当前课程知识点:概率论与数理统计 > 第3章 多维随机变量及其分布 > 数形结合求解函数的分布 > 拓展知识
分布函数法是求取二维随机变量 \( (X,Y) \) 的函数 \( Z=g(X,Y) \) 的分布的基本方法,其思想是先求得 \( Z \) 的分布函数,再对它微分得到密度函数,即求解过程步骤:
(1) \( F_{Z}(z)=P\{Z\leq z\}=P\{g(X,Y)\leq z\}=\iint\limits_{D_{g(x,y)\leq z}}f(x,y)dydx \);
(2) \( f_{Z}(z)=F'_{Z}(z) \)。
如果 \( U=g_{1}(X,Y) \),\( V=g_{2}(X,Y) \),需要求随机向量 \( (U,V) \) 的联合分布,上述过程步骤不能求解。因此这里引入变量变换法。
一、基本思想及微积分回顾
回顾高等数学多元微分学隐函数求导及重积分坐标系的变换。
相应地,空间坐标系上的三重积分(转换)为
类似地,从概率空间 \( (X,Y) \) 到概率空间 \( (U,V) \) 有坐标变换 \( \left\{
\begin{array}{l}
u=g_{1}(x,y) \\
v=g_{2}(x,y)
\end{array}
\right. \),则事件A(对应区域 \( D_{A} \) )的概率 \( P(A) \) 表达为
由此,我们给出如下定理。
定理:若变换 \( \left\{
\begin{array}{l}
u=g_{1}(x,y) \\
v=g_{2}(x,y)
\end{array}
\right. \)存在唯一的反函数 \( \left\{
\begin{array}{l}
x=x(u,v) \\
y=y(u,v)
\end{array}
\right. \)且变换的雅可比行列式
\[J=\frac{\partial (x,y)}{\partial(u,v)}=[\frac{\partial (u,v)}{\partial(x,y)}]^{-1}\neq 0\]
则二维随机变量 \( (X,Y) \) 的函数
\( (U,V) \) 的联合密度函数为
\[
f_{U,V}(u,v)=f_{X,Y}(x(u,v),y(u,v))|J|
\]
该定理可以类似推广到 \( n \) 维情形。
二、计算实例
设随机变量 \( X \) 与 \( Y \) 独立同分布,其密度函数为 \( f_{X}(x)=
\left\{
\begin{array}{ll}
e^{-x},&x>0 \\
0, & x\le 0
\end{array}
\right. \),求 \( U=X+Y \) 与 \( V=\frac{X}{X+Y} \) 的联合密度 \( f_{U,V}(u,v) \),并判断 \( U \) 与 \( V \) 是否独立。
解: \(
\left\{
\begin{array}{l}
u=x+y \\
v=x/{x+y}
\end{array}
\right. \)的反函数为 \(
\left\{
\begin{array}{l}
x=uv\\
y=u(1-v)
\end{array}
\right. \),则雅可比 \( J=\frac{\partial{(x,y)}}{\partial(u,v)}=-u \),所以在 \( (U,V) \) 的可能取值范围 \( \{u>0,0<v<1\} \) 内,有
\begin{eqnarray}
f_{U,V}(u,v)&=&f_{X,Y}(x(u,v),y(u,v))|J|\\
&=&f_{X}(uv)f_{Y}(u(1-v))|-u|\\
&=&e^{-uv}e^{-u(1-v)}u\\
&=&e^{-u}u
\end{eqnarray}
容易求得 \( U,V \) 的各自的密度函数:
\[
f_{U}(u)=\int_{-\infty}^{+\infty}f_{U,V}(u,v)dv=\int_{0}^{1}e^{-u}udu=e^{-u}du,\ \ u>0
\]
\[
f_{V}(v)=\int_{-\infty}^{+\infty}f_{U,V}(u,v)du=\int_{0}^{+\infty}e^{-u}du=1,\ \ u>0
