概率论与数理统计：第二、三章:一维~n维随机变量及其分布

Ch2. 一维随机变量及其分布

1.一维随机变量

1.随机变量

①X=X(ω)
②一般用大写字母表示

2.分布函数$F(x)$

(1)定义

1.定义：
称函数 $F(x)=P\{X\le x\}(-\infty <x<+\infty )$ 为随机变量X的分布函数，或称 X服从F(x)分布，记为X~F(x)

(2)分布函数的性质 (充要条件)

①$0\le F(x)\le 1$：分布函数是事件的概率，满足有界性
②$F(x)单调不减$：x从-∞取到+∞的过程中，F(x)单调不减，从0逐渐变大到1
③$F(x)右连续$：F(a+0)=F(a)
④$\underset{x\to -\infty }{\lim }F(x)=F(-\infty )=0，\underset{x\to +\infty }{\lim }F(x)=F(+\infty )=1$

若函数F(x)满足性质②-④，则F(x)必为某个随机变量的分布函数。

⑤$f(x)=F^{\prime }(x)$

(3)分布函数的应用——求概率

1.一元分布函数：
$P\{X\le a\}=F(a)$

$P\{X<a\}=F(a^{-})$

$P\{X=a\}=P\{X\le a\}-P\{X＜a\}=F(a)-F(a^{-})$
【一点处的概率，用于离散型、混合型随机变量】

若$P\{X=a\}=0，即F(a)-F(a^{-})$，即要求左连续。

$P\{X>a\}=1-P\{X\le a\}=1-F(a)$

因为分布函数统一用F字母，所以不同分布函数是用F的不同角标来区分，如X和Y不同分布，则分布函数为$F_X(z)、F_Y(z$)

2.二元分布函数：
$F_Z(z)=P\{Z\le z\}=P\{Z(X,Y)\le z\}$

3.最大最小值函数

①$P\{max\{X,Y\}\le a\}=P\{X\le a，Y\le a\}$

②$P\{min\{X,Y\}\ge a\}=P\{X\ge a，Y\ge a\}$

$P\{a<max\{X,Y\}\le b\}=P\{a<U\le b\}=P\{U\le b\}-P\{U\le a\}=P\{X\le b，Y\le b\}-P\{X\le a，Y\le a\}$

---

例题1：08年7.   Z=max{X,Y}与Z=min{X,Y}的分布函数

分析：

$F^2(x)：Z=max\{X,Y\}$，独立，同分布
$F(x)F(y)：Z=max\{X,Y\}$，独立，不同分布
$1-[1-F(x){]}^2：Z=min\{X,Y\}$，独立，同分布
$1-[1-F(x)][1-F(y)]：Z=min\{X,Y\}$，独立，不同分布

答案：A

例题1变式——将Z改为$Z=min\{X,Y\}$，再求Z的分布函数

分析：主要是看①max还是min，②是否同分布。就看这两个。最大值是乘积，最小值是 1-[ ]，同分布无角标，不同分布有角标

①分布函数的定义：分布函数F与概率P的关系
②最大值最小值的定义
③独立：P的乘积可拆为乘积的P，同理F可拆
④同分布：角标可以抹去了，合并。

答案：

---

4.习题

---

习题1：10年7.

分析：$PX=1=F(1)-F(1-0)=1-e^{-1}-\frac{1}{2}=\frac{1}{2}-e^{-1}$

答案：C

习题2：19年14.   分类讨论、数学期望

分析：

答案：$\frac{2}{3}$

习题3：09年8.

分析：

答案：B

习题4：23李林四(一)9.

