-
Probability and Statistics 8】—— 深入地理解二维随机变量及其分布函数、分布密度函数的意义
2020-03-28 19:47:18文章目录一、为什么是二维随机变量二、二维随机变量的分布函数2.1 二维随机变量分布函数的性质2.2 二维随机变量的边缘分布函数三、二维离散型随机变量的联合分布和边缘分布求法 一、为什么是二维随机变量 还记得我们...展开全文文章目录
一、为什么是二维随机变量
还记得我们在 C h a p t e r 2 Chapter 2 Chapter2 里面讨论的都是一维随机变量嘛，但是假如我们举一个例子：
- 比如我们要统计人群的身高分布，那容易啊，直接统计一个变量——身高 X 即可
- 但是，如果我们要统计的是人群的身材，那你不可能只用身高来衡量，我们需要两个变量——身高 X 和体重 Y。因此，这就是二维随机变量的引入。
我们一般使用 （X, Y）来表示。可以说是一个向量。
二、二维随机变量的分布函数
我们先来看看定义： F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{X≤x,Y≤y}
它的意思是由 X ≤ x , Y ≤ y X ≤x, Y ≤y X≤x,Y≤y 所构成的蓝色区域所对应的立体密度函数的体积！！
这句话怎么理解呢？这得回到一维去，因为我们在一维随机变量里面， F ( x ) = P { X ≤ x } F(x) = P\{X≤x\} F(x)=P{X≤x}表示的是 X ≤ x X≤x X≤x 所对应的平面密度函数的面积。那么扩展到二维，它的密度函数是 f ( x , y ) f(x,y) f(x,y) ，是一个立体的函数，那么对应的自然就是体积了。
2.1 二维随机变量分布函数的性质
【1】 0 ≤ F ( x , y ) ≤ 1 0 ≤ F(x, y) ≤1 0≤F(x,y)≤1这个好理解，概率一定小于等于1 .
【2】 F ( x , y ) F(x, y) F(x,y) 是关于 x 或 y 的不减函数
【3】 F ( − ∞ , y ) = 0 ; F ( x , − ∞ ) = 0 ; F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 F(-∞, y) = 0; F(x, -∞) = 0; F(-∞, -∞) = 0, F(+∞, +∞) = 1 F(−∞,y)=0;F(x,−∞)=0;F(−∞,−∞)=0,F(+∞,+∞)=1
如果我们把二维随机变量的概率密度函数想象成立体草帽，那么在任何一个变量是 -∞ 的时候，还没能切到草帽，所以体积一定是0.【4】 F ( x , y ) F(x, y) F(x,y) 分别关于 x, y右连续
【5】 P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\{x_1 < X ≤ x_2, y_1 <Y ≤ y_2\} = F(x_2, y_2) - F(x_2, y_1) - F(x_1, y_2) + F(x_1, y_1) P{x1<X≤x2,y1<Y≤y2}=F(x2,y2)−F(x2,y1)−F(x1,y2)+F(x1,y1)2.2 二维随机变量的边缘分布函数
上面我们讲过的： F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{X≤x,Y≤y} 它叫做联合分布函数。下面我们来看看边缘分布函数，其实也好理解：
F X ( x ) = P { X ≤ x , Y < + ∞ } F_X(x) = P\{X ≤ x, Y< +∞\} FX(x)=P{X≤x,Y<+∞} 这叫做 X 的边缘分布函数，它的意思是令 X 小于等于 x， y 爱咋地咋地，不限制。同理 F Y ( y ) = P { X < + ∞ , Y < y } F_Y(y) = P\{X < +∞, Y < y\} FY(y)=P{X<+∞,Y<y}, 这叫做 Y 的边缘分布函数。三、二维离散型随机变量的联合分布和边缘分布求法
这一节只需要一个例子就可以解释明白：我们以下面的表为例：
X\Y 1 2 3 1 0 1 2 \frac{1}{2} 21 1 8 \frac{1}{8} 81 2 1 8 \frac{1}{8} 81 1 8 \frac{1}{8} 81 1 8 \frac{1}{8} 81 这是一个二维离散型随机变量的联合分布表，里面具体的概率值就用我们之前学过的办法计算。
下面看看如何计算联合分布函数：
假设要计算： F ( 1.2 , 1 ) F(1.2, 1) F(1.2,1)，那么就是： P { X ≤ 1.2 , Y ≤ 1 ) P\{X ≤1.2, Y≤ 1) P{X≤1.2,Y≤1)，我们可以这样做：
F ( 1.2 , 1 ) = 0 F(1.2, 1) = 0 F(1.2,1)=0如果计算 F ( 2.4 , 2.1 ) F(2.4, 2.1) F(2.4,2.1)，我们可以这样做：
F ( 2.4 , 2.1 ) = 0 + 1 2 + 1 8 + 1 8 = 3 4 F(2.4, 2.1) = 0+\frac{1}{2} + \frac{1}{8} + \frac{1}{8} = \frac{3}{4} F(2.4,2.1)=0+21+81+81=43其他情况类似。
那么，如何计算边缘分布呢？首先我们看看计算 X 的边缘分布：
我们把 每一个 X 所在的行分别相加，就可以得到 X 的边缘分布。如下表：X 1 2 P 5 8 \frac{5}{8} 85 3 8 \frac{3}{8} 83 Y 的边缘分布的计算类似。
最后提几个要点：
- 有了联合分布就可以唯一地确定边缘分布。
- 但是有了边缘分布并不能唯一地确定联合分布（除了 X, Y 独立的时候）
四、二维连续型随机变量的联合密度函数、分布函数和边缘分布
4.1 联合密度函数和联合分布函数
分布函数的定义还是一样的： F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\{X≤x, Y≤y\} F(x,y)=P{X≤x,Y≤y}
它的意义我们在前面讨论过了，既然是体积，那么就会涉及到二重积分。我们先回顾一下二重积分的几何意义：当 f ( x , y ) ≥ 0 f(x, y) ≥ 0 f(x,y)≥0 时， ∬ D f ( x , y ) d σ \iint_Df(x,y)dσ ∬Df(x,y)dσ 是以区域 D 为底， f ( x , y ) f(x,y) f(x,y) 为顶的曲顶柱体的体积。
因此，我们就可以通过二重积分计算分布函数： F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) = \int_{-∞}^{x}\int_{-∞}^{y}f(s,t)dsdt F(x,y)=∫−∞x∫−∞yf(s,t)dsdt
