概率论第三章
概率论第三章部分习题解答
ydxdy.
定理1 cov(X ,Y ) E( XY ) E( X )E(Y )
定理2 若X与Y 独立，则：covX ,Y 0. 逆命题不成立。
注 设X与Y是任两个随机变量，
10
D( X Y ) D( X ) D(Y ) 2cov(X ,Y )
2、X与Y 的相关系数
定义 R( X ,Y ) cov( X ,Y )
EX
xf
xdx
1
二、二维随机变量的数学期望
（1）设二维离散随机变量(X,Y)的联合概率函数为p(xi , yj)，则
随机变量X及Y 的数学期望分别定义如下：
EX xi p xi , y j , EY y j p xi , y j .
i j
ji
即： EX xi pX xi , EY y j pY y j .
第三章 随机变量的数字特征
（一）基本内容 一、一维随机变量的数学期望
定义1：设X是一离散型随机变量，其分布列为：
X x1 x2 xi
P p( x1 ) p( x2 )p( xi )
则随机变量X 的数学期望为: EX xi pxi
i
定义2：设X是一连续型随机变量，其分布密度为 f x,
则随机变量X的数学期望为
i
j
假定级数是绝对收敛的.
（2）设二维连续随机变量(X,Y)的联合概率密度为f(x, y)，则
随机变量X及Y 的数学期望分别定义如下：
EX
xf
x,
ydxdy,
EY
yf x, ydxdy.
即：EX
xf X x dx,
EY
yfY y dy.
2
假定积分是绝对收敛的.
概率论第三章 多维随机变量及其分布
1 3
概率论
y
y x
o
x
概率论
四、课堂练习
设随机变量(X,Y)的概率密度是
f
x,
y
k
6
x
y,
0,
0 x 2,2 y 4, 其它.
(1) 确定常数 k;
(2) 求概率 PX 1,Y 3 .
解 (1) 1 f x, ydxdy
R2
k
2 dx
46
0
2
x
y dy
k
2 dx
46
概率论
同理, Y的分布律为:
P{Y y j} pij ˆ p•j , j 1,2,, i1
分别称pi• (i 1, 2,), 和p• j , (j 1, 2,)为(X, Y)关于 X和关于Y的边缘分布律.
概率论
例1 把一枚均匀硬币抛掷三次，设X为三次 抛掷中正面出现的次数 ，而 Y 为正面出现次数与 反面出现次数之差的绝对值 , 求 (X ,Y) 的分布律 和边缘分布律.
也就是说,对于给定的
不同的 对应
不同的二维正态分布,但它们的边缘分布却都是一样的.
此例表明 由边缘分布一般不能确定联合分布.
概率论
五、小结
1. 在这一讲中，我们与一维情形相对照，介 绍了二维随机变量的边缘分布. 2. 请注意联合分布和边缘分布的关系: 由联合分布可以确定边缘分布; 但由边缘分布一般不能确定联合分布.
随机变量维（X,Y )的概率密度 , 或 称为随机变量 X 和 Y 的联合概 率密度.
概率论
一维随机变量X
连续型
F x x
f tdt
x
X的概率密度函数
f x x R
概率论第三章
一、数学期望的概念 二、数学期望的性质 三、应用实例
回
停 下
§3.1
数学期望
一、数学期望的概念
1. 问题的提出 1654年, 一个名叫梅累的骑士就“两个赌徒 约定赌若干局, 且谁先赢 c 局便算赢家, 若在一 赌徒胜a局 (a<c), 另一赌徒胜b局(b<c)时便终止 赌博, 问应如何分赌本” 为题求教于帕斯卡, 帕 斯卡与费马通信讨论这一问题, 于1654 年共同 建立了概率论的第一个基本概念 — 数学期望
因而其数学期望E(X)不存在.
§3.2 数学期望的性质 一、性质
性质3.1 设C是常数, 则有ECC. 证
E X E C 1 C C . E CX CE X .
性质3.2 设 X 是一个随机变量, C 是常数, 则有 证 E CX Cxk pk C xk pk CE X .
数学期望, 记为EX, 即
E X
xp x dx .
4. 数学期望不存在的实例
例3
设随机变量X的分布律为 1 PX n , n 1,2,, nn 1
求证: 随机变量X没有数学期望.
证 由定义, 数学期望应为
1 E X npn . n1 n 1 n 1
求EX, EY, E (Y / X ), E[( X Y )2 ]. 思考： X2的分布律？
例7 设随机变量X ~ N0,1, Y ~U0,1, Z~B5,0.5, 且X, Y, Z相互独立, 求随机变量W 2X+3Y4Z1
的数学期望.