分析：

答案：D

习题5：16年22(3)

---

常见的两类随机变量——离散型随机变量、连续型随机变量

2.一维离散型随机变量及其概率分布(分布律)

1.离散型随机变量：如果随机变量X只能取有限个或可列个值$x_1,x_2,...$，则称X为离散型随机变量

2.分布律：
(1)分布律的定义
称$P\{X=x_i\}=p_i，i=1,2,...$为离散型随机变量X的分布律 或 X的概率分布，记为$X\sim p_i$。其函数图形为“步步高的阶梯函数”。

离散型随机变量的概率分布是分布律。可用矩阵或表格表示。

(2)分布律的性质(充要条件)
①$p_k\ge 0$
②规范性(归一性)：$\sum _{i=1}^{+\infty }{p}_i=1$

3.特点
(1)分布函数 $F(x)=\sum _{x_i\le x}{p}_i$，即F(x) = x扫过的离散点的概率之和。F(x)是“步步高的阶梯函数”。
(2)归一性：$\sum _{i=1}^n{p}_i=1$
(3)概率：
①一点处概率：$P\{X=a\}=F(a)-F(a-0)$
②区间上概率：$P\{X\in B\}=\sum _{x_i\in B}{p}_i$

4.离散型随机变量的概率分布（分布律）

①先求该离散型随机变量的取值范围，一一列举：
Z=XY的取值范围：-1，0，1

②求每一个取值的概率：
P{XY=-1}=…
P{XY=0}=…
P{XY=1}=…

③列分布律：

Z=XY	-1	0	1
P

---

例题1：23李林四(一)16.   数学期望+分布律

分析：

答案：$\frac{3-\sqrt{3}}{2}$

---

3.一维连续型随机变量及其概率分布(概率密度)

1.定义：
若随机变量X的分布函数可表示为 $F(x)={\int }_{-\infty }^{x}f(t)dt(-\infty <x<+\infty )$，
其中f(x)是非负可积函数，则称X为连续型随机变量，称f(x)为连续型随机变量X的概率密度函数，简称概率密度，记为 X~f(x)

2.概率密度f(x)的性质、充要条件：
①非负性：$f(x)\ge 0$

②归一性：${\int }_{-\infty }^{+\infty }f(x)\mathrm{d}x=1$

③$P\{a<X\le b\}=F(b)-F(a)={\int }_a^{b}f(x)\mathrm{d}x$

④在f(x)的连续点x处，$F^{\prime }(x)=f(x)$

其中①② 非负性和归一性，是f(x)成为概率密度的充要条件

已知f(x)为概率密度，则 $f(ax+b)为概率密度\iff a=\pm 1$
【若|a|≠1，或f(x²) 或f²(x)均不是概率密度】

$F_1(x)F_2(x)$为 $max\{X_1,X_2\}$的分布函数，$f_1(x)F_2(x)+F_1(x)f_2(x)$为它的概率密度

3.求解f(x)
①F(x)求导：先求F(x)，则$f(x)=F^{\prime }(x)$
②由二维概率密度求边缘概率密度：已知f(x,y)表达式，则$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy$

4.特点
(1)分布函数 $F(x)=P\{X\le x\}={\int }_{-\infty }^{x}f(t)dt$，记为 $X\sim f(x)$。F(x)是连续函数。
(2)f(x)非负、可积，且有归一性：${\int }_{-\infty }^{+\infty }f(x)\mathrm{d}x=1$
(3)概率：
①一点处概率：$P\{X=a\}=0$ 。(即＜、≤的概率相等)
②区间上概率：$P\{X\in B\}={\int }_{B}f(x)\mathrm{d}x$

5.概率P、分布函数F、概率密度f的关系
①$P\{X\le a\}=F(a)={\int }_{-\infty }^{a}f(x)dx$
$P\{X>a\}$$=1-P\{X\le a\}=1-F(a)$$={\int }_a^{+\infty }f(x)dx$
$P${ $a<X\le b$ } $=F(b)-F(a)={\int }_a^{b}f(x)dx$

②$F(x)={\int }_{-\infty }^{x}f(t)dt$
  $f(x)=F^{\prime }(x)$

f可以唯一确定F，但F不能推出f。如U(a,b)和U[a,b]，f的x一个开区间，一个闭区间，都能得到同样的F(x)

---

例题1：02年10.

