多维随机变量及其分布(知识点部分02)

最新推荐文章于 2023-03-02 10:07:14 发布

原创最新推荐文章于 2023-03-02 10:07:14 发布 · 1.4k 阅读

2 ·

CC 4.0 BY-SA版权

概率论专栏收录该内容

12 篇文章

订阅专栏

1.条件分布律

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
$P{X=xi∣Y=yj}=P{X=xi,Y=yj}P{Y=yj}=pijp.j,i=1,2,…P\{X=x_{i}|Y=y_{j}\}=\frac{P\{X=x_{i},Y=y_{j}\}}{P\{Y=y_{j}\}}=\frac{p_{ij}}{p_{.j}},i=1,2,\dots$
为在 $Y=y_j$ 条件下随机变量 $X$ 的条件分布律.
同样,对于固定的 $i$ ,若 $P\{X=x_{i}\}>0,$ 则称
$P{Y=yj∣X=xi}=P{X=xi,Y=yj}P{X=xi}=pijpi.,j=1,2,…P\{Y=y_{j}|X=x_{i}\}=\frac{P\{X=x_{i},Y=y_{j}\}}{P\{X=x_{i}\}}=\frac{p_{ij}}{p_{i.}},j=1,2,\dots$
为在 $X=x_i$ 条件下随机变量Y的条件分布律.

2.条件概率密度

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 $f(x,y)fY(y)\frac{f(x,y)}{f_Y(y)}$ 为在 $Y = y$ 的条件下 $X$ 的条件概率密度,记为
$fX∣Y(x∣y)=f(x,y)fY(y).f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}.$
称 $∫−∞xfX∣Y(x∣y)dx=∫−∞xf(x,y)fY(y)dx\int_{-\infty}^{x}f_{X|Y}(x|y)dx=\int_{-\infty}^{x}\frac{f(x,y)}{f_Y(y)}dx$ 为 $Y = y$ 的条件下 $X$ 的条件分布函数,记为 $P{X≤x∣Y=y}P\{X \leq x|Y=y\}$ 或 $F_{X|Y}(x|y).$
类似地,可以定义 $fY∣X(y∣x)=f(x,y)fX(x)f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$ 和 $FY∣X(y∣x)=∫−∞yf(x,y)fX(x).F_{Y|X}(y|x)=\int_{-\infty}^{y}\frac{f(x,y)}{f_X(x)}.$

3.相互独立的随机变量

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
$P{X≤x,Y≤y}=P{X≤x}P{Y≤y},即F(x,y)=FX(x)FY(y),P\{X \leq x,Y \leq y\}=P\{X \leq x\}P\{Y \leq y\},\\ 即F(x,y)=F_X(x)F_Y(y),$
则称随机变量 $X$ 和 $Y$ 是相互独立的.

4.结论

二维正态随机变量 $(X, Y)$ 的概率密度为
$y)=\frac{1}{2 \pi \sigma_{1} \sigma_{2} \sqrt{1-\rho^{2}}} \exp \left\{\frac{-1}{2\left(1-\rho^{2}\right)}\left[\frac{\left(x-\mu_{1}\right)^{2}}{\sigma_{1}^{2}}-2 \rho \frac{\left(x-\mu_{1}\right)\left(y-\mu_{2}\right)}{\sigma_{1} \sigma_{2}}+\frac{\left(y-\mu_{2}\right)^{2}}{\sigma_{2}^{2}}\right]\right\}$
对于二维正态随机变量 $(X, Y), X$ 和 $Y$ 相互独立的充要条件是参数 $ρ=0.\rho=0.$

5.定理

设 $(X1,X2,…,Xm)(X_1,X_2,\dots,X_m)$ 和 $(Y1,Y2,…,Yn)(Y_1,Y_2,\dots,Y_n)$ 相互独立,则 $Xi(i=1,2,…,m)X_i(i=1,2,\dots,m)$ 和 $Yj(j=1,2,…,n)Y_j(j=1,2,\dots,n)$ 相互独立.又若 $h, g$ 是连续函数,则 $h(X1,X2,…,Xm)h(X_1,X_2,\dots,X_m)$ 和 $g(Y1,Y2,…,Yn)g(Y_1,Y_2,\dots,Y_n)$ 相互独立.