\]
显然,\( f_{U,V}(u,v)=f_{U}(u)f_{V}(v) \),所以,随机变量 \( U \) 与 \( V \) 是独立的。
-课程发展概况及概率的三要素
--讲义下载
--拓展知识
-第一章第一节测试题
-古典概率
--讲义下载
--拓展知识
-第一章第二节测试题
-几何概率
--讲义下载
--拓展知识
-第一章第三节测试题
-条件概率与乘法公式
--讲义下载
--拓展知识
-第一章第四节测试题
-全概率公式
--讲义下载
--拓展知识
-第一章第五节测试题
-贝叶斯公式
--讲义下载
--拓展知识
-第一章第六节测试题
-事件的独立性及应用
--讲义下载
--拓展知识
-第一章第七节测试题
-讨论
--“三门”问题
-第一章测试题
-随机变量及其分布
--讲义下载
--拓展知识
-第二章第一节测试题
-一类离散型随机变量的分布
--讲义下载
--拓展知识
-第二章第二节测试题
-泊松分布及泊松定理
--讲义下载
--拓展知识
-第二章第三节测试题
-均匀分布与指数分布
--讲义下载
--拓展知识
-第二章第四节测试题
-正态分布
--讲义下载
--拓展知识
-第二章第五节测试题
-连续型随机变量函数的分布
--讲义下载
--拓展知识
-第二章第六节测试题
-讨论
--分布之间关系
-第二章测试题
-多维随机变量及分布(一)
--讲义下载
--拓展知识
-第三章第一节测试题
-多维随机变量及分布(二)
--讲义下载
--拓展知识
-第三章第二节测试题
-边缘分布律和边缘密度
--讲义下载
--拓展知识
-第三章第三节测试题
-条件分布与随机变量的独立性
--讲义下载
--拓展知识
-第三章第四节测试题
-随机变量极值的分布
--讲义下载
--拓展知识
-第三章第五节测试题
-随机变量和的分布
--讲义下载
--拓展知识
-第三章第六节测试题
-数形结合求解函数的分布
--讲义下载
--拓展知识
-第三章第七节测试题
-讨论
--分布类的和不变性
-第三章测试题
-数学期望和方差的定义
--讲义下载
--拓展知识
-第四章第一节测试题
-数学期望和方差的应用
--讲义下载
--拓展知识
-第四章第二节测试题
-数学期望的线性性质及应用
--讲义下载
--拓展知识
-第四章第三节测试题
-方差的性质与协方差
--讲义下载
--拓展知识
-第四章第四节测试题
-标准化与相关系数
--讲义下载
--拓展知识
-第四章第五节测试题
-讨论
-第四章测试题
-大数定律
--课程讲义下载
--拓展知识
-第五章第一节测试题
-中心极限定理
--讲义下载
--拓展知识
-第五章第二节测试题
-讨论
--用电量的正态假设
-第五章测试题
-数理统计的基本概念
--讲义下载
--拓展知识
-第六章第一节测试题
-单样本均值统计量的分布
--讲义下载
--拓展知识
-第六章第二节测试题
-单样本方差统计量的分布
--讲义下载
--拓展知识
-第六章第三节测试题
-讨论
--保险损失分布
-第六章测试题
-什么是参数估计
--讲义下载
--拓展知识
-第七章第一节测试题
-矩估计
--讲义下载
--拓展知识
-第七章第二节测试题
-似然原理与似然函数
--讲义下载
--拓展知识
-第七章第三节测试题
-连续型分布的似然估计
--讲义下载
--拓展知识
-第七章第四节测试题
-一类离散总体的似然估计
--讲义下载
--拓展知识
-第七章第五节测试题
-区间估计
--讲义下载
--拓展知识
-第七章第六节测试题
-讨论
--湖中有多少条鱼?
-第七章测试题
-假设检验的基本原理
--讲义下载
--拓展知识
-第八章第一节测试题
-两类错误
--讲义下载
--拓展知识
-第八章第二节测试题
-正态总体均值的检验
--讲义下载
--拓展知识
-第八章第三节测试题
-正态总体方差的检验
--讲义下载
--拓展知识
-第八章第四节测试题
-卡方拟合检验
--讲义加载
--拓展知识
-第八章第五节测试题
-讨论
-第八章测试题
-一元线性回归(最小二乘估计)
--讲义下载
--拓展知识
-第九章第一节测试题
-一元线性回归(相关系数检验)
--讲义下载
--拓展知识
-第九章第二节测试题
-讨论
--火灾损失的因素
-第九章测试题