下面我们给出几个性质：
【1】 f ( x , y ) > 0 f(x,y) >0 f(x,y)>0
【2】 ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( s , t ) d s d t = 1 \int_{-∞}^{+∞}\int_{-∞}^{+∞}f(s,t)dsdt = 1 ∫−∞+∞∫−∞+∞f(s,t)dsdt=1
【3】 f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y) = \frac{\partial^2F(x,y)}{\partial {x} \partial {y}} f(x,y)=∂x∂y∂2F(x,y)（这时计算联合密度函数的好办法！）
【4】如果题目给出来一个区域 G G G，它是 X, Y 平面的一个区域。那么，我们有： P { ( x , y ) ∈ G } = ∬ G f ( x , y ) d x d y P\{(x, y)∈G\} = \iint_{G}f(x,y)dxdy P{(x,y)∈G}=∬Gf(x,y)dxdy
它也就是把 G 区域沿着 Z 轴拉伸，和 f ( x , y ) f(x,y) f(x,y) 包围起来的那一部分体积4.2 边缘密度函数
我们先定义一下边缘分布函数： F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x ∫ − ∞ + ∞ f ( s , t ) d s d t F Y ( y ) = F ( + ∞ , y ) = ∫ − ∞ y ∫ − ∞ + ∞ f ( s , t ) d s d t F_X(x) = F(x, +∞) = \int_{-∞}^x\int_{-∞}^{+∞}f(s,t)dsdt\\ \quad\\ F_Y(y) = F(+∞, y) = \int_{-∞}^y\int_{-∞}^{+∞}f(s,t)dsdt FX(x)=F(x,+∞)=∫−∞x∫−∞+∞f(s,t)dsdtFY(y)=F(+∞,y)=∫−∞y∫−∞+∞f(s,t)dsdt
当然，通过联合分布函数 F ( x , y ) F(x,y) F(x,y) 也可以计算处边缘分布： F X ( x ) = lim y → + ∞ F ( x , y ) F Y ( y ) = lim x → + ∞ F ( x , y ) F_X(x) = \lim_{y\to +∞}F(x, y)\\ \quad\\ F_Y(y) = \lim_{x\to +∞}F(x,y) FX(x)=y→+∞limF(x,y)FY(y)=x→+∞limF(x,y)
那么，如果要计算 X 的边缘密度函数，我们就对 F X ( x ) F_X(x) FX(x) 求导： f X ( x ) = F X ′ ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f Y ( y ) = F Y ′ ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_X(x) = F_X'(x) = \int_{-∞}^{+∞}f(x,y)dy\\ \quad\\ f_Y(y) = F_Y'(y) = \int_{-∞}^{+∞}f(x,y)dx fX(x)=FX′(x)=∫−∞+∞f(x,y)dyfY(y)=FY′(y)=∫−∞+∞f(x,y)dx
简而言之，要计算 f X ( x ) f_X(x) fX(x)，可以在无穷范围内 f ( x , y ) f(x,y) f(x,y) 对 y y y 积分。要计算 f Y ( y ) f_Y(y) fY(y)，可以在无穷范围内 f ( x , y ) f(x,y) f(x,y) 对 x x x 积分。当我们说到这儿的时候，其实给出一道题做，套公式写出来没有任何问题。但是，真正的意义你理解了吗？下面我们看一个例子，博主打算用公式法+画图理解法剖析边缘密度函数的意义：
已知（X, Y)在椭圆 x 2 a 2 + y 2 b 2 = 1 \frac{x^2}{a^2}+\frac{y^2}{b^2} = 1 a2x2+b2y2=1 所围成的区域上服从均匀分布。其联合密度函数为： φ ( x , y ) = { 1 π a b x 2 a 2 + y 2 b 2 ≤ 1 0 e l s e φ(x,y) = \begin{cases} \frac{1}{πab}\quad \frac{x^2}{a^2}+\frac{y^2}{b^2} ≤1\\ 0\quad else\\ \end{cases} φ(x,y)={πab1a2x2+b2y2≤10else
求 X ,Y 的边缘密度函数 φ X ( x ) , φ Y ( y ) φ_X(x), φ_Y(y) φX(x),φY(y)首先，抛开问题本身，我们一般假设概率密度函数 f ( x , y ) f(x,y) f(x,y) 就是一个草帽状函数，那么问一个问题：联合分布函数 F ( x , y ) F(x,y) F(x,y)的意义是什么？—— 根据定义思考一下： F ( x , y ) = P { X ≤ x , Y ≤ y } = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d u d v F(x, y) = P\{X≤x, Y≤y\} = \int_{-∞}^x\int_{-∞}^yf(u, v)dudv F(x,y)=P{X≤x,Y≤y}=∫−∞x∫−∞yf(u,v)dudv。下面我们看一张图理解一下：
具体一个 F ( x 0 , y 0 ) F(x_0, y_0) F(x0,y0)的意义就是分别用 x = x 0 x = x_0 x=x0 和 y = y 0 y = y_0 y=y0 这两把刀，去切割草帽，里面那部分的体积！
那么，边缘密度函数呢？如果我们还是以 f X ( x 0 ) f_X(x_0) fX(x0)为例？
既然是 f X ( x 0 ) f_X(x_0) fX(x0) ，那么也就意味着只用 x = x 0 x = x_0 x=x0 这一把刀去切割草帽，我们发现，切割草帽的时候会得到一个切割线，如上图所示。那么 f X ( x 0 ) f_X(x_0) fX(x0) 的意义就是这个切割线与 y y y 轴所围成的面积！
那么，如果我们把这样的分析具体化到这道题目上，本题的分布密度函数如下图左图所示。那么一样的道理，如果考虑 f X ( x 0 ) f_X(x_0) fX(x0)，就是只用 x = x 0 x = x_0 x=x0这一把刀去切割分布密度函数图，如果这把刀能够切割到函数体，那么自然就会产生一个切痕，所以就是切痕曲线与 y y y 轴所围成的面积！
很显然，我们发现：这个分布密度函数在中间那个椭圆区域才有值，其他地方都是0.
