二维随机变量
一般,设
E
为一个随机试验,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,由他们构成的一个向量
(X,Y)
叫做二维随机向量,或者二维随机变量。
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}
称为
二维随机变量
(X,Y)
的分布函数,或称为
随机变量
X
和
Y
的联合分布函数。
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,即对任意固定的
y
,当
x2>x1
时,
F(x2,y)≥F(x1,y)
;对于任意固定的
x
,当
y2≥y1
时
F(x,y2)≥F(x,y1)
2∘
0≤F(x,y)≤1
且
对于任意固定的
y
,
F(−∞,y)=0
对于任意固定的
x
,
F(x,−∞)=0
F(−∞,+∞)=0,F(+∞,+∞)=1
3∘
F(x+0,y)=F(x,y),F(x,y+0)=F(x,y)
,即对于
F(x,y)
关于
x
右连续,
关于
y
也右连续。
4∘
对于任意
(x1,y1),(x2,y2),x1<x2,y1<y2
下面不等式成立:
F(x2,y2)−F(x2,y1)+F(x1,y1)−F(x1,y2)≥0
离散型随机变量
如果二维随机变量
(X,Y)
所有可能取值为
(xi,yi),i,j=1,2,⋯
,记
P{X=xi,Y=yj}=pij,i,j=1,2,⋯
,则由概率的定义有
pij≥0,∑i=1∞∑j=1∞pij=1
我们称
P{X=xi,Y=yj}=pij,i,j=1,2,⋯
为二维离散型随机变量
(X,Y)
的
分布律,或称随机变量
X
和
Y
的
联合分布律
我们可以使用表格来表示
X
和
Y
的联合分布律
与一维随机变量类似,对二维随机变量
(X,Y)
的分布函数
F(x,y)
,如果存在
非负可积函数
f(x,y)
使得对于任意
x,y
有
F(x,y)=∫y−∞∫x−∞f(u,v)dudv
则称
(X,Y)
是
连续型的二维随机变量,函数
f(x,y)
称为二维随机变量
(X,Y)
的
概率密度,或称为联合随机变量
X
和
Y
的
联合概率密度。
按照定义,概率密度
f(x,y)
具有以下性质:
1∘
:
f(x,y)≥0
.
2∘
:
∫+∞−∞∫+∞−∞f(x,y)dxdy=F(+∞,+∞)=1
3∘
:
假设
G
是
xOy
平面上的区域,点
(X,Y)
落在
G
内的概率为
P{(X,Y)∈G}=∫∫Gf(x,y)dxdy
4∘
:
若
f(x,y)
在点
(x,y)
连续,则有
∂2F(x,y)∂x∂y=f(x,y)
边缘分布
二维随机变量
(X,Y)
作为一个整体,具有分布函数
F(x,y)
。而
X
和
Y
都是随机变量,各自也有相应分布函数,将他们分布记为
FX(x),FY(y)
,依次称为二维随机变量
(X,Y)
关于
X
和关于
Y
的边缘分布函数。
边缘分布函数可以由
(X,Y)
的分布函数
F(x,y)
所确定,事实上:
FX(x)=P{X≤x}=P{X≤x,Y<∞}=F(x,∞)
即:
FX(x)=F(x,∞)FY(y)=F(∞,y)
离散随机变量
FX(x)=F(x,+∞)=∑xi≤x∑j=1∞pij
X
的分布律为:
P{X=xi}=∑j=1∞pij,i=1,2,⋯
Y
的分布律为:
P{Y=yi}=∑i=1∞pij,j=1,2,⋯
记:
pi⋅=∑j=1∞pij=P{X=xi},i=1,2,⋯
p⋅j=∑i=1∞pij=P{Y=yj},j=1,2,⋯
分别称
pi⋅(i=1,2,⋯)
和
pj⋅j(j=1,2,⋯)
为
(X,Y)
关于
X
和
Y
的
边缘分布律.
