(x, y)的边缘分布.ppt

2 2 1 0 1 x y G 当z ? 0 时 S = 0 ? FZ(z) = 0 当0 z ? 2 时 S = z2/2 ? FZ(z) = z2/8 当2 z ? 4 时 S = [22-(4-z)2/2] ? FZ(z) = [22-(4-z)2/2]/4 = 1-(4-z)2/8] 当 z 4 时 S=4 ? FZ(z) = 1 2) 商的分布 设 f(x, y)为(X, Y)的概率密度, Z=X/Y, 则 FZ(z) = P(Z ? z) = P(X/Y ? z) 令u=y,v=x/y, 即x=uv, y=u. 这一变换的Jacobi行列式为 因而, Z=X/Y的概率密度为: 注: 当X, Y相互独立时，有 §22.1数学期望 1. 离散型随机变量的期望 1）定义：设离散型随机变量X的概率分布为 P{X=xk}=pk (k=1, 2, ...) 若级数 绝对 收敛，则称其和为X 的数学期望(或均值)记为E(X) 即 2）常见分布的期望 (1)0－1分布: E(X)= p (2) 泊松分布：E(X)=? (3) 二项分布: E(X)=np 2. 连续型随机变量的期望 1）定义. 设连续型随机变量X的概率密度函数为f (x) 若 绝对收敛, 则称它为X 的数学期望 (或均值)记为E(X). 即 2）常见分布的期望： (1)均匀分布: (2)正态分布: E(X)=? (3)指数分布: 例1. 某人有n把钥匙, 其中只有一把钥匙能开门, 他随机地试用这些钥匙来开门(打不开就换一把), 求打开门时试用次数的数学期望. 解：设随机变量X表示把门打开时的次数, 则 因此, 3. 随机变量函数的期望 1)Y=g(X): 则 E(Y)=E(g(X)) (2)设X为连续型随机变量，其概率密度为f(x) 则 E(Y)=E(g(X)) (1)设X为离散型随机变量， 2)Z=g(X,Y): 则 E(Z)=E(g(X，Y)) (2)设(X,Y)为连续型随机变量，其概率密度为f (x,y) 则 E(Z)=E(g(X,Y)) (1)设(X,Y)为二维离散型随机变量，其概率分布为： P{X=xi ,Y=yj}=pij 4. 期望的性质 性质1 E(C)=C (C为常数) 性质3 若X，Y为任两个随机变量 则有 E(X+Y)=E(X)+E(Y) 性质2 E(kX)=kE(X) (k为常数) 性质4 若X，Y为相互独立 则有 E(XY)=E(X) E(Y) 其概率分布为:P{X=xk}=pk 例2: 设随机变量在 求E(Y). 解：X的概率密度为： §22. 2 方差 1. 方差的概念与计算 1）定义：设X为随机变量，若E[(X?EX)2]存在，则称其为X的方差，记为D(X). 即- D(X)= E[(X?EX)2] 而 称为标准差或根方差. 2）计算：对于离散型随机变量有 对于连续型随机变量有 在具体计算上往往采用公式 2. 常见分布的方差 (1) 0－1分布: D(X)=pq (2) 泊松分布: D(X)=? (3)二项分布: D(X)=npq (4) 均匀分布: (5) 正态分布: D(X)=?2 (6) 指数分布: * 第二十一章 随机变量及其分布 第二十二章 随机变量的数字特征 第九讲 随机变量 §21.2 离散型随机变量 1. 离散型随机变量：若ξ的所有可能取值为有限个或可数无限多个，则称ξ为离散型随机变量. 设ξ取值：x1, x2 , ..., xk , ... 记 P{ξ=xk}=pk (k=1, 2, ...). 称为ξ的概率分布. 也可列成表格形式: 关于pk , (k=1, 2, ...)显然有 (1) pk≥0 (k=1, 2, ...) (2) ξ P x1, x2, ..., xk , ... p1, p2, ..., pk , ... 2. 几种常见的概率分布 (1) 0－1分布 若P{ξ=1}=p, P{ξ=0}=q, 0－1分布(p是参数). 其中0p1, q=1–p,则称ξ服从 (2) 二项分布 若 (k=0, 1, 2, ...n) 其中0p1, q=1–p. 则称ξ服从二项分布(参数为n, p). 常见ξ～B(n, p) (3) 泊松(poisson)分布 若 (k=0, 1, 2, ...) 其中?0, 则称ξ服从泊松分布(?为参数). 常记ξ～P(?) 例1. 一电话交换台每分钟接到的呼叫次数服从?=4的泊松分布. 求(1)每分钟恰有6次呼叫的概率；