现在，我们首先计算 φ X ( x ) φ_X(x) φX(x)，很自然地，我们发现，如果 x = x 0 x = x_0 x=x0 这把刀放的太前（ x ≥ a x ≥a x≥a）或者太后（ x ≤ − a x ≤ -a x≤−a）我们都无法切到这个函数体，自然就没有切痕。那么 φ X ( x ) φ_X(x) φX(x) 就会等于 0.即： φ X ( x ) = 0 i f ∣ x ∣ ≥ a φ_X(x) = 0\quad if\space |x| ≥ a φX(x)=0if ∣x∣≥a
下面考虑能切到的时候，即 ∣ x ∣ < a |x| < a ∣x∣<a，那么刀刃的线如上面左图加粗的地方，切割线也是一样的。然后我们就是要计算切痕与 y y y 轴所围成的面积（如上面的右图所示）
但是我们又发现，这个切痕也是在 y y y 处于一定范围的时候才有值，其他时候为0. y y y 的范围我们可以通过椭圆的方程很容易求出来，就等于： ± b 1 − x 2 a 2 ±b\sqrt{1-\frac{x^2}{a^2}} ±b1−a2x2
这个面积还不好求？就是一个矩形的面积罢了对吧！所以我们得到： φ X ( x ) = 1 π a b 2 b 1 − x 2 a 2 = 2 π a 1 − x 2 a 2 i f ∣ x ∣ < a φ_X(x) = \frac{1}{πab}2b\sqrt{1-\frac{x^2}{a^2}} =\frac{2}{πa}\sqrt{1-\frac{x^2}{a^2}} \quad if \space |x| < a φX(x)=πab12b1−a2x2=πa21−a2x2if ∣x∣<aφ Y ( y ) φ_Y(y) φY(y) 的理解方法完全类似。式子的意义理解了，带公式解题也有了底气哈哈！
关于计算边缘分布密度的注记
在计算边缘分布密度的时候，积分的区间仍然是一个大坑。这里，博主总结了一个避坑方法：
在给出的联合分布密度函数中，x ,y 的范围有了的时候，我们一定要把这个 x, y 范围所表示的区域画出来，只要把这个区域画出来了，我们在后面对 x 或者 y 积分的时候，它们各自的积分区间一目了然，就不会搞错了。
-
概率论知识回顾（十）：二维连续随机变量分布函数和联合密度函数
2019-05-08 11:27:57概率论知识回顾（十） 重点：二维连续随机变量分布函数和联合密度函数 二维连续随机变量的分布函数怎么表示？ 分布函数有什么性质？ 二维连续随机变量的边缘分布...展开全文概率论知识回顾（十）
重点：二维连续随机变量分布函数和联合密度函数
知识回顾用于巩固知识和查漏补缺。知识回顾步骤：
- 查看知识回顾中的问题，尝试自己解答
- 自己解答不出来的可以查看下面的知识解答巩固知识。
- 对知识解答有疑问的，说明有关这一点的知识或者公式没有理解透彻或者没有记住，要重新翻看书籍。
知识回顾
- 二维连续随机变量的分布函数怎么表示？
- 分布函数有什么性质？
- 二维连续随机变量的边缘分布怎么表示？
- 二维连续随机变量的联合密度函数是什么？
- 联合密度函数有什么性质？
- 二维均匀分布的联合密度函数怎么表示？
- 二维正态分布的联合密度函数怎么表示？
知识解答
- 二维连续随机变量的分布函数怎么表示？
- 对于二维连续随机变量 ( X , Y ) (X,Y) (X,Y) 来说，函数 F ( x , y ) F(x, y) F(x,y) 表示 F ( x , y ) = P { X ≤ x , Y ≤ y } F(x, y) = P\begin{Bmatrix} X \le x, Y \le y\end{Bmatrix} F(x,y)=P{X≤x,Y≤y} 我们就称 F ( x , y ) F(x,y) F(x,y) 为 二维连续随机变量 ( X , Y ) (X, Y) (X,Y) 的分布函数。
- 分布函数有什么性质?
- 对每个自变量单调不减
- 对任意固定 x, 当 y 1 < y 2 y_1 < y_2 y1<y2, 有 F ( x , y 1 ) ≤ F ( x , y 2 ) F(x, y_1) \le F(x, y_2) F(x,y1)≤F(x,y2)
- 对任意固定 y, 当 x 1 < x 2 x_1 < x_2 x1<x2, 有 F ( x 1 , y ) ≤ F ( x 2 , y ) F(x_1, y) \le F(x_2, y) F(x1,y)≤F(x2,y)
- 对每个自变量右连续
- 对任意固定 x, F ( x , y 0 + 0 ) = F ( x , y 0 ) F(x, y_0 + 0) = F(x, y_0) F(x,y0+0)=F(x,y0)
- 对任意固定 y, F ( x 0 + 0 , y ) = F ( x 0 , y ) F(x_0 + 0, y) = F(x_0, y) F(x0+0,y)=F(x0,y)
- { F ( − ∞ , − ∞ ) = 0 F ( x , − ∞ ) = 0 ∀ x ∈ R F ( − ∞ , y ) = 0 ∀ y ∈ R F ( + ∞ , + ∞ ) = 1 \begin{cases} F(-\infty, -\infty) = 0 \\ F(x, -\infty) = 0 &\forall x \in R \\ F(-\infty , y) = 0 & \forall y \in R \\ F(+\infty, +\infty) = 1\end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧F(−∞,−∞)=0F(x,−∞)=0F(−∞,y)=0F(+∞,+∞)=1∀x∈R∀y∈R
- 对任意 x 1 < x 2 , y 1 < y 2 x_1 < x_2, y_1 < y_2 x1<x2,y1<y2 都有 ： P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 1 , y 2 ) − F ( x 2 , y 1 ) + F ( x 1 , y 1 ) ≥ 0 P\begin{Bmatrix} x_1<X\le x_2, y_1<Y \le y_2 \end{Bmatrix} = F(x_2, y_2) - F(x_1, y_2) - F(x_2, y_1) + F(x_1, y_1) \ge 0 P{x1<X≤x2,y1<Y≤y2}=F(x2,y2)−F(x1,y2)−F(x2,y1)+F(x1,y1)≥0
- 对每个自变量单调不减
- 二维连续随机变量的边缘分布怎么表示？
- 二维连续随机变量的边缘分布和离散随机变量的边缘分布类似，都是其组成的单个随机变量的分布律。
- F X ( x ) = P { X ≤ x , Y < + ∞ } = F ( x , + ∞ ) F_X(x) = P\begin{Bmatrix} X \le x, Y < + \infty \end{Bmatrix}=F(x, +\infty) FX(x)=P{X≤x,Y<+∞}=F(x,+∞) 表示 二维连续随机变量 ( X , Y ) (X, Y) (X,Y) 关于 X X X 的边缘分布律。从公式来看其实就是排除 Y 之后，只看 x 的分布。
- 同理 F Y = F ( + ∞ , y ) F_Y = F(+ \infty, y) FY=F(+∞,y)
- 二维连续随机变量的联合密度函数是什么？
- 如果对于随机变量 ( X , Y ) (X, Y) (X,Y) 的分布函数 F ( x , y ) F(x, y) F(x,y) 的任意取值都有一个非负可积的函数 f ( x , y ) f(x, y) f(x,y) 使得 F ( x ) = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x) = \int_{-\infty}^y\int_{-\infty}^xf(u, v)dudv F(x)=∫−∞y∫−∞xf(u,v)dudv 。 就称 f ( x , y ) f(x, y) f(x,y) 为二维随机变量 ( X , Y ) (X, Y) (X,Y) 的联合密度函数。
- 联合密度函数有什么性质？
- f ( x , y ) ≥ 0 f(x, y) \ge 0 f(x,y)≥0
- ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x, y)dxdy = 1 ∫−∞+∞∫−∞+∞f(x,y)dxdy=1
- 如果 f ( x , y ) f(x, y) f(x,y) 在 ( x , y ) (x, y) (x,y) 处连续，则有 ∂ 2 F ( x , y ) ∂ x ∂ y = f ( x , y ) \frac{\partial^2F(x, y)}{\partial x \partial y} = f(x, y) ∂x∂y∂2F(x,y)=f(x,y)
- 对于任何平面区域 G G G, 都有 P { ( X , Y ) ∈ G } = ∬ G f ( x , y ) d x d y P\begin{Bmatrix}(X, Y) \in G\end{Bmatrix} = \iint_Gf(x, y)dxdy P{(X,Y)∈G}=∬Gf(x,y)dxdy
