最后更新: 2025-05-01 18:19 查看: 833 次纠错评论(0) 课件开VIP

二维连续型随机变量及其联合密度函数

> 本文基础定义已经整合到 联合分布函数里，详见 [此处](https://kb.kmath.cn/kbase/detail.aspx?id=537)

## 二维连续型随机变量及其联合密度函数
设二维随机变量 $(X, Y)$ 的联合分布函数为 $F(x, y)$ ，如果存在二元非负实值函 数 $f(x, y)$ ，使得对任意的 $(x, y) \in R^2$ 有

$$
F(x, y)=P(X \leq x, Y \leq y)=\int_{-\infty}^x \int_{-\infty}^y f(u, v) d u d v=\iint_{D_y} f(u, v) d u d v
$$

则称 $(X, Y)$ 为二维连续型随机变量，称 $f(x, y)$ 为二维连续型随机变量 $(X, Y)$ 的联合 (概率) 密度函数.

## 定义n维随机变量与联合密度
设 $n$ 维随机变量 $\left(X_1, X_2, \cdots, X_n\right)$ 的联合分布函数为 $F\left(x_1, x_2, \cdots, x_n\right)$ ，如果存在一个 $n$ 元非负 函数 $f\left(x_1, x_2, \cdots, x_n\right)$ ，使得对任意的 $\left(x_1, x_2, \cdots, x_n\right) \in R^n$ 有

$$
F\left(x_1, x_2, \cdots, x_n\right)=\int_{-\infty}^{x_1} \int_{-\infty}^{x_2} \cdots \int_{-\infty}^{x_n} f\left(u_1, u_2, \cdots, u_n\right) d u_1 d u_2 \cdots d u_n
$$

成立，则称 $\left(X_1, X_2, \cdots, X_n\right)$ 为 $n$ 维连续型随机变量， $f\left(x_1, x_2, \cdots, x_n\right)$ 为 $n$ 维连续型随机变量 $\left(X_1, X_2, \cdots, X_n\right)$ 的联合 (概率) 密度函数。

### 联合密度函数的性质
设 $f(x, y)$ 为二维连续型随机变量 $(X, Y)$ 的联合密度函数，则
（1） 非负性 $f(x, y) \geq 0,-\infty<x, y<+\infty$;
（2）规范性 $\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x, y) \mathrm{d} x \mathrm{~d} y=1$.

（3）任意一条平面曲线 $L$ ，有 $P((X, Y) \in L)=0$ ；
（4）$ F(x, y)$ 为连续函数，在 $f(x, y)$ 的连续点处有

$$
\frac{\partial^2 F(x, y)}{\partial x \partial y}=f(x, y) ;
$$

（5）对 $xoy$ 平面上任意一区域 $D$ ，有

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

##  联合分布的几何解释

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，如下图3-1所示．
 
  ![图片](/uploads/2025-02/0c7343.jpg)
 
> **对于联合分布，用通俗语言理解是，例如用$X$表示学生的身高，用$Y$表示学生的体重，那么联合分布  $F(170,60)=P(X \leqslant 170, Y \leqslant 60)$ 表示的是：身高低于170cm，体重低于60kg的学生的分布。这句话还可以正面解释为求：身高在$(-\infty,170)$ 与 体重在 $(-\infty,60)$ 的学生的分布。**

因此，给出一个点$(X,Y)$，求他的联合分布，其实表示的该点“**左边下边**”所围成的面积（参考图3-1阴影部分面积）。
 
 
根据以上的几何解释，借助于图3-2，我们可以计算出随机点 $(X, Y)$ 落在矩形域 $\left\{(x, y) \mid x_1<x \leqslant x_2, y_1<y \leqslant y_2\right\}$ 内的概率为

![图片](/uploads/2025-02/ce31ce.jpg)
 
$$
P\left\{x_1<X \leqslant x_2, y_1<Y \leqslant y_2\right\}=F\left(x_2, y_2\right)-F\left(x_2, y_1\right)-F\left(x_1, y_2\right)+F\left(x_1, y_1\right) .
$$

