TJU-概率论与数理统计第三章

3.1：二维联合分布函数与边缘分布函数

1.二维随机变量的分布函数

定义1：设E是一个随机试验，样本空间={e}

设X=X(e)和Y=Y(e)是定义在Ω上的随机变量，
向量（X,Y）叫做二维随机变量

注：二维随机变量（X,Y）的性质不仅与XY有关，还依赖X与Y的相互关系

定义2：设（X,Y）是二维随机变量，对于任意实数x,y，二元函数

F(x,y)=P{(X<=x)∩(Y<=y)}=P{X<=x,Y<=y}
称F(x,y)为二维随机变量(X,Y)的分布函数，或称为随机变量 X,Y的联合分布函数

(大加小减两中↑)

分布函数F(x,y)的性质

1）F(x,y)是变量x和y的不减函数
对任意固定的y，当$x_2>x_1时,有F(x_2,y)>=F(x_1,y)$
对任意固定的x，当$y_2>y_1时,有F(x,y_2)>=F(x,y_1)$
2）0<=F(x,y)<=1且
$F(-\infty ,y)=0,F(x,-\infty )=0,F(-\infty ,-\infty )=0,F(+\infty ,+\infty )=1$
3）F(x,y)关于x右连续，关于y右连续
4）对于任意$x_1<x_2,y_1<y_2$有
$F(x2,y2)-F(x1,y1)-F(x_2,y_1)+F(x_1,y_1)>=0$

定义3

设（X,Y）为二维随机变量 其分布函数为F(x,y).
F X ( x ) = P { X < = x } F_X(x)=P\{X<=x\} FX​(x)=P{X<=x}<----(X,Y)关于X的边缘分布函数
F Y ( y ) = P { Y < = y } F_Y(y)=P\{Y<=y\} FY​(y)=P{Y<=y}<----(X,Y)关于Y的边缘分布函数

注：边缘分布函数可以由X与Y的联合分布函数F(x,y)唯一确定，反之不成立
事实上， F X ( x ) = P { X < = x } = P { X < = x , Y < + ∞ } = F ( x , + ∞ ) = lim ⁡ y − > + ∞ F ( x , y ) F_X(x)=P\{X<=x\}=P\{X<=x,Y<+\infty\}=F(x,+\infty)=\lim\limits_{y->+\infty}F(x,y) FX​(x)=P{X<=x}=P{X<=x,Y<+∞}=F(x,+∞)=y−>+∞lim​F(x,y)
同理$F_Y(y)=F(+\infty ,y)=\underset{x->+\infty }{\lim }F(x,y)$
一般地，边缘分布函数由联合分布函数唯一确定，
但是仅由边缘分布函数不能确定联合分布函数

2.二维随机变量的独立性

两事件A,B独立 指 P(AB)=P(A)P(B)
定义1 设$F(x,y),F_X(x),F_Y(y)分别是二维随机变量（X,Y）联合分布函数及边缘分布函数，若对所有x,y有$
P { X < = x , Y < = y } = P { X < = x } P { Y < = y } P\{X<=x,Y<=y\}=P\{X<=x\}P\{Y<=y\} P{X<=x,Y<=y}=P{X<=x}P{Y<=y}
即
$F(x,y)=F_X(x)F_Y(y)$
则称随机变量XY是相互独立的

注：X和Y相互独立，则对任意$x_1<x_2,y_1<y_2$
时间 { x 1 < X < x 2 } 与 { y 1 < Y < y 2 } 也独立 \{x_1<X<x_2\}与\{y_1<Y<y_2\}也独立 {x1​<X<x2​}与{y1​<Y<y2​}也独立
并且，如果已知边缘分布再加上独立条件可以得到联合分布

3.2-二维离散型随机变量及分布

性质

其中第一个是联合分布，后两个是边缘分布

二维离散型随机变量(X,Y)的条件分布律

定义1：

设(X,Y)是二维离散型随机变量，对于固定的j，若P{Y=$y_j$}>0
则称
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\}={P\{X=x_i,Y=y_j\} \over P\{y=y_j\}}={P_{ij}\over P{.j}} P{X=xi​∣Y=yj​}=P{y=yj​}P{X=xi​,Y=yj​}​=P.jPij​​
为$Y=y_j$条件下随机变量X的条件分布律

