随机向量
随机向量
Y
P{(X, Y) D} f(x, y)dxdy
2x 3y 6
f(x, y)dxdy
3 1 ( 6 2 x ) 3 0
2 x
D
2
2x+3y=6
dx
0
6e
( 2 x 3 y )
6 e
0
3
1 3 y ( e 3
dy 1 ( 6 2x ) )3 dx 0
2/5
1 2/5
P
3/5
2/5
P{X=xi,Y=yj) ≠P(X=xi)P(Y=yj )
不独立
P{X=xi,Y=yj)=P(X=xi)P(Y=yj )
独立
例2 二维随机向量(X,Y)的联合概率分布为:
X Y -1 0 0.05 1 0.1 2 0.1
求:(1)常数a的取值;
0
1
0.1
a
0.2
0.2
x
1
联合分布函数与边缘分布函数的关系 定义 则称 设二维随机向量(X，Y)的联合分布函数为 F(x,y),
FX ( x) F ( x,) P( X x, Y ) P( X x)
f (s, t )dtds ( f (s, t )dt )ds f
x
2 s
ds e
1 2 s x 1 3t y ( 1 e 2 x )( 1 e 3 y ) dt 6( e ) ( e ) 0 3 0 2
(1 e 2 x )(1 e 3 y ) 即: P ( X x , Y y ) 0
x 0, y 0 其它
以下主要研究二维离散型及连续型随机向量的情形。 2. 二维离散型随机向量的联合概率分布、边缘概率分布 定义 如果二维随机向量（X,Y）的全部取值数对为有限 个或至多可列个，则称随机向量（X,Y）为离散型的。 易见，二维随机向量(X,Y)为离散型的等价于它的每个分量 X与Y分别都是一维离散型的。
第二章随机向量总结
fY ( y) f 2 ( y) f ( x, y)dx
事实上, (1)f1(x)≥0, (2) 若a<b,则
b
P{a<X<b}= P{a<X<b,-∞<Y<+∞}= dx f ( x, y )dy
返回
例2.1.2.设随机变量Y~N（0，1），令
0, | Y | 1
0, | Y | 2
X 1 1,
|Y
|
, 1
X
2
1,
| Y | 2
求（X1，X2）的联合概率分布。
解:(X1,X2)的取值数对为(0,0),(0,1),(1,0),(1,1),
P(X1=0,X2=0)=P(|Y|≥1,|Y|≥2) =P(|Y|≥2) =1-P(|Y|<2) =-2Φ(2)=0.0455
i
一般地,记: P(X=xi)
Pi .
P(Y=yj)
P. j
分布表如下:
返回
Y X
y1 y2 y j
p. i.
x1 p11 p12 p1 j p1. x2 p21 p22 p2 j p2.
xi pi1 pi2 pij pi.
返回
二维联合概率分布区域图: Y
2
1
P(X≤1,Y≤1}
-1
0
P{X≥0,Y≤1}
1
X
返回
3、边缘概率分布
(1) 定义:随机向量X=（X1,X2,…,Xn）中每一个Xi的分布，称为X关
于Xi的边缘分布。
(2) 边缘分布列 对于离散型随机向量(X,Y),分量X,Y的分布列称为边缘分布列。
概率论第三章 随机向量
第三章随机向量在实际问题中，除了经常用到一个随机变量的情形外，还常用到多个随机变量的情形.例如，观察炮弹在地面弹着点e的位置，需要用它的横坐标X（e）与纵坐标Y（e）来确定，而横坐标和纵坐标是定义在同一个样本空间Ω={e}={所有可能的弹着点}上的两个随机变量.又如，某钢铁厂炼钢时必须考察炼出的钢e的硬度X（e）、含碳量Y（e）和含硫量Z（e）的情况，它们也是定义在同一个Ω={e}上的三个随机变量.因此，在实用上，有时只用一个随机变量是不够的，要考虑多个随机变量及其相互联系.本章以两个随机变量的情形为代表，讲述多个随机变量的一些基本内容.第一节二维随机向量及其分布1.二维随机向量的定义及其分布函数定义3.1设E是一个随机试验，它的样本空间是Ω={e}.设X（e）与Y（e）是定义在同一样本空间Ω上的两个随机变量，则称（X（e），Y（e））为Ω上的二维随机向量（2-dimensional random vector）或二维随机变量(2-dimensional random variable)，简记为（X，Y）.类似地定义n维随机向量或n维随机变量（n>2）.设E是一个随机试验，它的样本空间是Ω={e}，设随机变量X1（e），X2（e），…，X n(e)是定义在同一个样本空间Ω上的n个随机变量，则称向量（X1（e），X2（e），…，X m(e))为Ω上的n维随机向量或n维随机变量.简记为（X1，X2，…，X n）.与一维随机变量的情形类似，对于二维随机向量，也通过分布函数来描述其概率分布规律.考虑到两个随机变量的相互关系，我们需要将（X，Y）作为一个整体来进行研究.定义3.2设（X，Y）是二维随机向量，对任意实数x和y，称二元函数F（x，y）=P{X≤x，Y≤y} (3.1)为二维随机向量（X，Y）的分布函数，或称为随机变量X和Y的联合分布函数.类似定义n维随机变量（X1，X2，…，X n)的分布函数.设（X1，X2，…，X n）是n维随机变量，对任意实数x1，x2，…，x n，称n元函数F(x1,x2,…,x n)=P{X1≤x1,X2≤x2,…,X n≤x n}为n维随机变量(X1，X2，…，X n)的联合分布函数.我们容易给出分布函数的几何解释.如果把二维随机变量（X，Y）看成是平面上随机点的坐标，那么，分布函数F（x，y）在（x，y）处的函数值就是随机点（X，Y）落在直线X=x的左侧和直线Y=y的下方的无穷矩形域内的概率(如图3-1所示).根据以上几何解释借助于图3-2，可以算出随机点（X，Y）落在矩形域{x1＜X≤x2，y1＜Y ≤y2}内的概率为：P{x1＜X≤x2,y1＜Y≤y2}=F（x2,y2）-F(x2,y1)-F(x1,y2)+F(x1,y1). （3.2）图3-1 图3-2容易证明，分布函数F （x ，y ）具有以下基本性质：（1） F （x ，y ）是变量x 和y 的不减函数，即对于任意固定的y ，当x 2＞x 1时，F （x 2，y ）≥F （x 1，y ）；对于任意固定的x ，当y 2＞y 1时，F （x ，y 2）≥F （x ，y 1）.（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 ，y ）关于x 和y 是右连续的，即F （x ，y ）=F （x +0，y ），F （x ，y ）=F （x ，y +0）.（4） 对于任意（x 1，y 1），（x 2，y 2）,x 1＜x 2,y 1＜y 2,下述不等式成立：F （x 2，y 2）-F （x 2，y 1）-F （x 1，y 2）+F （x 1，y 1）≥0.与一维随机变量一样，经常讨论的二维随机变量有两种类型：离散型与连续型.2.二维离散型随机变量 定义3.3 若二维随机变量（X ，Y ）的所有可能取值是有限对或可列无穷多对，则称（X ，Y ）为二维离散型随机变量.设二维离散型随机变量（X ，Y ）的一切可能取值为（x i ，y j ）i ，j =1，2，…，且（X ，Y ）取各对可能值的概率为P {X =x i ，Y =y i }=p ij ，i ，j =1，2，…. （3.3）称式（3.3）为（X ，Y ）的（联合）概率分布或（联合）分布律，离散型随机变量（X ，Y ）的联合分布律可用表3-1表示.表3-1由概率的定义可知p ij 具有如下性质： （1） 非负性：p ij ≥0（i ，j =1，2，…）； （2） 规范性：∑ji ijp,=1.离散型随机变量X 和Y 的联合分布函数为F （x ，y ）=P {X ≤x ，Y ≤y }=∑∑≤≤x x yy iji j p， （3.4）其中和式是对一切满足x i ≤x ，y j ≤y 的i ，j 来求和的.例3.1 设二维离散型随机变量（X ，Y ）的分布律如表3-2所示：求P {X ＞1，Y ≥3}及P {X =1}.解 P {X ＞1，Y ≥3}=P {X =2，Y =3}+P {X =2，Y =4}+P {X =3，Y =3}+P {X =3，Y =4}=0.3；P {X =1}=P {X =1,Y =1}+P {X =1,Y =2}+P {X =1,Y =3}+P {X =1,Y =4}=0.2.例3.2 设随机变量X 在1，2，3，4四个整数中等可能地取值，另一个随机变量Y 在1~X 中等可能地取一整数值，试求（X ，Y ）的分布律.