分析：

A.${\int }_{-\infty }^{+\infty }f(x)dx={\int }_{-\infty }^{+\infty }(f_1(x)+f_2(x))dx={\int }_{-\infty }^{+\infty }{f}_1(x)dx+{\int }_{-\infty }^{+\infty }{f}_2(x)dx=2\ne 1\therefore f_1(x)+f_2(x)$不是概率密度
B.${\int }_{-\infty }^{+\infty }f(x)dx={\int }_{-\infty }^{+\infty }{f}_1(x)f_2(x)dx\ne 1\therefore f_1(x)f_2(x)$不是概率密度
C.$F(+\infty )=F_1(+\infty )+F_2(+\infty )=2\ne 1\therefore F_1(x)+F_2(x)$不是分布函数

D.①$0\le F_1(x)F_2(x)\le 1$
②$F_1(x)F_2(x)$单调不减
③$F_1(x)F_2(x)$右连续
④$F(+\infty )=F_1(+\infty )F_2(+\infty )=1，F(-\infty )=F_1(-\infty )F_2(-\infty )=0$
∴$F_1(x)F_2(x)$必为某个随机变量的分布函数。

答案：D

例题2：11年7.

分析：
①如果对乘法的求导法则熟悉，则会发现D的 $f_1(x)F_2(x)+f_2(x)F_1(x)=[F_1(x)F_2(x){]}^{\prime }$
②验证性质：${\int }_{-\infty }^{+\infty }{f}_1(x)F_2(x)+f_2(x)F_1(x)\mathrm{dx}={\mathrm{F}}_1(\mathrm{x}){\mathrm{F}}_2(\mathrm{x}){|}_{-\infty }^{+\infty }=1\times 1-0\times 0=1$
满足$f(x)\ge 0$、${\int }_{-\infty }^{+\infty }f(x)\mathrm{d}x=1$，为概率密度

答案：D

---

6.习题

---

习题1：2016年23.

求概率密度，先求分布函数，再求导。

答案：
（1）F_T(t) = P{T≤t} = P{ max{X₁，X₂，X₃}≤t } = P{ X₁≤t，X₂≤t，X₃≤t } = P{X₁≤t}·P{X₂≤t}·P{X₃≤t} = P³{X≤t} = F³_X(t)

（2）aT为θ的无偏估计 ⇦⇨ E(aT)=θ

---

4.一般类型(混合型)随机变量及其分布

1.定义

2.解题
只能用定义 $F(X)=P\{X\le x\}$，分区间讨论。最好画图。注意自变量取遍(-∞,+∞)

3.类型
①离散型→离散型
②连续型→连续型 或 混合型

5.常见的随机变量分布类型：八大分布

1.离散型 (5种)

①0-1分布

0-1分布的概率分布为：
①$P\{X=1\}=p，P\{X=0\}=1-p$

或 ②$P\{X=k\}=p^k(1-p{)}^{1-k}，k=0,1$

②二项分布 X~B(n,p)

n重伯努利实验：干一件事，要么成功，要么失败。成功概率为p，失败概率为1-p。则干这件事n次，成功了k次的概率为

$$P\{X=k\}={\mathrm{C}}_n^k{p}^k(1-p{)}^{n-k}(k=0,1,2,...,n)$$
其中，${\mathrm{C}}_n^k=\frac{n\cdot (n-1)\cdot ...\cdot (n-k+1)}{k!}$

---

习题1：09年14.   二项分布的期望与方差、E(S²)=D(X)、无偏估计

分析：

答案：-1

习题2：16年8.

分析：

答案：A

习题3：01年19.    考点：二项分布、泊松分布、条件概率

---

③泊松分布

若随机变量X的概率分布为
$$P\{X=k\}=\frac{{\lambda }^k}{k!}{e}^{-\lambda }(k=0,1,2,...;\lambda >0)$$
则称X服从参数为λ的泊松分布(Poisson)，记作 $X\sim P(\lambda )$。E(X)=λ，D(X)=λ。

λ称为强度。泊松分布的数学期望 E(X)=λ。

应用：
①某场合下，单位时间内源源不断的质点来流的数量
②稀有事件发生的概率

泊松分布由二项分布近似而来。

---

习题1：01年19.    考点：二项分布、泊松分布、条件概率

分析：
X服从泊松分布，X~P(λ)
Y服从二项分布，Y~B(n,p)

