第三章多维随机变量.pptVIP

第三章 多维随机变量 §3.1 多维随机变量及其联合分布 3.3.1 多维随机变量 定义3.1.1 若X, Y是两个定义在同一个样本空间上的 随机变量，则称(X, Y) 是两维随机变量. 同理可定义 n 维随机变量 (随机向量). 3.1.2 联合分布函数 定义3.1.2 联合分布函数的基本性质 边际分布函数 3.1.3 多维离散随机变量 二维离散随机变量 二维离散分布的联合分布列 定义3.1.3 联合分布列的基本性质 确定联合分布列的方法 边际分布列 课堂练习 多项分布 联合概率密度函数 设二维随机变量(X, Y) 的分布函数为 F(x, y)，若存在非负可积函数 p(x, y)，使得 联合密度函数的基本性质 边际密度函数 例3.1.3 注 意 点 (1) 由联合分布可以求出边际分布. 但由边际分布一般无法求出联合分布. 所以联合分布包含更多的信息. 注 意 点 (2) 二维正态分布的边际分布是一维正态分布： 若 (X, Y) ? N ( )， 若满足以下之一: i) F(x, y) = FX(x)FY(y) ii) pij = pipj iii) p(x, y) = pX(x)pY(y) 则称 X 与Y 是独立的， 注 意 点 (1) X 与Y是独立的其本质是： 例3.2.3 例3.2.4 注 意 点 (1) 注 意 点 (2) 3.2.2 随机变量函数的独立性 (1) 设X与 Y 是两个相互独立的随机变量，则 f(X)与 g(Y)亦相互独立，其中 f()与g()是两个函数. 3.2.3 最大值与最小值分布 一般情况 设 X1, X2, …… Xn, 独立同分布，其分布函数和密度函数分别为 FX(x) 和 pX(x). 3.2.4 卷积公式 连续场合的卷积公式 卷积公式的应用 分布的可加性 定理3.2.3 二项分布的可加性 定理3.2.2 泊松分布的可加性 定理3.2.5 正态分布的可加性 独立正态变量的线性组合仍为正态变量 定理3.2.6 伽玛分布的可加性 ?2 分布的可加性 注 意 点 3.3.1 多维随机变量函数的数学期望 3.3.2 数学期望与方差的运算性质 讨论 X+Y 的方差 3.3.3 协方差 协方差的性质 课堂练习1 X 与 Y 独立，Var(X) = 6，Var(Y) = 3， 则 Var(2X?Y) = ( ). 课堂练习2 X ~ P(2)，Y ~ N(?2, 4)， X与Y独立， 则 E( X?Y) = ( ); E( X?Y)2 = ( ). 配对模型的数学期望和方差 解：记 “Xi = 1” = “第 i 个人拿对自己的礼物” “Xi = 0” = “第 i 个人未拿对自己的礼物” 3.3.4 相关系数 注 意 点 若记 相关系数的性质(1) 相关系数的性质(2) 注 意 点 Corr(X, Y) 的大小反映了X与Y之间的线性关系： 课堂练习1 设随机变量X?B(12,0.5)，Y?N(0,1)，Cov(X,Y)=-1,求V=4X+3Y+1与W=-2X+4Y的方差与协方差。 课堂练习2 设(X,Y)服从区域D:0x1,0yx上的均 匀分布,求X与Y的相关系数。 课堂练习3 *§3.4 条件分布与条件期望 对二维随机变量(X, Y), 在给定Y取某个值的条件下, X的分布; 在给定X取某个值的条件下, Y的分布. 3.4.1 条件分布的概念 (1) 条件分布列： (3) 条件分布函数： 连续场合全概率公式和贝叶斯公式 3.4.5 条件期望 注 意 点 E(X| Y=y) 是 y 的函数. 重期望公式 随机个随机变量和的数学期望 §3.5 中心极限定理 3.5.2 独立同分布下的中心极限定理 3.5.3 二项分布的正态近似 注 意 点 (1) 二项分布是离散分布，而正态分布是连续分布， 所以用正态分布作为二项分布的近似时，可作 如下修正： 注 意 点 (2) 中心极限定理的应用有三大类： 一、给定 n 和 y，求概率 二、给定 n 和概率，求 y 三、给定 y 和概率，求 n 3.5.4 独立不同分布下的中心极限定理