概率论与数理统计+二维连续性随机变量及其分布.ppt

64页例4 设(X,Y)的密度函数为 例5 (X,Y)分布律如下，求cov(X,Y) 例5 (X,Y)分布律如下，求cov(X,Y) 例6 例7 设 ( X ,Y ) ~ N ( 1,4, 1,4, 0.5 ), Z = X + Y , 求 ? XZ 例8 θ～U[-π,π],X=sin θ, Y=cos θ,X,Y是否相关，是否独立？ n维随机变量X1,X2,…,Xn服从正态分布，则Xi都是一维正态；若Xi是一维正态，且相互独立，则X1,X2,…,Xn服从n维正态。 概率论与数理统计 n维随机变量X1,X2,…,Xn服从正态分布的充要条件是X1,X2,…,Xn 的任意线性组合都服从一维正态。 对n维正态分布来说，独立与线性相关是等价的。 * LOGO 解 概率论与数理统计 概率论与数理统计 故X,Y不独立。 求(1) C的值; (2) 边缘密度函数. 解 概率论与数理统计 概率论与数理统计 （一）随机变量的数学期望 1.离散型随机变量的数学期望 设X的分布律为 则 2.连续型随机变量的数学期望 设连续型随机变量X的密度函数为f(x),则 概率论与数理统计 Review 概率论与数理统计 3.随机变量函数的数学期望 （1）X为随机变量，Y=g(X), 离散型： 连续型： (2)(X,Y)为二维随机变量, Z=g(X,Y), 离散型： 连续型： 概率论与数理统计 解 概率论与数理统计 概率论与数理统计 1.E (C ) = C 2. E (aX ) = a E (X ) 3.E (X + Y ) = E (X ) + E (Y ) 4.当X ,Y 独立时，E (X Y ) = E (X )E (Y ) . 线性性质 （二）方差 1.定义 D(X)=E [X-E(X)]2 标准差： 2.计算 (2) 离散型： (3)连续型： 概率论与数理统计 (1) 计算公式：D(X)=E(X2)-E2(X). 概率论与数理统计 (1) D(C)=0; (2) D(CX)= C2D(X); (3)若X, Y相互独立,则 D(X+Y)=D(X) +D(Y). D(X-Y)=D(X) +D(Y). 概率论与数理统计 例1 解 已知随机变量 X 的分布律为 求D(X). 概率论与数理统计 例2 解 概率论与数理统计 例3 设X～b(n,p),求E(X),D(X). 解 X表示重伯努利试验中“成功的次数”，令 且Xi服从0-1分布，则 又Xi之间相互独立， 概率论与数理统计 例4 已知标准正态分布N(0,1)的期望是0，方差是1。设X～N(μ,σ2),求E(X),D(X). 解 随机变量的标准化： 指数分布 正态分布 均匀分布 泊松分布 np(1-p) np 二项分布B(1,p) p(1-p) p 0-1分布B(1,p) 方差 数学期望 分布 概率论与数理统计 问题 对于二维随机变量(X ,Y ): 联合分布 边缘分布 对二维随机变量,除每个随机变量各自 的概率特性外, 相互之间可能还有某种联系 该用一个怎样的数去反映这种联系呢？ 数 能反映随机变量 X , Y 之间的线性关系 § 4.4 概率论与数理统计 为 X ,Y 的协方差. 记为 称 为（X , Y ）的协方差矩阵 称 定义 定义 概率论与数理统计 计算公式： cov(X,Y) =E(XY)-E(X)E(Y). 概率论与数理统计 解 X,Y的分布律分别如下： 概率论与数理统计 概率论与数理统计 解 概率论与数理统计 1.cov(X,X)=D(X) 5.当X ,Y 独立时，cov(X ,Y ) = 0 . 对称性 2.cov(X,Y)=cov(Y,X) 3.cov(aX,bY)=abcov(X,Y) 6.cov(C,X)=0 4.cov(X1 +X2,Y)=cov(X1,Y)+ cov(X2,Y) 而当cov(X ,Y ) = 0， X ,Y并不一定独立. X,Y线性不相关 7.D(X+Y)=D(X)+D(Y)+2cov(X,Y) D(X-Y)=D(X)+D(Y)-2cov(X,Y) 为了消除量纲对协方差值的影响,我们把X,Y标准化后再求协方差 概率论与数理统计 若D (X ) > 0, D (Y ) > 0 ,称 为X ,Y 的 线性相关系数，记为 若 称 X ,Y 线性不相关. 概率论与数理统计 概率论与数理统计 1.|ρXY|≤1 2.当X ,Y 独立时， ρXY = 0 . 3. |ρXY|越大，则X ,Y 线性相关程度越好 当 |ρXY|=0时，X ,Y 并不是一定没有关系，