Z=X+Y型概率密度的求解

本文详细介绍了如何求解Z=X+Y型概率密度,通过分布函数导数法,特别讨论了Z=X-Y的情况,并给出了一种随机变量概率密度的例子,强调了确定变量取值范围的重要性,以及数形结合的解题思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

###Z=X+Y型概率密度的求解###
@(概率论)

Z = g ( X , Y ) Z = g(X,Y) Z=g(X,Y)

总结过一次,一般方法是可以由分布函数再求导得到概率密度,计算一定更要小心才能得到正确的解。

F Z ( z ) = P ( Z ≤ z ) = P ( g ( X , Y ) ≤ z ) = ∫ ∫ g ( x , y ) ≤ z f ( x , y ) d x d y F_Z(z) = P(Z\leq z) = P(g(X,Y)\leq z) \\ = \int\int_{g(x,y)\leq z}f(x,y)dxdy FZ(z)=P(Zz)=P(g(X,Y)z)=g(x,y)zf(x,y)dxdy

特别当 Z = X − Y Z = X-Y Z=XY时,推导:

F Z ( z ) = P ( X + Y ≤ z ) = ∫ ∫ x + y ≤ z f ( x , y ) d x d y = ∫ − ∞ + ∞ d x ∫ − ∞ z − x f ( x , y ) d y 或 者 = ∫ − ∞ + ∞ d y ∫ − ∞ z − y f ( x , y ) d y F_Z(z) = P(X+Y \leq z) = \int\int_{x+y\leq z}f(x,y)dxdy \\ = \int_{-\infty}^{+\infty}dx\int_{-\infty}^{z-x}f(x,y)dy \\ 或者 = \int_{-\infty}^{+\infty}dy\int_{-\infty}^{z-y}f(x,y)dy FZ(z)=P(X+Yz)=x+yzf(x,y)dxdy=+dx

### 联合概率密度函数的卷积公式推导 对于两个独立的连续随机变量 \( X \) 和 \( Y \),其联合概率密度函数可以表示为 \( f_{X,Y}(x, y) = f_X(x)f_Y(y) \)[^1]。当考虑新的随机变量 \( Z = X + Y \) 的概率密度函数时,可以通过积分的方式计算得到。 #### 卷积公式的定义 假 \( X \) 和 \( Y \) 是相互独立的随机变量,则新随机变量 \( Z = X + Y \) 的概率密度函数 \( f_Z(z) \) 可以通过如下方式获得: \[ f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x) dx \] 这个表达式被称为 **卷积公式**[^1]。 --- #### 推导过程 为了推导该公式,我们从分布函数出发。首先,定义 \( F_Z(z) \) 表示 \( Z \leq z \) 的累积分布函数 (CDF): \[ F_Z(z) = P(Z \leq z) = P(X + Y \leq z) \] 由于 \( X \) 和 \( Y \) 是独立的,因此它们的联合分布可以用边缘分布相乘的形式表示: \[ P(X + Y \leq z) = \iint_{D_z} f_X(x) f_Y(y) dxdy, \] 其中区域 \( D_z \) 定义为满足条件 \( x + y \leq z \) 的二维平面上的部分。进一步化简此双重积分,我们可以固定 \( x \),让 \( y \) 在区间 \( (-\infty, z - x] \) 上变化: \[ F_Z(z) = \int_{-\infty}^\infty \left( \int_{-\infty}^{z-x} f_Y(y) dy \right) f_X(x) dx. \] 注意到内部积分实际上是 \( Y \) 的 CDF 减去无穷远处的值: \[ \int_{-\infty}^{z-x} f_Y(y) dy = F_Y(z-x). \] 于是, \[ F_Z(z) = \int_{-\infty}^\infty F_Y(z-x) f_X(x) dx. \] 最后一步是对 \( F_Z(z) \) 进行微分操作,从而得到 \( Z \) 的 PDF: \[ f_Z(z) = \frac{d}{dz} F_Z(z) = \int_{-\infty}^\infty f_X(x) f_Y(z-x) dx. \] 这便是最终的卷积公式[^1]。 --- #### 关于范围的讨论 在实际应用中,需注意积分限应根据具体问题中的支持域调整。例如,如果 \( X \geq 0 \) 且 \( Y \geq 0 \),那么只有当 \( z > 0 \) 时才有意义,且积分上下限可能变为有限值而非无限延伸。 以下是 Python 实现的一个简单例子用于验证上述理论结果: ```python import numpy as np from scipy.integrate import quad def fx(x): # 假定这是第一个随机变量的概率密度函数 return np.exp(-x) if x >= 0 else 0 def fy(y): # 假定这是第二个随机变量的概率密度函数 return np.exp(-y) if y >= 0 else 0 def fz_convolution(z): integrand = lambda x: fx(x) * fy(z - x) result, _ = quad(integrand, -np.inf, np.inf) return result # 测试几个点 zs = [1, 2, 3] for z in zs: print(f"f_Z({z}) = {fz_convolution(z)}") ``` --- ### 结论 综上所述,通过对分布函数逐步求解以及利用独立性的性质,成功得到了两独立随机变量之和的概率密度函数——即著名的卷积公式形式。
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值