- 二维均匀分布的联合密度函数怎么表示？
- 设 S G = A S_G = A SG=A ，若密度函数 f ( x , y ) = { 1 A , ( x , y ) ∈ G 0 , e l s e f(x, y) = \begin{cases} \frac{1}{A}, & (x, y) \in G \\ 0, & else \end{cases} f(x,y)={A1,0,(x,y)∈Gelse 则称为均匀分布。
- 二维正态分布的联合密度函数怎么表示？
- f ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 e − 1 2 ( 1 − ρ 2 ) [ ( x − μ 1 ) 2 σ 1 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 + ( y − μ 2 ) 2 σ 2 2 ] 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}]} f(x,y)=2πσ1σ21−ρ21e−2(1−ρ2)1[σ12(x−μ1)2−2ρσ1σ2(x−μ1)(y−μ2)+σ22(y−μ2)2]
- 其中: σ 1 > 0 , σ 2 > 0 , ∣ ρ ∣ < 1 \sigma_1 > 0, \sigma_2 > 0, |\rho| < 1 σ1>0,σ2>0,∣ρ∣<1
- 记作 ( X , Y ) ∼ N ( μ 1 , μ 2 , σ 1 , σ 2 , ρ ) (X,Y) \sim N(\mu_1, \mu_2, \sigma_1, \sigma_2, \rho) (X,Y)∼N(μ1,μ2,σ1,σ2,ρ)
-
概率论与数理统计(3):二维随机变量及其分布
2021-06-21 19:51:35二维随机变量及其分布函数1.联合分布函数①定义②性质(1)F(x,y)F(x,y)F(x,y)对x和y都是单调不减的，即：(2)连续性(3）解释(4）三.二维离散型随机变量1.联合分布列①定义②性质2.分布函数3.边缘分布列==从分布函数...展开全文概率论与数理统计(3):二维随机变量及其分布
文章目录
一.多维随机变量
定义：
若 X 1 ( ω ) , X 2 ( ω ) , . . . X n ( ω ) X_1(\omega),X_2(\omega),...X_n(\omega) X1(ω),X2(ω),...Xn(ω)是样本空间 Ω \Omega Ω={ ω \omega ω}上的随机变量，则( X 1 ( ω ) , X 2 ( ω ) , . . . X n ( ω ) X_1(\omega),X_2(\omega),...X_n(\omega) X1(ω),X2(ω),...Xn(ω))构成 Ω \Omega Ω上的n维随机变量，简记为：
X = ( X 1 , X 2 , . . . X n ) X=(X_1,X_2,...X_n) X=(X1,X2,...Xn)二.二维随机变量及其分布函数
设E是一个随机试验，S={e}为其样本空间，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)叫做二维随机变量（或二位随机向量）
1.联合分布函数
①定义
设 ( X , Y ) (X,Y) (X,Y)为二维随机变量， x , y x,y x,y为任意实数，称二元函数 F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\left\{X\leq x,Y\leq y\right\} F(x,y)=P{X≤x,Y≤y} 为 ( X , Y ) (X,Y) (X,Y)的分布函数，or X X X和 Y Y Y的联合分布函数
注： F ( x , y ) \\F(x,y) F(x,y)表示事件 { X ≤ x } \left\{X\leq x\right\} {X≤x}和 { Y ≤ y } \left\{Y\leq y\right\} {Y≤y}同时发生的概率(其实就是把 P { ( X ⩽ x ) ⋂ ( Y ⩽ y ) } P\{(X\leqslant x)\bigcap(Y\leqslant y)\} P{(X⩽x)⋂(Y⩽y)}记成了 P { X ≤ x , Y ≤ y } P\left\{X\leq x,Y\leq y\right\} P{X≤x,Y≤y})
为什么要研究联合分布呢？因为二位随机变量(X,Y)的性质不仅分别与X和Y有关，也与X与Y之间的相互关系有关，所以单独逐个研究X与Y是不够的，还需要将 ( X , Y ) (X,Y) (X,Y)作为整体进行研究
②性质
(1) F ( x , y ) F(x,y) F(x,y)对x和y都是单调不减的，即：
(Ⅰ)固定 x x x,当 y 1 < y 2 y_1<y_2 y1<y2时， F ( x , y 1 ) ⩽ F ( x , y 2 ) F(x,y_1)\leqslant F(x,y_2) F(x,y1)⩽F(x,y2)
(Ⅱ)固定 y y y,当 x 1 < x 2 x_1<x_2 x1<x2时， F ( x 1 , y ) ⩽ F ( x 2 , y ) F(x_1,y)\leqslant F(x_2,y) F(x1,y)⩽F(x2,y)
(2)连续性
F ( x , y ) F(x,y) F(x,y)关于 x x x右连续，即 F ( x , y ) = F ( x + 0 , y ) F(x,y)=F(x+0,y) F(x,y)=F(x+0,y)
F ( x , y ) F(x,y) F(x,y)关于 y y y右连续，即 F ( x , y ) = F ( x , y + 0 ) F(x,y)=F(x,y+0) F(x,y)=F(x,y+0)
(3）
随机变量 ( X , Y ) (X,Y) (X,Y)落在矩形区域 ( x 1 , x 2 ] × ( y 1 , y 2 ] (x_1,x_2]×(y_1,y_2] (x1,x2]×(y1,y2]内的概率为
P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\left\{x_1<X\leq x_2,y_1<Y\leq y_2\right\}\\=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) P{x1<X≤x2,y1<Y≤y2}=F(x2,y2)−F(x2,y1)−F(x1,y2)+F(x1,y1)解释
若将二维随机变量(X,Y)看成平面上的随机点的坐标，那么 F ( x , y ) F(x,y) F(x,y)在 ( x , y ) (x,y) (x,y)处的函数值就是随机点 ( X , Y ) (X,Y) (X,Y)落在以点 ( x , y ) (x,y) (x,y)为顶点而位于该点左下方的无穷矩形域内的概率，如图紫色区域，设 A ( x , y ) A(x,y) A(x,y)
(4）
0 ⩽ F ( x , y ) ⩽ 1 , 且 F ( − ∞ , y ) = F ( x , − ∞ ) = F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 0\leqslant F(x,y) \leqslant 1,且F(-\infty,y)=F(x,-\infty)=F(-\infty,-\infty)=0,\quad F(+\infty,+\infty)=1 0⩽F(x,y)⩽1,且F(−∞,y)=F(x,−∞)=F(−∞,−∞)=0,F(+∞,+∞)=1
几何解释
如（3）中图所示，无穷矩形的右面边界向左无限平移 ( x → − ∞ ) (x→-∞) (x→−∞)，则“随机点(X,Y)落在这个矩形内”这一事件趋于不可能事件，所以其概率趋于0，即有 F ( − ∞ ， y ) = 0 F(-∞，y)=0 F(−∞，y)=0
当 x → ∞ ， y → ∞ x→∞，y→∞ x→∞，y→∞时，图中无穷矩形扩展到全平面，随机点(X,Y)落在其中这一事件趋于必然事件，故其概率趋于1，即 F ( + ∞ , + ∞ ) = 1 F(+∞,+∞)=1 F(+∞,+∞)=1
三.二维离散型随机变量
1.联合分布列
①定义
如果二维随机变量 ( X , Y ) (X,Y) (X,Y)的所有可能取值是有限个或可数个，称(X，Y)为二维离散型随机变量， P { X = x i , Y = y i } = p i j , i , j = 1 , 2 , . . . P\{X=x_i,Y=y_i\}=p_{ij},\quad i,j=1,2,... P{X=xi,Y=yi}=pij,i,j=1,2,...称为 ( X , Y ) (X,Y) (X,Y)的分布列,or X X X与 Y Y Y的联合分布列（也可用表格表示）
②性质
（1） p i j ⩾ 0 , i , j = 1 , 2 , . . . p_{ij}\geqslant0,\quad i,j=1,2,... pij⩾0,i,j=1,2,...
