概率论与数理统计-读书笔记3

第三章 多维随机变量及其分布

§ 1 二维随机变量

二维随机变量定义: 设E是一个随机试验, 它的样本空间是S={e}, 设$X=X(e)$和$Y=Y(e)$是定义在S上的随机变量, 由它们构成的一个向量$(X,Y)$,叫做二维随机向量或二维随机变量.

二维随机变量$(X,Y)$的分布函数的定义: 又称为随机变量X, Y的联合分布函数.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 ) } =  记成  P { X ⩽ x , Y ⩽ y } F(x, y)=P\{(X \leqslant x) \cap(Y \leqslant y)\} \stackrel{\text { 记成 }}{=} P\{X \leqslant x, Y \leqslant y\} F(x,y)=P{(X⩽x)∩(Y⩽y)}= 记成 P{X⩽x,Y⩽y}

四大基本性质:

1. $F(x,y)$ 是变量 $x$ 和 $y$ 的不减函数

2. $0⩽F(x,y)⩽1$, 且

   对于任意固定的 $y,F(-\infty ,y)=0$

   对于任意画定的 $x,F(x,-\infty )=0$
   $F(-\infty ,-\infty )=0,F(\infty ,\infty )=1$

3. $F(x+0,y)=F(x,y),F(x,y+0)=F(x,y),$ 即 $F(x,y)$ 关于 $x$ 右连续,关于 $y$ 也右连续.

4. 对于任意 $\left(x_1,y_1\right),\left(x_2,y_2\right),x_1<x_2,y_1<y_2,$ 下述不等式成立: $F\left(x_2,y_2\right)-F\left(x_2,y_1\right)+F\left(x_1,y_1\right)-F\left(x_1,y_2\right)⩾0$

离散型的随机变量的定义: 二维随机变量$(X,Y)$所有可能取到的值是有限对或可列无限多对

二维离散型随机变量$(X,Y)$的分布律: 又称为随机变量X和Y的联合分布律

二维离散型随机变量$(X,Y)$的分布函数:$F(x,y)={\sum }_{x_i⩽x{y}_j⩽y}{p}_{ij}$

连续型的二维随机变量的分布函数:$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)\mathrm{d}u\mathrm{d}v$

其中, $ f(u, v) $为\ast \ast 二维离散型随机变量$(X, Y)$的概率密度**

概率密度的四大性质:

1. $f(x,y)⩾0$

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

3. 设 G 是 $xOy$ 平面上的区域,点 $(X,Y)$ 落在 $G$ 内的概率为
   P { ( X , Y ) ∈ G } = ∬ G f ( x , y ) d x d y P\{(X, Y) \in G\}=\iint_{G} f(x, y) \mathrm{d} x \mathrm{d} y P{(X,Y)∈G}=∬G​f(x,y)dxdy

4. 若 $f(x,y)$ 在点 $(x,y)$ 连续 $,$ 则有
   $$\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}=f(x,y)$$

§ 2 边缘分布

二维离散型随机变量$(X,Y)$的边缘分布函数: 随机变量X, Y各自的分布函数

边缘分布函数和分布函数的关系:
F X ( x ) = P { X ⩽ x } = P { X ⩽ x , Y < ∞ } = F ( x , ∞ ) F_{X}(x)=P\{X \leqslant x\}=P\{X \leqslant x, Y<\infty\}=F(x, \infty) FX​(x)=P{X⩽x}=P{X⩽x,Y<∞}=F(x,∞)
就是说，只要在函数 $F(x,y)$ 中令 $y\to \infty$ 就能得到 $F_X(x)$

边缘分布律:

X的分布律: P { X = x i } = ∑ j = 1 ∞ p i j , i = 1 , 2 , ⋯ P\left\{X=x_{i}\right\}=\sum_{j=1}^{\infty} p_{i j}, \quad i=1,2, \cdots P{X=xi​}=j=1∑∞​pij​,i=1,2,⋯