---

④几何分布

【几何分布$G(p)$，首中即停止的伯努利试验。】

若X的概率分布为 $P\{X=k\}=(1-p{)}^{k-1}p(k=1,2,...;0<p<1)$，则称X服从参数为p的几何分布，记为 $X\sim G(p)$

几何分布是离散型的等待分布

---

例题1：  几何分布推广，首二中即停止：$P=C_{k-1}^1(1-p{)}^{k-2}{p}^2$

答案：

---

⑤超几何分布

超几何分布 $H(n,N,M)$

$P\{X=k\}=\frac{C_M^k{C}_{N-M}^{n-k}}{C_N^n}$

2. 连续型 (3种)

①均匀分布

均匀分布，是一维的几何概型

②指数分布

1.指数分布的概率密度：
若连续型 随机变量X的概率密度为
$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$
其中λ>0为常数，则称X服从参数为λ的指数分布，记为X~E(λ)

2.指数分布的分布函数：
$$F(x)=\{\begin{array}{ll}1-e^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$

指数分布是连续型等待分布。
指数分布的λ是失效率，指数分布的数学期望$E(X)=\frac{1}{\lambda }$

3.指数分布的无记忆性
$P\{X>s+t|X>t\}=\frac{P\{X>s+t\}}{P\{X>t\}}=\frac{e^{-\lambda (s+t)}}{e^{-\lambda t}}=e^{-\lambda s}=P\{X>s\}$

①$P\{X>X_1|X>X_2\}=P\{X>X_1-X_2\}$
②指数分布的λ是失效率，在失效率λ不变的情况下，该理想元件是无损耗的。因此工作1年失效的概率和工作2年失效的概率相等，因此有无记忆性。

---

习题1：19年22(1)

分析：Z = 指数分布×两点分布

答案：
(1) E(X)~1，∴$F(x)=\{\begin{array}{ll}1-e^{-x},& x>0\\ 0,& x\le 0\end{array}$

$f_Z(z)=F_Z^{\prime }(z)$

对于F_Z(z)：
F_Z(z) = P{Z≤z} = P{XY≤z} = P{Y=-1}·P{XY≤z|Y=-1} + P{Y=1}·P{XY≤z|Y=1} = p·P{-X≤z} + (1-p)·P{X≤z}

对于P{-X≤z} ：
P{-X≤z} = P{-z≤X} = P{X≥-z} = 1-P{X≤-z} =1-F_X(-z) [连续型随机变量，某一点的概率为0]

∴F_Z(z) =p·[1-F_X(-z)] + (1-p)·F_X(z)

对z的取值进行分类讨论：
当z>0时，F_Z(z) =p·[1-0] + (1-p)·(1-e^-z) = p+(1-p)·(1-e^-z)
当z≤0时，F_Z(z) =p·[1-(1-e^z)] + (1-p)·0 = pe^z

∴ $F_Z(z)=\{\begin{array}{ll}p+(1-p)\cdot (1-e^{-z}),& z>0\\ p{e}^z,& z\le 0\end{array}$

∴ $f_Z(z)=F_Z^{\prime }(z)\{\begin{array}{ll}(1-p)\cdot e^{-z},& z>0\\ p{e}^z,& z\le 0\end{array}$

---

③正态分布

若X的概率密度为：
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{1}{2}(\frac{x-\mu }{\sigma }{)}^2}=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{(x-{\mu }^{)}}^2}{2{\sigma }^2}}(-\infty <x<+\infty )$$
其中-∞<μ<+∞，σ>0，则称X服从参数为N(μ,σ²)的正态分布，或称X为正态变量，记为$X\sim N(\mu ,{\sigma }^2)$。

①f(x)关于x=μ对称。
②当$x=\mu$时，f(x)取最大值 $f(\mu )=\frac{1}{\sqrt{2\pi }\sigma }$，只与$\sigma$有关。

1.标准正态分布
X~N(0,1)，则标准正态分布的概率密度φ(x)为：
$$\begin{gathered} \phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}，(-\infty <x<+\infty ) \\ Ф(x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx \\ {\int }_{-\infty }^{+\infty }\phi (x)dx={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}\mathrm{d}x=1 \end{gathered}$$