解 由乘法公式容易求得（X ，Y ）的分布律，易知{X =i ，Y =j }的取值情况是：i =1，2，3，4，j 取不大于i 的正整数，且P {X =i ，Y =j }=P {Y =j ｜X =i }P {X =i }=i 1·41，i =1，2，3，4，j ≤i . 于是（X ，Y ）的分布律为表3-33.二维连续型随机变量定义3.4 设随机变量（X ，Y ）的分布函数为F （x ,y ），如果存在一个非负可积函数f （x ，y ），使得对任意实数x ，y ，有F （x ，y ）=P {X ≤x ，Y ≤y }=⎰⎰∞-∞-x yv u v u f ,),(d d （3.5）则称（X ，Y ）为二维连续型随机变量，称f （x ，y ）为（X ，Y ）的联合分布密度或概率密度. 按定义，概率密度f （x ，y ）具有如下性质： （1） f （x ，y ）≥0 （-∞＜x ,y ＜+∞）； （2）⎰⎰+∞∞-+∞∞-v u v u f d d ),(=1；（3） 若f （x ，y ）在点（x ，y ）处连续，则有yx y x F ∂∂∂),(2=f (x ,y )；（4） 设G 为xOy 平面上的任一区域，随机点（X ，Y ）落在G 内的概率为P {（X ，Y ）∈G }=⎰⎰Gy x y x f d d ),(. (3.6)在几何上，z =f （x ，y ）表示空间一曲面，介于它和xOy 平面的空间区域的立体体积等于1，P {（X ，Y ）∈G }的值等于以G 为底，以曲面z =f （x ，y ）为顶的曲顶柱体体积. 与一维随机变量相似，有如下常用的二维均匀分布和二维正态分布.设G 是平面上的有界区域，其面积为A ，若二维随机变量（X ，Y ）具有概率密度f （x ，y ）=⎪⎩⎪⎨⎧∈.,0),(,1其他Gy x A则称（X ，Y ）在G 上服从均匀分布.类似设G 为空间上的有界区域，其体积为A ，若三维随机变量（X ，Y ，Z ）具有概率密度f (x ,y ,z )=⎪⎩⎪⎨⎧∈.,0,),,(,1其他G z y x A ，则称（X ，Y ，Z ）在G 上服从均匀分布.设二维随机变量（X ，Y ）具有分布密度f (x ,y )=,121])())((2)([)1(212222221212121221σμσσμμρσμρρσσ-+-------y y x x eπ-∞＜x ＜+∞,-∞＜y ＜+∞，其中μ1,μ2,σ1,σ2,ρ均为常数，且σ1＞0,σ2＞0,-1＜ρ＜1,则称（X ，Y ）为具有参数μ1，μ2，σ1，σ2，ρ的二维正态随机变量，记作：（X ，Y ）~N （μ1，μ2，σ12，σ22，ρ）.例3.3 设（X ，Y ）在圆域x 2+y 2≤4上服从均匀分布，求 （1） （X ，Y ）的概率密度； （2） P {0＜X ＜1，0＜Y ＜1}.解 （1） 圆域x 2+y 2≤4的面积A =4π，故（X ，Y ）的概率密度为f （x ，y ）=⎪⎩⎪⎨⎧≤+.,0,4,4122其他y x π（2） G 为不等式0＜x ＜1，0＜y ＜1所确定的区域，所以P {0＜X ＜1，0＜Y ＜1}=11011(,)d d d d .44Gf x y x y x y ππ==⎰⎰⎰⎰例3.4 设二维随机变量（X ，Y ）的概率密度为f （x ，y ）=⎩⎨⎧>>+-.,0,0,0,)32(其他y x k y x e(1) 确定常数k ；（2）求（X ，Y ）的分布函数；（3）求P {X <Y }.解 （1）由性质有⎰⎰⎰⎰-∞+∞+-+∞∞-+∞∞-=0)32(),(y x k y x y x f y x d d e d d=⎰⎰+∞+∞--032y x ky x d e d e=+∞-+∞-⎥⎦⎤⎢⎣⎡-⎥⎦⎤⎢⎣⎡-03023121y xk e e =k /6=1. 于是，k =6.(2) 由定义有F （x ,y ）=⎰⎰∞-∞-y xv u v u f d d ),(⎪⎩⎪⎨⎧>>--==⎰⎰--+-.,0.0,0),1)(1(60032)32(其他y xy x v u x y v u e e d d e (3) P {X <Y }=(,)d d (,)d d Dx yf x y x y f x y x y <=⎰⎰⎰⎰=.52)1(362300)32(=-=⎥⎦⎤⎢⎣⎡⎰⎰⎰+∞--+∞+-y y x y y y y x d e e d d e 0例3.5 设（X ，Y ）~N （0，0，σ2，σ2，0），求P {X ＜Y }. 解 易知f （x ，y ）=2222221σπσy x +-e （-∞＜x ，y ＜+∞），所以P {X ＜Y }=.212222y x yx y x d d e π⎰⎰<+-σσ.引进极坐标x =r cos θ, y =r sin θ，则P {X ＜Y }=.212122245402=-∞+⎰⎰θσσd d e πππr r r第二节 边缘分布二维随机变量（X ，Y ）作为一个整体，它具有分布函数F （x ，y ）.而X 和Y 也都是随机变量，它们各自也具有分布函数.将它们分别记为F X （x ）和F Y （y ），依次称为二维随机变量（X ，Y ）关于X 和Y 的边缘分布函数（Marginal distribution function ）.边缘分布函数可以由（X ，Y ）的分布函数F （x ，y ）来确定，事实上F X （x ）=P {X ≤x }=P {X ≤x ，Y ＜+∞}=F （x ，+∞）， (3.7) F Y （y ）=P {Y ≤y }=P {X ＜+∞，Y ≤y }=F （+∞，y ）. (3.8)下面分别讨论二维离散型随机变量与连续型随机变量的边缘分布. 1.二维离散型随机变量的边缘分布设（X ，Y ）是二维离散型随机变量，其分布律为：P {X =x i ，Y =y j }=p ij ，i ，j =1，2，….于是，有边缘分布函数F X （x ）=F （x ，+∞）=∑∑≤x x jiji p.由此可知，X 的分布律为：P {X =x i }=ijj p∑，i =1，2，…， (3.9)称其为（X ，Y ）关于X 的边缘分布律.同理，称（X ，Y ）关于Y 的边缘分布律为：P {Y =y j }=ijip∑，j =1，2，…. (3.10)例3.6 设袋中有4个白球及5个红球，现从其中随机地抽取两次，每次取一个，定义随机变量X ，Y 如下：X =⎩⎨⎧;1第一次摸出红球第一次摸出白球，，0, Y =⎩⎨⎧.1第二次摸出红球第二次摸出白球，，0,写出下列两种试验的随机变量（X ，Y ）的联合分布与边缘分布. （1） 有放回摸球；（2） 无放回摸球.解 （1）采取有放回摸球时，（X ，Y ）的联合分布与边缘分布由表3-4给出.表3-4(2) 采取无放回摸球时，（X ，Y ）的联合分布与边缘分布由表3-5给出.表3-5在上例的表中，中间部分是（X ，Y ）的联合分布律，而边缘部分是X 和Y 的边缘分布律，它们由联合分布经同一行或同一列的和而得到，“边缘”二字即由上表的外貌得来.显然，离散型二维随机变量的边缘分布律也是离散的.另外，例3.6的（1）和（2）中的X 和Y 的边缘分布是相同的，但它们的联合分布却完全不同.由此可见，联合分布不能由边缘分布惟一确定，也就是说，二维随机变量的性质不能由它的两个分量的个别性质来确定.此外，还必须考虑它们之间的联系.这进一步说明了多维随机变量的作用.在什么情况下，二维随机变量的联合分布可由两个随机变量的边缘分布确定，这是第四节的内容.2.二维连续型随机变量的边缘分布设（X ，Y ）是二维连续型随机变量，其概率密度为f （x ，y ），由F X （x ）=F （x ，+∞）=⎰⎰∞-+∞∞-⎥⎦⎤⎢⎣⎡xx y y x f d d ),(知，X 是一个连续型随机变量，且其概率密度为f X （x ）=⎰+∞∞-=.),()(y y x f xx F X d d d （3.11） 同样，Y 也是一个连续型随机变量，其概率密度为f Y （y ）=⎰+∞∞-=.),()(x y x f yy F Y d d d (3.12) 分别称f X （x ），f Y （y ）为（X ，Y ）关于X 和关于Y 的边缘分布密度或边缘概率密度.例3.7 设随机变量X 和Y 具有联合概率密度f （x ，y ）=⎩⎨⎧≤≤.,0.,62其他x y x求边缘概率密度f X （x ），f Y （y ）.解f X （x ）=⎪⎩⎪⎨⎧≤≤-==⎰⎰∞+∞-.,0,10),(66),(22其他x x x x x dy y y x f df Y （y ）=⎰⎰∞+∞⎪⎩⎪⎨⎧≤≤-==-d d .,0,10),(66),(其他y yy y y x x y x f 例3.8 求二维正态随机变量的边缘概率密度. 