Y的分布律: P { Y = y j } = ∑ i = 1 ∞ p i j , j = 1 , 2 , ⋯ P\left\{Y=y_{j}\right\}=\sum_{i=1}^{\infty} p_{i j}, \quad j=1,2, \cdots P{Y=yj​}=i=1∑∞​pij​,j=1,2,⋯

分别称 $p_i.(i=1,2,\cdots )$ 和 $p.j(j=1,2,\cdots )$ 为( $X,Y$ ) 关于 $X$ 和关于 $Y$ 的边缘分布律(注意, 记号 $p_i.$ 中的“・"表示 $p_i.$ 是由 $p_{ij}$ 关于 $j$ 求和后得到的;同样 $,p.$ 是由 $p_{ij}$ 关于 $i$ 求和后得到的）.

边缘概率密度:

X的概率密度:
$$f_X(x)={\int }_{-\infty }^{\infty }f(x,y)\mathrm{d}y$$
Y的概率密度:
$$f_Y(y)={\int }_{-\infty }^{\infty }f(x,y)\mathrm{d}x$$
分别称 $f_X(x),f_Y(y)$ 为 $(X,Y)$ 关于 $X$ 和关于 Y 的边缘概率密度.

§ 3 条件分布

**条件分布的定义: ** 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 P\left\{Y=y_{j}\right\}>0 P{Y=yj​}>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 i j , i = 1 , 2 , ⋯ P\left\{X=x_{i} \mid Y=y_{j}\right\}=\frac{P\left\{X=x_{i}, Y=y_{j}\right\}}{P\left\{Y=y_{j}\right\}}=\frac{p_{i j}}{p_{i j}}, i=1,2, \cdots P{X=xi​∣Y=yj​}=P{Y=yj​}P{X=xi​,Y=yj​}​=pij​pij​​,i=1,2,⋯
为在 $Y=y_j$ 条件下随机变量 X 的条件分布律。

条件分布具有的分布律性质:

1. P { X = x i ∣ Y = y j } ⩾ 0 P\left\{X=x_{i} \mid Y=y_{j}\right\} \geqslant 0 P{X=xi​∣Y=yj​}⩾0
2. ∑ i = 1 ∞ P { X = x i ∣ Y = y j } = ∑ i = 1 ∞ p i j p i j = 1 p i j ∑ i = 1 ∞ p i j = p j p i j = 1 \sum_{i=1}^{\infty} P\left\{X=x_{i} \mid Y=y_{j}\right\}=\sum_{i=1}^{\infty} \frac{p_{i j}}{p_{i j}}=\frac{1}{p_{i j}} \sum_{i=1}^{\infty} p_{i j}=\frac{p_{j}}{p_{i j}}=1 ∑i=1∞​P{X=xi​∣Y=yj​}=∑i=1∞​pij​pij​​=pij​1​∑i=1∞​pij​=pij​pj​​=1

条件概率密度的定义: 设二维随机变量$(X，Y)$的概率密度为 $f(x,y),(X,Y)$ 关于 $Y$ 的边缘概率密度为 $f_Y(y).$ 若对于固定的 $y,f_Y(y)>0,$ 则称 $\frac{f(x,y)}{f_Y(y)}$ 为在 $Y=y$ 的条件下 X 的条件概率密度，记
$$f_{X\mid Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}$$

§ 4 相互独立的随机变量

定义: 设 $F(x,y)$ 及 $F_X(x),F_Y(y)$ 分别是二维随机变量 $(X,Y)$ 的分布函数及边缘分布 函数. 若对于所有 $x,y$ 有
P { X ⩽ x , Y ⩽ y } = P { X ⩽ x } P { Y ⩽ y } P\{X \leqslant x, Y \leqslant y\}=P\{X \leqslant x\} P\{Y \leqslant 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 X 和 Y 是相互独立的

§ 5 两个随机变量的函数分布

(一) $Z=X+Y$ 的分布

设( $X,Y$ ) 是二维连续型随机变量 $,$ 它具有概率密度 $f(x,y).$ 则 $Z=X+Y$ 仍为连续型随机变量,其概率密度为
$$f_{X+Y}(z)={\int }_{-\infty }^{\infty }f(z-y,y)\mathrm{d}y$$
或
$$f_{X+Y}(z)={\int }_{-\infty }^{\infty }f(x,z-x)\mathrm{d}x$$