用分布律表格验证独立

（上图）
if 独立
p 11 p 21 = P { x = x 1 } P { x = x 2 } = p 12 P 22 {p_{11}\over p_{21}}={P\{x=x_1\}\over P\{x=x_2\}}={p_{12}\over P_{22}} p21​p11​​=P{x=x2​}P{x=x1​}​=P22​p12​​
以此类推

注：当两个随机变量相互独立时，联合概率分布于边缘概率分布一一对应，当两个随机变量不独立时，联合概率分布可以位移确定边缘概率分布，但反之未必
如下图，第一组独立，第二组不独立，边缘分布相同但联合分布不同

3.3-二维连续型随机变量及分布

定义

定义：设二维随机变量（X,Y）的分布函数F(x,y)若存在一个非负可积函数f(x,y)，使得对任意x，y有
$$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)dudv$$
则称（X,Y）为二维连续型随机变量，f(x,y)成为（X,Y）的概率密度，或称X和Y的联合概率密度

f(x,y)的性质

1）f(x,y)>=0
2) ${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dxdy=1$
3) 若f(x,y)在点（x，y）处连续，则
$$f(x,y)=\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}$$
4) 设G是平面上一个区域，P{(X,Y)∈G}=$\int \underset{G}{\int }f(x,y)dxdy$

常见二维连续型随机变量的分布

一：均匀分布

若 $f(x,y)=\{\begin{array}{l}\frac{1}{A},(x,y\in G)\\ 0，其他\end{array}$
则称（X,Y）在G上服从均匀分布，其中A为平面区域G的面积

注：（X,Y）在G上服从均匀分布，即（X,Y）落在G内各点是等可能的

二：二维正态分布

$$f(x,y)=\frac{1}{2\pi {\sigma }_1{\sigma }_2\sqrt{1-{\rho }^2}}{e}^{\frac{-1}{2(1-{\rho }^2)}[\frac{(x-{\mu }_1{)}^2}{{\sigma }_1^2}-2\rho \frac{(x-{\mu }_1)(y-{\mu }_2)}{{\sigma }_1{\sigma }_2}+\frac{(y-{\mu }_2{)}^2}{{\sigma }_2^2}]}$$
$-\infty <x<+\infty$$-\infty <y<+\infty$

连续型随机变量的边缘概率密度

设（X，Y）的概率密度为f(x，y)，则
$F_X(x)=F(x,+\infty )={\int }_{-\infty }^x[{\int }_{-\infty }^{+\infty }f(x,y)dy]dx，-\infty <x<+\infty$
由此可知，X是连续型随机变量
且其概率密度为
$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy，-\infty <x<+\infty$
同理 Y:
$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dy，-\infty <x<+\infty$
$f_X(x),f_Y(y)，分别称为(X,Y)关于X和关于Y的边缘概率密度$

连续型随机变量的条件概率密度

1.条件分布函数
给定y,设对于任意的 ε>0 ,P{y<Y<=y+ε}>0
若对于任意实数x,极限
lim ⁡ ε − − > o + P { X < = x ∣ y < Y < = y + ε } \lim\limits_{ε-->o^+}P\{X<=x|y<Y<=y+ε\} ε−−>o+lim​P{X<=x∣y<Y<=y+ε}
存在，则称此极限值为在条件Y=y下随机变量X的条件分布函数，记为P{X<=x|Y=y}或$F_{X|Y}(x|y)$
类似地定义$F_{Y|X}(y|x)$

2.条件概率密度
设（X,Y）的分布函数为F(x,y)，概率密度f(x,y)在点（x,y）处连续，边缘概率密度$f_Y(y)连续，f_Y(y)>0$则
在条件Y=y的条件分布函数和条件概率密度为
$F_{X|Y}(x|y)={\int }_{-\infty }^x\frac{f(x,y)}{f_Y(y)}dx$
$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$
类似可得
$f_{Y|X}=\frac{f(x,y)}{f_X(x)}$

二维连续型随机变量(X,Y)的独立性

XY相互独立<---->f(x,y)=$f_X(x)f_Y(y)$

二维随机变量的函数的分布

一.离散型随机变量函数的分布

e.g.1.
设(X,Y)的分布律为

求
(1)Z=X+Y
(2)Z=XY
(3)Z=max(X,Y)
(4)Z=min(X,Y)
解

（X,Y）	-1,0	（-1,1)	(-1,2)	(2,0)	(2,1)	(2,2)
Z=X+Y	-1	0	1	2	3	4
Z=XY	0	-1	-2	0	2	4
Z=max(X,Y)	0	1	2	2	2	2
	0.2	0.3	0.1	0.1	0.1	0.2