概率论第三章第3,4节条件分布,独立性
P X m， Y n q n2 p2 , n 2,3,; m 1,2,n 1
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
例3 设某班车起点站上车人数 X 服从参数为 ( 0) 的泊松分布，每位乘客在中途下车的概率为 p(0 p 1),
1 f ( x, y) , x y x, f ( y | x ) 当0 x 1, Y | X 2x f X ( x) 其它。 0,
1 P{ X , Y 0} 1 2 ( 3) P{ X | Y 0} 2 P{Y 0} y
1 1 (1 ) 2 3 2 2 1 4 1 1 2
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
P{ X x , y Y y } FX |Y ( x | y ) lim 0 P{ y Y y }
F ( x , y ) lim [F ( x, y ) F ( x, y )]/ 2 y 0 d lim [ F ( y ) F ( y )] / 2 Y Y FY ( y ) 0 dy y x x f ( u, v )dudv f ( u, y )du y . fY ( y) fY ( y)
n 2
2
第三章 随机变量及其分布
§3条件分布
在 X= m 条件下随机变量Y 的条件分布律为
当m=1,2,3,… 时，
P{Y n | X m}
P{ X m ,Y n} P{ X m }
p 2 q n 2 n m 1 pq , m 1 pq
概率论与数理统计总结之第三章
第三章 多维随机变量及其分布第一节二维随机变量的概念1.二维随机变量定义：设(X,Y)是二维随机变量，记为:(,){()()}=≤⋂≤F x y P X x Y y (,)=≤≤P X x Y y (,)-∞<<∞-∞<<∞x y称(,)F x y 为X 与Y 的分布函数，或称X 与Y 的联合分布函数}}(){{(,lim (,)→+∞=≤=≤≤+∞=X y F x P X x P X x Y F x y}}(){{,lim (,)→+∞=≤=≤+∞≤=Y x F y P Y y P X Y y F x y分布函数(,)F x y 性质:1）(,)F x y 是变量x 和变量y 的不减函数，(分别关于x 和y 有单调不减性) 2）0(,)1≤≤F x y ，任意一边趋于-∞＝０.F(∞，∞)=1（用来确定未知参数）.3）(,)(0,)(0,0)=+=++F x y F x y F x y ，即(,)F x y 分别关于x 右连续，关于y 也右连续,4）对于任意11221212(,),(,),,,<<x y x y x x y y 下述不等式成立(可用于判定二元函数(,)F x y 是不是某二维随机变量的分布函数):22211112(,)(,)(,)(,)0-+-≥F x y F x y F x y F x y 2.二维离散型随机变量:定义:如果二维随机变量(X,Y)只取有限对或可列无穷多对，则称(X,Y)是二维离散型随机变量其概率{,},,1,2,====i i ij P X x Y y p i j …为二维离散型随机变量(X,Y)的分布律，或随机变量X 和Y 是联合分布律 性质:1.0,(i,j 1.2.....)≥=ij P2.1≤≤=∑∑i i ijx x y yp满足以上两条，即为二维离散型随机变量的分布律. 注；步骤:定取值,求概率,验证1.离散型随机变量X 和Y 的联合分布函数为(,)≤≤=∑∑i i ijx x y yF x y p，其中和式是对一切满足,≤≤i i x x y y 的i,j 来求和的边缘分布定义:对于离散型随机变量(X,Y)，分量X 和Y 的分布律(), 1.2...(), 1.2..的边缘分布律：的边缘分布律：••========∑∑i i ij jJ i ij iX p P X x p i Y p P Y y p i ，0,0(, 1.2....)1•••≥≥===∑∑i j jiip p i j pi p联合确定边缘，但一般情况，边缘不能确定的联合，除非相互独立. 比如；有放回的摸球，就是X ，Y 相互独立. 不放回地摸球，是条件分布.3.二维连续型随机变量的概率密度和边缘概率密度. 对比一维的: 概率密度:()()1∞-∞==⎰f x f x dx ，分布律:{}(),≤≤=⎰b aP a x b f x dx 分布函数:()()-∞=⎰xF x f t dt二维:定义:设二维随机变量(X,Y)的分布函数为(,)F x y ，若存在非负可积函数(,)f x y ，使得对于任意实数x,y 有(,)(,)-∞-∞=⎰⎰xyF x y f u v dudv ，则称(X,Y)为二维连续型随机变量，(,)f x y 称为(X,Y)的概率密度，或联合概率密度.概率密度的性质: 1.(,)F x y ≥0 2.(,)1∞∞-∞-∞=⎰⎰f x y dxdy只要具有以下两条性质，必可作为某二维随机变量的概率密度.3.已知(X,Y)的概率密度(,)f x y ，则(X,Y)在平面区域D 内取值的概率为:{(,)}(,)∈=⎰⎰DP X Y D f x y dxdy (作二重积分)(随机点(X,Y)落在平面区域D 上的概率等于以平面区域D 为底，以曲面(,)=z f x y 顶的典顶的体积) 4.