解 f X （x ）=⎰+∞∞-,),(y y x f d ，由于,)())((2)(212122112221212222σμρσμρσμσσμμρσμ--⎥⎦⎤⎢⎣⎡---=----x x y y x y 于是f X （x ）=y x y x d eeπ-⎰∞+∞⎥⎦⎤⎢⎣⎡--------211222121)1(212)(221121σμρσμρσμρσσ令t =⎪⎪⎭⎫ ⎝⎛----1122211σμρσμρx y ， 则有f X （x ）=2121221212)(122)(12121σμσμσσ--∞+∞----=⎰x t x t e πd ee π， -∞＜x ＜∞.同理f Y （y ）=22222)(221σμσ--y e π，-∞＜y ＜∞.我们看到二维正态分布的两个边缘分布都是一维正态分布，并且都不依赖于ρ，亦即对于给定的μ1，μ2，σ1，σ2，不同的ρ对应不同的二维正态分布，它们的边缘分布却都是一样的.这一事实表明，对于连续型随机变量来说，单由关于X 和关于Y 的边缘分布，一般来说也是不能确定X 和Y 的联合分布的.第三节 条件分布由条件概率的定义，我们可以定义多维随机变量的条件分布.下面分别讨论二维离散型和二维连续型随机变量的条件分布.1.二维离散型随机变量的条件分布律定义3.5 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 =x i ｜Y =y j }=P {X =x i ，Y =y j }/P {Y =y j }，i =1，2，…，为在Y =y j 条件下随机变量X 的条件分布律（Conditional distribution ）. 同样，对于固定的i ，若P {X =x i }＞0，则称P {Y =y j ｜X =x i }=P {X =x i ,Y =y j }/P {X =x i }，j =1,2,…,为在X =x i 条件下随机变量Y 的条件分布律.例3.9 已知（X ，Y ）的联合分布律如表3-6所示求：（1） 在Y =1的条件下，X 的条件分布律； （2） 在X =2的条件下，Y 的条件分布律.解 （1） 由联合分布律表可知边缘分布律.于是P {X =1｜Y =1}=4825/41=12/25； P {X =2｜Y =1}=4825/81=6/25；P {X =3｜Y =1}=4825/121=4/25； P {X =4｜Y =1}=4825/161=3/25. 即，在Y =1的条件下X 的条件分布律为 表3-7（2） 同理可求得在X =2的条件下Y 的条件分布律为表3-8 例3.10 一射手进行射击，击中的概率为p （0＜p ＜1），射击到击中目标两次为止.记X 表示首次击中目标时的射击次数，Y 表示射击的总次数.试求X ，Y 的联合分布律与条件分布律.解 依题意，X =m ，Y =n 表示前m -1次不中，第m 次击中，接着又n -1-m 次不中，第n 次击中.因各次射击是独立的，故X ，Y 的联合分布律为P {X =m ,Y =n }=p 2(1-p )n -2, m =1,2,…,n -1, n =2,3…. 又因P {X =m }={}∑∑∞+=∞+=--===1122)1(,m n m n n p p n Y m X P=∑∞+=--122)1(m n n p p=p （1-p ）m -1， m =1，2，…；P {Y =n }=（n -1）p 2（1-p ）n -2， n =2，3，…，因此，所求的条件分布律为当n =2，3，…时，P {X =m ｜Y =n }={}{},11,-====n n Y P n Y m X P m =1，2，…，n -1；当m =1，2，…时，P {Y =n ｜X =m }={}{}1)1(,---====m n p p n Y P n Y m X P ， n =m +1，m +2，…. 2.二维连续型随机变量的条件分布 对于连续型随机变量（X ，Y ），因为P{X =x ，Y =y }=0，所以不能直接由定义3.5来定义条件分布，但是对于任意的ε＞0，如果P {y -ε＜Y ≤y +ε}＞0，则可以考虑P {X ≤x ｜y -ε＜Y ≤y +ε}={}{}.,εεεε+≤<-+≤<-≤y Y y P y y y x X P如果上述条件概率当ε→0+时的极限存在，自然可以将此极限值定义为在Y =y 条件下X 的条件分布.定义3.6 设对于任何固定的正数ε，P {y -ε＜Y ≤y +ε}＞0，若{}{}{}εεεεεεεε+≤<-+≤<-≤=+≤<-≤++→→y Y y P y Y y x X P y Y y x X P ,lim lim 0存在，则称此极限为在Y =y 的条件下X 的条件分布函数，记作P {X ≤x ｜Y =y }或F X ｜Y （x ｜y ）.设二维连续型随机变量（X ，Y ）的分布函数为F （x ，y ），分布密度函数为f （x ，y ），且f （x ，y ）和边缘分布密度函数f Y （y ）连续，f Y （y ）＞0，则不难验证，在Y =y 的条件下X 的条件分布函数为F X ｜Y （x ｜y ）=(,)d .()xY f u y u f y -∞⎰若记f X ｜Y （x ｜y ）为在Y =y 的条件下X 的条件分布密度，则f X ｜Y （x ｜y ）=f （x ，y ）/f Y （y ）.类似地，若边缘分布密度函数f X （x ）连续，f X （x ）＞0，则在X =x 的条件下Y 的条件分布函数为F Y ｜X (y ｜x )=⎰∞-yX v x f v x f d )(),(. 若记f Y ｜X （y ｜x ）为在X =x 的条件下Y 的条件分布密度，则f Y ｜X （y ｜x ）=)(),(x f y x f X .例3.11 设（X ，Y ）~N （0，0，1，1，ρ），求f X ｜Y （x ｜y ）与f Y ｜X (y ｜x ). 解 易知f （x ，y ）=)1(222222121ρρρ-+---y xy x eπ（-∞＜x ，y ＜+∞），所以f X ｜Y （x ｜y ）=)1(2222)1(21)(),(ρρρ----=y x Y x f y x f eπ ；f Y ｜X （y ｜x ）=)1(2222)1(21)(),(ρρρ----=x y X x f y x f eπ .例3.12 设随机变量X ~U (0,1)，当观察到X =x （0＜x ＜1）时，Y ~U (x ,1)，求Y 的概率密度f Y （y ）.解 按题意，X 具有概率密度f X （x ）=⎩⎨⎧<<.,010,1其他x类似地，对于任意给定的值x （0＜x ＜1），在X =x 的条件下，Y 的条件概率密度f Y ｜X （y ｜x ）=⎪⎩⎪⎨⎧<<-.,0,1,11其他y x x因此，X 和Y 的联合概率密度为f （x ，y ）=f Y ｜X （y ｜x ）f X （x ）=⎪⎩⎪⎨⎧<<<-.,0,10,11其他y x x于是，得关于Y 的边缘概率密度为f Y （y ）=⎰⎰∞+∞-⎪⎩⎪⎨⎧<<--=-=.,0,10),1ln(11),(0其他y y y x x x y x f d d第四节 随机变量的独立性我们在前面已经知道，随机事件的独立性在概率的计算中起着很大的作用.下面我们介绍随机变量的独立性，它在概率论和数理统计的研究中占有十分重要的地位.定义3.7 设X 和Y 为两个随机变量，若对于任意的x 和y 有P {X ≤x ，Y ≤y }=P {X ≤x }P {Y ≤y }，则称X 和Y 是相互独立（Mutually independent ）的.若二维随机变量（X ，Y ）的分布函数为F （x ，y ），其边缘分布函数分别为F X （x ）和F Y （y ），则上述独立性条件等价于对所有x 和y 有F (x ，y )=F X （x ）F Y （y ）. (3.13)对于二维离散型随机变量，上述独立性条件等价于对于（X ，Y ）的任何可能取的值（x i ，y j ）有P {X =x i ，Y =y j }=P {X =x i }P {Y =y j }. (3.14)对于二维连续型随机变量，独立性条件的等价形式是对一切x 和y 有f （x ，y ）=f X （x ）f Y （y ）， (3.15)这里，f （x ，y ）为（X ，Y ）的概率密度函数，而f X （x ）和f Y （y ）分别是边缘概率密度函数.