6.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
$fX+Y(z)=∫−∞∞f(z−y,y)dy,或fX+Y(z)=∫−∞∞f(x,z−x)dx.f_{X+Y}(z)=\int_{-\infty}^{\infty}f(z-y,y)dy,\\ 或 f_{X+Y}(z)=\int_{-\infty}^{\infty}f(x,z-x)dx.$
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
$fX+Y(z)=∫−∞∞fX(z−y)fY(y)dy,fX+Y(z)=∫−∞∞fX(x)fY(z−x)dx.f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy, \\ f_{X+Y}(z)=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx.$
这两个公式记为 $f_X$ 和 $f_Y$ 的卷积公式,记为 $f_X*f_Y,$ 即
$fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx.f_X*f_Y=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dx.$
$Z = X + Y 的分布函数为$
$FZ(z)=∫−∞∞[∫−∞zf(u−y,y)du]dy=∫−∞z[∫−∞∞f(u−y,y)dy]du.F_Z(z)=\int_{-\infty}^{\infty}[\int_{-\infty}^{z}f(u-y,y)du]dy=\int_{-\infty}^{z}[\int_{-\infty}^{\infty}f(u-y,y)dy]du.$

7.应用

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.即
$Z=X1+X2+⋯+Xn∼N(μ1+μ2+⋯+μm,σ12+σ22+⋯+σn2).Z=X_1+X_2+\dots+X_n \sim N(\mu_1+\mu_2+\dots+\mu_m,{\sigma_1}^2+{\sigma_2}^2+\dots+{\sigma_n}^2).$

8.卡方分布( $Γ\Gamma$ )分布

若 $n$ 个相互独立的随机变量 $ξ ₁, ξ ₂, . . ., ξ n,$ 均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布(chi-square distribution).
设随机变量 $X, Y$ 相互独立,且分别服从参数为 $α,θ,;β,θ\alpha,\theta,;\beta,\theta$ 的 $Γ\Gamma$ 分布(分别记作 $\sim \Gamma(\alpha,\theta),Y \sim \Gamma(\beta,\theta)).X,Y$ 的概率密度分别为
$fX(x)={1θαΓ(α)xα−1e−xθ,x>0,α>0,θ>0.0,其他,fY(y)={1θβΓ(β)xβ−1e−yθ,x>0,β>0,θ>0.0,其他,f_X(x)= \left\{\begin{aligned} &\frac{1}{\theta^\alpha\Gamma(\alpha)}x^{\alpha-1}e^{-\frac{x}{\theta}}, x>0,\alpha>0,\theta>0.\\ &0,其他,\\ \end{aligned}\right.\\ f_Y(y)= \left\{\begin{aligned} &\frac{1}{\theta^\beta\Gamma(\beta)}x^{\beta-1}e^{-\frac{y}{\theta}}, x>0,\beta>0,\theta>0.\\ &0,其他,\\ \end{aligned}\right.$
且有 $\sim \Gamma(\alpha+\beta,\theta).$ (可加性）

9. $Z=YXZ=\frac{Y}{X}$ 的分布 $Z = X Y$ 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 $Z=YX,Z=XYZ=\frac{Y}{X},Z=XY$ 仍为连续型随机变量,其概率密度分别为
$fY/X(z)=∫−∞∞∣x∣f(x,xz)dx,fXY(z)=∫−∞∞1∣x∣f(x,zx)dx.f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f(x,xz)dx,\\ f_{XY}(z)=\int_{-\infty}{\infty}\frac{1}{|x|}f(x,\frac{z}{x})dx.$
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
$fY/X(z)=∫−∞∞∣x∣fX(x)fY(xz)dx.fXY(z)=∫−∞∞1∣x∣fX(x)fY(zx)dx.f_{Y/X}(z)=\int_{-\infty}^{\infty}|x|f_X(x)f_Y(xz)dx.\\ f_{XY}(z)=\int_{-\infty}^{\infty}\frac{1}{|x|}f_X(x)f_Y(\frac{z}{x})dx.$

10.M=max{X,Y}及N=min{X,Y}的分布

$M=max\{X,Y\}$ 的分布函数为
$F_{max}(z)=F_x(z)F_Y(z).$
$M=max{X1,X2,…,Xn}M=max\{X_1,X_2,\dots,X_n\}$ 的分布函数为
$Fmax(z)=FX1(z)FX2(z)…FXn(z).F_{max}(z)=F_{X_1}(z)F_{X_2}(z)\dots F_{X_n}(z).$
$N=min\{X,Y\}$ 的分布函数为
$F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)].$
$N=min{X1,X2,…,Xn}N=min\{X_1,X_2,\dots,X_n\}$ 的分布函数为
$Fmin(z)=1−[1−FX1(z)][1−FX2(z)]…[1−FXn(z)].F_{min}(z)=1-[1-F_{X_1}(z)][1-F_{X_2}(z)] \dots[1-F_{X_n}(z)].$