一.第二讲随机变量.pptVIP

2.7 n维随机变量及其分布 定义 n维随机变量 的n维（联合）分布函数为 定义 设 为n维随 机变量 的n维分 布函数，如果它的n阶混合偏导数存在，那么定义 为n维随机变量的n维概率密度。 n维随机变量相互统计独立的充要条件为：对于所有的 满足 2.8 随机变量的数字特征 2.8.1 数学期望 对于连续随机变量X，它的概率密度为fX(x)，则其数学期望定义为 对于离散随机变量X，假定它有n个可能取值，各个取值的概率为 ，则数学期望定义 为 均值具有如下性质： 性质1： 其中c为常数 性质2：若c为常数，则有 性质3：若X、Y是任意二个随机变量，则有 性质4：若X、Y是二个相互独立的随机变量，则有 2.8.2 方差 连续随机变量X的方差定义为 离散随机变量X的方差定义为： 方差的性质： 性质1：若c为常数，则 性质2：若X是随机变量，c是常数，则有 性质3：若X、Y是两个相互独立的随机变量，则有 切比雪夫不等式：若X随机变量， 是其数学期望，则有 推广为比安内梅不等式（对任意a）： 在概率论中，切比雪夫不等式显示了随机变数的 「几乎所有」值都会「接近」平均。这个不等式以 数量化这方式来描述，究竟「几乎所有」是多少， 「接近」又有多接近： 　 举例说，若一班有36个学生，而在一次考试中， 平均分是80分，标准差是10分，我们便可得出结论： 少於50分（与平均相差3个标准差以上）的人，数目 不多於4个（=36*1/9）。 柯西－许瓦兹不等式 : 设 则 存在，且 2.8.3 矩 n阶原点矩定义为 n阶中心矩 二维随机变量X和Y的n+k阶联合原点矩定义为： 二维随机变量X和Y的n+k阶联合中心矩为： 当n=1，k=1时，二阶联合原点矩为 它又称为X和Y的相关矩。 X和Y正交： 当n=1，k=1时，二阶联合中心矩为 它又称为X和Y的协方差。 由协方差定义得相关系数定义为： 当 ，称X与Y不相关； 若 ，称X与Y相关。 当 ，称为正相关； 当 ，称为负相关。 2.8.4 统计独立与不相关 统计独立：对于随机变量而言，X和Y相互统计独立的充要条件为 下面对这两个概念进行讨论： 1. 随机变量X和Y相互统计独立的充要条 件为 2. 随机变量X与Y不相关的充要条件是 3. 若两个随机变量统计独立，它们必然不相关。 4. 两个随机变量不相关，则它们不一定互相独立。 5. 若随机变量X、Y的相关矩为零，即 则称X、Y互相正交。 第二讲 随机变量及其概率分布 2.1 随机变量的概念 E1抛硬币：可能出现正面或反面； E2从一批产品中任取10件，抽到的废品数可能是0,1,2,…,10中的一个数； E3掷骰子：可能出现1,2,3,4,5,6点 随机变量：随机变量X是从样本空间S到实数集R 的映射 (或称：随机变量给一个随机试验结果赋予一个实数值) 。值域是连续的随机变量称为连续随机变量；值域是可数的随机变量称为离散随机变量。非连续也非离散的随机变量称为混合随机变量。 2.2 离散型随机变量及其分布律 如果随机变量X只能取有限个或可列无穷多个数值，则称X为离散型随机变量。 定义 设X为一个离散型随机变量，它所有可能取的值为xk(k=1,2,…)，而pk (k=1,2,…)是X取值xk时相应的概率，即 或写成 则称上式或表格表示的函数为离散型随机变量X的概率分布，或称为X的分布律。 X P x1 x2 … xk … p1 p2 … pk … 2.3 连续型随机变量 对于可以在某一区间内任意取值的随机变量，它的值不是集中在有限个或可列无穷个点上，这就是连续型随机变量。 2.4 概率分布函数 定义 设X是一随机变量，x是任意实数，函数 称为X的概率分布函数,简称为分布函数。（对连续和离散随机变量都适用） 根据分布函数的定义，可得下面的基本性质： 性质1：满足 性质2：F(x)是单调