若(,)F x y 在点(x,y)连续，则有2(,)(,)∂=∂∂F x y f x y x y(连续就能根据分布律求概率密度)1） 当求()=P X Y 时，它只是一条线，所以：()0＝=P X Y2） 一个方程有无实根：20++=ax bx c ，即求：22240,40,40,一个实根无实根两个实根+=+<+>b ac b ac b ac均匀分布：定义:设D 为平面上的有界区域，其面积为S ，且0>S ,如果二维随机变量(X,Y)的概率密度为1,(x,y)(,)0,其它⎧∈⎪=⎨⎪⎩Df x y S，则称(X,Y)服从区域D 上的均匀分布(或叫(X,Y)在D 上服从均匀分布，记作（X,Y ）D U . 两种特殊情形:1） D 为矩形，,c )≤≤≤≤a x b y d 时，1,()()(,),c )0,其它⎧⎪--=≤≤≤≤⎨⎪⎩b a dc f x y a x b y d2） D 为圆形，如(X,Y)在以原点为圆心，R 为半径的圆域上服从均匀分布，则(X,Y)的概率密度为:22221,(,))0,其它π⎧⎪=+≤⎨⎪⎩f x y x y R R定义:对连续型随机变量(X,Y),分量X,Y 的概率密度称为(X,Y)关于X 或Y 的边缘概率密度,记作(),X f x ().Y f y X 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰xX F x F x f u v dv du （让Ｙ趋于正无穷） Y 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰yY F y F y f u v du dv （让Ｘ趋于正无穷） X 的概率密度:()(,),()∞-∞=-∞<<∞⎰X f x f x y dy xY 的概率密度:()(,),()∞-∞=-∞<<∞⎰Y f y f x y dx y（二维的边缘概率密度是直接以联合概率密度在负无穷到正无穷对对应元素积分，其间需要对划分区间的作分别积分）(X,Y)的概率密度:(,)(,)[(,)]-∞-∞-∞-∞==⎰⎰⎰⎰x yx yf x y f u v dudv f u v dv du二维正态分布： 二维正态221212(,)(,,,,)σσρX Y N u u 分布函数的性质:1.211()(,)σX N u ,222()(,)σY N u 边缘服从一维正态分布2.0,ρ=⇔xy X Y 独立（相关系数为Ｏ，则两个随机变量独立）3.212()()σ++k X k Y N u (线性组合按一维正态处理)4. 1212()，±±k X k Y c X c Y 服从二维正态（如：(,)+-X Y X Y ） 条件分布:设(X,Y)是二维离散型随机变量，对于固定的j ，若{}0=>j P Y y ，则称{=i P X x ｜{,}},1,2,{}⋅=======i j ij j j jP X x Y y p Y y i P Y y p …为在=j Y y 条件下随机变量X 的条件分布律同样地，若{}0,=>i P X x 则称{=j P Y y ｜{,}},1,2,{}⋅=======i j ij i i i P X x Y y p X x j P X x p …为=i X x 条件下随机变量Y 的条件分布律 变形，即得求联合分布律的方法.设二维随机变量(X,Y)的概率密度为f(x,y),(X,Y)关于Y 的边缘概率密度为()Y f y .若对于固定的y,()0,>Y f y 则称(,)()Y f x y f y 为在Y=y 的条件下X 的条件概率密度称|(,)(|)()-∞-∞=⎰⎰xxX Y Y f x y f x y dx dx f y 为在Y=y 的条件下，X 的条件分布函数，记为P{X ≤x|Y=y}或|(|)X Y F x y ，即|(,)(|){|}()-∞=≤==⎰x X Y Y f x y F x y P X x Y y dx f y 设F(x,y)及(),()X Y F x F y 分别是二维随机变量(X,Y)的分布函数及边缘分布函数，若对于所有x,y 有P{X ≤x,Y ≤y}=P{X ≤x}P{Y ≤y},即(,)()()=X Y F x y F x F y ，则称随机变量X 和Y 是相互独立的设(X,Y)是连续型随机变量，(,),(),()X Y f x y f x f y 分别为(X,Y)的概率密度和边缘概率密度，则X 和Y 相互独立的条件等价于(,)()()=X Y f x y f x f y 在平面上几乎处处成立(除去面积为0的集合以外，处处成立)第二节随机变量的独立性1. 两个随机变量的独立性 定义:设(,),().()X Y F x y F x F y 分别是二维随机变量(X,Y)的分布函数和两个边缘分布函数，若对任意实数,x y 有(,)().()=X Y F x y F x F y ，则称X 与Y 相互独立.可用于判断独立性(随机变量独立,对任意实数x,y,事件X ,Y ≤≤x y 相互独立) 以上公式等价于:(X ,Y )(X ).()≤≤=≤≤X Y P x y P x P Y y 可类推至多个函数的情况.1)如果X,Y 随机变量独立，().()连续f x g y ，(通过函数作用)则().()f x g y 也独立.(可类推至多个随机变量的情况)例:X,Y 独立，则22,x y 独立.2)如果1212,...,...，ＹＹＹm m X X X 相互独立，12m 121()()...()()()....()和，f x f x f x g y g y g y 也相互独立。