卷积公式:

又若 X 和 Y 相互独立，设 (X,Y) 关于 X,Y 的边缘密度分别为 $f_X(x)$, $f_Y(y)$, 则
$$f_{X+Y}(z)={\int }_{-\infty }^{\infty }{f}_X(z-y)f_Y(y)\mathrm{d}y$$
和
$$f_{X+Y}(z)={\int }_{-\infty }^{\infty }{f}_X(x)f_Y(z-x)\mathrm{d}x$$
称为$f_X$ 和 $f_Y$ 的卷积公式 $,$ 记为 $f_X\ast f_Y,$ 即
$$f_X\ast f_Y={\int }_{-\infty }^{\infty }{f}_X(z-y)f_Y(y)\mathrm{d}y={\int }_{-\infty }^{\infty }{f}_X(x)f_Y(z-x)\mathrm{d}x$$

(二) $Z=\frac{Y}{X}$ 的分布 $,Z=XY$ 的分布

设(X,Y)是二维连续型随机变量，它具有概率密度 $f(x,y),$ 则 $Z=\frac{Y}{X}$, $Z=XY$ 仍为连续型随机变量，其概率密度分别为
$$f_{Y/X}(z)={\int }_{-\infty }^{\infty }|x|f(x,xz)\mathrm{d}x$$

$$f_{XY}(z)={\int }_{-\infty }^{\infty }\frac{1}{|x|}f\left(x,\frac{z}{x}\right)\mathrm{d}x$$

(三) M = m a x { X , Y } M=max \{X, Y\} M=max{X,Y} 及 N = m i n { X , Y } N=min \{X, Y\} N=min{X,Y}的分布

设 X，Y 是两个相互独立的随机变量，它们的分布函数分别为 $F_X(x)$ 和$F_Y(y).$ 现在来求 M = max ⁡ { X , Y } M=\max \{X, Y\} M=max{X,Y} 及 N = min ⁡ { X , Y } N=\min \{X, Y\} N=min{X,Y} 的分布函数.

由于 M = max ⁡ { X , Y } M=\max \{X, Y\} M=max{X,Y} 不大于 $z$ 等价于 $X$ 和 $Y$ 都不大于 $z$,故有
P { M ⩽ z } = P { X ⩽ z , Y ⩽ z } P\{M \leqslant z\}=P\{X \leqslant z, Y \leqslant z\} P{M⩽z}=P{X⩽z,Y⩽z}
又由于 X 和 Y 相互独立，得到 M = max ⁡ { X , Y } M=\max \{X, Y\} M=max{X,Y} 的分布 函数为
F max ⁡ ( z ) = P { M ⩽ z } = P { X ⩽ z , Y ⩽ z } = P { X ⩽ z } P { Y ⩽ z } F_{\max }(z)=P\{M \leqslant z\}=P\{X \leqslant z, Y \leqslant z\}=P\{X \leqslant z\} P\{Y \leqslant z\} Fmax​(z)=P{M⩽z}=P{X⩽z,Y⩽z}=P{X⩽z}P{Y⩽z}
即有 $F_{\max }(z)=F_X(z)F_Y(z)$

类似地，可得 N = min ⁡ { X , Y } N=\min \{X, Y\} N=min{X,Y} 的分布函数为
F min ⁡ ( z ) = P { N ⩽ z } = 1 − P { N > z } = 1 − P { X > z , Y > z } = 1 − P { X > z } ⋅ P { Y > z } \begin{aligned} F_{\min }(z) &=P\{N \leqslant z\}=1-P\{N>z\} \\ &=1-P\{X>z, Y>z\}=1-P\{X>z\} \cdot P\{Y>z\} \end{aligned} Fmin​(z)​=P{N⩽z}=1−P{N>z}=1−P{X>z,Y>z}=1−P{X>z}⋅P{Y>z}​
即
$$F_{\min }(z)=1-\left[1-F_X(z)\right]\left[1-F_Y(z)\right]$$