二维换元法与雅可比行列式

所属章节:第3章 多维随机变量及其分布

TIP

换元法求 fU,V(u,v)f_{U, V}(u, v),这是比卷积公式更为有用且极为简便的方法:

设 (X,Y)(X, Y) 是二维连续型随机变量,且 (X,Y)∼f(x,y)(X, Y) \sim f(x, y),若 {u=u(x,y),v=v(x,y),\begin{cases} u = u(x, y), \\ v = v(x, y), \end{cases} 且 u,vu, v 具有一阶连续偏导数,{x=x(u,v),y=y(u,v)\begin{cases} x = x(u, v), \\ y = y(u, v) \end{cases} 是其唯一反函数,则

(U,V)∼fU,V(u,v)=f[x(u,v),y(u,v)]⋅∣J∣(U, V) \sim f_{U, V}(u, v) = f[x(u, v), y(u, v)] \cdot |J| U∼fU(u)=∫−∞+∞f[x(u,v),y(u,v)]∣J∣dv,U \sim f_U(u) = \int_{-\infty}^{+\infty} f[x(u, v), y(u, v)] |J| \mathrm{d}v, V∼fV(v)=∫−∞+∞f[x(u,v),y(u,v)]∣J∣du.V \sim f_V(v) = \int_{-\infty}^{+\infty} f[x(u, v), y(u, v)] |J| \mathrm{d}u. 其中 J=∂(x,y)∂(u,v)=∣∂x∂u∂x∂v∂y∂u∂y∂v∣=[∂(u,v)∂(x,y)]−1=∣∂u∂x∂u∂y∂v∂x∂v∂y∣−1≠0\text{其中 }J = \frac{\partial(x, y)}{\partial(u, v)} = \begin{vmatrix} \frac{\partial x}{\partial u} & \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} & \frac{\partial y}{\partial v} \end{vmatrix} = \left[ \frac{\partial(u, v)}{\partial(x, y)} \right]^{-1} = \begin{vmatrix} \frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\ \frac{\partial v}{\partial x} & \frac{\partial v}{\partial y} \end{vmatrix}^{-1} \neq 0

关联知识

原文:原笔记 · 3.4.1 求法 P79(原文件第 437–445 行)。

返回概率论导航