第1章-概率论基本知识1.pptVIP

如果二维随机变量(X,Y)满足, 则称X与Y相互独立 . 连续型 对任意x,y, 有 离散型 随机变量的独立性 设 (X,Y) 是二维离散型随机变量，对于固定的 j，若P(Y=yj)0，则称 为在Y=yj下，随机变量X的条件分布律. 条件分布——离散型 称为已知 Y=y下，X的条件概率密度函数 . 称为已知 X=x下，Y的条件概率密度函数 . 条件分布——连续型 如果yk=g(xk)中有一些是相同的，把它们作适当并项即可. 若X是离散型随机变量，X的分布律为 若yk=g(xk)的值互不相等, Y=g(X)的分布律为 随机变量函数的分布 一维随机变量函数的分布——离散型 若X是连续型随机变量，其概率密度为fX(x)，则求Y=g(X)的分布问题的方法是，从分布函数定义出发，通过等概率事件的转化，建立Y与X的分布函数之间的关系，得到Y的分布函数FY(y)，然后对FY(y)求导得到概率密度fY(y)。这种求解连续型随机变量函数的分布问题的方法称为分布函数法。 一维随机变量函数的分布——连续型 设随机变量X的概率密度为fX(x),又设y=g(x)严格单调且可导,则Y=g(X)是一个连续型随机变量,其概率密度为 定理 其中,(α, β)是y=g(x)的值域. 设(X,Y)为离散型随机变量， Z=g(X,Y)为一维离散型随机变量.若对于不同的(xi,yj),g (xi,yj)的值互不相同,则Z的分布律为 若对于不同的(xi,yj), g(xi,yj)有相同的值,则应取这些相同值对应的概率之和。 二维随机变量函数的分布——离散型 设(X,Y)为连续型随机变量，联合概率密度为f (x,y)， Z=g(X,Y)为一维连续型随机变量，Z的分布函数为 二维随机变量函数的分布——连续型 然后将二重积分化为累次积分计算，再对 求导得到概率密度 。这也就是再次应用分布函数法解决随机变量函数的分布。 x y x+y=z 解: 二维随机变量函数的分布—— Z=X+Y 若X、Y独立 1.3.1 数学期望 §1.3 随机变量的数字特征 数学期望的定义——离散型 设X是离散型随机变量，它的分布律是: 如果级数 绝对收敛,则称 为X的数学期望. 定义——数学期望 为p维随机变量x的数学期望(或均值向量). 设 为p维随机变量，E(Xi)是第i个随机变量的数学期望（或均值）(i=1,2,…,p)，则称 设X是连续型随机变量，其密度函数为 f (x),如果 绝对收敛,则定义X的数学期望为 数学期望的定义——连续型 设Y是随机变量X的连续函数，Y=g(X)，则 当X为离散型时，P(X= xk)=pk ; 当X为连续型时，X的密度函数为f (x). 随机变量函数的数学期望 设(X,Y)是二维随机变量，Z=g(X,Y)，则 随机变量函数的数学期望 1. E(aX+b)=aE(X)+b; 2. E(X+Y) = E(X)+E(Y); 3. 设X、Y相互独立，则 E(XY)=E(X)E(Y)。 E(aX)=aE(X) E(b)=b 数学期望的性质 D(X)=E(X2)-[E(X)]2 1.3.2 方差 方差的定义 1. D(aX+b)=a2D(X) ; D(aX)=a2D(X) D(b)=0 D(-X)= D(X) 方差的性质 2.若X、Y相互独立,D(X+Y) = D(X)+D(Y); 方差的性质 3.切比雪夫不等式 设随机变量X有数学期望μ和方差σ2，则对于任给ε0,有 方差的性质 ——X的标准化随机变量 E(X*)=0, D(X*)=1 随机变量“标准化”及矩 随机变量“标准化” 若X ~ 0-1分布，那么E(X)=p， D(X)=p(1-p); 若X ~ B(n,p)，那么E(X)=np，D(X)= np(1-p); 若X ~ P(λ)，那么E(X)=λ，D(X)=λ; 若X ~ G(p)，那么E(X)=1/p，D(X)=(1-p)/p2. 1.3.3 常见分布的数学期望与方差 若X ~ E(λ), 那么E(X)=1/λ, D(X)=1/λ2; 若X ~ U[a,b], 那么E(X)=(a+b)/2, D(X)=(b-a)2/12; 若X ~ N(μ,σ2), 那么E(X) =μ, D(X) =σ2. 设(X,Y)为二维随机变量，若 E{[ X-E(X)][Y-E(Y) ]} 存在，则称其为X和Y的协方差，记为cov(X,Y)。 1.3.4 协方差与相关系数 定义——协方差 在相同条件下，重复n次做同一试验， 每次试验只有两个可能结果； n