概率论第三章 平稳随机过程
严平稳过程只要均方值有界， 就是广义平稳的， 但反之则不一定。
当我们同时考虑两个平稳过程X(t)和Y(t)时，若它 们的互相关函数仅是单变量τ 的函数，即
RX Y (t1, t2 ) E[ X (t1 )Y (t2 )] RXY ( ), t2 t1,
则称X(t)和Y(t)宽平稳相依，或称这两个随机过程 是联合宽平稳的。
例3.1 设随机过程 X (t) a cos(0 t )
式中a，ω0为常数，Φ是在区间(0，2π)上均匀分 布的随机变量, 这种信号通常称为随相正弦波。求 证X(t)是宽平稳的。
二、各态历经（遍历）随机过程
在上面的讨论中，每当谈到随机过程时，就意味 着所涉及的是大量的样本函数的集合。要得到随机过 程的统计特性，就需要观察大量的样本函数。
ln
p( X
/
mX
)
K
N 1
exp
i0
(xi
mX
2
2 X
)2
均值估计
让对数似然函数取最大值
ln p( X / mX ) 0 m X
得到均值的最大似然估值
mˆ X
1 N
N 1
xi
i0
此式说明，可用N个观测值的算术平均作为均值mX的估值。
估计量的性质（工程）
1．有偏估计与无偏估计
由于估计量依赖于观测结果，因此估计量本身是 随机变量，于是它也存在其均值和方差。
定义1：取对应于ρX(τ)=0．05的那个时间为相关 时间τ
0
定义2：用图3.6中的矩形(高为ρX(0)=1，底为τ0的
矩形)面积等于阴影面(ρX(τ)积分的一半)来定义
τ0，即
大学概率论第三章----随机向量
大学概率论第三章----随机向量第三章 随机向量第一节 二维随机向量及其分布1、二维随机向量及其分布函数定义1：设E 是一个随机试验，它的样本空间是{}e Ω=.设X(e)与Y(e)是定义在同一样本空间Ω上的两个随机变量,则称(X(e),Y(e))为Ω上的二维随机向量或二维随机变量。
简记为(X,Y).定义2：设(X,Y)是二维随机向量,对于任意实数x,y ，称二元函数 F(x,y)=P{X ≦x ，Y ≦y}为二维随机向量(X,Y)的分布函数或联合分布函数。
(X,Y)的分布函数满足如下基本性质： (1)F(x,y)是变量x,y 的不减函数. (2)0≦F(x,y)≦1,(,)0y F y -∞=对于任意的 ,(,)0x F x -∞=对于任意的(,)0(,)1F F -∞-∞=+∞+∞=，(3)(,), (,)(0,)(,)(,0)F x y x y F x y F x y F x y F x y =+=+关于是右连续的，即， 1122121222211211(4)(,)(,),, (,)(,)(,)(,)0x y x y x x y y F x y F x y F x y F x y <<--+≥对于任意和，有2、二维离散型随机变量定义3：若二维随机向量(X,Y)的所有可能取值是有限对或无限可列多对,则称(X,Y) 为二维离散型随机向量。
设(X,Y)的一切可能值为(,) , ,1,2,i j X Y i j =L ，且(X,Y)取各对可能值的概率为,(,), ,1,2,i j i j P X Y P i j ==L(1) 非负性:,0, ,1,2,i j P i j ≥=L ；,(2)1ij i jp =∑规范性：, (,){,}i i ijx x y yX Y F x y P X x Y Y p ≤≤=≤≤=∑∑离散型随机变量的联合分布函数为定义4：{,}(,1,2,...)(,)ij P X x Y Y p i j X Y X Y ≤≤==称为二维离散型随机变量的概率分布或分布律，或随机变量和的联合分布律。
概率论第三章事件的独立性
用P(AB)=P(A) P(B)刻划独立性,比用
P(A|B) = P(A) 或 P(B|A) = P(B)
更好,它不受P(B)>0或P(A)>0的制约.
一、两事件独立的定义
若两事件A、B满足
P(AB)= P(A) P(B)
(1)
则称A、B独立，或称A、B相互独立.
例1 从一副不含大小王的扑克牌中任取一 张，记 A={抽到K}, B={抽到的牌是黑色的}
所求为 P(A1∪A2∪A3)
记 Ai={第i个人破译出密码} i=1,2,3
1 所求为 P(A1∪A2∪A3)
3
已知, P(A1)=1/5,P(A2)=1/3,P(A3)=1/4
P(A1∪A2∪A3) 1 P( A1 A2 An )
2
1 P( A1A2 A3)
1 P( A1)P( A2 )P( A3)
= P( A1 )P( Ai1 ) P( Aim ).
[注释] 1. n个事件独立，则其中任意k（2≤k<n） 个事件也独立，反之未必成立，
2. 在实际应用中，独立性往往通过实际 意义判断，而不用定义证明；在理论证 明中，独立性用定义或定理证明。
3. 事件的独立与互斥是两个截然不同的概 念，互斥是指两个事件之间的关系，独 立是指两个事件概率之间的关系。
由于“甲命中”并不影响“乙命中”的
概率，故认为A、B独立 .
（即一事件发生与否并不影响另一事件发生 的概率）
又如：一批产品共n件，从中抽取2件，设 Ai={第i件是合格品} i=1,2
若抽取是有放回的, 则A1与A2独立.
因为第二次抽取的结果
不受第一次抽取的影响. 若抽取是无放回的，则A1 与A2不独立.
