第3章多维随机变量及其分布.pptVIP

第三章 随机向量 边缘分布与边缘概率密度 1.二元正态分布的边缘分布必为正态分布 2.相同的边缘分布未必能确定唯一的联合分布.相关系数为0时, 有联合密度等于两个边缘密度之积. §3.2 条件分布与随机变量的独立性 条件分布是条件概率的推广.本节主要讨论关于二维离散型随机变量的条件分布律和关于二维连续型随机变量的条件密度函数. “概率是频率的稳定值”。前面已经提到，当随机试验的次数无限增大时，频率总在其概率附近摆动，逼近某一定值。大数定理就是从理论上说明这一结果。正态分布是概率论中的一个重要分布，它有着非常广泛的应用。中心极限定理阐明，原本不是正态分布的一般随机变量总和的分布，在一定条件下可以渐近服从正态分布。这两类定理是概率统计中的基本理论，在概率统计中具有重要地位。 三. 中心极限定理 或标准协方差. 性质1:随机变量X和Y的相关系数满足|ρXY|≤1. 证明 令 则 从而|ρXY|≤1. 相关系数的性质 性质2: |ρXY|=1 的充要条件是,存在常数a,b使得P{Y=aX+b}=1 性质3:若X与Y相互独立,则ρXY=0. 证明 若X与Y相互独立,则E(XY)=E(X)E(Y), 又 Cov(X,Y)= E(XY)-E(X)E(Y),所以 定义:(1) 当ρXY=1 时,称X与Y正线性相关; (2)当ρXY=-1 时,称X与Y负线性相关; (3)当ρXY=0时,称X与Y不相关. 注:(1) X与Y不相关,只是意味着X与Y不线性相关,但可能存在着别的函数关系; (2)若ρXY存在,则当X与Y独立时, X与Y一定不相关;但X与Y不相关时, X与Y不一定独立. 例:设随机变量Θ在[-π,π]上服从均匀分布,又 X=sinΘ, Y=cosΘ 试求X与Y的相关系数ρ. 解 这时有 这时有Cov(X,Y)=E(XY)-E(X)E(Y)=0,即ρ=0. 从而X与Y不相关,没有线性关系;但是X与Y存在另一个函数关X2+Y2=1,从而X与Y是不独立的. 0.20 0.32 0.08 1 0.15 0.18 0.07 0 1 0 -1 Y X 解 X与Y的分布律分别为 0.35 0.5 0.15 P 1 0 -1 X 0.6 0.4 P 1 0 Y 于是 x y 0 1 1 y=x 证明(1)设离散型随机向量(X,Y)的联合分布列和边际分布列分别为 P{X=xi,Y=yj}=pij, i,j=1,2,… P{X=xi}=pi., i=1,2,… P{Y=yj}=p.j, j=1,2,… 则 (2)设连续型随机向量(X,Y)的联合概率密度和边际概率密度分别为p(x,y)和pX(x), pY(y) 则 性质(2) :设X,Y是互相独立的随机变量,则有 E(XY)=E(X)E(Y) 证明 (1)设离散型随机向量(X,Y)的联合分布列和边际分布列分别为 P{X=xi,Y=yj}=pij, i,j=1,2,… P{X=xi}=pi., i=1,2,… P{Y=yj}=p.j, j=1,2,… 则 (2)设连续型随机向量(X,Y)的联合概率密度和边际概率密度分别为p(x,y)和pX(x), pY(y) 则 ※ 例:一民航送客车载有20位旅客自机场开出,旅客有10个车站可以下车.如到达一个车站没有旅客下车就不停车.以X表示停车的次数,求E(X). 解:引入随机变量 易知X=X1+X2+…+X10 任一旅客在第i站不下车的概率为9/10.因此20位旅客都不在第i站下车的概率为(9/10)20,在第i站有人下车的概率为1- (9/10)20. 即P{Xi=0}= (9/10)20, P{Xi=1}= 1- (9/10)20 所以 E(Xi)= 1- (9/10)20, i=1,2,…,10 进而 E(X)=E(X1+X2+…+X10) =E(X1)+E(X2)+…+E(X10) =10[1- (9/10)20]=8.784 注:本题的特点是将X分解为数个随机变量的和,再求数学期望.此种方法具有普遍意义. P103: 3,7,11 §3.4 随机向量的数字特征 对于二维随机向量(X,Y)来说,数学期望E(X)、E(Y)只反映了X与Y各自的平均值,方差只反映了X与Y各自离开均值的偏离程度,它们对X与Y之间相互关系不提供任何信息. 但二维随机向量(X,Y)的概率密度p(x,y)或分布列pij全面地描述了(X,Y)的统计规律,也包含有X与Y之间关