（2） ∑ i = 1 ∞ ∑ j = 1 ∞ p i j = 1 \sum\limits^{\infty}_{i=1}\sum\limits^\infty_{j=1}p_{ij}=1 i=1∑∞j=1∑∞pij=1
2.分布函数
F ( x , y ) = P { X ≤ x , Y ≤ y } = ∑ x i ≤ x ∑ y j ≤ y P { X = x i , Y = y j } = ∑ x i ≤ x ∑ y j ≤ y p i j F(x,y)=P\{X\leq x,Y\leq y\}=\sum_{x_i\leq x}\sum_{y_j\leq y}P\{X=x_i,Y=y_j\}=\sum_{x_i\leq x}\sum_{y_j\leq y}p_{ij} F(x,y)=P{X≤x,Y≤y}=xi≤x∑yj≤y∑P{X=xi,Y=yj}=xi≤x∑yj≤y∑pij
3.边缘分布列
设 ( X , Y ) (X,Y) (X,Y)是二维离散型随机变量，分布列为
P { X = x i , Y = y i } = p i j , i , j = 1 , 2 , . . . P\{X=x_i,Y=y_i\}=p_{ij},\quad i,j=1,2,... P{X=xi,Y=yi}=pij,i,j=1,2,...
(1)关于 X X X的边缘分布列为
P { X = x i } = ∑ j p i j = p i . , i = 1 , 2 , . . . P\{X=x_i\}=\sum_jp_{ij}=p_{i.},\quad i=1,2,... P{X=xi}=j∑pij=pi.,i=1,2,...
(2)关于 Y Y Y的边缘分布列为
P { Y = y j } = ∑ i p i j = p . j , j = 1 , 2 , . . . P\{Y=y_j\}=\sum_ip_{ij}=p_{.j},\quad j=1,2,... P{Y=yj}=i∑pij=p.j,j=1,2,...注：（1）边缘分布列具有一维分布列的性质
（2）联合分布列唯一决定边缘分布列
从分布函数角度理解边缘分布列：
( X , Y ) (X,Y) (X,Y)作为整体，具有分布函数 F ( x , y ) F(x,y) F(x,y)，而 X X X和 Y Y Y都是随机变量，各自也有分布函数，分别记为 F X ( x ) , F Y ( y ) F_X(x),F_Y(y) FX(x),FY(y),依次为二维随机变量 ( X , Y ) (X,Y) (X,Y)关于 X X X和关于 Y Y Y的边缘分布函数，边缘分布函数可以由 ( X , Y ) (X,Y) (X,Y)的分布函数 F ( x , y ) F(x,y) F(x,y)确定
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,∞),即 F X ( x ) = F ( x , ∞ ) = ∑ x i ⩽ x ∑ j = 1 ∞ p i j F_X(x)=F(x,\infty)=\sum\limits_{x_i\leqslant x}\sum\limits_{j=1}^{\infty}p_{ij} FX(x)=F(x,∞)=xi⩽x∑j=1∑∞pij
所以关于 X X X的边缘分布列也可以写为
P { X = x i } = ∑ j = 1 ∞ p i j = p i . , i = 1 , 2 , . . . P\{X=x_i\}=\sum_{j=1}^{\infty}p_{ij}=p_{i.},\quad i=1,2,... P{X=xi}=j=1∑∞pij=pi.,i=1,2,...
Y Y Y同理四.二维连续型随机变量
1.联合概率密度
①定义
如果对于 ( X , Y ) (X,Y) (X,Y)的分布函数 F ( x , y ) F(x,y) F(x,y),若存在非负函数 f ( x , y ) f(x,y) f(x,y),对于任意实数 x , y , x,y, x,y,有：
F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d u d v F(x,y)=\int^x_{-\infty}\int^y_{-\infty}f(u,v)dudv F(x,y)=∫−∞x∫−∞yf(u,v)dudv
则称 ( X , Y ) (X,Y) (X,Y)为二维连续型随机变量，函数 f ( x , y ) f(x,y) f(x,y)称为 ( X , Y ) (X,Y) (X,Y)的概率密度，或称 X 与 Y X与Y X与Y的联合概率密度②性质
（1） f ( x , y ) ≥ 0 f(x,y)\geq 0 f(x,y)≥0
（2） ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 = F ( + ∞ , + ∞ ) \int^{+\infty}_{-\infty}\int^{+\infty}_{-\infty}f(x,y)dxdy=1=F(+\infty,+\infty) ∫−∞+∞∫−∞+∞f(x,y)dxdy=1=F(+∞,+∞)
（3）设G是xOy面上一区域，点 ( X , Y ) \\(X,Y) (X,Y)落入G内的概率为
P { ( X , Y ) ∈ G } = ∬ ( x , y ) ∈ G f ( x , y ) d x d y P\{(X,Y)∈G\}=\iint\limits_{(x,y)∈G}f(x,y)dxdy P{(X,Y)∈G}=(x,y)∈G∬f(x,y)dxdy2.边缘概率密度
关于X的边缘概率密度： f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y \\f_X(x)=\int^{+\infty}_{-\infty}f(x,y)dy fX(x)=∫−∞+∞f(x,y)dy
关于Y的边缘概率密度： f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x \\f_Y(y)=\int^{+\infty}_{-\infty}f(x,y)dx fY(y)=∫−∞+∞f(x,y)dx从分布函数角度理解:
F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( x , y ) d y ] d x F_X(x)=F(x,+\infty)=\int^x_{-\infty}[\int^{+\infty}_{-\infty}f(x,y)dy]dx FX(x)=F(x,+∞)=∫−∞x[∫−∞+∞f(x,y)dy]dx
易看出，X的概率密度为中括号里的表达式，即： f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y \\f_X(x)=\int^{+\infty}_{-\infty}f(x,y)dy fX(x)=∫−∞+∞f(x,y)dy
3.均匀分布
设G是平面上的有界区域，其面积为SG,若二维随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度为
f ( x , y ) = { 1 S G , ( x , y ) ∈ G 0 , o t h e r w i s e f(x,y)=\left\{ \begin{array}{lr} \frac{1}{S_G}, \qquad (x,y)∈G \\ 0,\quad \qquad otherwise\\ \end{array} \right. f(x,y)={SG1,(x,y)∈G0,otherwise
则称 ( X , Y ) (X,Y) (X,Y)在G上服从均匀分布 设 G ′ G' G′是区域 G G G上的任一子区域，面积为 S G ′ S_{G'} SG′，则 P { ( X , Y ) ∈ G ′ } = S G ′ S G P\{(X,Y)∈G'\}=\frac{S_{G'}}{S_G} P{(X,Y)∈G′}=SGSG′
4.正态分布
(也叫高斯分布)
用python生成二维正态分布的概率密度示意图如图所示：
五.条件分布
对于两个事件，可以讨论它们的条件概率；对于两个随机变量，则可以讨论它们的条件分布
1.离散型随机变量
随机变量 X X X在条件 Y = y j Y=y_j Y=yj下的条件分布列：
P { X = x i ∣ Y = y j } = P { X = x i , Y = y j } P { Y = y j } , i = 1 , 2 , . . . P\{X=x_i|Y=y_j\}=\frac{P\{X=x_i,Y=y_j\}}{P\{Y=y_j\}},\quad i=1,2,... P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yj},i=1,2,...