如在例3.6中，（1）有放回摸球时，X 与Y 是相互独立的；而（2）无放回摸球时，X 与Y 不是相互独立的.例3.13 设（X ，Y ）在圆域x 2+y 2≤1上服从均匀分布，问X 和Y 是否相互独立？ 解 （X ，Y ）的联合分布密度为f （x ，y ）=⎪⎩⎪⎨⎧≤+.,0,1,122其他y x π由此可得f X （x ）=11,(,)0,.x f x y dy +∞-∞-≤≤=⎪⎩⎰其他 f Y （y ）=⎪⎩⎪⎨⎧≤≤--=⎰∞+∞-.,0,11,12),(2其他y y x y x f πd可见在圆域x 2+y 2≤1上，f （x ，y ）≠f X (x )f Y (y ),故X 和Y 不相互独立.例3.14 设X 和Y 分别表示两个元件的寿命（单位：小时），又设X 与Y 相互独立，且它们的概率密度分别为f X （x ）=⎩⎨⎧>-.,0,0,其他x x e ； f Y （y ）=⎩⎨⎧>-.,0,0,其他y y e求X 和Y 的联合概率密度f （x ，y ）.解 由X 和Y 相互独立可知f （x ，y ）=f X （x ）f Y （y ）=⎩⎨⎧>>+-.,0,0,0,)(其他y x y x e第五节两个随机变量的函数的分布下面讨论两个随机变量函数的分布问题，就是已知二维随机变量（X ，Y ）的分布律或密度函数，求Z =ϕ（X ，Y ）的分布律或密度函数问题.1.二维离散型随机变量函数的分布律设（X ，Y ）为二维离散型随机变量，则函数Z =ϕ（X ，Y ）仍然是离散型随机变量.从下面两例可知，离散型随机变量函数的分布律是不难获得的.例3.15 设（X ，Y ）的分布律为求Z =X +Y 和Z =XY 的分布律.解 先列出下表表3-10从表中看出Z =X +Y 可能取值为-2，0，1，3，4，且P {Z =-2}=P {X +Y =-2}=P {X =-1，Y =-1}=5/20； P {Z =0}=P {X +Y =0}=P {X =-1，Y =1}=2/20；P {Z =1}=P {X +Y =1}=P {X =-1，Y =2}+P {X =2，Y =-1}=6/20+3/20=9/20；P {Z =3}=P {X +Y =3}=P {X =2，Y =1}=3/20； P {Z =4}=P {X +Y =4}=P {X =2，Y =2}=1/20.于是Z =X +Y 的分布律为表3-11同理可得，Z =XY 的分布律为表3-12例3.16 设X ，Y 相互独立，且分别服从参数为λ1与λ2的泊松分布，求证Z =X +Y 服从参数为λ1+λ2的泊松分布.证 Z 的可能取值为0，1，2，…，Z 的分布律为P {Z =k }=P {X +Y =k }={}{}∑=-==ki i k Y P i X P 0=k ki k i k i k i )(!1)!(!21)(01212121λλλλλλλλ+=-+-=---∑e e e ，k =0，1，2，…. 所以Z 服从参数为λ1+λ2的泊松分布.本例说明,若X ,Y 相互独立，且X ~π（λ1），Y ~π（λ2），则X +Y ~π（λ1+λ2）.这种性质称为分布的可加性，泊松分布是一个可加性分布.类似地可以证明二项分布也是一个可加性分布，即若X ，Y 相互独立，且X ~B （n 1，p ），Y ~B （n 2，p ），则X +Y ~B （n 1+n 2，p ）.2.二维连续型随机变量函数的分布设（X ，Y ）为二维连续型随机变量，若其函数Z =ϕ (X ,Y )仍然是连续型随机变量，则存在密度函数f Z （z ）.求密度函数f Z （z ）的一般方法如下：首先求出Z = ϕ（X ，Y ）的分布函数F Z （z ）=P {Z ≤z }=P { ϕ（X ，Y ）≤z }=P {（X ，Y ）∈G }=⎰⎰Gv u v u f d d ),(，其中f （x ，y ）是密度函数，G ={（x ，y ）｜ϕ（x ，y ）≤z }.其次是利用分布函数与密度函数的关系，对分布函数求导，就可得到密度函数f Z （z ）. 下面讨论两个具体的随机变量函数的分布. （1） Z =X +Y 的分布设（X ，Y ）的概率密度为f （x ，y ），则Z =X +Y 的分布函数为F Z （z ）=P {Z ≤z }=(,)d d ,x y zf x y x y +≤⎰⎰，这里积分区域G ：x +y ≤z 是直线x +y =z 左下方的半平面，化成累次积分得F Z （z ）=(,)d d z y f x y x y +∞--∞-∞⎡⎤⎢⎥⎣⎦⎰⎰.固定z 和y ，对积分(,)d z yf x y x --∞⎰作变量变换，令x =u -y ，得(,)d (,)d z yzf x y x f u y y u --∞-∞=-⎰⎰.于是F Z （z ）=(,)d d (,)d .zz --f u y y u y f u y y dy u +∞+∞∞∞-∞-∞⎡⎤-=-⎢⎥⎣⎦⎰⎰⎰⎰由概率密度的定义，即得Z 的概率密度为f Z （z ）=(,)d f z y y y +∞-∞-⎰. (3.16)由X ，Y 的对称性，f Z （z ）又可写成f Z （z ）=(,)d f x z x x ∞-∞-⎰. (3.17)这样，我们得到了两个随机变量和的概率密度的一般公式.特别地，当X 和Y 相互独立时，设（X ，Y ）关于X ，Y 的边缘概率密度分别为f X （x ），f Y （y ），则有f Z （z ）=()()d X Y f z y f y y +∞-∞-⎰； (3.18) f Z （z ）=()()d X Y f x f z x x +∞-∞-⎰. (3.19)这两个公式称为卷积（Convolution ）公式,记为f X *f Y ,即f X *f Y =()()d ()()d X Y X Y f z y f y y f x f z x x +∞+∞-∞-∞-=-⎰⎰.例3.17 设X 和Y 是两个相互独立的随机变量，它们都服从N （0，1）分布，求Z =X +Y 的概率分布密度.解 由题设知X ，Y 的分布密度分别为f X （x ）=2221x -e π， -∞＜x ＜+∞，f Y （y ）=2221y -e π， -∞＜y ＜+∞.由卷积公式知f Z （z ）=x x x x z f x f zx z x z x Y X d e eπd ee πd ⎰⎰⎰∞+∞------∞+∞--∞+∞-==-2222)2(42)(22121)()(.设t =2zx -，得 f Z (z )=44422222121z z t z t --∞+∞---===⎰eππe 2π1d e e π，即Z 服从N （0，2）分布.一般，设X ，Y 相互独立且X ~N （u 1,σ12）,Y ~N （u 2,σ22），由公式（3.19）经过计算知Z=X+Y 仍然服从正态分布，且有Z ~N （u 1+u 2,σ12+σ22）.这个结论还能推广到n 个独立正态随机变量之和的情况，即若X i ~N （u i ,σi 2）(i =1,2,…,n ),且它们相互独立，则它们的和Z =X 1+X 2+…+X n 仍然服从正态分布，且有Z ~N （∑∑=21,i ni i u σ）.更一般地，可以证明有限个相互独立的正态随机变量的线性组合仍服从正态分布. 例3.18 设X 和Y 是两个相互独立的随机变量，其概率密度分别为f X （x ）=⎩⎨⎧≤≤;其他,0,10,1x f Y （y ）=⎩⎨⎧>-.,0,0,其他e y y 求随机变量Z=X+Y 的分布密度.解 X ，Y 相互独立，所以由卷积公式知f Z （z ）=.)()(⎰+∞∞--x x z f x f Y X d .由题设可知f X （x ）f Y （y ）只有当0≤x ≤1，y ＞0，即当0≤x ≤1且z -x ＞0时才不等于零.现在所求的积分变量为x ，z 当作参数，当积分变量满足x 的不等式组0≤x ≤1 x ＜z 时，被积函数f X （x ）f Y （z -x ）≠0.下面针对参数z 的不同取值范围来计算积分.当z ＜0时，上述不等式组无解，故f X （x ）f Y （z -x ）=0.当0≤z ≤1时，不等式组的解为0≤x ≤z .当z ＞1时，不等式组的解为0≤x ≤1.所以f Z （z ）=()01()0e d 1e ,01,e d e (e 1),1,0,.z z x z z x z x z x z ------⎧=-≤≤⎪⎪=->⎨⎪⎪⎩⎰⎰其他， (2) Z =X/Y 的分布设(X ,Y )的概率密度为f （x ，y ），则Z =X /Y 的分布函数为FZ （z ）=P {Z ≤z }=P {X /Y ≤z }=/(,)d d x y zf x y x y ≤⎰⎰.