上α分位点
若X~N(0,1)，点${\mu }_{\alpha }$右侧概率为α ($P\{X>{\mu }_{\alpha }\}=\alpha$)，则称${\mu }_{\alpha }$为标准正态分布的上α分位点(上侧α分位数)

公式：

推论：
①$Ф(0)=\frac{1}{2}$
②$Ф(x)+Ф(-x)=1$

结论：对于标准正态分布 $X\sim N(0,1)$
①$P={\int }_{-\infty }^{+\infty }\phi (x)dx=1$
②$E(X)={\int }_{-\infty }^{+\infty }x\phi (x)dx=0$
（理解1：φ(x)是偶函数，xφ(x)为奇函数，在对称区间上积分为0. 理解2：${\int }_{-\infty }^{+\infty }x\phi (x)dx$即为标准正态分布的数学期望，X~N(0,1)，则期望为0）

2.正态分布的独立可加性
若X与Y分别服从正态分布$N({\mu }_1,{\sigma }_1^2)$与$N({\mu }_2,{\sigma }_2^2)$，且X与Y相互独立。
则$Z=X-Y$也服从正态分布，$Z\sim N({\mu }_1-{\mu }_2,{\sigma }_1^2+{\sigma }_2^2)$

独立可加性 (XY独立且同类型分布)

若X与Y独立，且满足以下5种同类型分布，则具有独立可加性.

分布	X,Y独立	⇨ 独立可加性
①二项分布	X~B(m,p)， Y~B(n,p)	X+Y~ B(m+n,p)
②泊松分布	X~P(λ₁)， Y~P(λ₂)	X+Y~ P(λ₁+λ₂)
③正态分布	X~N(μ₁,σ₁²)， Y~N(μ₂,σ₂²)	$X\pm Y\sim N({\mu }_1\pm {\mu }_2，{\sigma }_1^2+{\sigma }_2^2)$
④卡方分布	X~χ²(m)， Y~χ²(n)	X+Y~ χ²(m+n)
⑤指数分布	X~E(λ₁)， X~E(λ₂)	$min\{X,Y\}$$\sim E({\lambda }_1+{\lambda }_2)$

3.正态分布 μ，σ 对图像的影响
期望μ：对称轴位置
方差σ：方差越大，越分散（越不集中，在均值附近的面积越小）

---

例题1：23李林六套卷(三)9. 独立可加性

分析：

答案：C

习题1：17年14.   标准正态分布

分析：

答案：2

习题2：19年23(1)

习题3：12年23.   正态分布的独立可加性

分析：
(3)注意样本与总体独立同分布

答案：
(1)∵X与Y相互独立且分别服从正态分布
∴由正态分布的独立可加性知 Z=X-Y 也服从正态分布，Z~N(0,3σ²)

(3)$E({\hat{\sigma }}^2)=E(\frac{\sum _{i=1}^n{Z}_i^2}{3n})=\frac{1}{3n}E(\sum _{i=1}^n{Z}_i^2)=\frac{1}{3n}\sum _{i=1}^{n}E(Z_i^2)=\frac{1}{3n}\sum _{i=1}^{n}E(Z^2)=\frac{1}{3n}\times n\times [D(Z)+E^2(Z)]=\frac{1}{3}\times (3{\sigma }^2+0)={\sigma }^2$
∴${\hat{\sigma }}^2$是σ²的无偏估计

习题4：13年07.   正态分布 μ，σ 对图像的影响

答案：A

习题5：06年14.   正态分布 μ，σ 对图像的影响

答案：A

习题6：16年7.   正态分布 μ，σ 对图像的影响

分析：将X标准化为标准正态分布

答案：B

---

6.一维随机变量函数的分布

Ch3. 多维随机变量及其分布

多维随机变量：联合、边缘、条件、独立性、函数分布

1.二维(n维)随机变量

1.多维随机变量

X：一维随机变量
(X,Y)：二维随机变量
(X₁,X₂,…,X_n)：n维随机变量

2.多维随机变量的分布函数

(1)联合分布函数

(1)概念
$F(x,y)=P\{X\le x,Y\le y\}$ (-∞

(2)性质
③二维规范性/归一性：若为二维连续型随机变量，$F(+\infty ,+\infty )={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)\mathrm{d}x\mathrm{d}y=1$