随机变量 Y Y Y在条件 X = x i X=x_i X=xi下的条件分布列：
P { Y = y j ∣ X = x i } = P { X = x i , Y = y j } P { X = x i } , j = 1 , 2 , . . . P\{Y=y_j|X=x_i\}=\frac{P\{X=x_i,Y=y_j\}}{P\{X=x_i\}},\quad j=1,2,... P{Y=yj∣X=xi}=P{X=xi}P{X=xi,Y=yj},j=1,2,...
条件分布列也是分布列，满足分布列的性质2.连续型随机变量
（1）在 Y = y Y=y Y=y条件下，
X X X的条件概率密度
f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y{(y)}} fX∣Y(x∣y)=fY(y)f(x,y)
X X X的条件分布函数
F X ∣ Y ( x ∣ y ) = ∫ − ∞ x f X ∣ Y ( u ∣ y ) d u F_{X|Y}(x|y)=\int^x_{-\infty}f_{X|Y}(u|y)du FX∣Y(x∣y)=∫−∞xfX∣Y(u∣y)du
（2）在 X = x X=x X=x条件下，Y Y Y的条件概率密度
f Y ∣ X ( y ∣ x ) = f ( x , y ) f X ( x ) f_{Y|X}(y|x)=\frac{f(x,y)}{f_X{(x)}} fY∣X(y∣x)=fX(x)f(x,y)
Y Y Y的条件分布函数
F Y ∣ X ( y ∣ x ) = ∫ − ∞ y f Y ∣ X ( v ∣ x ) d v F_{Y|X}(y|x)=\int^y_{-\infty}f_{Y|X}(v|x)dv FY∣X(y∣x)=∫−∞yfY∣X(v∣x)dv六.随机变量的独立性
随机变量的独立性可借助事件的独立性引出
设 X , Y X,Y X,Y为两个随机变量，对于任意的实数 x , y , “ X ⩽ x " x,y,“X\leqslant x" x,y,“X⩽x"和 “ Y ⩽ y " “Y\leqslant y" “Y⩽y"为两个事件，根据事件的独立性定义， “ X ⩽ x " , “ Y ⩽ y " “X\leqslant x",“Y\leqslant y" “X⩽x",“Y⩽y"相互独立，相当于式
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}
成立，或写为
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)1.定义
” X ⩽ x X\leqslant x X⩽x“和“ Y ⩽ y Y\leqslant y Y⩽y”相互独立
⟺ P { X ≤ x , Y ≤ y } = P { X ≤ x } ⋅ P { Y ≤ y } ⟺ F ( x , y ) = F X ( x ) ⋅ F Y ( y ) \iff P\{X\leq x,Y\leq y\}=P\{X\leq x\}\cdot P\{Y\leq y\} \iff F(x,y)=F_X(x)\cdot F_Y(y) ⟺P{X≤x,Y≤y}=P{X≤x}⋅P{Y≤y}⟺F(x,y)=FX(x)⋅FY(y)2.判断方法
（1）联合分布函数=边缘分布函数的乘积
F ( x , y ) = F X ( x ) ⋅ F Y ( y ) F(x,y)=F_X(x)\cdot F_Y(y) F(x,y)=FX(x)⋅FY(y)
（2）离散型：联合分布列=边缘分布列的乘积
P { X = x i , Y = y j } = P { X = x i } ⋅ P { Y = y j } P\{X=x_i,Y=y_j\}=P\{X=x_i\}\cdot P\{Y=y_j\} P{X=xi,Y=yj}=P{X=xi}⋅P{Y=yj}
（3）连续型：联合概率密度=边缘概率密度的乘积
f ( x , y ) = f X ( x ) ⋅ f Y ( y ) f(x,y)=f_X(x)\cdot f_Y(y) f(x,y)=fX(x)⋅fY(y)
3.定理
设随机变量 X X X与 Y Y Y相互独立， g ( x ) , h ( y ) g(x),h(y) g(x),h(y)是连续函数，则随机变量函数 g ( x ) , h ( y ) g(x),h(y) g(x),h(y)也相互独立
七.二维随机变量函数的分布
1.离散型随机变量函数的分布： Z = X + Y Z=X+Y Z=X+Y
设 X , Y X,Y X,Y是离散型随机变量，则随机变量 Z = X + Y Z=X+Y Z=X+Y的分布列为
P { X + Y = m } = ∑ i P { X = i , Y = m − i } P\{X+Y=m\}=\sum_{i}P\{X=i,Y=m-i\} P{X+Y=m}=i∑P{X=i,Y=m−i}
若 X , Y X,Y X,Y相互独立，则
P { X + Y = m } = ∑ i P { X = i } P { Y = m − i } P\{X+Y=m\}=\sum_{i}P\{X=i\}P\{Y=m-i\} P{X+Y=m}=i∑P{X=i}P{Y=m−i}证明：
事件 X + Y = m X+Y=m X+Y=m是互不相容事件 A k = { X = k , Y = m − k } A_k=\{X=k,Y=m-k\} Ak={X=k,Y=m−k}的和事件，而 P ( A k ) = P { X = k , Y = m − k } P(A_k)=P\{X=k,Y=m-k\} P(Ak)=P{X=k,Y=m−k},由此可得
P { X + Y = m } = ∑ P ( A k ) = ∑ k + l = m P { X = k , Y = l } P\{X+Y=m\}=\sum P(A_k)=\sum_{k+l=m}P\{X=k,Y=l\} P{X+Y=m}=∑P(Ak)=k+l=m∑P{X=k,Y=l}一些结论
①若 X , Y X,Y X,Y相互独立， X ∼ P ( λ 1 ) , Y ∼ P ( λ 2 ) X\sim P(\lambda_1),Y\sim P(\lambda_2) X∼P(λ1),Y∼P(λ2),则 X + Y ∼ P ( λ 1 + λ 2 ) X+Y\sim P(\lambda_1+\lambda_2) X+Y∼P(λ1+λ2)
两个相互独立的泊松变量之和仍是一个泊松变量，且其参数等于相应的随机变量分布参数的和