Z=XY	-2	-1	0	2	4
	0,1	0.3	0.3	0.1	0.2

分布的可加性

如果XY相互独立服从同一分布族，其和X+Y扔服从该分布族，则称该分布族具有可加性
e.g.
二项分布，泊松分布 正态分布 卡方分布

二。连续型随机变量的函数分布

设(X,Y)的概率密度为f(x,y)求Z=g(X,Y)的分布
一般方法：分布函数法
$设（X，Y）的概率密度为f(x,y)，求Z=g(X,Y)的分布$
F Z ( z ) = P { Z < = z } = P { g ( X , Y ) < = Z } = P { ( X , Y ) ∈ D z } = ∫ ∫ D z f ( x , y ) d x d y = ∫ − ∞ z H ( u ) d u F_Z(z)=P\{Z<=z\}=P\{g(X,Y)<=Z\}=P\{(X,Y)∈D_z\}=\int\int\limits_{D_z} f(x,y)dxdy=\int_{-\infty}^zH(u)du FZ​(z)=P{Z<=z}=P{g(X,Y)<=Z}=P{(X,Y)∈Dz​}=∫Dz​∫​f(x,y)dxdy=∫−∞z​H(u)du
$D_z=(x,y)|(x,y)\in g(x,y)<=z$
$f_Z(z)=F_Z^{‘}(z)=H(z)$

1.Z=X+Y的分布

注：一定是Z=X+Y才能使用卷积公式，Z=ax+by不能直接这样代入

一般结论：
有限个相互独立的正态随机变量的线性组合仍然服从正态分布
$X-N({\mu }_1,{\sigma }_1^2),Y-N({\mu }_2,{\sigma }_2)且相互独立，则X+Y扔服从正态分布，且X+Y-N({\mu }_1+{\mu }_2,{\sigma }_1^2+{\sigma }_2^2)$
$若X_i-N({\mu }_i,{\sigma }_1^2),(i=1,\mathrm{2.....}n)且相互独立则$
$$\sum _{i=1}^n{X}_i--N(\sum _{i=1}^n{\mu }_i,\sum _{i=1}^n{\sigma }_i^2)$$

三：最大值最小值分布

设X,Y是两个相互独立的随机变量 它们的分布函数分别是$F_X(x)$$F_Y(y)$，求M=max{X,Y} N=min{X,Y}
的分布函数
对任意实数z
$F_{max}$(z)
=P{max{X,Y}<=z}
=p{X<=z,Y<=z}
=P{X<=z}P{Y<=z}
$F_{max}(z)=F_X(z)\ast F_Y(z)$
$F_{min}(z)$
=P{min{X,Y}<=z}
=1-P{min(X,Y)>z}
=1-P{X>z,Y>z}
=1-P{X>z}P{Y>z}

$F_{min}(z)=1-[1-F_X(z)]\ast [1-F_Y(z)]$

推广
设$X_1,X_2.......X_n相互独立，其分布函数分别为F_{X_i}(x_i)$
则M=max{$X_1,X_2......X_n$}
N=min{$X_1,X_2.....X_n$}
$$F_{max}(z)=\prod _{i=1}^n{F}_{X_i}(z)$$
$$F_{min}(z)=1-\prod _{i=1}^n[1-F_{X_i}(Z)]$$
特别 ，相互独立且具有相同分布函数F(x)时，有
$F_{max}=[F(z){]}^n$
$F_{min}=1-[1-F(z){]}^n$
若 X是离散型随机变量，Y是连续型随机变量，且X和Y相互独立， 如何求Z=X+Y概率密度？
e.g. 设随机变量X服从参数为3/4的两点分布，随机变量Y服从参数为1的指数分布，X和Y相互独立 求Z=X+Y的分布
解：
$F_Z(z)=PZ<=z=PX+Y<=z$
=P{X=0}P{X+Y<=z|X=0}+P{X=1}P{X+Y<=z|X=1}
=P{X=0}P{X+Y<=z|X=0}+P{X=1}P{X+Y<=z|X=1}
=P{X=0}P{Y<=z}+P{X=1}P{Y<=z-1}
=$F_Y(z)/4+3F_Y(z-1)/4$

n维随机变量（略）