令u =y ，v =x /y ,即x =uv ，y =u .这一变换的雅可比（Jacobi ）行列式为J =1uv =-u . 于是，代入上式得F Z （z ）=(,)d d (,)d d zv zf uv u J u v f uv u u u v +∞-∞-∞≤⎡⎤=⎢⎥⎣⎦⎰⎰⎰⎰.这就是说，随机变量Z 的密度函数为f Z （z ）=⎰+∞∞-.),(u u u zu f d (3.20)特别地，当X 和Y 独立时，有f Z （z ）=⎰+∞∞-u u u f zu f Y X d )()(， (3.21)其中f X （x ），f Y （y ）分别为（X ，Y ）关于X 和关于Y 的边缘概率密度.例3.19 设X 和Y 相互独立，均服从N （0，1）分布，求Z =X /Y 的密度函数f Z （z ）. 解 由3.21式有f Z （z ）=u u u u u f zu f z u Y X d e πd ⎰⎰∞+∞-∞+∞-+-=2)1(2221)()(=)1(11202)1(22z u u z u +=⎰∞++-πd e π， -∞＜z ＜+∞.例3.20 设X ，Y 分别表示两只不同型号的灯泡的寿命，X ，Y 相互独立，它们的概率密度依次为f （x ）=⎩⎨⎧>-;,0,0,其他x x eg （y ）=⎩⎨⎧>-.,0,0,22其他y y e求Z =X/Y 的概率密度函数.解 当z ＞0时，Z 的概率密度为f Z （z ）=⎰⎰+∞+∞+---+==02)2(2)2(222z y y y y y z y yz d e d e e ； 当z ≤0时，f Z （z ）=0.于是f Z （z ）=⎪⎩⎪⎨⎧≤>+.0,0,0,)2(22z z z .（3） M =max(X ,Y )及N =min （X ，Y ）的分布设X ，Y 相互独立，且它们分别有分布函数F X (x )与F Y （y ）.求X ，Y 的最大值，最小值：M =max(X ,Y )，N =min(X ,Y )的分布函数F M （z ），F N （z ）.由于M =max(X ,Y )不大于z 等价于X 和Y 都不大于z ，故P {M ≤z }=P {X ≤z ,Y ≤z }，又由于X 和Y 相互独立，得F M （z ）=P {M ≤z }=P {X ≤z ,Y ≤z }=P {X ≤z }·P {Y ≤z }=F X （z ）·F Y （z ）. （3.22） 类似地，可得N =min(X ,Y )的分布函数为F N (z)=P {N ≤z }=1-P {N >z }=1-P {X >z ,Y >z }=1-P {X >z }·P {Y >z }=1-(1-F X (z ))(1-F Y (z )). （3.23）以上结果容易推广到n 个相互独立的随机变量的情况.设X 1，X 2，…，X n 是n 个相互独立的随机变量，它们的分布函数分别为F Xi (x i )(i =1,2,…,n )，则M =max(X 1,X 2,…,X n )及N =min(X 1,X 2,…,X n )的分布函数分别为F M (z )=F X 1(z )F X 2(z )…F Xn (z ); (3.24)F N (z )=1-[1-F X 1(z )][1-F X 2(z )]…[1-F Xn (z )]. (3.25)特别，当X 1，X 2，…，X n 是相互独立且有相同分布函数F （x ）时，有F M (z )=（F (z )）n , (3.26) F N (z )=1- [1-F (z )]n . (3.27)例3.21 设X ，Y 相互独立，且都服从参数为1的指数分布，求Z =max{X ，Y }的密度函数.解 设X ，Y 的分布函数为F （x ），则F （x ）=⎩⎨⎧<≥--.0,0,0,1x x x e由于Z 的分布函数为F Z （z ）=P {Z ≤z }=P {X ≤z ，Y ≤z }=P {X ≤z }P {Y ≤z }=［F （z ）］2，所以，Z 的密度函数为f Z （z ）=F ′Z (z )=2F (z )F ′(z )=⎩⎨⎧<≥---.0,0,0),1(2z z z z e e下面再举一个由两个随机变量的分布函数求两随机变量函数的密度函数的一般例子. 例3.22 设X ，Y 相互独立，且都服从N （0，σ2），求Z =22Y X +的密度函数.解 先求分布函数F Z （z ）=P {Z ≤z }=P {22Y X +≤z }.当z ≤0时，F Z （z ）=0；当z ＞0时，F Z （z ）=P {22Y X +≤z }=y x y x zy x d d e π222222221σσ+-≤+⎰⎰.图3-3作极坐标变换x =r cos θ，y =r sin θ（0≤r ≤z ，0≤θ＜2π）（如图3-3），于是有F Z （z ）=2222220022121σσθσz zr r r ---=⎰⎰ed ed ππ.故得所求Z 的密度函数为f Z (z )=F ′Z (z )=⎪⎩⎪⎨⎧≤>-.0,0,0,2222z z z z σσe 此分布称为瑞利分布（Rayleigh ），它很有用.例如，炮弹着点的坐标为（X ，Y ），设横向偏差X ~N （0，σ2），纵向偏差Y ~N （0，σ2），X ，Y 相互独立，那么弹着点到原点的距离D 便服从瑞利分布，瑞利分布还在噪声、海浪等理论中得到应用.小 结对一维随机变量的概念加以扩充，就得多维随机变量，我们着重讨论二维随机变量. 1.二维随机变量（X ，Y ）的分布函数：F (x ,y )=P {X ≤x ,Y ≤y },-∞<x <∞，-∞<y <∞.(1) 离散型随机变量（X ,Y ）定义分布律：P {X =x i ,Y =y j }=p ij , i ,j =1,2,…,1,=∑ji ijp.(2) 连续型随机变量（X ，Y ）定义概率密度f (x ,y )(f (x ,y )≥0)：F (x ,y )=⎰⎰∞-∞-y xy x y x f d d ),(,对任意x,y .一般，我们都是利用分布律或概率密度（不是利用分布函数）来描述和研究二维随机变量的.2.二维随机变量的分布律与概率密度的性质与一维的类似.特别，对于二维连续型随机变量，有公式P {(X ，Y )∈G }=⎰⎰Gy x y x f d d ),(.其中，G 是平面上的某区域，这一公式常用来求随机变量的不等式成立的概率，例如：P {Y ≤X }=P {(X ,Y )∈G }=⎰⎰Gy x y x f d d ),(.其中G 为半平面y ≤x .3.研究二维随机变量（X ，Y ）时，除了讨论上述一维随机变量类似的内容外，还讨论了以下新的内容：边缘分布、条件分布、随机变量的独立性等.（1） 对（X ，Y ）而言，由（X ，Y ）的分布可以确定关于X 、关于Y 的边缘分布.反之，由X 和Y 的边缘分布一般是不能确定（X ，Y ）的分布的.只有当X ，Y 相互独立时，由两边缘分布能确定（X ，Y ）分布.（2） 随机变量的独立性是随机事件独立性的扩充.我们也常利用问题的实际意义去判断两个随机变量的独立性.例如，若X ，Y 分别表示两个工厂生产的显像管的寿命，则可以认为X ，Y 是相互独立的.（3） 讨论了Z =X +Y ，Z =X/Y ，M =max(X ,Y )，N =min(X ,Y )的分布的求法.（设（X ，Y ）分布已知）；这是很有用的.4.本章在进行各种问题的计算时，例如，在求边缘概率密度，求条件概率密度，求Z =X +Y的概率密度或在计算概率P {（X ，Y ）∈G }=⎰⎰Gy x y x f d d ),(时，要用到二重积分，或用到二元函数固定其中一个变量对另一个变量的积分.此时千万要搞清楚积分变量的变化范围.题目做错，往往是由于在积分运算时，将有关的积分区间或积分区域搞错了.在做题时，画出有关函数的积分域的图形，对于正确确定积分上下限肯定是有帮助的.另外，所求得的边缘密度、条件密度或Z =X +Y 的密度，往往是分段函数，正确写出分段函数的表达式当然是必须的.重要术语及主题二维随机变量（X ，Y ） （X ，Y ）的分布函数 离散型随机变量（X ，Y ）的分布律 连续型随机变量（X ，Y ）的概率密度 离散型随机变量（X ，Y ）的边缘分布律 连续型随机变量（X ，Y ）的边缘概率密度条件分布函数 条件分布律条件概率密度 两个随机变量X ，Y 的独立性 Z =X +Y 的概率密度 Z =X /Y 的概率密度 M =max(X ,Y )，N =min(X ,Y )的概率密度习 题 三1.