【二维正态分布】在概率论与数理统计中，二维正态分布是描述两个连续随机变量联合分布的一种重要模型。它广泛应用于金融、物理、工程等多个领域，用于刻画两个变量之间的相关性与独立性。本文将对二维正态分布的基本概念、数学表达式、性质及其应用进行总结，并通过表格形式清晰展示关键信息。

一、基本概念

二维正态分布（Bivariate Normal Distribution）是指两个随机变量 $ X $ 和 $ Y $ 的联合分布服从正态分布。其特点是：每个变量都服从正态分布，且它们之间可能存在线性相关关系。

二维正态分布由以下参数决定：

- 均值向量：$ \mu = (\mu_X, \mu_Y) $

- 方差矩阵（协方差矩阵）：

$$

\Sigma = \begin{bmatrix}

\sigma_X^2 & \rho\sigma_X\sigma_Y \\

\rho\sigma_X\sigma_Y & \sigma_Y^2

\end{bmatrix}

$$

其中：

- $ \sigma_X^2 $、$ \sigma_Y^2 $ 分别为 $ X $ 和 $ Y $ 的方差；

- $ \rho $ 为 $ X $ 和 $ Y $ 的相关系数，取值范围为 $ [-1, 1] $。

二、概率密度函数

二维正态分布的概率密度函数为：

$$

f(x, y) = \frac{1}{2\pi\sigma_X\sigma_Y\sqrt{1-\rho^2}} \exp\left( -\frac{1}{2(1-\rho^2)} \left[ \frac{(x-\mu_X)^2}{\sigma_X^2} - 2\rho\frac{(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y} + \frac{(y-\mu_Y)^2}{\sigma_Y^2} \right] \right)

$$

该函数描述了 $ X $ 和 $ Y $ 在任意点 $ (x, y) $ 处的联合概率密度。

三、主要性质

1. 边缘分布：

若 $ (X, Y) \sim N(\mu, \Sigma) $，则 $ X \sim N(\mu_X, \sigma_X^2) $，$ Y \sim N(\mu_Y, \sigma_Y^2) $。

2. 条件分布：

在给定 $ X = x $ 时，$ Y $ 的条件分布仍为正态分布，即：

$$

Y X = x \sim N\left( \mu_Y + \rho \frac{\sigma_Y}{\sigma_X}(x - \mu_X),\ (1 - \rho^2)\sigma_Y^2 \right)

$$

3. 独立性：

当 $ \rho = 0 $ 时，$ X $ 与 $ Y $ 独立。

4. 线性组合：

对任意常数 $ a, b $，有 $ aX + bY \sim N(a\mu_X + b\mu_Y, a^2\sigma_X^2 + b^2\sigma_Y^2 + 2ab\rho\sigma_X\sigma_Y) $。

5. 对称性：

二维正态分布具有旋转对称性，当 $ \sigma_X = \sigma_Y $ 且 $ \rho = 0 $ 时，其图形呈圆形。

四、应用实例

五、关键参数总结表

六、小结

二维正态分布是一种重要的多维概率分布模型，能够有效描述两个随机变量之间的联合变化规律。其数学表达严谨，性质丰富，适用于多种实际问题的建模与分析。理解其基本概念和特性，有助于在数据分析、统计推断等领域中更好地应用这一模型。

如需进一步了解三维或更高维的正态分布，可参考多元正态分布的相关内容。