---

例题1：10年22.(1)

---

(2)边缘分布函数

$F_X(x)=P\{X\le x,Y\le +\infty \}=F(x,+\infty )$
$F_Y(y)=P\{X\le +\infty ,Y\le y\}=F(+\infty ,y)$

边缘分布函数，考试常考

常见的两类二维随机变量：离散型随机变量、连续型随机变量

2.二维离散型随机变量及其分布

(1)联合分布律

$p_{ij}=P\{X=x_i,Y=y_j\}i,j=1,2,...$
(X,Y)的分布律 或 X和Y的联合分布律，记为$(X,Y)\sim p_{ij}$

联合分布律的求法：求出每个P{ }的值，画分布律

---

例题1：09年22.(2)

---

(2)边缘分布律

联合分布律的右边缘 $p_{i\cdot }$、下边缘$p_{\cdot j}$，称为X、Y的边缘分布律

联合分布律：$p_{ij}=P\{X=x_i,Y=y_j\}$

边缘分布率：
①$p_{i\cdot }=P\{X=x_i\}$
②$p_{\cdot j}=P\{Y=y_j\}$

(3)条件分布律

$条件=\frac{联合}{边缘}$

3.二维连续型随机变量及其分布

(1)二维随机变量的概率密度 f(x,y)：联合概率密度

(1)定义

设F(x,y) 是 二维随机变量(X,Y) 的 分布函数，若存在非负函数f(x,y),使得对于任意实数x、y，有$$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)dudv$$
则称(X,Y)为二维连续型随机变量，称函数f(x,y)为二维随机变量(X,Y)的概率密度（随机变量X和Y的联合概率密度）

(2)性质

1.非负性：f(x,y)≥0
2.规范性/归一性：
$$F(x,y)={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dxdy=F(+\infty ,+\infty )=1$$
3.设D是xOy平面上的一个区域，则(X,Y)落在D内的概率为
$$P\{(X,Y)\in D\}=\underset{D}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y$$

举例：$若Z=2X-Y，则F_Z(z)=P\{Z\le z\}=P\{2X-Y\le z\}=\underset{2x-y\le z}{\iint }f(x,y)dxdy$

当(X,Y)服从二维均匀分布时，$P\{(X,Y)\in D\}=\underset{D}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y=\frac{S(D)}{S(A)}$

4.偏导

---

例题1：03年5.   二维连续型随机变量的分布：f(x,y)的性质   注意积分区域的限：D∩定义域

分析：设D是xOy平面上的一个区域，则(X,Y)落在D内的概率为$P\{(X,Y)\in D\}=\underset{D}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y$

答案：$\frac{1}{4}$

例题2：12年07.   f(x,y)的性质：$P\{(X,Y)\in D\}=\underset{D}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y$

分析：

答案：A

例题3：16年22.(2)

---

(2)边缘分布

1.边缘概率分布

$F_X(x)=F(x,+\infty )={\int }_{-\infty }^x[{\int }_{-\infty }^{+\infty }f(u,v)dv]du$
$F_Y(y)=F(+\infty ,y)$

2.边缘概率密度

$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)\mathrm{d}y$ 【注意上下限是代y的取值，x是常数】

$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)\mathrm{d}x$

---

例题1：由联合概率密度求边缘概率密度
口诀：求谁不积谁，后积先定限，限内画条线，先交写下限，后交写上限

例题2：10年22.(2)

---

(3)条件分布

1.条件概率密度

$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$

$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$ 【条件= 联合/边缘】

概率密度乘法公式：

2.条件分布函数

---

例题1：07年10.   条件概率密度

分析：
∵ 随机变量(X,Y)服从二维正态分布，且X与Y不相关，则X与Y相互独立。
∴ $f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}=\frac{f_X(x)\cdot f_Y(y)}{f_Y(y)}=f_X(x)$

答案：A

例题2：22年10.