概率论第三章
若二维随机变量（ 若二维随机变量（X,Y）具有概率密度 ） 1 1 x − µ1 2 f (x, y) = exp{− ) 2 [( 2 2(1− ρ ) σ1 2πσ1σ2 1− ρ x − µ1 y − µ2 y − µ2 2 )( ) +( ) ]} − 2ρ( 其中
µ1, µ2,σ1,σ2, ρ
3.1.2、二维随机变量的联合分布函数 、 维随机变量的联合 联合分布函数
二维随机变量（ 二维随机变量（X,Y） ） ( X , Y )的联合分布函数 )的联合分布函数
一维随机变量X 一维随机变量 X的分布函数 的分布函数
F(x, y) = P(X≤ x,Y ≤ y) − ∞ < x, y < ∞
xi ≤3yj ≤2
求：F(3,2) = P(X≤ 3,Y ≤ 2) = ∑∑pij
1 1 1 1 = + 0+ 0+ + + 0 = 4 8 8 2
例２ 设随机变量 Y ~ E (1) ，随机变量
0 , 若Y ≤ k ( k = 1，） 2 Xk = 1 , 若Y > k 的联合概率分布列。 求 X 1 和 X 2 的联合概率分布列。
第三章 多维随机变量及其分布
到现在为止， 到现在为止，我们只讨论了一维随机变量 及其分布. 及其分布. 但有些随机现象用一个随机变量来 描述还不够， 描述还不够，而需要用几个随机变量来描述 在打靶时, 在打靶时,命中点的位置是由一 对随机变量(两个坐标)来确定的. 对随机变量(两个坐标)来确定的. 飞机的重心在空 中的位置是由三个随 机变量(三个坐标） 机变量(三个坐标）来 确定的等等. 确定的等等.
1/ 4 x 1 1 解: (3)P( X < ,Y < ) = ∫0 [∫0 3xdy]dx 4 2
《概率论》第3章§4相互独立的随机变量
§4
A, B 相互独立 X , Y 相互独立
相互独立的随机变量
11/19
P( A | B) P( A), P( B | A) P( B)
f ( x, y) f X ( x) fY ( y) (a.e) f ( x, y ) f X |Y ( x | y ) = f X ( x) ( a.e) fY ( y )
§4
相互独立的随机变量
1/19
随机变量的独立性
离散型、连续型随机变量的独立性的判断
利用随机变量的独立性进行相关概率的 计算
第三章 多维随机变量及其分布
§4
A, B 相互独立
相互独立的随机变量
A, B 之间没有任何关系
P( AB) P( A) P( B)
2/19
怎样定义 r.v X , Y 之间的独立性 若
FX ( x2 ) FY ( y2 ) FX ( x1 ) FY ( y2 ) FX ( x2 ) FY ( y1 ) FX ( x1 ) FY ( y1 )
[ FX ( x2 ) FX ( x1 )] [ FY ( y2 ) FY ( y1 )]
P{x1 X x2 }P{ y1 Y y2 }
X ~ U (0,1), Y ~ U (0,1)
X , Y 独立,故联合密度为
1, 0 x 1, 0 y 1 f ( x, y ) f X ( x ) f Y ( y ) 其它 0,
故两信号互相干扰的概率为
P{ | X Y | 1 }
120
1
y
y x
1 2 1 2 1
2
( x ) 1 exp{ [ 21 2 1 2(1 )
概率论第三章二维随机变量
取下列数组中的值:(0,0),( :(0,0),(例2 二维离散型随机向量 ( X ,Y ) 取下列数组中的值:(0,0),(-1,1) 1,2),(2,0);且相应的概率依次为 且相应的概率依次为:1/6, (-1,2),(2,0);且相应的概率依次为:1/6, 1/3, 1/12, 5/12. 的联合概率分布 分布. 求X与Y的联合概率分布.
X Y y1
y2
⋯
yj
⋯
Hale Waihona Puke x1 p11 x 2 p21 ⋮ ⋮ xi pi1 ⋮ ⋮ 联合分布律 联合分布律的性质 (1) p ij ≥
p12 ⋯ p1 j p22 ⋯ p2 j ⋮ ⋮ pi 2 ⋯ pij ⋮ ⋮ 0 ; (2) ∑ ∑
⋯ ⋯ ⋯
p ij = 1
i ≥1 j ≥1
边缘分布 分布律 ２. 边缘分布律 二维离散型随机变量的边缘分布律可列于联合分布 二维离散型随机变量的边缘分布律可列于联合分布 可列 的两侧: 表的两侧 Y y y ⋯ y ⋯
型随机变量(X,X, 的分布律,或随机变量X 型随机变量(X,X,)的分布律,或随机变量X与Y的联合 (X,X 分布律 分布律.可记为
, ( X ,Y) ~ pij = P( X = xi ,Y = y j ) (i, j =1,2,⋯ )
二维离散型随机变量的联合分布律可列表如下: 二维离散型随机变量的联合分布律可列表如下 可列表如下
p12 1/ 4 p22 1/ 2 p32 1/ 4 1/ 2 1/ 2 1
3. 求联合分布的步骤与方法 求联合分布的步骤与方法 分布 先画出二向表的表头,并确定X 的取值; (1) 先画出二向表的表头,并确定X与Y的取值; 求联合分布表的中的概率项. (2) 求联合分布表的中的概率项.
