概率论与数理统计李云龙 4.4 随机变量的独立性新.pptVIP

第四节 随机变量独立性 引言 我们把独立性这一概念引入随机变量的情况。那么我们怎么定义随机变量独立性这一概念呢？  直观上，如果随机变量X(Y)的取值丝毫不影响随机变量Y(X)的取值，则X和Y是独立的随机变量。即设I1，I2为数轴上任何两个区间，事件{X∈I1}与{Y∈I2}是独立的，即  P{X∈I1 ， Y∈I2}=P{X∈I1}P{Y∈I2}  特别取I1 =(-∞，x)，I2=(-∞，y)，(x，y为任意实数)，上式就化为 P{X≤x，Y≤y}=P{X≤x}P{Y≤y} 即为 F(x，y)=Fx(x)FY(y) 反之，若X与Y满足F(x，y)=Fx(x)FY(y) ，则有 P{x1X≤x2，y1Y≤y2} =F(x2, y2)- F(x1, y2)-F(x2, y1)+ F(x1, y1) = Fx(x2)FY(y2)- Fx(x1)FY(y2)- Fx(x2)FY(y1)+Fx(x1)FY(y1) =[Fx(x2)-Fx(x1)][FY(y2)-FY(y1)] =P{x1X≤x2}P{y1Y≤ y2} 可进一步推广，对任意区间I1，I2，有 P{X∈I1，Y∈I2}=P{X∈I1}P{Y∈I2}。 1． 定义：设F(x，y)及Fx(x) ， FY(y)分别是二维随机变量(X，Y)的分布函数及边缘分布函数。 若对于所有x，y有 F(x，y)=Fx(x)FY(y) 则称随机变量X和Y是相互独立的。 例1: 在§2例1中讨论X与Y的独立性。 解: (X，Y)的分布函数为 注释 由联合分布可以确定边缘分布，但反之，由边缘分布不能确定联合分布。如果X与Y相互独立，则X，Y的边缘分布就能确定联合分布。 定理 设(X，Y)为离散型随机变量，其分布律为 P{X=xi,Y=yj}=pij (i，j=1，2，…) 其边缘分布分别律为P{X=xi}=pi · (i=1，2，…) P{Y=yj}=p· j (j=1，2，…) 则X与Y相互独立的充要条件是对于任意i，j有: pij= pi··p·j 例1: 在上节例中讨论X与Y的独立性。 三、连续型随机变量独立的等价条件 定理. 设(X，Y)是连续型随机变量，f(x，y)，fx(x)，fY(y)分别为(X，Y)的概率密度和边缘概率密度，则X和Y相互独立的充要条件是等式  f(x，y) = fx(x)fY(y) 对f(x，y)，fx(x)，fY(y)的所有连续点成立. 证明：(1) 充分性。若f(x，y)=fx(x)fY(y) ，则 (2)必要性。若X与Y相互独立，则在f(x，y) ， fx(x)，fY(y)的所有连续点有 例1: 一负责人到达办公室的时间均匀分布在8～12时，他的秘书到达办公室的时间均匀分布在7～9时，设他们两人到达的时间相互独立，求他们到达办公室的时间相差不超过5分钟(1/12小时)的概率。 解: 设X和Y分别是负责人和他的秘书到达办公室的时间，由假设X和Y的概率密度分别为 而G的面积=ΔABC的面积-ΔAB’C’的面积 例2: 设(X，Y)?N(μ1，μ2，σ12，σ22，ρ)，证明X 与Y相互独立的充要条件为ρ=0。 证明: (X，Y)的概率密度为 (1)充分性。如果ρ=0,则对所有x，y有 f(x，y) = fx(x)fY(y) ，即X与Y相互独立。 (2)必要性。如果X与Y相互独立，由于f(x，y), fx(x), fY(y)都是连续函数，故对所有X，Y有f(x，y) = fx(x)fY(y) ，特别地，取x=μ1 ，y=μ2可得 四、独立性推广的一些定义独立性的概念推广至高维随机向量的情形 1．定义: 设(X1，X2，…，Xn)为n维随机向量，其分布函数为F(x1，x2，…，xn)，关于xi的边缘分布函数Fxi(xi)，若对于任意实数x1，x2，…，xn有 定义:设(X1, X2,…, Xm)和(Y1,Y2,…,Yn)为两个随机向量，其分布函数分别为 F1(x1,x2,…,xm)，F2(y1,y2,…,yn)，又设m+n维随机向量(X1, X2,…, Xm, Y1,Y2,…,Yn)的分布函数为F(x1,x2,…,xm,y1,y2,…,yn) ，若为对任意实数x1,x2,…,xm,y1,y2,…,yn有  F(x1,x2,…,xm,y1,y2,…,yn)=F1(