将一硬币抛掷三次，以X 表示在三次中出现正面的次数，以Y 表示三次中出现正面次数与出现反面次数之差的绝对值.试写出X 和Y 的联合分布律.2.盒子里装有3只黑球、2只红球、2只白球，在其中任取4只球，以X 表示取到黑球的只数，以Y 表示取到红球的只数.求X 和Y 的联合分布律.3.设二维随机变量（X ，Y ）的联合分布函数为F （x ，y ）=⎪⎩⎪⎨⎧≤≤≤≤.,020,20,sin sin 其他ππy x y x求二维随机变量（X ，Y ）在长方形域⎭⎬⎫⎩⎨⎧≤<≤<36,40πππy x 内的概率. 4.设随机变量（X ，Y ）的分布密度f （x ，y ）=⎩⎨⎧>>+-.,0,0,0,)43(其他y x A y x e求：（1） 常数A ；（2） 随机变量（X ，Y ）的分布函数； （3） P {0≤X ＜1，0≤Y ＜2}. 5.设随机变量（X ，Y ）的概率密度为f （x ，y ）=⎩⎨⎧<<<<--.,0,42,20),6(其他y x y x k（1） 确定常数k ；（2） 求P {X ＜1，Y ＜3}； （3） 求P {X ＜1.5}； （4） 求P {X +Y ≤4}.6.设X 和Y 是两个相互独立的随机变量，X 在（0，0.2）上服从均匀分布，Y 的密度函数为f Y （y ）=⎩⎨⎧>-.,0,0,55其他y y e求：（1） X 与Y 的联合分布密度；（2） P {Y ≤X }.7.设二维随机变量（X ，Y ）的联合分布函数为F （x ，y ）=⎩⎨⎧>>----.,0,0,0),1)(1(24其他y x y x e e求（X ，Y ）的联合分布密度.8.设二维随机变量（X ，Y ）的概率密度为f （x ，y ）=⎩⎨⎧≤≤≤≤-.,0,0,10),2(8.4其他x y x x y求边缘概率密度.9.设二维随机变量（X ，Y ）的概率密度为f （x ，y ）=⎩⎨⎧<<-.,0,0,其他e y x y求边缘概率密度.10.设二维随机变量（X ，Y ）的概率密度为f （x ，y ）=⎩⎨⎧≤≤.,0,1,22其他y x y cx（1） 试确定常数c ；（2） 求边缘概率密度.11.设随机变量（X ，Y ）的概率密度为 f （x ，y ）=⎩⎨⎧<<<.,0,10,,1其他x x y求条件概率密度f Y ｜X （y ｜x ），f X ｜Y （x ｜y ）.12.袋中有五个号码1，2，3，4，5，从中任取三个，记这三个号码中最小的号码为X ，最大的号码为Y .（1） 求X 与Y 的联合概率分布； （2） X 与Y 是否相互独立？（1）求关于X 和关于Y 的边缘分布； （2） X 与Y 是否相互独立？14.设X 和Y 是两个相互独立的随机变量，X 在（0，1）上服从均匀分布，Y 的概率密度为f Y （y ）=⎪⎩⎪⎨⎧>-.,0,0,212/其他y y e （1）求X 和Y 的联合概率密度；（2） 设含有a 的二次方程为a 2+2Xa +Y =0，试求a 有实根的概率.15.设X 和Y 分别表示两个不同电子器件的寿命（以小时计），并设X 和Y 相互独立，且服从同一分布，其概率密度为f （x ）=⎪⎩⎪⎨⎧>.,0,1000,10002其他x x求Z =X /Y 的概率密度.16.设某种型号的电子管的寿命（以小时计）近似地服从N （160，202）分布.随机地选取4只，求其中没有一只寿命小于180的概率.17.设X ，Y 是相互独立的随机变量，其分布律分别为P {X =k }=p （k ），k =0，1，2，…， P {Y =r }=q （r ），r =0，1，2，….证明随机变量Z =X +Y 的分布律为P {Z =i }=∑=-ik k i q k p 0)()(，i=0，1，2，….18.设X ，Y 是相互独立的随机变量，它们都服从参数为n ，p 的二项分布.证明Z =X +Y 服从参数为2n ，p 的二项分布.(1) 求P {X =2｜Y =2}，P {Y =3｜X =0}； （2） 求V =max （X ，Y ）的分布律； （3） 求U =min （X ，Y ）的分布律； （4） 求W =X +Y 的分布律.20.雷达的圆形屏幕半径为R ，设目标出现点（X ，Y ）在屏幕上服从均匀分布. （1） 求P {Y ＞0｜Y ＞X }；（2） 设M =max{X ，Y }，求P {M ＞0}.21 21.设平面区域D 由曲线y =1/x 及直线y =0，x =1,x=e 2所围成，二维随机变量（X ，Y ）在区域D 上服从均匀分布，求（X ，Y ）关于X 的边缘概率密度在x =2处的值为多少？（1998研考）22.设随机变量X 和Y 相互独立，下表列出了二维随机变量（X ，Y ）联合分布律及关于X 和率为p （0<p <1），且中途下车与否相互独立，以Y 表示在中途下车的人数，求：（1）在发车时有n 个乘客的条件下，中途有m 人下车的概率；（2）二维随机变量（X ，Y ）的概率分布. （2001研考）24.设随机变量X 和Y 独立，其中X 的概率分布为X ~⎪⎪⎭⎫ ⎝⎛7.03.021，而Y 的概率密度为f (y )，求随机变量U =X +Y 的概率密度g (u ). (2002研考)25. 设随机变量X 与Y 相互独立，且均服从区间[0,3]上的均匀分布，求P {max{X ,Y }≤1}.(2006研考)26. 设二维随机变量（X ，Y ）的概率分布为+Y .求：（1） a ,b ,c 的值；（2） Z 的概率分布；（3） P {X =Z }. (2006研考)。
2.3 随机向量
x
fX(x) = ∫
+∞
∞
f (x, y)d y
fY( y) = ∫ f (x, y)d x
∞
+∞
fX1(x1) = ∫
∞
∞ ∞
∫
∞
L∫ f (x1, x2,L, xn)d x2 d x3Ld xn
∞
∞
fX1, X2(x1, x2) = ∫
1 2 πσ1σ2 1 ( x 1 ) ( x 1 )( y 2 ) ( y 2 ) exp 2ρ + 2 2 2 2 σ1σ2 σ2 1 ρ 2(1 ρ ) σ1
2 2
1 2πσ
e
( x)2 2σ 2
现要将上式用矩阵形式表示, 引入下面列矩阵: X1 1 X = , = EX = X2 2
G
=∫
∞ ∞
0
∫
y
2e
( 2 x+ y)
1 d xd y = . 3
y
O x G
y≤ x
x dy = ∞ dy ∞ dx ∫ ∞dx ∫ ∞ ∫ ∞ ∫y
∞
常见的二维连续型随机向量
(1) 均匀分布 若二维随机向量(X,Y)的联合概率密度为
1 f (x, y) = SD 0 (x, y) ∈D 其它
2 1 σ2 ρσ1σ2 1 C = 2 det C ρσ1σ2 σ1
伴随矩阵 逆= 行列式
可以证明
(X )'C1(X ) 2 1 σ2 ρσ1σ2 x1 1 (x1 1 x2 2) = 2 det C σ1 x2 2 ρσ1σ2 1 (x1 1)2 (x1 1)(x2 2) (x2 2)2 = 2ρ + 2 2 2 . σ1σ2 1 ρ σ1 σ2
概率论与数理统计第3章随机向量
解 （1）根据概率密度函数性质（2）知
f (x, y)dxdy
Ce(3x4 y) dxdy C e3xdx e4y dy C 1
00
0
0
12
从而 C 1
12
（2）由定义3.3.1知
xy
F(x, y)
f (u,v)dudv
(1 e3x )(1 e4y ), x 0, y 0,
3
7
7
1
3.4.1 二维离散型随机向量的边缘分布
(2) 采取无放回摸球时，与（1）的解法相同，(X,Y)的 联合分布与边缘分布由表3.4给出.
表3.4
Y X
0
1 P{Y=yj} p j
01Biblioteka 2277
2
1
7
7
4
3
7
7
P{X=xi} pi
4 7 3 7
1
3.4.2 二维连续型随机向量的边缘分布
设(X,Y)是二维连续型随机向量，其概率密度为f(x,y)，
由
FX (x) F(x,)
x
f (x,y)dydx
知，X是一个连续型随机变量，且其概率密度为
f X (x)
dFX (x) dx
f (x,y)dy.
（3.4.5）
同样，Y也是一个连续型随机变量，其概率密度为
fY ( y)
= dFY(y)
dy
f (x,y)dx.