概率论第三章
8 July 2010
联合密度函数的基本性质 (1) p(x, y) ≥ 0. (非负性) (2) (正则性)
注意: P{(X,Y) ∈D} = ∫∫ p(x, y)dxdy
D
8 July 2010
3.1.5
一,多项分布
常用多维分布 常用多维分布
若每次试验有r 种结果:A1, A2, ……, Ar 记 P(Ai) = pi , i = 1, 2, ……, r 记 Xi 为 n 次独立重复试验中 Ai 出现的次数. 则 (X1, X2, ……, Xr)的联合分布列为:
2x
+∞
1 2x +∞ 1 3y +∞ = A e × e 2 0 3 0
=A/6 所以, A=6
8 July 2010
例3.1.4
6e(2x+3y) , x ≥ 0, y ≥ 0 若 (X, Y) ～ p( x, y) = 其 它 0,
试求 P{ X< 2, Y< 1}.
8 July 2010
注 意 点 (2)
二维正态分布的边际分布是一维正态: 若 (X, Y) N ( ), 则 XN( ), YN( ).
二维均匀分布的边际分布不一定是一维均匀分布.
8 July 2010
例3.2.1 设 (X, Y)服从区域 D={(x, y), x2+y2 <1} 上的均匀分布,求X 的边际密度p(x). 解: 由题意得
e y , 0 < x < y p( x, y) = 其 他 0,
求概率P{X+Y≤1}. 解: P{X+Y≤1}=
1/2
1x x
y=x
x+y=1
= ∫ dx∫
概率论第三章课件
f ( x , y ) d x d y , G
例5 设二维随机变量(X，Y )具有概率密度
ke( 2 x y ) , f ( x, y) 0,
x 0, y 0 其它
(1)确定系数k；(2)求分布函数F(x，y)；(3)求概率 P{X≤Y}。 解 (1)由于
反过来还可以证明，任意一个具有上述四个性 质的二元函数，必定可以作为某个二维随机变量的 联合分布函数。 对于n维随机向量(X1，X2，…，Xn )可类似定义 分布函数如下：
对任意n个实数x1 , x2 ,, xn , n元函数 F ( x1 , x2 ,, xn ) P{ X 1 x1 , X 2 x2 ,, X n xn } 称为n维随机向量( X 1 , X 2 ,, X n )的分布函数, 或随机 向量( X 1 , X 2 ,, X n )的联合分布函数 它有类似于二维 , 随机变量的分布函数的 性质.
如果将(X，Y)看作平面上随机点的坐标，则 F(x，y)=P{X≤x，Y≤y} 就表示点(X，Y)落在图（1）中阴影部分的概率。
y
X x ,Y y
( x, y)
o
图（1）
x
y
这时，点 (X，Y)落入任一 y2 矩形区域 y1 {x1＜ X ≤x2，y1＜ Y ≤y2} 的概率，可运用概率的加法 性质求得(借助图(2))： O
G
3、说明
几何上, z f ( x, y ) 表示空间的一个曲面 .
表示介于 f (x, y)和 xoy 平面之间的空间区域的 全部体积等于1.
P {( X ,Y ) G }
P{ ( X ,Y ) G }的值等于以G为底 , 以曲面z f ( x , y ) 为顶面的柱体体积.
概率论第三章-边缘分布
P{ X xi } P{ X xi , (Y y j )}
P{ X xi , Y y j }
j 1
j 1
,i 1 , 2 ,
记做 pi
同理 P{Y y j }
p
i 1
ij
, j 1 , 2 , 记做 p j
o
1
x
注：联合分布 书69页：例5，6
维正态分布； ② 边缘分布与ρ无关，说明了由边缘分布不能确 定联合分布。
0 1/4 0 1/4 1/2
1 0 1/2 0 1/2
1/4
三、连续型随机变量的边缘概率密度
若 是二维连续型随机变量, 其概率密度为
f ( x , y ) , 则:
FX ( x) F ( x , ) f X (x)
同理
x
f (u , v) dv du
0 1/2
1 1/2
pi · 1/4
且P{XY=0}=1，求(X,Y)的分布律 解、 P{XY≠0}=0= P{X≠0, Y≠0} Y X =P{X=-1, Y=1}+ P{X=1, Y=1} 从而P{X=-1, Y=1}=P{X=1, Y=1}=0 -1 0 1 pi · p· j 1/4 1/2
y
解:
的概率密度为
0 1
y=x x
当0 x 1 当 x other
f X (x) f ( x , y )dy 0 2 dy 2 x
f X ( x) 0
x
f X ( x)
例2. 上服从均匀分布, 密度 和 的概率密度为
概率论第三章ch3_2
例题：已知二维随机变量( X , Y )的联合概率密度为
求关于X，Y 的边缘概率密度 fX(x), fY ( y ) .
解：
对称区间上的 奇函数！
仅由概率密度 函数无法确定 联合概率密度 函数！但是如 果还有它们之 间联系的条件 则可能！
例题：已知二维随机变量( X , Y )的边缘分布律为
并且P{XY=0}=1，求关于X，Y 的联合分布律。 解：
所以 X服从正态分布即
同理可得Y的分布密度：
二元正态分布的边缘分布是一元正态分布并且与 参数ρ无关。
例题：已知二维随机变量( X , Y )的联合概率密度为
求关于Y 的边缘概率密度 fY ( y ) . 解：
当0<y<1与y>1 时被积函数非0 区域不同!