②若 X 1 , X 2 X_1,X_2 X1,X2相互独立， X 1 ∼ B ( n 1 , p ) , X 2 ∼ B ( n 2 , p ) X_1\sim B(n_1,p),X_2\sim B(n_2,p) X1∼B(n1,p),X2∼B(n2,p),则 X = X 1 + X 2 ∼ B ( n 1 + n 2 , p ) X=X_1+X_2\sim B(n_1+n_2,p) X=X1+X2∼B(n1+n2,p)
2. max { X , Y } \max\{X,Y\} max{X,Y}和 min { X , Y } \min\{X,Y\} min{X,Y}的分布
设 X , Y X,Y X,Y相互独立，分布函数分别为 F X ( x ) F_X(x) FX(x)和 F Y ( y ) F_Y(y) FY(y),则：
Z = max { X , Y } Z=\max\{X,Y\} Z=max{X,Y}的分布函数为：
F max ( z ) = F X ( z ) ⋅ F Y ( z ) F_{\max}(z)=F_X(z)\cdot F_Y(z) Fmax(z)=FX(z)⋅FY(z) 证明：
F m a x ( z ) = P { Z ⩽ z } = P { m a x { X , Y } ⩽ z } F_{max}(z)=P\{Z\leqslant z\}=P\{max\{X,Y\}\leqslant z\} Fmax(z)=P{Z⩽z}=P{max{X,Y}⩽z}
又因为 Z ⩽ z Z\leqslant z Z⩽z 等价于 X , Y X,Y X,Y均 ⩽ z \leqslant z ⩽z，所以
F m a x ( z ) = P { X ⩽ z , Y ⩽ z } = P { X ⩽ z } P { Y ⩽ z } = F X ( z ) ⋅ F Y ( z ) F_{max}(z)=P\{X\leqslant z,Y\leqslant z\}=P\{X\leqslant z\}P\{Y\leqslant z\}=F_X(z)\cdot F_Y(z) Fmax(z)=P{X⩽z,Y⩽z}=P{X⩽z}P{Y⩽z}=FX(z)⋅FY(z)Z = min { X , Y } Z=\min\{X,Y\} Z=min{X,Y}的分布函数为：
F min ( z ) = 1 − [ 1 − F X ( z ) ] ⋅ [ 1 − F Y ( z ) ] F_{\min}(z)=1-[1-F_X(z)]\cdot[1-F_Y(z)] Fmin(z)=1−[1−FX(z)]⋅[1−FY(z)] 证明：
F m i n ( z ) = P { Z ⩽ z } = P { m i n { X , Y } ⩽ z } = 1 − P { m i n { X , Y } > z } F_{min}(z)=P\{Z\leqslant z\}=P\{min\{X,Y\}\leqslant z\}=1-P\{min\{X,Y\}> z\} Fmin(z)=P{Z⩽z}=P{min{X,Y}⩽z}=1−P{min{X,Y}>z}
又因为 Z > z Z>z Z>z等价于 X , Y X,Y X,Y均 > z > z >z，所以
F m a x ( z ) = 1 − P { X > z , Y > z } = 1 − P { X > z } P { Y > z } = 1 − [ 1 − P { X ⩽ z } ] [ 1 − P { Y ⩽ z } ] = 1 − [ 1 − F X ( z ) ] ⋅ [ 1 − F Y ( z ) ] F_{max}(z)=1-P\{X> z,Y> z\}=1-P\{X> z\}P\{Y> z\}\\=1-[1-P\{X\leqslant z\}][1-P\{Y\leqslant z\}]\\=1-[1-F_X(z)]\cdot[1-F_Y(z)] Fmax(z)=1−P{X>z,Y>z}=1−P{X>z}P{Y>z}=1−[1−P{X⩽z}][1−P{Y⩽z}]=1−[1−FX(z)]⋅[1−FY(z)]推广
设随机变量 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn相互独立，分布函数分别为 F X 1 ( x 1 ) F_{X_1}(x_1) FX1(x1)和 F X 2 ( x 2 ) , . . . , F X n ( x n ) F_{X_2}(x_2),...,F_{X_n}(x_n) FX2(x2),...,FXn(xn),则：
max { X 1 , X 2 , . . . , X n } \max\{X_1,X_2,...,X_n\} max{X1,X2,...,Xn}的分布函数为：
F max ( z ) = F X 1 ( z ) ⋅ F X 2 ( z ) . . . F X n ( z ) F_{\max}(z)=F_{X_1}(z)\cdot F_{X_2}(z)...F_{X_n}(z) Fmax(z)=FX1(z)⋅FX2(z)...FXn(z)
min { X 1 , X 2 , . . . , X n } \min\{X_1,X_2,...,X_n\} min{X1,X2,...,Xn}的分布函数为：
F min ( z ) = 1 − [ 1 − F X 1 ( z ) ] ⋅ [ 1 − F X 2 ( z ) ] . . . [ 1 − F X n ( z ) ] F_{\min}(z)=1-[1-F_{X_1}(z)]\cdot [1-F_{X_2}(z)]...[1-F_{X_n}(z)] Fmin(z)=1−[1−FX1(z)]⋅[1−FX2(z)]...[1−FXn(z)]
若 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn相互独立，具有相同的分布函数 F ( z ) F(z) F(z)，则
F max ( z ) = [ F ( z ) ] n ， F min ( z ) = 1 − [ 1 − F ( z ) ] n F_{\max}(z)=[F(z)]^n，\qquad F_{\min}(z)=1-[1-F(z)]^n Fmax(z)=[F(z)]n，Fmin(z)=1−[1−F(z)]n3.连续型随机变量函数的分布: Z = X + Y Z=X+Y Z=X+Y
分布函数法：
设二维连续型随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度为 f ( x , y ) f(x,y) f(x,y),求 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y)的概率密度