连续型随机变量
(X,Y)
,设他的概率密度为
f(x,y)
,由于
FX(x)=F(x,∞)=∫x−∞[∫∞−∞f(x,y)dy]dx
X
是一个
连续型随机变量,且其概率密度为:
fX(x)=∫∞−∞f(x,y)dy
Y
是一个连续型随机变量,且其概率密度为:
fY(y)=∫∞−∞f(x,y)dx
分布称
fX(x)
和
fY(x)
为
(X,Y)
关于
X
和关于
Y
的
边缘概率密度。
二维正态分布
设二维随机变量
(X,Y)
的概率密度为
f(x,y)=12πσ1σ21−ρ2−−−−−√exp{−12(1−ρ2)[(x−μ1)2σ21−2ρ(x−μ1)(x−μ2)σ1σ2+(y−μ2)2σ22]}
其中
μ1,μ2,σ1,σ2,ρ
都是常数,且
σ1>0,σ2>0,−1<ρ<1
。我们称
(X,Y)
为服从
μ1,μ2,σ1,σ2,ρ
的二维正态分布。
记为:
(X,Y)∼N(μ1,μ2,σ21,σ22,ρ)
另一种表示方法:
X=(x1x2),μ=(μ1μ2)
(X1,X2)
的协方差矩阵为:
C=(c11c21c12c22)=(σ21ρσ1σ2ρσ1σ2σ22)
它的行列式为:
detC=σ21σ22(1−ρ2)
C
的逆矩阵为:
C−1=1detC(σ22−ρσ1σ2−ρσ1σ2σ21)
(X−μ)TC−1(X−μ)=1detC(x1−μ1x2−μ2)(σ22−ρσ1σ2−ρσ1σ2σ21)(x1−μ1x2−μ2)=11−ρ2[(x−μ1)2σ21−2ρ(x−μ1)(x−μ2)σ1σ2+(y−μ2)2σ22]
于是
(X1,X2)
的概率密度可以写成:
f(x1,x2)=1(2π)2/2(detC)1/2exp{−12(X−μ)TC−1(X−μ)}
条件分布
设
(X,Y)
是二维离散型随机变量,其分布律为:
P{X=x,Y=yi}=pij,i,j=1,2,⋯
(X,Y)
关于
X
和关于
Y
的边缘分布律分别为:
P{X=xi}=pi⋅=∑i=1∞pij,i=1,2,⋯P{Y=yi}=p⋅j=∑j=1∞pij,j=1,2,⋯
设
p⋅j>0
,考虑在事件
{Y=yj}
已经发生的条件下事件
{X=xi}
发生的概率,也就是求事件
{X=xi∣Y=yj},j=1,2,⋯
的概率,由条件概率公式,可得
P{X=xi∣Y=yj}=P{X=xi,Y=yj}P{Y=yj}=pijp⋅j,i=1,2,⋯
上面
条件概率具有分布律的性质:
1∘P{X=xi∣Y=yj}≥0;2∘∑i=1∞P{X=xi∣Y=yj}=∑i=1∞pijp⋅j=1p⋅j∑i=1∞pij=p⋅jp⋅j=1
定义:
设
(X,Y)
是二维离散型随机变量,
对于固定的
j
,若
P{Y=yj}>0
则称:
P{X=xi∣Y=yj}=P{X=xi,Y=yj}P{Y=yj}=pijp⋅j,i=1,2,⋯
为在
Y=yj
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=xi}>0
,则称
P{Y=yj∣X=xi}=P{X=xi,Y=yj}P{X=xi}=pijpi⋅,j=1,2,⋯
为在
X=xj
条件下随机变量
Y
的条件分布律
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
fY(y)
。若对于固定的
y
,
fY(y)>0
,则称
f(x,y)fY(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)
称
∫x−∞fX∣Y(x∣y)dx=∫x−∞f(x,y)fY(y)dx
为在
Y=y
的条件下
X
的条件分布函数。记:
P{X≤x∣Y=y}
或者
FX∣Y(x∣y)
,即:
FX∣Y(x∣y)=P{X≤x∣Y=y}=∫x−∞f(x,y)fY(y)dx
且满足条件:
fX∣Y(x∣y)=f(x,y)fY(y)∫∞−∞fX∣Y(x∣y)dx=∫∞−∞f(x,y)fY(y)dx=1fY(y)∫∞−∞f(x,y)dx=1
相互独立的随机变量
定义:
设
F(x,y)
以及
FX(x),FY(y)
分别是二维随机变量
(X,Y)
的分布函数以及边缘分布函数,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)
⇔
若
(X,Y)
是连续型随机变量,
f(x,y),fX(x),fY(y)
分别为
(X,Y)
的概率密度和边缘概率密度,则
X
和
Y
相互独立的条件为
f(x,y)=fX(x)fY(y)
在平面上几乎处处成立(除去面积为零的集合外处处成立。)
则称随机变量
X
和
Y
是
相互独立的.
两个随机变量的函数分布(连续)
Z=X+Y
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
若
X
和
Y
相互独立,设
(X,Y)
的关于
X
和
Y
的边缘概率密度分别为
fX(x)
和
fY(y)
则上式可以写为:
fX+Y(Z)=∫+∞−∞fX(z−y)fY(y)dy
或
fX+Y(Z)=∫+∞−∞fX(x)fY(z−x)dx
这两个公式被称为
fX
和
fY
的
卷积公式,记为
fX∗fY
即:
fX∗fY=∫+∞−∞fX(z−y)fY(y)dy=∫+∞−∞fX(x)fY(z−x)dx
Z=YX,Z=XY
M=max{X,Y},M=min{X,Y}