【设二维随机变量】在概率论中，二维随机变量是用于描述两个相关联的随机现象的数学工具。它由两个一维随机变量组成，可以用来研究两个变量之间的关系，如独立性、相关性等。本文将对二维随机变量的基本概念进行总结，并通过表格形式展示其主要特征和计算方法。
一、基本概念
| 概念 | 定义 |
| 二维随机变量 | 设 $X$ 和 $Y$ 是定义在同一样本空间上的两个随机变量，则称 $(X, Y)$ 为一个二维随机变量。 |
| 联合分布函数 | 对任意实数 $x, y$，联合分布函数 $F(x, y) = P(X \leq x, Y \leq y)$ 表示 $X$ 不超过 $x$ 且 $Y$ 不超过 $y$ 的概率。 |
| 联合概率密度函数 | 若存在非负函数 $f(x, y)$，使得对于任意 $x, y$，有 $F(x, y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f(u, v) \, dv \, du$，则称 $f(x, y)$ 为 $(X, Y)$ 的联合概率密度函数。 |
| 边缘分布函数 | 由联合分布函数导出的单个变量的分布函数，例如 $F_X(x) = P(X \leq x) = F(x, +\infty)$。 |
| 条件分布 | 在已知 $Y = y$ 的条件下，$X$ 的分布称为 $X$ 关于 $Y = y$ 的条件分布。 |
二、离散型与连续型二维随机变量
| 类型 | 定义 | 特点 |
| 离散型 | 若 $X$ 和 $Y$ 可取有限或可列无限个值，则称 $(X, Y)$ 为离散型二维随机变量。 | 用联合概率质量函数 $P(X = x_i, Y = y_j)$ 描述。 |
| 连续型 | 若 $X$ 和 $Y$ 的联合分布函数可微，则称 $(X, Y)$ 为连续型二维随机变量。 | 用联合概率密度函数 $f(x, y)$ 描述。 |
三、常用公式与性质
| 公式 | 说明 | ||
| 联合概率质量函数 | $P(X = x_i, Y = y_j) = p_{ij}$，满足 $\sum_{i,j} p_{ij} = 1$ | ||
| 边缘概率质量函数 | $P(X = x_i) = \sum_j p_{ij}$，$P(Y = y_j) = \sum_i p_{ij}$ | ||
| 条件概率质量函数 | $P(X = x_i | Y = y_j) = \frac{p_{ij}}{P(Y = y_j)}$（当 $P(Y = y_j) > 0$） | |
| 联合概率密度函数 | $f(x, y)$ 满足 $\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \, dx \, dy = 1$ | ||
| 边缘概率密度函数 | $f_X(x) = \int_{-\infty}^{\infty} f(x, y) \, dy$，$f_Y(y) = \int_{-\infty}^{\infty} f(x, y) \, dx$ | ||
| 条件概率密度函数 | $f_{X | Y}(x | y) = \frac{f(x, y)}{f_Y(y)}$（当 $f_Y(y) > 0$） |
四、期望与协方差
| 概念 | 公式 |
| 数学期望 | $E[X] = \int_{-\infty}^{\infty} x f_X(x) dx$，或 $\sum_i x_i P(X = x_i)$ |
| 协方差 | $\text{Cov}(X, Y) = E[(X - E[X])(Y - E[Y])] = E[XY] - E[X]E[Y]$ |
| 相关系数 | $\rho_{XY} = \frac{\text{Cov}(X, Y)}{\sqrt{\text{Var}(X)\text{Var}(Y)}}$，范围为 $[-1, 1]$ |
五、独立性判断
若 $X$ 与 $Y$ 独立，则：
- 联合分布函数等于边缘分布函数的乘积：$F(x, y) = F_X(x)F_Y(y)$
- 联合概率密度函数等于边缘概率密度函数的乘积：$f(x, y) = f_X(x)f_Y(y)$
- 联合概率质量函数等于边缘概率质量函数的乘积：$P(X = x, Y = y) = P(X = x)P(Y = y)$
总结
二维随机变量是研究多个随机变量之间关系的重要工具。通过联合分布、边缘分布、条件分布以及期望、协方差等指标，我们可以深入分析两个变量之间的依赖关系和统计特性。在实际应用中，理解这些概念有助于更好地建模和分析复杂系统中的随机现象。