(3.4.6)
(X ,Y )
~
N (1,
2
,
2 1
,
2 2
,
)
称(X,Y)为二维正态随机向量．
3.4 边缘分布
1 二维离散型随机向量的边缘分布 2 二维连续型随机向量的边缘分布
随机向量精品PPT课件
二、协方差矩阵
❖ 协方差定义为
Cov x, y E x E x y E y
❖ 若Cov(x,y)=0，则称x和y不相关。 ❖ 两个独立的随机变量必然不相关，但两个不相关的
随机变量未必独立。 ❖ 当x=y时，协方差即为方差，也就是
Cov x, x V x
❖ x x1, x2, , xp 和y y1, y2, , yq 的协方差矩阵 （简称协差阵）定义为
x1 | x2
f2
x2
六、独立性
❖ 两个连续型随机向量的独立
f x, y fx x fy y
❖ n个连续型随机向量的独立
f x1, , xn f1 x1 fn xn
❖ 在实际应用中，若随机向量之间的取值互不影响，
则认为它们之间是相互独立的。
数字特征
❖ 一、数学期望（均值） ❖ 二、协方差矩阵 ❖ 三、相关矩阵
❖ 当p=1时，上述等式就是我们熟知的如下等式：
V ax b a2V x
❖ 例2.3.2 设随机向量x=(x1,x2,x3)′的数学期望和 协方差矩阵分别为
5
4 1 2
μ
2 7
和
Σ
1 2
9 3
253
令y1=2x1−x2+4x3, y2=x2−x3, y3=x1+3x2−2x3, 试求y=(y1,y2,y3)′的数学期望和协方差矩阵。
一、数学期望（均值）
❖ 随机向量 x (x1, x2, , xp )的数学期望
E x E x1 , E x2 , , E xp
记为μ=(μ1,μ2,⋯,μp)′。
❖ 随机矩阵X=(xij)的数学期望
E
x11
E X E xij
第二讲 随机向量
E ( x11 ) E ( x12 ) E ( x1q ) E ( x ) E ( x ) E ( x ) 21 22 2q E ( X) E ( x ) E ( x ) E ( x ) p1 p2 pq
特别当时 q 1 ，便可得到随机向量 x ( x1 , x2 ,, x p )
格单调，其反函数x=(y)有连续导数，则y的概率 密度函数为
f y ( y) f x ( ( y)) | ( y) |
其中y的取值范围与x的取值范围相对应。 例 函数 设随机变量x服从均匀分布U(0,1),即密度
1 f x ( x) 0 0 x 1 其他
求y ln x( 0)的密度函数。
特别：若 y Ax b，其中 A 为 p 阶可逆常数
矩阵，b 为 p 维常数向量，则
J (x y ) A 1 | A |1
的数学期望 E (x) ( E ( x1 ), E ( x2 ),, E ( x p ))
（三）随 ii
i 1 p
2、协方差阵的分解： E ( XX ) 3、total variance ：
| 4、generalized variance ： |
x1 y 1 x2 ( x1 , x2 ,, x p ) J y1 ( y1 , y2 ,, y p ) x p y1
x1 y2 x2 y2 x p y2
x1 y p x2 y p x p y p
（四）随机向量X和Y的（互）协方差阵
' 注：1、非对称： X ,Y Y , X
' 2、协方差阵的分解： X ,Y E( XY ) X Y
大学概率论第三章----随机向量
大学概率论第三章----随机向量第三章 随机向量第一节 二维随机向量及其分布1、二维随机向量及其分布函数定义1：设E 是一个随机试验，它的样本空间是{}e Ω=.设X(e)与Y(e)是定义在同一样本空间Ω上的两个随机变量,则称(X(e),Y(e))为Ω上的二维随机向量或二维随机变量。
简记为(X,Y).定义2：设(X,Y)是二维随机向量,对于任意实数x,y ，称二元函数 F(x,y)=P{X ≦x ，Y ≦y}为二维随机向量(X,Y)的分布函数或联合分布函数。
(X,Y)的分布函数满足如下基本性质： (1)F(x,y)是变量x,y 的不减函数. (2)0≦F(x,y)≦1,(,)0y F y -∞=对于任意的 ,(,)0x F x -∞=对于任意的(,)0(,)1F F -∞-∞=+∞+∞=，(3)(,), (,)(0,)(,)(,0)F x y x y F x y F x y F x y F x y =+=+关于是右连续的，即， 1122121222211211(4)(,)(,),, (,)(,)(,)(,)0x y x y x x y y F x y F x y F x y F x y <<--+≥对于任意和，有2、二维离散型随机变量定义3：若二维随机向量(X,Y)的所有可能取值是有限对或无限可列多对,则称(X,Y) 为二维离散型随机向量。
设(X,Y)的一切可能值为(,) , ,1,2,i j X Y i j =L ，且(X,Y)取各对可能值的概率为,(,), ,1,2,i j i j P X Y P i j ==L(1) 非负性:,0, ,1,2,i j P i j ≥=L ；,(2)1ij i jp =∑规范性：, (,){,}i i ijx x y yX Y F x y P X x Y Y p ≤≤=≤≤=∑∑离散型随机变量的联合分布函数为定义4：{,}(,1,2,...)(,)ij P X x Y Y p i j X Y X Y ≤≤==称为二维离散型随机变量的概率分布或分布律，或随机变量和的联合分布律。
随机向量的方差
随机向量的方差方差是统计学中用于衡量随机变量的离散程度的指标，它是对随机向量的离散程度进行度量的重要工具。
在这篇文章中，我们将详细介绍随机向量的概念、方差的定义以及计算方差的方法。
一、随机向量的概念随机向量是由多个随机变量组成的向量。
在统计学中，我们通常将随机向量表示为一个列向量或行向量，并将其用粗体字母表示。
随机向量可以用于描述多个变量之间的关系，比如人们的身高和体重之间的关系、一组学生的考试成绩等。
二、方差的定义方差是随机向量的离散程度的度量。
对于一个包含n个随机变量的随机向量X，其方差的定义如下：Var(X) = E[(X-E(X))(X-E(X))']其中，E(X)表示X的期望，'(撇)表示矩阵的转置，E[·]表示对括号里的变量取期望操作。
三、计算方差的方法1.公式法：根据方差的定义，我们可以通过计算随机向量的期望和协方差矩阵来计算方差。
协方差矩阵的定义如下：Cov(X) = E[(X-E(X))(X-E(X))']其中，Cov(X)表示随机向量X的协方差矩阵。
方差可以通过协方差矩阵的对角线元素来计算：Var(X) = Cov(X)ii （i = 1,2,...,n）即方差等于协方差矩阵的对角线元素。
2.矩阵法：对于一个n维的随机向量X，我们可以将其表示为一个列向量[X1,X2,...,Xn]的形式，即X = [X1,X2,...,Xn]'。
则方差可以通过以下公式计算：Var(X) = E[XX'] - E[X]E[X]'其中，E[XX']表示随机向量X和X的转置的乘积的期望。
3.切比雪夫不等式：对于一个服从均值为μ、方差为σ^2的随机变量X，我们可以利用切比雪夫不等式来估计X离均值μ的距离。
切比雪夫不等式的表达式如下：P(|X-μ| ≥ kσ) ≤ 1/k^2其中，P表示概率，k表示大于等于1的常数。
该不等式说明，随机变量距离其均值的距离越远，其概率越小。
第二章 随机向量
例2.3.3 Σ 0 x 的分量之间存在线性关系（以 概率1）。 在实际问题中，有时|Σ|=0，其原因是指标之间存在 着线性关系，如某一指标是其他一些指标的汇总值， 这在一般数据报表中是常出现的。我们通常可以通 过删去“多余”指标的办法来确保|Σ|≠0。因此，我 们总假定 Σ>0并不失一般性，这样可保证Σ−1存在， 从而可使数学问题得以简化。
随机向量 x ( x1, x2 , , x p )的数学期望
随机矩阵X的数学期望的性质
(1)设a为常数，则
E(aX)=aE(X) (2)设A,B,C为常数矩阵，则 E(AXB+C)=AE(X)B+C 特别地，对于随机向量x，有 E(Ax)=AE(x) (3)设X1,X2,⋯,Xn为n个同阶的随机矩阵，则 E(X1+X2+⋯+ Xn)=E(X1)+E(X2)+⋯+E(Xn)
协差阵的性质
（1）协差阵是非负定阵，即Σ≥0。 推论 若|Σ|≠0，则Σ>0。 （2）设A为常数矩阵，b为常数向量，则 V Ax b AV x A 当p=1时，上述等式就是我们熟知的如下等式： V ax b a 2V x
例2.3.2
x和y的协方差矩阵与y和x的协差阵互为转置关系，即有 Cov x, y Cov y , x 若Cov(x,y)=0，则称x和y不相关。 两个独立的随机向量必然不相关，但两个不相关的随机向量 未必独立。 x=y时的协差阵Cov(x,x)称为x的协差阵，记作V(x)，即 V x E x E x x E x V x1 Cov x1 , x2 Cov x1 , x p Cov x2 , x1 V x2 Cov x2 , x p Cov x p , x1 Cov x p , x2 V xp V(x)亦记作Σ=(σij)，其中σij=Cov(xi,xj)。
第3章 第三章随机向量
3 x, 0 x 1, x y x, p ( x, y ) 2 0, 其他 .
问X, Y是否独立？ 解
x 3 2 x x d y 3 x , 0 x 1, p X ( x ) p ( x, y ) d y 2 0, 其他 .
例3 设 (X, Y) 的联合分布列如下, 问X, Y是否独立？
X Y
0 1 2
1 2 20 2 20 4 20
0 1 20 1 20 2 20
2 2 20 2 20 4 20
解
X p
易得X和Y的边缘分布律分别为：
0 1 4 1 1 4 2 2 4 Y p 1 2 5 0 1 5 2 2 5
3.4 条件分布与随机变量的独立性
e
dt
1 e 2
( x ).
pY ( y )
1 e 2
y2 2
( y ).
本节
上页
下页
3.3 连续型随机向量及分布
本章
上页
下页
3.4 条件分布与随机变量的独立性
1.离散型条件分布
2.连续型条件分布
3.随机变量的独立性
本章
上页
下页
3.4 条件分布与随机变量的独立性
( xi , yi )(i, j 1,2,), 且 P( X xi ,Y y j ) pij ,
则我们把它称为(X,Y)的联合分布列.