F Z ( z ) = P { Z ⩽ z } = P { g ( X , Y ) ⩽ z } = ∬ g ( x , y ) ⩽ z f ( x , y ) d x d y F_Z(z)=P\{Z\leqslant z\}=P\{g(X,Y)\leqslant z\}=\iint\limits_{g(x,y)\leqslant z}f(x,y)dxdy FZ(z)=P{Z⩽z}=P{g(X,Y)⩽z}=g(x,y)⩽z∬f(x,y)dxdy
f Z ( z ) = F Z ′ ( z ) f_Z(z)=F'_Z(z) fZ(z)=FZ′(z)4.瑞利分布
瑞利分布：当一个随机二维向量的两个分量呈独立的、有着相同的方差、均值为0的正态分布时，这个向量的模呈瑞利分布
-
第三章 二维随机变量及其分布
2017-02-23 16:01:31第三章 二维随机变量及其分布一、二维随机变量的联合分布与边缘分布 二维随机变量 设 XX, YY 为随机变量，称 (X,Y)(X, Y) 为二维随机变量。 联合分布函数 F(x,y)=P{X⩽x,Y⩽y} F(x, y) = P\{X \leqslant x, Y \...展开全文第三章 二维随机变量及其分布
一、二维随机变量的联合分布与边缘分布
- 二维随机变量
设 X ,Y 为随机变量，称 (X,Y) 为二维随机变量。 - 联合分布函数
F(x,y)=P{X⩽x,Y⩽y} - 边际分布函数
FX(x)=P{X⩽x}FY(y)=P{Y⩽y}
二、二维离散型随机变量及其分布
- 设
X
,
Y 为离散型随机变量，称 (X,Y) 为二维离散型随机变量。 - 联合分布律
P{X=xi,Y=yj}=pij(i=1,2,⋯,n) - 边缘分布律
P{X=xi}=∑j=1npij=pi∙(i=1,2,⋯,m)P{Y=yj}=∑i=1mpij=p∙j(j=1,2,⋯,n)
三、二维连续型随机变量及其分布
- 设
(X,Y)
为二维随机变量，若存在二元非负可积函数
f(x,y)
， 使得
F(x,y)=∫x−∞du∫y−∞f(u,v)dv
称 (X,Y) 为二维连续型随机变量，其中 f(x,y) 为 (X,Y) 的联合密度函数。 - 边缘分布
边际密度函数
fX(x)=∫+∞−∞f(x,y)dyfY(y)=∫+∞−∞f(x,y)dx
边缘分布函数
FX(x)=∫x−∞fX(x)dx=∫x−∞∫+∞−∞f(x,y)dyFY(y)=∫y−∞fY(y)dy=∫y−∞∫+∞−∞f(x,y)dx
四、条件分布
- 离散型
P{X=xi|Y=yj}=pijp⋅jP{Y=yj|X=xi}=pijpi⋅ - 连续型
条件密度
fY|X(y|x)=f(x,y)fX(x)当{X=x}下Y的条件密度fX|Y(x|y)=f(x,y)fY(y)当{Y=y}下X的条件密度
五、随机变量的独立性
- 两个随机变量独立的定义
F(x,y)=FX(x)×FY(y) - 随机变量独立的等价条件
pijf(x,y)=pi∙×p∙j=fX(x)fY(y)离散型连续型
六、常见的二维随机变量及分布
- 二维均匀分布
(X,Y)∼U(D)
f(x,y)={1A0,(x,y)∈D,(x,y)∉D - 二维正态分布
(X,Y)∼N(μ1,μ2,σ21,σ22,ρ)
f(x,y)=12πσ1σ21−ρ2−−−−−√exp(12(1−ρ2)[(x−μ1)2σ21−2ρ(x−μ1)(y−μ2)σ1σ2+(y−μ2)2σ22])
七、二维随机变量函数的分布
- 离散型
P{U=uk}=∑φ(xi,yj)=ukpij - 连续型
FU(u)=P{U⩽u}=P{φ(X,Y)⩽u}=∬φ(x,y)⩽uf(x,y)dxdy - 常用二维随机变量的函数及分布
-
U=min{X,Y}
，
V=max{X,Y}
FU(u)FV(v)=1−[1−FX(u)][1−FY(u)]=FX(v)×FY(v) -
U=X+Y
如果 (X,Y)∼f(x,y) ，则
fU(u)=∫+∞−∞f(x,u−x)dx=∫+∞−∞f(u−y,y)dy - 前提 X,Y 相互独立
- X∼B(m,p),Y∼B(n,p),U∼B(m+n,p)
- X∼P(λ1),Y∼P(λ2),U∼P(λ1,λ2)
- X∼N(μ1,σ21),Y∼N(μ2,σ22),U∼N(μ1+μ2,σ21+σ22)
-
U=min{X,Y}
，
V=max{X,Y}
- 二维随机变量
-
Matlab求解离散型二维随机变量的概率密度分布
2021-05-27 15:46:17函数accumarray不是太行，方阵中很多的0浪费内存，我可没有几百G的内存ε=(´ο｀*)))唉。 Matlab代码实现 function tong1joint = calmi(u1, u2, wind_size) x = [u1, u2]; //% x是2个列向量组成的矩阵 n = wind_... -
009 二维随机变量分布 min max 习题
2017-11-29 07:04:39009 二维随机变量分布 min max 习题 -
第二章 一维随机变量及分布
2017-02-22 20:46:30第二章 一维随机变量及分布一、随机变量、分布函数及性质 随机变量 分布函数 分布函数的性质 二、离散型随机变量及分布离散型随机变量的定义若随机变量 XX 的可能取值为有限个或可列个，称 XX 为离散型随机变量。... -
概率论-二维随机变量及其分布
2020-11-16 11:26:08分布函数pmf 定义 F(x,y)=P{X≤x,Y≤y}F(x,y) = P\{X\leq x,Y\leq y\}F(x,y)=P{X≤x,Y≤y}叫做X和Y的联合分布。 左图为定义域，右图为概率值： 性质 0≤F(x,y)≤10 \leq F(x,y) \leq 10≤F(x,y)≤1. F(x,y)F(x,y)F... -
概率论与数理统计总复习(二)一维随机变量及分布
2021-06-05 14:43:55一维随机变量及分布分布函数性质常见随机变量及其分布离散型分布律常见离散型随机变量及分布0-1分布二项分布泊松分布连续型性质随机变量函数的概率分布 分布函数 随机变量：通俗说，随机变量就是一次随机试验产生的... -
概率论与数理统计(3.3)二维随机变量条件分布
2020-04-15 09:53:18这个条件分布主要只针对二维的 一、离散型随机变量的条件分布 同理固定一个X为一个常数则可得Y的条件分布律 **注：**离散型的求在什么条件下X或Y的条件分布律，知道他们的联合分布律很重要. 1） 观察这个公式。 ... -
利用MATLAB来绘制二维随机变量的联合概率密度图像
2021-07-30 15:36:57本文档通过MATLAB来绘制二维随机变量(X,Y)的联合概率密度函数。其中X服从标准正态分布，Y服从均匀分布。 【例题】已知随机变量X与Y相互独立，X~N(0,1);Y在区间[0,2]上服从均匀分布。求： （1）二维随机变量(X,Y)的...
