数。同理有 $F_{Y|X}(y|x)=\int^y_{-\infty}\frac{f(x,v)}{f_X(x)}dv.$
条件分布密度： $f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)},f_{Y|X}(y|x)\frac{f(x,y)}{f_X(x)}.$

四、随机变量的独立性

对任意 $x, y$ 有 $P\{X\le x,Y\le y\}=P\{X\le x\}P\{Y\le y\}$ 则称 $X, Y$ 是相互独立的。
二维离散性随机变量： $X, Y$ 是相互独立的，则分布律为 $P\{X\le x_i,Y\le y_j\}=P\{X\le x_i\}P\{Y\le y_j\},i,j=1,2,3,\ldots$
二维连续型随机变量： $X, Y$ 是相互独立的，则所有 $x, y$ 都是相互独立的，概率密度为 $f(x,y)=f_X(x)f_Y(y).$

五、两个随机变量函数的分布

二维离散型随机变量函数的分布：根据两个随机变量的联合分布律可直接得出。
二维连续型随机变量函数的分布：

求密度函数的一般方法：
(1) 首先求出 $Z=\varphi(X,Y)$ 的分布函数 $F_Z(z)=P\{Z\le z\}=P\{\varphi(X,Y)\le z\}\\ =P\{(X,Y)\in G\}=\iint\limits_Gf(u,v) dudv$ 其中 $f (x, y)$ 是 $(X, Y)$ 的密度函数， $G=\{(x,y)|\varphi(x,y)\le z\}$ 。
(2) 其次利用分布函数和密度函数的关系，对分布函数求导，求出密度函数 $f_Z(z)$ 。
$Z = X + Y$ 的分布：区域 $G=\{(x,y)|x+y\le z\}$ ，则分布函数为 $F_Z(z)=\int^{+\infty}_{-\infty}[\int^{z-y}_{-\infty}f(x,y)dx]dy$ 固定 $z, y$ ，令 $x = u - y$ ，则有 $F_Z(z)=\int^{+\infty}_{-\infty}[\int^{z}_{-\infty}f(u-y,y)du]dy=\int^{z}_{-\infty}[\int^{+\infty}_{-\infty}f(u-y,y)dy]du$ 根据分布函数和密度函数的关系，得到密度函数 $f_Z(z)=\int^{+\infty}_{-\infty}f(z-y,y)dy$ 由于 $X, Y$ 的对称性，可得 $f_Z(z)=\int^{+\infty}_{-\infty}f(x,z-x)dx$ 若 $X, Y$ 相互独立，则有 $f_Z(z)=\int^{+\infty}_{-\infty}f_X(z-y)f_Y(y)dy\\ f_Z(z)=\int^{+\infty}_{-\infty}f_X(x)f_Y(z-x)dx$ 上面两个公式记为卷积，记作 $f_X*f_Y$ ，即 $f_X*f_Y=\int^{+\infty}_{-\infty}f_X(z-y)f_Y(y)dy=\int^{+\infty}_{-\infty}f_X(x)f_Y(z-x)dx$
$Z=\frac{X}{Y}$ 的分布：区域 $G=\{(x,y)|\frac{x}{y}\le z\}$ ，则分布函数为 $F_Z(z)=\int^{+\infty}_{-\infty}[\int^{zy}_{-\infty}f(x,y)dx]dy$ 令 $u = y, v = x / y$ ，即 $x = u v, y = u$ ，雅可比式 $J=\left| \begin{array}{cc} v & u \\\\ 1 & 0\end{array} \right|=-u$ 则有 $F_Z(z)=\int^{+\infty}_{-\infty}du\int^{z}_{-\infty}f(uv,u)|J|dv=\int^{z}_{-\infty}[\int^{+\infty}_{-\infty}f(uv,u)|u|du]dv$ 根据分布函数和密度函数的关系，得到密度函数 $f_Z(z)=\int^{+\infty}_{-\infty}f(zu,u)|u|du$ 若 $X, Y$ 相互独立，则有 $f_Z(z)=\int^{+\infty}_{-\infty}f_X(zu)f_Y(u)|u|du$

$M=max\{X,Y\},N=min\{X,Y\}$ 的分布：设 $X, Y$ 相互独立， $M, N$ 的分布函数分别为 $F_M(z),F_N(z)$ 。由于 $M\le z$ 相当于 $X,Y\le z$ ，又 $X, Y$ 相互独立，故有 $F_M(z)=P\{M\le z\}=P\{X\le z,Y\le z\}\\ =P\{X\le z\}P\{Y\le z\}=F_X(z)F_Y(z).$ 同理有 $F_N(z)=P\{N\le z\}=1-P\{N>z\}=1-P\{X>z,Y>z\}\\ =1-P\{X>z\}P\{Y>z\}=1-[1-F_X(z)][1-F_Y(z)].$ 推广到 $n$ 个，即 $M=max\{X_1,X_2,\dots X_n\},N=min\{X_1,X_2,\dots X_n\}$ ， $X_1,X_2,\dots X_n$ 相互独立且有相同的分布函数 $F (x)$ ，则有 $F_M(z)=[F(z)]^n\\ F_N(z)=1-[1-F(z)]^n.$

輝长六加1

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
概率论基础知识整理☯ | 随机向量

第三章目录一、二维随机向量及其分布二、边缘分布三、条件分布四、随机变量的随机性五、两个随机变量函数的分布一、二维随机向量及其分布二、边缘分布三、条件分布四、随机变量的随机性五、两个随机变量函数的分布...
复制链接

扫一扫

专栏目录