概率论-第三章

多维随机变量及其分布

3.1 二维随机变量

定义

一般，设 E 是一个随机试验，他的样本空间 S = {e} ，设 X = X(e) and Y = Y(e) 是定义在 S 上的随机变量，由它们构成的一个向量 (X,Y) 叫做 二位随机向量 或 二位随机变量。

分布函数

定义

设 (X,Y) 是二维随机变量，对于任意实数 x,y 有二元函数:
F ( x , y ) = P { ( X ≤ x ) ∩ ( Y ≤ y ) } = P { X ≤ x , Y ≤ y } F(x,y) = P \lbrace (X \leq x) \cap (Y \leq y) \rbrace = P \lbrace X\leq x,Y \leq y \rbrace F(x,y)=P{(X≤x)∩(Y≤y)}=P{X≤x,Y≤y}
称为二维随机变量的 分布函数 ，或称为随机变量 X 和 Y 的 联合发布函数

分布函数的基本性质

1. F(x,y) 为 x,y 的不减函数，即一个变量固定时另一个变量自增，则F(x,y) 也自增。

2. $$0\le F(x,y)\le 1$$

   对于任意固定的变量
   $$\begin{gathered} F(-\infty ,y)=0F(x,-\infty )=0 \\ F(-\infty ,-\infty )=0F(\infty ,\infty )=1 \end{gathered}$$

3. 函数在两个维度上都连续

4. 对于任意的 (x1,y1),(x2,y2),x1 < x2, y1 < y2 有下列不等式成立
   $$F(x_2,y_2)-F(x_2,y_1)+F(x_1,y_1)-F(x_1,y_2)\ge 0$$

离散型

定义

如果二维随机变量 (X,Y) 全部可能取值是有限对或可列无限多对，则称 (X,Y) 是 二维离散型随机变量

分布律

我们称下列式子为二维随机变量的 分布律，或称为 X 和 Y 的 联合分布律
P { X = x i , Y = y i } = p i j , i , j = 1 ， 2 ， ⋅ ⋅ ⋅ ⋅ P \lbrace X = x_i, Y = y_i \rbrace = p_{ij}, \quad i,j = 1，2，···· P{X=xi​,Y=yi​}=pij​,i,j=1，2，⋅⋅⋅⋅
分布函数
$$F(x,y)=\sum _{x_i\le x}\sum _{y_i\le y}{p}_{ij}$$

连续性

对应二维随机变量的分布函数存在非负可积函数 f(x,y) ，且有下列等式成立，则称该二维随机变量是 二维连续性随机变量；函数 f(x,y) 称为二维连续性随机变量的 概率密度，或称随机变量 X , Y 的 联合概率密度
$$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)dudv$$

联合概率密度性质

1. 非负性 f(X,y) >= 0

2. $${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(x,y)dxdy=F(\infty ,\infty )=1$$

3.2边缘分布

定义

二维随机变量作为一个整体，具有对应的分布函数 F(x,y) ，而作为单独的两个随机变量 X，Y，则具有各自的分布函数，分别记为 F_x(X) ,F_y(Y) ，依次称为关于 X 和关于 Y 的 边缘分布函数
F x ( x ) = P { X ≤ x } = P { X ≤ x , Y < ∞ } = F ( x , ∞ ) F_x(x) = P \lbrace X \leq x \rbrace = P \lbrace X \leq x, Y < \infty \rbrace = F(x,\infty) Fx​(x)=P{X≤x}=P{X≤x,Y<∞}=F(x,∞)
即
$$\begin{gathered} F_X(x)=F(x,\infty ) \\ {F}_Y(y)=F(\infty ,y) \end{gathered}$$

离散型

离散型就是固定 X 值，求对应所有 y 值对应的联合分布律值的和
$$F_X(x)=F(x,+\infty )=\sum _{x_i\le x}\sum _{j=1}^{\infty }{p}_{ij}$$
分布律
P { X = x i } = ∑ j = 1 ∞ p i j = p i P \lbrace X = x_i \rbrace = \sum^\infty_{j=1}p_{ij} = p_i P{X=xi​}=j=1∑∞​pij​=pi​

连续性

同理取固定y值区间，取X 所有区间值
$$F_Y(y)=F(+\infty ,y)={\int }_{-\infty }^y[{\int }_{-\infty }^{\infty }f(x,y)dx]dy$$
概率密度
$$f_Y(x,y)={\int }_{-\infty }^{\infty }f(x,y)dx$$
一般都使用公式二， 求分布律和概率密度。

​

3.3条件分布

参考条件概率
P { A ∣ B } = P { A B } P { B } P \lbrace A|B\rbrace =\frac{P\lbrace AB \rbrace}{P\lbrace B \rbrace} P{A∣B}=P{B}P{AB}​
得到对应条件概率公式
P { X = x i ∣ Y = y i } = P { X = x i , Y = y i } P { Y = y i } P\lbrace X = x_i | Y =y_i\rbrace = \frac{P\lbrace X = x_i , Y = y_i \rbrace}{P\lbrace Y = y_i \rbrace} P{X=xi​∣Y=yi​}=P{Y=yi​}P{X=xi​,Y=yi​}​
即任意一个随机变量如 Y = yi 发生的情况为样本空间，x 与 y同时发生的情况为样本点，所得的值为对应条件概率。

离散型

直接求单点概率，即分布律
p i j p i = P { X = x i ∣ Y = y i } = P { X = x i , Y = y i } P { Y = y i } \frac{p_{ij}}{p_i} = P\lbrace X = x_i | Y = y_i \rbrace = \frac{P\lbrace X = x_i, Y = y_i\rbrace}{P\lbrace Y = y_i \rbrace} pi​pij​​=P{X=xi​∣Y=yi​}=P{Y=yi​}P{X=xi​,Y=yi​}​
这个就是对应 条件分布律

连续型

求概率密度

$$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$$
联合概率密度除以边缘概率密度

3.4相互独立的随机变量

对于独立事件发生的概率有
P { A B } = P { A } ∗ P { B } P\lbrace AB \rbrace = P\lbrace A \rbrace * P \lbrace B \rbrace P{AB}=P{A}∗P{B}
对比该节则有
$$F(x,y)=F_X(x)F_Y(y)$$
即 联合分布 为 边缘分布 的乘积，此时 x , y 相互独立