> **对于图3-2，也可以用学生身高体重解释。用$X$表示学生的身高，用$Y$表示学生的体重，那么联合分布  $P\left\{ 160<X \leqslant 170, 50<Y \leqslant 60\right\}=F\left(170, 60\right)-F\left(170, 50\right)-F\left( 160, 60\right)+F\left( 160, 50\right)$ 等式左边表示的是求学生身高在$160 \sim 170$ 和  体重在$ 50 \sim 60$ 之间的人数，他等于身高体重在 $(170,60)$以下的人数减去 身高$170$以下的人数，再减去体重$60$以下的人数，注意此时对$(160,50)$以下的人数减了两次，所以还要再补上一次，因此最后加上$(160,50)$**

## 看懂联合密度的密度图
我们在一维平面里说过，概率密度$(a,b)$曲线下的面积是事件发生在$(a,b)$间的频率，详见[此处](https://kb.kmath.cn/kbase/detail.aspx?id=523), 那么如何理解二维概率密度呢？

首先，我们要明白，二维概率事件是由3个参数决定：比如射靶，我们说“射在(1,2)的概率为0.01”，那么这里就有$X=1,Y=2,Z=0.01$三个参数
因此，如果把密度函数画在坐标系里，他需要是三维空间，如下图：
 ![图片](/uploads/2024-11/f3636f.jpg){width=400px}

这个图形很像农民带的草帽，我们通常称呼这个图形为“草帽”图形。因为密度函数必须大于等于零，所以这个草帽可以认为为平底的，又因为所有射靶所有的概率最多为1，因此，这个概率的体积最大只能为1.

**理解二维密度函数图像**
如果我们从俯视图的视角从下看这个草帽，可以发现他的定义域D就是一个二维平面。
 ![图片](/uploads/2024-11/a7e9be.jpg){width=400px}
 
 
想想一下我们用一把刀沿着$X,Y$ 切开草帽，因为分布函数的定义为 $F(x, y)=P(X \leqslant x, Y \leqslant y)=\int_{-\infty}^{x} \int_{-\infty}^{y} p(x, y) d x d y$ ,所以，我们取的西瓜就是左边下边的那一部分。

如果把二维随机变量 $(X, Y)$ 视为平面上随机点的坐标, 那么, 分布函数 $F(x, y)$在点 $(x, y)$ 处的函数值就是随机点 $(X, Y)$ 落在直线 $X=x$ 的左侧和直线 $Y=y$ 的下方以 $(x, y)$ 为顶点的无穷直角区域内的概率, 如图所示.
 ![图片](/uploads/2024-11/6d86ba.jpg)

## 例题
`例` 设二维连续型随机变量 $\left(X_1, X_2\right)$ 与 $\left(Y_1, Y_2\right)$ 的联合密度分别为 $p(x, y)$ 和 $g(x, y)$ ，令 $f(x, y)=a p(x, y)+b g(x, y)$ 。要使函数 $f(x, y)$ 是某个二维随机变量的联合密度，则 $a, b$ 应满足
（A）$a+b=1$
（B）$a>0, \quad b>0$
（C） $0 \leqslant a \leqslant 1, \quad 0 \leqslant b \leqslant 1$
（D）$a \geqslant 0, b \geqslant 0$ ，且 $a+b=1$
解 $f(x, y)$ 为密度函数 $\Leftrightarrow f(x, y) \geqslant 0$ 且 $\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x, y) d x d y=1$ ，
由此可推得， $1=a+b$ ，且 $a p(x, y)+b g(x, y) \geqslant 0 \quad(\forall x, y \in R )$ ．
所以选择（D）．
对于 $a \geqslant 0, b \geqslant 0$ ，由 $p(x, y) \geqslant 0, g(x, y) \geqslant 0$ 得

$$
a p(x, y)+b g(x, y) \geqslant 0 \quad(\forall x, y \in R ) .
$$

如果 $a<0$（或 $b<0$ ），则对一切 $x, y$ 有

$$
b g(x, y) \geqslant(-a) p(x, y) \text { 或 } a p(x, y) \geqslant(-b) g(x, y)
$$

此式未必成立。
故应选（D）

`例` 设二维随机变量 $(X, Y)$ 具有概率密度

$$
f(x, y)=\left\{\begin{array}{ll}
2 e^{-(2 x+y)}, & x>0, y>0 \\
0, & \text { 其他 }
\end{array} .\right.
$$

(1) 求分布函数 $F(x, y)$;
(2) 求概率 $P(Y \leqslant X)$.

