《随机过程Ch1概率论基础》课件.ppt

例：某商店一天到达的顾客总数N服从均值λ的泊松分布，用X1,X2,…,XN表示各顾客购买商品的情况， Xi=1表示第i个顾客购买了商品， Xi=0表示第i个顾客没有购买商品， P(Xi=1)=p, P(Xi=0)=1-p=q, i=1,2,…,N。 X1,X2,…,XN相互独立且和N独立。用Y表示购买商品的顾客数，求Y的分布，及EY。 1.4 特征函数、母函数 1.4 特征函数、母函数 1.4 特征函数、母函数 设相互独立离散型非负整数随机变量X,Y的分布律 分别为P{X=k}=pk，P{Y=k}=qk，k=0,1, ?， 则Z=X+Y的分布律为P{Z=k}=ck,其中 ck= p0 qk +p1qk-1 + ? + pk q0 设X,Y,Z的母函数分别为PX(s), PY(s), PZ(s)，即有 卷积的母函数： 1.4 特征函数、母函数 1.5 n维正态分布 若n维随机变量X=(X1,X2,?,Xn)的联合概率密度函数为 式中， 是常向量 是对称矩阵 则称X为n维正态随机变量，X~N(?, ?) 特征函数g(t)= t=(t1,t2,…,tn) 1.5 n维正态分布 二维正态分布X=(X1, X2)~N(?, ?) X1~N(?1 , ?1), X2~N(?2 , ?2), X1与X2相关系数为? 1.5 n维正态分布 二维正态分布联合概率密度 1.5 n维正态分布 特别地，当ρ=0时， 多维正态分布的性质 设X~N(μ,Σ),Y=XA+b，若A’ ΣA正定，则，Y~N(μA+b, A’ ΣA),即正态分布随机变量的线性变换仍是正态随机变量。 特别的，对于一维正态随机变量X~N(μ,σ2), Y=aX+b,则 Y~N(aμ+b, a2σ2) 1.4 特征函数、母函数 例 X~N(μ,σ2),Y=aX+b,则 Y~N(aμ+b, a2σ2) 证： 1.6 条件期望 设X, Y是离散型随机变量，对一切使P{Y=y}0的y，定义 Y=y时X的条件概率 Y=y时X的条件分布 Y=y时X的条件期望 例： 袋中有2个红球，3个白球，从中不放回的接连取出两个球。设X表示第一次取到的红球数，Y表示第二次取到的红球数。求 E（Y|X=1）和E（Y|X=0） 1.6 条件期望 条件期望的性质： 若随机变量X,Y的期望存在，则 如果Y是离散型随机变量，则 如果Y是连续型随机变量，则 1.6 条件期望 证明：设X,Y都是离散型随机变量 1.6 条件期望 若X,Y是连续型随机变量，其联合概率密度为f（x，y），则对一切使fY(y)?0的y， 给定Y=y时，X的条件概率密度为 给定Y=y时，X的条件分布为 给定Y=y时，X的条件期望为 1.6 条件期望 应用条件期望求事件的概率 事件A的示性函数 IA：?? R，是二值随机变量 P{IA =1}= P(A) ， P{IA =0}= 1-P(A) EIA =1? P(A) + 0 ?[1-P(A)]= P(A) 1.6 条件期望 例 设X,Y为随机变量，证明公式 证 1.6 条件期望 证 1.6 条件期望 E(X|Y=y)是y的函数，y是Y的一个可能值,在已知Y的条件下，考虑X的均值，需要以Y代替y， E(X|Y)是随机变量Y的函数，也是随机变量，称为X在Y下的条件期望 1.6 条件期望 P(A) = EIA=E[E(IA |Y)] = 若Y为离散型随机变量，则 若Y为连续型随机变量，则 E(IA |Y=y)= 1? P(A|Y=y) + 0 ?[1-P(A|Y=y)] = P(A|Y=y) 1.6 条件期望 例 设X与Y是相互独立的随机变量，其分布函数分别为FX(x)和FY(y)，记(X+Y)的分布函数为FX*FY，则 1.6 条件期望 ☆ X与Y是相互独立的随机变量，分别服 从状态分布N（μ1，σ12）， N（μ2，σ22） 则X+Y～N（ μ1 +μ2 ，σ12 +σ22 ） 其中 谢谢！ * * * 1.2 随机变量及其分布 若{Xt , t?T}是一族连续型随机变量，则 独立性等价于 其中 是n维随机变量 的联合概率密度, 是随机变量 的概率密度(i=1,2, ?,n) 2.说明 (