二维随机变量( X , Y )的联合概率密度图
解：X=1,2，3,4，而 Y=1，。。。，X
故所求的边缘分布律与联合分布律为：
边缘密度函数的求法
若已知连续型随机向量(X,Y)的联合概率密度函数f(x,y), 则也可求出它的边缘概率密度函数。事实上：
例4：设区域D是由曲线y=x2与直线y=x围成，并且随机向量 (X，Y)服从D上的均匀分布，求联合概率密度与边缘概率 密度函数。
二维随机变量( X , Y )的联合概率密度图
function bbb
[x,y]=meshgrid(0:0.1:4);
z=f(x,y); mesh(x,y,z);
function z=f(x,y) z=zeros(size(x));
l=(x>=1&y>1./x&y<=x);
z(l)=1./(2*x(l).^2.*y(l));
概率论第三章(3,4,5)
e x y
y
x0
对y>0 P{ X>1| Y=y }
1
ex y dx e x y
1 y
y 1
e
例3 设( X, Y )服从单位圆上的均匀分布， 概率密度为:
1 2 2 , x y 1 f ( x , y ) 0, 其它
2
求 fY |X ( y | x ) y 1 x 解：
体重X 的分布
身高Y 的分布
现在若限制1.7<Y<1.8(米), 在这个条件下 去求X的条件分布，这就意味着要从该校的学 生中把身高在1.7米和1.8米之间的那些人都挑 出来，然后在挑出的学生中求其体重的分布. 容易想象，这个分布与不加这个条件 时的分布会很不一样.
一、离散型r.v.的条件分布 定义1： 设 (X,Y) 是二维离散型随机变量，
f ( x, y) f X ( x) fY ( y)
故X和Y不独立 .
对于正态分布有如下结论：
二维随机变量 ( X , Y ) ~ N (1, 2 ,1, 2 , ),
则X,Y相互独立 0
n维随机变量的边缘分布与独立性
1.边缘分布
设n维随机变量(X1,X2,...,Xn)的分布函数为 F(x1,x2,...,xn), (X1,X2,...,Xn)的k（1k<n)维 边缘分布函数就随之确定，
P( X xi |Y y j ) 0,
i = 1,2, …
i 1
P( X xi | Y y j ) 1
例1 一射手进行射击，击中目标的概率为 p，(0<p<1)， 射击进行到击中目标两次为 止。以 X 表示首次击中目标所进行的射击次数， 以 Y 表示总共进行的射击次数。试求 X 和 Y 的联合分布及条件分布.
概率论第三章习题及答案
则称
p i j P X x i ， Y y j i ， j 1 ， 2 ，
为二维离散 X ， Y 型 的随 （机 联变 合量
2021/7/1
14
第三章 习题课
二维离散型随机变量的联合分布律
X，Y的联合分布下 律表 也表 可示 以
布的关系，了解条件分布。 3 掌握二维均匀分布和二维正态分布。 4 要理解随机变量的独立性。 5 要会求二维随机变量的和及多维随机变返回主目3 录
第三章 习题课
1 二维随机变量的定义 设 E 是一个随机试验，它的样本空间是 S={e}， 设 X=X(e) 和 Y=Y(e) 是定义在 S 上的随机变量。 由它们构成的一个向量 (X, Y) ，叫做二维随机 向量，或二维随机变量。
2021/7/1
返回主目17 录
4) F ( x 2 , y 2 ) F ( x 2 , y 1 ) F ( x 1 , y 1 ) F ( x 1 , y 2 ) 0 .
2021/7/1
y y2
(x1 , y2)
(X, Y )
y1 (x1 , y1)
o x1
(x2 , y2)
(x2 , y1)
10
x2
x
第三章 习题课
说明
Y X
y1
y2
…
yj
…
x1
p11
p12
…
p1 j
…
x2
p 21
p 22
p2 j
…
xi
pi1
2021/7/1
…
返回主目15 录
第三章 习题课
二维离散型随机变量联合分布律的性质
概率论第三章-随机向量的独立性
f X ( x) =
1 e 2π σ 1
−
( x − µ 1 )2
2 2σ 1
fY ( y ) =
2π σ 2
1
−
( y − µ 2 )2
2 2σ 2
e
X~ N（µ1，σ12 ) , （
Y~ N（µ2，σ22 ) （
二维正态随机向量（ 二维正态随机向量（X，Y）的两个分量独立的充要条件是 ）
ρ= 0
P {X ≤ a , X ≤ b} = P {X ≤ a}P { X ≤ b}
对所有实数对(a, b) 均成立. 对所有实数对( 均成立. 随机事件{ 有下述关系： 2) 随机事件{ X≤a } 与{︱X︱ ≤a } 有下述关系：
{X
从而
≤ a} = {− a ≤ X ≤ a} ⊂ {X ≤ a}
P{ X ≤ a , X ≤ a } = P{ X ≤ a }
维随机变量X 相互独立， 维随机变量 例如3维随机变量 1 ,X2 ,X3 相互独立，则 X12 , X22 , X32 也相互独立 相互独立. X1 +X2与X3也相互独立 相互独立. sinX1 与X3也相互独立. 相互独立.