解 (1) $F(x, y)=\int_{-\infty}^x \int_{-\infty}^y f(s, t) d s d t=\left\{\begin{array}{ll}\int_0^x \int_0^y 2 e ^{-(2 s+t)} d s d t, & x>0, y>0 \\ 0, & \text { 其他 }\end{array}\right.$,即有

$$
F(x, y)=\left\{\begin{array}{ll}
\left(1-e^{-2 x}\right)\left(1-e^{-y}\right), & x>0, y>0 \\
0, & \text { 其他 }
\end{array} .\right.
$$

(2) 将 $(X, Y)$ 视为平面上随机点的坐标，即有 $(Y \leqslant X)=\{(Y \leqslant X) \in G\}$ ，其中 $G$ 为 $x O y$ 平面上直线 $y=x$ 及其下方的部分，于是

$$
\begin{aligned}
P(Y \leqslant X) & =P((Y \leqslant X) \in G)=\iint_G f(x, y) d x d y=\int_0^{+\infty} d y \int_y^{+\infty} 2 e^{-(2 x+y)} d x \\
& =\left.\int_0^{+\infty} e^{-y}\left[-e^{-2 x}\right]\right|_y ^{+\infty} d y=\int_0^{+\infty} e^{-3 y} d y=\frac{1}{3}
\end{aligned}
$$

`例` 设二维随机变量 $(X, Y)$ 的联合密度函数为

$$
f(x, y)=\left\{\begin{array}{clc}
c y^2, & 0<x<2 y, & 0<y<1, \\
0, & \text { 其他. } & \text { 其余 }
\end{array}\right.
$$

求
（1）常数 $c$
（2） 联合分布函数 $F(x, y)$
（3）$P(|X| \leq Y)$

解：（1）
 由密度函数性质
$1=\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x, y) d x d y=\int_0^1 d y \int_0^{2 y} c y^2 d x=\frac{1}{2} c \quad$ 所以 $c=2$

![图片](/uploads/2024-10/820358.jpg)
 
（2）由已知得
当 $x<0$ 或 $y<0$ 时， $F(x, y)=0$

$$
\begin{aligned}
& \text { 当 } 0 \leq x<2 y \text { 且 } 0 \leq y<1 \text { 时， } \quad F(x, y)=\int_0^x d x \int_{\frac{x}{2}}^y 2 y^2 d y=\frac{2}{3} x\left(y^3-\frac{x^3}{32}\right) \\
& \text { 当 } 0 \leq x<2 \text { 且 } y \geq 1 \text { 时， } \quad F(x, y)=\int_0^x d x \int_{\frac{x}{2}}^1 2 y^2 d y=\frac{2}{3} x\left(1-\frac{x^3}{32}\right) \\
& \text { 当 } x \geq 2 y \text { 且 } 0 \leq y<1 \text { 时， } \quad F(x, y)=\int_0^y d y \int_0^{2 y} 2 y^2 d x=y^4 \\
& \text { 当 } x \geq 2 \text { 且 } y \geq \text { 时， } \quad F(x, y)=1
\end{aligned}
$$

$$
F(x, y)=\left\{\begin{array}{cc}
0, & x<0 \text { 或 } y<0 ; \\
\frac{2}{3} x\left(y^3-\frac{x^3}{32}\right), & 0 \leq x<2 y, \quad 0 \leq y<1 ; \\
\frac{2}{3} x\left(1-\frac{x^3}{32}\right), & 0 \leq x<2, y \geq 1 ; \\
y^4, & x \geq 2 y, 0 \leq y<1 ; \\
1, & x \geq 2, y \geq 1 .
\end{array}\right.
$$

(3)如右图所示
$$
\begin{aligned}
& P(|X| \leq Y)=\iint_{|x| \leq y} f(x, y) d x d y \\
& =\int_0^1 d y \int_0^y 2 y^2 d x=\int_0^1 2 y^3 d x=\frac{1}{2}
\end{aligned}
$$ 
 ![图片](/uploads/2024-10/43f804.jpg)
 
 
 > 对于连续性的计算涉及大量二重积分，不熟悉的可以看本站高等数学教程。

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：二维离散型联合分布举例

下一篇：二维连续型联合分布举例

本文对您是否有用？有用 (0) 无用 (0)