答案：D

例题3：10年22.(2)

---

(4)二维均匀分布

设D是坐标平面xOy上面积为A的有界区域D，若二维随机变量(X,Y)的概率密度为
$$f(x,y)=\{\begin{array}{cc}\frac{1}{A},& (x,y)\in D，\\ 0,& (x,y)\notin D\end{array}$$
则称(X,Y)在区域D上服从均匀分布，记为 (X,Y) ~ U_D

---

例题1：16年22.

答案：查看李艳芳的讲解

---

(5)二维正态分布

1.定义：
若二维随机变量(X,Y)的概率密度为

则称(X,Y)为服从参数μ₁,μ₂,σ₁,σ₂,ρ的二维正态分布，记作 $(X,Y)\sim N({\mu }_1,{\mu }_2;{\sigma }_1,{\sigma }_2;\rho )$

2.性质
(1)二维正态分布：X与Y相互独立 ⇦⇨ X与Y不相关，ρ_XY=0

(2)若(X,Y)服从二维正态分布，则：
①X、Y各自服从一维正态分布：
即若有$(X,Y)\sim N({\mu }_1,{\mu }_2;{\sigma }_1,{\sigma }_2;\rho )$，则 $X\sim N({\mu }_1,{\sigma }_1)$，$Y\sim N({\mu }_2,{\sigma }_2)$

②X,Y的线性组合$aX+bY(a\ne 0或b\ne 0)$ 也服从正态分布

---

例题1：15年14.   二维正态分布，$\rho =0$则X与Y独立

分析：

答案：$\frac{1}{2}$

例题2：11年14.

分析：∵ρ=0 ∴X与Y相互独立 ∴E(XY²)=E(X)·E(Y²)=E(X)·[D(X)+E²(Y)]=μ(σ²+μ²)

答案：μ(σ²+μ²)

例题3：07年10.

---

4.独立性 【随机变量的独立性】

(1)定义 (相互独立的充要条件)

对于(X,Y)是二维随机变量：

①普通：
$P\{X\le x，Y\le y\}=P\{X\le x\}\cdot P\{Y\le y\}\iff X,Y独立$
$F(x,y)=F_X(x)\cdot F_Y(y)\iff X,Y独立$

②离散：$\forall i,j$，有$p_{ij}=p_{i\cdot }\cdot p_{\cdot j}\iff X,Y独立$
若$ョi,j$，使得$p_{ij}\ne p_{i\cdot }\cdot p_{\cdot j}$，则X,Y不独立

③连续：$f(x,y)=f_X(x)\cdot f_Y(y)\iff X,Y独立$

(2)独立的性质

两变量独立，则P{ }可拆：P{X≤a}·P{Y≤b} = P{X≤a,Y≤b}
注意，F要先转换为P，然后P可拆。

详情查看此文：https://blog.csdn.net/Edward1027/article/details/126604163

5.二维随机变量 函数的分布

常考三类多维随机变量

(1)(离散型,离散型)→离散型

比较简单

(2)(连续型,连续型)→连续型

①分布函数法

$$P\{(X,Y)\in D\}=\underset{D}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y$$

①$F_Z(z)=P\{Z\le z\}=P\{g(x,y)\le z\}=\underset{g(x,y)\le z}{\iint }f(x,y)\mathrm{d}x\mathrm{d}y$
②$f_Z(z)=F_Z^{\prime }(z)$

②卷积公式

卷积公式：专门针对 加、减、乘、除
口诀：积谁不换谁，换完求偏导 (对z求偏导，乘其系数的绝对值)

(3)(离散型,连续型)→连续型

①离散+连续：全概率公式

X和Y，一格离散，一个连续：Z=XY，先用全概率公式，再用独立性

---

例题1：基础30讲 3.11   离散+连续：全概率公式 (“全集分解思想”)

答案：

习题1：09年8.   离散+连续：全概率公式

分析：

答案：B

习题2：23李林4套卷(二)22.(1)   离散+连续：全概率公式

答案：

---