第三章 多维随机变量及其分布2.pptVIP

第三节 多维随机变量函数的分布 * ——— 二维随机变量函数的分布 例1.设随机变量X1与X2相互独立，分别服从二项分布 B(n1,p)和B(n2,p)，求Y =X1+X2的概率分布. 解 依题知X+Y 的可能取值为k= 0,1,2,...,n1+n2， 由X1与X2的独立性有 所以Y=X1+X2服从二项分布B(n1+n2 ,p) 二项分布的可加性 由 得 两个独立的连续型随机变量的和仍为连续型随机变量. 即:若X,Y 独立，X~fX(x),Y~fY(y),Z=X+Y ,则 卷 积 公 式 例2.设随机变量X与Y 独立,X～U(0,1),Y～E(1). 试求(1) (X,Y)的联合密度函数;(2) Z=X+Y 的概率密度函数. 解: (1) (X,Y )~f(x,y)=fX(x)fY(y)= 0 z≤0 (2) 即: 两个独立的正态分布的随机变量的和仍服从正态分布. 即:若X1~N(μ1,σ12), X2~N(μ2,σ22), X1,X2独立,则 X1+X2~N(μ1+ μ2,σ12+ σ22) 正态分布的可加性 例3. 设X和Y 独立且同为标准正态分布N(0,1), (1)Z=X+Y 的概率密度;(2)求Z=X-Y 的概率密度. 解 (1) Z=X+Y~N(0,2) (2) 即 Z=X-Y~N(0,2) 一般地，若X1~N(μ1,σ12), X2~N(μ2,σ22), X1,X2独立,则 k1X1+k2X2~N(k1μ1+ k2μ2, k12σ12+k22σ22) 一、二维随机变量的数学期望 定义: 对于二维随机变量(X，Y),称数值向量(EX,EY) 为(X，Y)的数学期望. 定理 设g(X,Y)为随机变量X,Y的函数,且E[g(X,Y)]存在, 若(X,Y)为离散型随机变量,P(X=xi,Y=yj)=pij ,(i,j=1,2…), 则 若(X,Y)为连续型随机变量,(X,Y)~f(x,y), 则 第四节 多维随机变量的特征数 性质1 若随机变量(X,Y)数学期望存在，则有 性质2 若随机变量相互独立且它们的数学期望 都存在，则有 任意两个随机变量X和Y的协方差,记为cov(X,Y), 定义为 ⑶ cov(X1+X2,Y)= cov(X1,Y) + cov(X2,Y) ⑴ cov(X,Y)= cov(Y,X) 二、协方差 2、简单性质 ⑵ cov(aX,bY) = ab cov(X,Y) a,b是常数 cov(X,Y)=E[ (X-EX)(Y-EY) ] 1、定义 cov(X,Y)=E(XY) -EXEY 可见，若X与Y独立， cov(X,Y)= 0 . 3、 协方差的计算 由协方差的定义及期望的性质，可得 cov(X,Y)=E[ (X-EX)(Y-EY) ] =E(XY)-EXEY-EYEX+EXEY =E(XY)-EXEY 即 反之不成立. 解： 所以cov(X,Y)=0. 而Y是X的函数，即X和Y不独立 . 例1 设X服从(-1/2, 1/2)内的均匀分布,且 Y=cos X, 求X,Y的协方差. 由已知EX=0, 即EXE(cosX)=0. 即EXEY=E(XY), D(X+Y)=E[(X+Y)-E(X+Y)]2 =E[(X-EX)+(Y-EY)]2 =E(X-EX)2+E(Y-EY)2+2E[(X-EX)(Y-EY)] =DX+DY+ 2E[(X-EX)(Y-EY)] D(X+Y)=DX+DY X,Y独立 同理可证: D(X-Y)=DX+DY- 2E[(X-EX)(Y-EY)] 三、相关系数 为随机变量X和Y的相关系数 . 1、定义: 设DX0, DY0,称 在不致引起混淆时，记 为 . 2、相关系数的性质 若ρ=0， Y与X无线性关系; Y与X有严格线性关系; 若 若0|ρ|1, |ρ|的值越接近于1, Y与X的线性相关程度越高; |ρ|的值越接近于0, Y与X的线性相关程度越低. 相关系数刻划了X和Y间“线性相关”的程度. 使P{Y=a+bX}=1 （3） X和Y独立时,ρ=0. 由于当X和Y 独立时，cov(X,Y)= 0. 故 = 0 但由ρ=0并不一定能推出X和Y 独立. 即当X和Y 独立时，则X,Y不相关. 即X,Y不相关并不能推出X和Y 独立. 四、大数定律 定理1（切比雪夫大数定律） 设 X1,X2,