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 ) X=X(e) X=X(e)和 Y = Y ( e ) Y=Y(e) 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 ) (X, Y) (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 ) (X,Y) (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 X, Y X,Y )是二维随机变量,对于任意实数 x , y , x, y, 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:
-
F ( x , y ) F(x, y) F(x,y) 是变量 x x x 和 y y y 的不减函数
-
0 ⩽ F ( x , y ) ⩽ 1 0 \leqslant F(x, y) \leqslant 1 0⩽F(x,y)⩽1, 且
对于任意固定的 y , F ( − ∞ , y ) = 0 y, F(-\infty, y)=0 y,F(−∞,y)=0
对于任意画定的 x , F ( x , − ∞ ) = 0 x, F(x,-\infty)=0 x,F(x,−∞)=0
F ( − ∞ , − ∞ ) = 0 , F ( ∞ , ∞ ) = 1 F(-\infty,-\infty)=0, F(\infty, \infty)=1 F(−∞,−∞)=0,F(∞,∞)=1 -
F ( x + 0 , y ) = F ( x , y ) , F ( x , y + 0 ) = F ( x , y ) , F(x+0, y)=F(x, y), F(x, y+0)=F(x, y), F(x+0,y)=F(x,y),F(x,y+0)=F(x,y), 即 F ( x , y ) F(x, y) F(x,y) 关于 x x x 右连续,关于 y y y 也右连续.
-
对于任意 ( x 1 , y 1 ) , ( x 2 , y 2 ) , x 1 < x 2 , y 1 < y 2 , \left(x_{1}, y_{1}\right),\left(x_{2}, y_{2}\right), x_{1}<x_{2}, y_{1}<y_{2}, (x1,y1),(x2,y2),x1<x2,y1<y2, 下述不等式成立: F ( x 2 , y 2 ) − F ( x 2 , y 1 ) + F ( x 1 , y 1 ) − F ( x 1 , y 2 ) ⩾ 0 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) \geqslant 0 F(x2,y2)−F(x2,y1)+F(x1,y1)−F(x1,y2)⩾0
离散型的随机变量的定义: 二维随机变量 ( X , Y ) (X, Y) (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 ) (X, Y) (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 ) (X, Y) (X,Y)的分布函数: F ( x , y ) = ∑ x i ⩽ x y j ⩽ y p i j F(x, y)=\sum_{x_{i} \leqslant x y_{j} \leqslant y} p_{i j} F(x,y)=∑xi⩽xyj⩽ypij
连续型的二维随机变量的分布函数: F ( x , y ) = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x, y)=\int_{-\infty}^{y} \int_{-\infty}^{x} f(u, v) \mathrm{d} u \mathrm{d} v F(x,y)=∫−∞y∫−∞xf(u,v)dudv
其中, $ f(u, v) 为 ∗ ∗ 二 维 离 散 型 随 机 变 量 为**二维离散型随机变量 为∗∗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:
-
f ( x , y ) ⩾ 0 f(x, y) \geqslant 0 f(x,y)⩾0
-
∫ − ∞ ∞ ∫ − ∞ ∞ f ( x , y ) d x d y = F ( ∞ , ∞ ) = 1 \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \mathrm{d} x \mathrm{d} y=F(\infty, \infty)=1 ∫−∞∞∫−∞∞f(x,y)dxdy=F(∞,∞)=1
-
设 G 是 x O y x O y xOy 平面上的区域,点 ( X , Y ) (X, Y) (X,Y) 落在 G G 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}=∬Gf(x,y)dxdy -
若 f ( x , y ) f(x, y) f(x,y) 在点 ( x , y ) (x, y) (x,y) 连续 , , , 则有
∂ 2 F ( x , y ) ∂ x ∂ y = f ( x , y ) \frac{\partial^{2} F(x, y)}{\partial x \partial y}=f(x, y) ∂x∂y∂2F(x,y)=f(x,y)
§ 2 边缘分布
二维离散型随机变量 ( X , Y ) (X, Y) (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
)
F(x, y)
F(x,y) 中令
y
→
∞
y \rightarrow \infty
y→∞ 就能得到
F
X
(
x
)
F_{X}(x)
FX(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 , ⋯ ) p_{i} .(i=1,2, \cdots) pi.(i=1,2,⋯) 和 p . j ( j = 1 , 2 , ⋯ ) p . j(j=1,2, \cdots) p.j(j=1,2,⋯) 为( X , Y X, Y X,Y ) 关于 X X X 和关于 Y Y Y 的边缘分布律(注意, 记号 p i . p_{i} . pi. 中的“・"表示 p i . p_{i} . pi. 是由 p i j p_{i j} pij 关于 j j j 求和后得到的;同样 , p . , p . ,p. 是由 p i j p_{i j} pij 关于 i i i 求和后得到的).