X1 +X2与X1 －X2 不一定相互独立. 不一定相互独立
随机变量的独立性本质上 是事件的独立性
FX ( x) FY ( y )
∀ i, j
1) 对于离散型的随机变量，X与Y相互独立的充要条件为：
P{ X = xi , Y = y j } = P{ X = xi } ⋅ P {Y = y j }
2) 对于连续型的随机变量， X与Y相互独立的充要条件为：
f ( x , y ) = f X ( x) fY ( y ) 几乎处处成立。
《概率论》第3章分解
§3.1 随机变量及分布函数 21/9
离散型、连续型、均匀分布、指数分布、 分布函数图形特点、分布函数性质
第三章 连续型随机变量
§3.1 随机变量及分布函数 22/9
一个半径为2米的圆盘靶子,设击中靶 上任一同心圆盘上的点的概率与该圆盘的 面积成正比,且射击都能中靶,记 表示弹X着 点与圆心的距离.求 的分布X函数.
解：显然当 x 时0 ，
R2m
X
F(x) P(X x) 0
若 0 x 由2题, 意有 F(x) P(X x) P(0 X x) k. x2
F(x) P(0 X 2) 1 k 1/ 4
F(x) P(X
若 x 由2, 题意有，
x) P(0
X
x)
x2 4
1 x2 4
③ F(x)是ⅹ的不减函数；
④ F(x)至多有可列个或有限个间断点，间断点是右
连续的。
P( c) F(c) F(c 0)
④ F(x)处处连续。
P( c) 0
第三章 连续型随机变量
§3.1 随机变量及分布函数 11/9
P(a b) F(b) F(a)
P(a b) P(a b) P(a b)
§3.1 随机变量及分布函数 1/9 第三章 连续型随机变量
§3.1 随机变量及分布函数 2/9
求ξ的分布函数：
0 1 2
p 0.1 0.6 0.3
解 F(x)＝P( x)
0 ＝00..71
1
x0 0 x 1 1 x 2
x2
F(x)
1
01 2 x
第三章 连续型随机变量
§3.1 随机变量及分布函数 3/9
ξ可以取[4,10]上的一切实数，“4≤ξ≤10”是一个必 然事件，P(4≤ξ≤10)=1.
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
概率论：
概率论，是研究随机现象数量规律的数学分支。
随机现象是相对于决定性现象而言的，在一定条件下必然发生某一结果的现象称为决定性现象。
例如在标准大气压下，纯水加热到100℃时水必然会沸腾等。
随机现象则是指在基本条件不变的情况下，每一次试验或观察前，不能肯定会出现哪种结果，呈现出偶然性。
例如，掷一硬币，可能出现正面或反面。
随机现象的实现和对它的观察称为随机试验。
随机试验的每一可能结果称为一个基本事件，一个或一组基本事件统称随机事件，或简称事件。
典型的随机试验有掷骰子、扔硬币、抽扑克牌以及轮盘游戏等。
事件的概率是衡量该事件发生的可能性的量度。
虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。
发展过程：
起源
概率论是研究随机现象数量规律的数学分支，是一门研究事情发生的可能性的学问。
但是最初概率论的起源与赌博问题有关。
16世纪，意大利的学者吉罗拉莫·卡尔达诺（Girolamo Cardano）开始研究掷骰子等赌博中的一些简单问题。
概率与统计的一些概念和简单的方法，早期主要用于赌博和人口统计模型。
随着人类的社会实践，人们需要了解各种不确定现象中隐含的必然规律性，并用数学方法研究各种结果出现的可能性大小，从
而产生了概率论，并使之逐步发展成一门严谨的学科。
概率与统计的方法日益渗透到各个领域，并广泛应用于自然科学、经济学、医学、金融保险甚至人文科学中。
发展
随着18、19世纪科学的发展，人们注意到在某些生物、物理和社会现象与机会游戏之间有某种相似性，从而由机会游戏起源的概率论被应用到这些领域中；同时这也大大推动了概率论本身的发展。
使概率论成为数学的一个分支的奠基人是瑞士数学家伯努利，他建立了概率论中第一个极限定理，即伯努利大数定律，阐明了事件的频率稳定于它的概率。
随后棣莫弗和拉普拉斯又导出了第二个基本极限定理（中心极限定理）的原始形式。
拉普拉斯在系统总结前人工作的基础上写出了《分析的概率理论》，明确给出了概率的古典定义，并在概率论中引入了更有力的分析工具，将概率论推向一个新的发展阶段。
19世纪末，俄国数学家切比雪夫、马尔可夫、李亚普诺夫等人用分析方法建立了大数定律及中心极限定理的一般形式，科学地解释了为什么实际中遇到的许多随机变量近似服从正态分布。
20世纪初受物理学的刺激，人们开始研究随机过程。
这方面柯尔莫哥洛夫、维纳、马尔可夫、辛钦、莱维及费勒等人作了杰出的贡献。