本节
上页
下页
3.2 离散型随机向量及分布
联合分布列:
X
Y
x1 xi
随机向量的特征函数
随机向量的特征函数随机向量是指由多个随机变量构成的向量。
特征函数是指一个随机变量的复值函数，可以唯一地确定该随机变量的分布，同时也可以用于研究随机变量间的独立性和相关性等。
那么，随机向量的特征函数又是什么呢？首先，我们可以将随机向量表示为$\textbf{X}=(X_1,X_2,\cdots,X_n)^T$，其中$X_i$为随机变量，$n$为该随机向量的维数。
然后，我们可以定义该随机向量的特征函数为：$$\phi_{\textbf{X}}(\textbf{t})=\mathbb{E}[e^{i\textbf{t}^T\textbf{X}}]=\mathbb{E}\left[e^{it_1X_1+it_2X_2+\cdots+it_nX_n}\r ight]$$其中，$\textbf{t}=(t_1,t_2,\cdots,t_n)^T$为一个实值向量。
特别地，当$\textbf{t}=\textbf{0}$时，我们有：$$\phi_{\textbf{X}}(\textbf{0})=\mathbb{E}[e^0]=1$$这也是特征函数的一个性质：特征函数在原点处的值始终为1。
特征函数有以下几个重要的性质：1. 独立性：若$\textbf{X}$和$\textbf{Y}$为两个独立的随机向量，则$\phi_{\textbf{X}+\textbf{Y}}(\textbf{t})=\phi_{\textbf{X}}(\ textbf{t})\cdot\phi_{\textbf{Y}}(\textbf{t})$。
2. 稳定性：若$\textbf{X}$和$\textbf{Y}$具有相同的分布，则它们的特征函数相同，即$\phi_{\textbf{X}}(\textbf{t})=\phi_{\textbf{Y}}(\textbf{t})$。
3. 连续性：若$\textbf{X}$的特征函数$\phi_{\textbf{X}}(\textbf{t})$在某一点$\textbf{t}_0$处可微，则其在该点的导数$\frac{\partial}{\partial\textbf{t}}\phi_{\textbf{X}}(\textbf {t})|_{\textbf{t}=\textbf{t}_0}$等于该点处的特征函数$\phi_{\textbf{X}}(\textbf{t}_0)$的傅里叶变换。
概率论第3章 随机向量及其分布
例3 一袋中有五件产品，其中两件次品，三件正品，
从袋中任意依次取出两件，分别采用有放回与不放回 两种方式进行抽样检查，规定随机变量
＝１0,,
第１次取出次品 第１次取出正品
＝１0,,
第２次取出次品 第２次取出正品
则(ξ,η)的联合分布律如下（并可求得边缘分布律）：
表１ 有放回抽样的分布律
设(X, Y)的联合分布律为P{X=xi , Y=yj}= pij (i,j=1,2, …) ，则(X, Y)关于X的边缘分布律有
PX xi PX xi ,Y
P X xi , (Y y j )
j 1
P ( X xi ,Y y j )
FX1,X2,L ,Xn x1, x2,L , xn P : X1() x1, X 2 () x2,L , X n () xn
I P : n Xi () xi
i 1
定理3.1.1 设,F, P为概率空间, 随机向量 X1, X 2,L , X n 的联合分布函数为FX1,X2,L ,Xn ,则
P 0, 1 P 0 P 1 0 2 3 3 5 4 10
P 1, 0 P 1 P 0 1 3 2 3 5 4 10
P 1, 1 P 1 P 1 1 3 2 3 5 4 10
定理3.1.2 设,F, P为概率空间, X1, X 2,L , X n
为其上的随机向量。
(1) 若X1, X 2,L
,
X
都为离散型随机变量，有分布列
n
P Xi aji ，j 1,2,L ，i 1,2,L ,n，
随机向量及其分布
pi2 … pij
pi+12 … pi+1j
：
：
pij+1 … pi+1j+1 …
：
（5）（X，Y）的联合分布函数为：F (x, y)
pij
其中和式是对一切满足xi≤x，yj≤y的i, j来求和的xi。x y j y
例4 一袋中有四个球，上面分别标有数字1，2，2，3
从袋中任取一球后不放回， 再从袋中任取一个球，以
数，另一个随机变量Y在1～X中等可能地取一个数，
试求（X，Y）的分布律
y
x
1
2
3
4
1 1/4
0
0
0
2 1/8
1/8
0
0
3 1/12 4 1/16
1/12 1/16
1/12
0
1/16 1/16
三、 二维连续型随机向量的概率分布
1. 定义 设（X，Y）的分布函数为F（x, y），如 果存在非负函数 f(x, y)，使得对于任意实数 x, y 有
F（x+0,y）=F（x,y），F（x,y+0）= F（x,y） （4）对于任意的x1＜x2, y1＜y2有下列不等式
F（x2 , y2）-F（x2 , y1）-F（x1 ,y2）+ F（x1 ,y1）≥0
思考: F(-,+)=?
例1、设（X，Y）的分布函数
x
y
F( x, y) A(B arctan 3 )(C arctan 4 ) ( x , y
求 A,B,C 的值及概率P{X≤3,Y≤4}
解: 由分布函数的性质,
F(, ) 1, F(, ) 0, F(, ) 0, 得
随机向量的知识
P{X 1,Y 0} P{X 1,Y 1} F(0,0) P{X 0,Y 0} 0.3 0.1
二维连续型随机向量及其概率密度
• 设 (X ,为Y)二维随机向量, 若存在一个非负可积的二
注 (X ,Y为) 二维离散型随机向量当且仅当 X均,为Y 离 散型随机变量.
• 联合分布律的性质： pij 0 i, j 1,2,
pij 1
i1 j 1
• 由联合分布律确定联合分布函数
F(x, y) P{X x,Y y} pij xi x, y j y
例 F(x2, y2 ) ?
{}
上的两个随机变量, 则称 (X为,Y二) 维随机变量或二维
随机向量。
二维随机向量的联合分布函数
设(X ,是Y )二维随机向量, 对任意实数 ,x二, y元函数
F(x, y) PX x (Y y) 记为PX x,Y y
称为二维随机向量(X,Y)的联合分布函数.
联合分布函数的性质
1. F(x是, y) 的x,不y 减函数，即
x1 时x2， F(x1, y) F(x2 , y) y1 时y，2 F(x, y1) F(x, y2 ) 2. 0 F(x, y) 1 F(, y) F(x,) F(,) 0 F(,) 1
3. F(x关, y)于 均x,为y 右连续，即
F(x, y) F(x 0, y), F(x, y) F(x, y 0)
（4）
例4 设随机向量 (X ,Y ) 的联合密度函数为
Ke(3x4 y) x 0, y 0
f (x, y)
0
else
第三章 随机向量
第三章 随机向量在有些随机现象中，每次试验的结果需同时用多个指标来描述，如炮弹的弹着点的平面坐标，飞机的重心在空中的位置需三个坐标来确定，等等。
我们称由n 个随机变量1ξ,2ξ,n ξ, 构成的向量ξ=()n ξξξ,,,21 为n 维随机向量。
为简单起见，本节着重研究二维随机向量。
§1 二维随机向量及其分布函数定义 设()ηξ,是二维随机变量，对任意实数y x ,，称二元函数()()y x P y x F ≤≤=ηξ,,为二维随机变量()ηξ,的联合分布函数。
由定义可以知道，对于任意b a <,d c <，有()d c b a P ≤<≤<ηξ,()()()()c a F c b F d a F d b F ,,,,+--=与一维随机变量的分布函数相类似，二维随机变量()ηξ,的联合分布函数),(y x F 有以下几个性质：（1）()1,0≤≤y x F（2）()y x F ,关于变量x 或y 单调增加； （3）()y x F ,关于变量x 或y 都是右连续的；（4）()0,=∞-y F ,()0,=-∞x F ,()0,=-∞∞-F ,()1,=+∞∞+F ；由于二维随机变量的每一个分量都是一维随机变量，从而它们有各自的分布函数()()x P x F ≤=ξξ和()()y P x F ≤=ηη，称为分量ξ和η的边缘分布函数。
由定义可以得到()()x P x F ≤=ξξ()()y x F x P y ,lim ,+∞→=+∞<≤=ηξ()+∞=,x F ，R x ∈类似，()y F η()y F ,∞+=，R y ∈例 设二维随机变量()ηξ,的联合分布函数为()⎩⎨⎧>>+--=-----其它00,01,y x e e e y x F xy y x y x λ 称这分布为二维指数分布，其中参数0≥λ。
利用上面所给公式，容易求得关于随机变量ξ和η的边缘分布函数分别为：()=x F ξ()+∞,x F ⎩⎨⎧≤>-=-001x x e x ()=y F η()y F ,∞+⎩⎨⎧≤>-=-0001y y e y 它们都是一维指数分布函数，且与参数λ无关。
随机向量
布. 2） X , X ,, X ) ~ F ( x , x ,, x ) （ ( 1 2 n 1 2 n
Fi ( xi ) F (,, , xi , ,, ),
i 1, 2, , n
例3.1.1 设二维随机向量 X , Y 的联合分布 函数为
对于x,当y2 y1时，有F ( x, y2 ) F ( x, y1 ).
3 F ( x, y)关于变量 x 和 y 右连续。
o
即F ( x, y) F ( x 0, y), F ( x, y) F ( x, y 0),
4 0 F ( ,) xlim F ( x , y ) 1.
即 P{( X , Y ) D}
( xi , y j )D
pij
特别地，联合分布函数为：
F ( x, y ) P{ X x, Y y}
xi x , y j y
pij
4、边缘概率分布
p P{ X xi } P{ X x ,Y } i
X i
P{ X xi ,Y y j } pij , i 1, 2,
F ( ,) x F ( x , y ) 0, lim
y
y
F ( , y ) lim F ( x , y ) 0,
x
y
x
o y
x
F ( x,) lim F ( x, y ) 0,
y
注：以上四条性质是分布函数的四条基本性质，也是判断一个 二元函数作为随机向量的分布函数的四个基本条件。
x, y
x
记作( X , Y ) ~ F ( x, y)