边缘概率密度:
X的概率密度:
f
X
(
x
)
=
∫
−
∞
∞
f
(
x
,
y
)
d
y
f_{X}(x)=\int_{-\infty}^{\infty} f(x, y) \mathrm{d} y
fX(x)=∫−∞∞f(x,y)dy
Y的概率密度:
f
Y
(
y
)
=
∫
−
∞
∞
f
(
x
,
y
)
d
x
f_{Y}(y)=\int_{-\infty}^{\infty} f(x, y) \mathrm{d} x
fY(y)=∫−∞∞f(x,y)dx
分别称
f
X
(
x
)
,
f
Y
(
y
)
f_{X}(x), f_{Y}(y)
fX(x),fY(y) 为
(
X
,
Y
)
(X, Y)
(X,Y) 关于
X
X
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
X, Y
X,Y ) 是二维离散型 随机变量,对于固定的
j
,
j,
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}=pijpij,i=1,2,⋯
为在
Y
=
y
j
Y=y_j
Y=yj 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:
- 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
- ∑ 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∞pijpij=pij1∑i=1∞pij=pijpj=1
条件概率密度的定义: 设二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度为
f
(
x
,
y
)
,
(
X
,
Y
)
f(x, y),(X, Y)
f(x,y),(X,Y) 关于
Y
Y
Y 的边缘概率密度为
f
Y
(
y
)
.
f_{Y}(y) .
fY(y). 若对于固定的
y
,
f
Y
(
y
)
>
0
,
y, f_{Y}(y)>0,
y,fY(y)>0, 则称
f
(
x
,
y
)
f
Y
(
y
)
\frac{f(x, y)}{f_{Y}(y)}
fY(y)f(x,y) 为在
Y
=
y
Y=y
Y=y 的条件下 X 的条件概率密度,记
f
X
∣
Y
(
x
∣
y
)
=
f
(
x
,
y
)
f
Y
(
y
)
f_{X \mid Y}(x \mid y)=\frac{f(x, y)}{f_{Y}(y)}
fX∣Y(x∣y)=fY(y)f(x,y)
§ 4 相互独立的随机变量
定义: 设
F
(
x
,
y
)
F(x, y)
F(x,y) 及
F
X
(
x
)
,
F
Y
(
y
)
F_{X}(x), F_{Y}(y)
FX(x),FY(y) 分别是二维随机变量
(
X
,
Y
)
(X, Y)
(X,Y) 的分布函数及边缘分布 函数. 若对于所有
x
,
y
x, y
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
)
F(x, y)=F_{X}(x) F_{Y}(y)
F(x,y)=FX(x)FY(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 Z = X+Y Z=X+Y 的分布
设(
X
,
Y
X, Y
X,Y ) 是二维连续型随机变量
,
,
, 它具有概率密度
f
(
x
,
y
)
.
f(x, y) .
f(x,y). 则
Z
=
X
+
Y
Z=X+Y
Z=X+Y 仍为连续型随机变量,其概率密度为
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
z
−
y
,
y
)
d
y
f_{X+Y}(z)=\int_{-\infty}^{\infty} f(z-y, y) \mathrm{d} y
fX+Y(z)=∫−∞∞f(z−y,y)dy
或
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
x
,
z
−
x
)
d
x
f_{X+Y}(z)=\int_{-\infty}^{\infty} f(x, z-x) \mathrm{d} x
fX+Y(z)=∫−∞∞f(x,z−x)dx
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_{X}(x)
fX(x),
f
Y
(
y
)
f_{Y}(y)
fY(y), 则
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
f_{X+Y}(z)=\int_{-\infty}^{\infty} f_{X}(z-y) f_{Y}(y) \mathrm{d} y
fX+Y(z)=∫−∞∞fX(z−y)fY(y)dy
和
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
f_{X+Y}(z)=\int_{-\infty}^{\infty} f_{X}(x) f_{Y}(z-x) \mathrm{d} x
fX+Y(z)=∫−∞∞fX(x)fY(z−x)dx
称为
f
X
f_{X}
fX 和
f
Y
f_{Y}
fY 的卷积公式
,
,
, 记为
f
X
∗
f
Y
,
f_{X} * f_{Y},
fX∗fY, 即
f
X
∗
f
Y
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
f_{X} * 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
fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx
(二) Z = Y X Z=\frac{Y}{X} Z=XY 的分布 , Z = X Y , Z=X Y ,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
)
,
f(x, y),
f(x,y), 则
Z
=
Y
X
Z=\frac{Y}{X}
Z=XY,
Z
=
X
Y
Z=X Y
Z=XY 仍为连续型随机变量,其概率密度分别为
f
Y
/
X
(
z
)
=
∫
−
∞
∞
∣
x
∣
f
(
x
,
x
z
)
d
x
f_{Y / X}(z)=\int_{-\infty}^{\infty}|x| f(x, x z) \mathrm{d} x
fY/X(z)=∫−∞∞∣x∣f(x,xz)dx
f X Y ( z ) = ∫ − ∞ ∞ 1 ∣ x ∣ f ( x , z x ) d x f_{X Y}(z)=\int_{-\infty}^{\infty} \frac{1}{|x|} f\left(x, \frac{z}{x}\right) \mathrm{d} x fXY(z)=∫−∞∞∣x∣1f(x,xz)dx
(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 ) F_{X}(x) FX(x) 和 F Y ( y ) . F_{Y}(y) . FY(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
z
z 等价于
X
X
X 和
Y
Y
Y 都不大于
z
z
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
)
F_{\max }(z)=F_{X}(z) F_{Y}(z)
Fmax(z)=FX(z)FY(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
−
[
1
−
F
X
(
z
)
]
[
1
−
F
Y
(
z
)
]
F_{\min }(z)=1-\left[1-F_{X}(z)\right]\left[1-F_{Y}(z)\right]
Fmin(z)=1−[1−FX(z)][1−FY(z)]