概率论与数理统计第三章第三节(概率统计)
合集下载
相关主题
- 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)。
1 1 21 2
21 2 1 2
, 从而ρ = 0.
上页 下页 返回
综上所述, 得到以下的重要结论:
定理2 对于二维正态随机变量(X, Y), X与
Y相互独立的充要条件是参数ρ = 0. 讲评: 随机变量的独立性往往由实际问题确定. 在
独立的情况下, 边缘分布唯一确定联合分布, 这
上页 下页 返回
因此, 如果ρ = 0, 则对于所有的
实数x和y, 有 f (x, y)=fX(x)fY(y), 即
X和Y相互独立.
反之, 如果X和Y相互独立,由于f (x,y),
fX(x), fY(y)都是连续函数, 故对于所有的x和y
有
f (x,y)=fX(x)fY(y). 特别地, 令x =μ1, y =μ2, 由上述等式得到
上页 下页 返回
具体地, 对离散型与连续型随机变量的 独立性,可分别用分布律与概率密度描述. 定理1 (1)离散型随机变量X与Y相互独立 的充要条件是对于(X, Y)的所有可能取值(xi, yj), 有 P{X= xi,Y= yj}= P{X= xi}P{Y= yj}, (3.3.1) (2) 连续型随机变量X与Y相互独立的充要 条件是 f (x, y)=fX (x)fY(y)
上页 下页
其中i j=1,2,…. (3.3.2)
返回
几乎处处成立.
例3.3.1 设随机变量(X, Y)的分布律及边缘
分布律如下表：
Y 1 X 0
1 6
1
1 3
1 3
2 3
p.j
1 2
问X与Y是否相互独立？
2 pi.
1 6 1 3
1 2
1
解 因为 P{X=0, Y=1}=
P{X=0, Y=2}=
1 6
2 2 1 x , 1≤x≤1, f X ( x) π 0, 其它. 可见, 得到以下的关系:
fX (x) fY (y)≠f(x,y). 因此, X与Y不相互独立. 讲评 此题是连续型随机变量的独立性
问题. 在第四章的不相关问题中还要用此题 上页 下页 返回 .
上页 下页 返回
= f ( x1 , x2 , xn )dx1dx2 dxn , (3.3.4) 则称f (x1, x2,…, xn)为连续型随机变量(X1, X2,…, Xn)的概率密度. 设(X1, X2,…, Xn)的分布函数F(x1, x2,…, xn) 为已知, 则(X1, X2,…, Xn)的k(1≤k≤n)维边缘 分布函数就随之确定. 例如(X1, X2,…, Xn)关于X1和关于(X1, X2) 的边缘分布函数分别为
上页 下页 返回
3.3.1 提出问题
(1) 联合分布函数和边缘分布函数 在X与Y独立的情况下关系如何？一般情况下 关系如何? (2) 离散型随机变量与连续型随机变量独 立的充要条件是什么？
3.3.2 预备知识
1.事件的独立性,联合分布律与联合概率 密度,边缘分布律与边缘概律密度；
2.充分必要条件, n重积分及其反常积分 表示. 上页 下页 返回
3.3.3 建立理论与方法应用
随机变量的独立性是概率论与数理统计
中的一个很重要的概念,它是由随机事件的相
互独立性引申而来的.我们知道,两个事件A与B
是相互独立的,当且仅当它们满足
P(AB)=P(A)P(B).
由此, 可引出两个随机变量的相互独立性
.
上页 下页 返回
设X,Y为两个随机变量,于是{X≤x},
试证X与Y相互独立的充要条件是ρ = 0. 证 由例3.1.6知道,边缘概率密度fX(x)和 fY(y)的乘积为
1 ( x 1 ) 2 ( y 2 ) 2 f X ( x ) fY ( y ) exp . 2 2 2 1 2 2 2 1 1
样就将多维随机变量的问题转化为一维随机变
量的问题. 所以独立性是非常值得重视的概念
之一.
上页 下页 返回
2. n维随机变量的相关理论
关于多个随机变量的有关理论, 可
由二维随机变量的一些概念推广得到. n维随机变量(X1,X2,…,Xn)的分布函数定义 为 F(x1, x2,…, xn)=P{ X1≤x1, X2≤x2, …, Xn≤xn}, 其中x1, x2,…, xn为任意实数. 若存在非负函数f (x1, x2,…, xn), 使得对于 任意实数x1, x2,…, xn有如下的关系:
= P{X=0}P{Y=1}, = P{X=0}P{Y=2},
1 6
P{X=1, Y=1}=
1 3
= P{X=1}P{Y上页 =1}, 下页
返回
P{X=1, Y=2}=
1 3
= P{X=1}P{Y=2},
因此 X, Y是相互独立的. 讲评 此题是离散型随机变量的独立性
问题.
上页
百度文库下页
返回
例3.3.2 继续解读例3.2.2：设二维随机 变量(X, Y)的概率密度为
第三章 多维随机变量及其分布
3.3 随机变量的独立性
第三章 多维随机变量及其分布
3.3 随机变量的独立性
内容简介:随机变量的独立性是研究两个 或几个随机变量之间的影响关系. 独立性是 概率论与数理统计中的一个很重要的概念， 同时也是非常实用的方法, 它是由随机事件 的相互独立性引申而来的. 我们重点学习如 何判定独立性.
{Y≤y}为两个随机事件, 则两事件{X≤x},{Y≤y}
相互独立,相当于下式成立
P{X≤x,Y≤y}=P{X≤x} P{Y≤y}, 或写成分布函数
形
F(x,y)=FX(x)FY(y).
定义1 设X,Y是两个随机变量, 其联合分
布函数为F(x, y). 若 F(x, y)= FX(x)FY(y), 则称 随机变量X与Y相互独立.
1 , f ( x, y ) π 0, x y ≤1,
2 2
其它.
问连续型随机变量X与Y是否相互独立?
解 由例3.2.2已知关于Y的边缘概率密度为
2 2 1 y , 1≤y≤1, fY ( y ) π 上页 .下页 0, 其它
返回
由x和y的对称性，得到关于X的边缘概 率密度为
例3.3.3 设(X,Y)是二维正态随机变量, 它的概率密度为
( x 1 )( y 2 ) ( y 2 )2 1 ( x 1 ) 2 f ( x, y) exp 2 2 2 2 2 1 2 2 2(1 ) 1 2 1 2 1 1
21 2 1 2
, 从而ρ = 0.
上页 下页 返回
综上所述, 得到以下的重要结论:
定理2 对于二维正态随机变量(X, Y), X与
Y相互独立的充要条件是参数ρ = 0. 讲评: 随机变量的独立性往往由实际问题确定. 在
独立的情况下, 边缘分布唯一确定联合分布, 这
上页 下页 返回
因此, 如果ρ = 0, 则对于所有的
实数x和y, 有 f (x, y)=fX(x)fY(y), 即
X和Y相互独立.
反之, 如果X和Y相互独立,由于f (x,y),
fX(x), fY(y)都是连续函数, 故对于所有的x和y
有
f (x,y)=fX(x)fY(y). 特别地, 令x =μ1, y =μ2, 由上述等式得到
上页 下页 返回
具体地, 对离散型与连续型随机变量的 独立性,可分别用分布律与概率密度描述. 定理1 (1)离散型随机变量X与Y相互独立 的充要条件是对于(X, Y)的所有可能取值(xi, yj), 有 P{X= xi,Y= yj}= P{X= xi}P{Y= yj}, (3.3.1) (2) 连续型随机变量X与Y相互独立的充要 条件是 f (x, y)=fX (x)fY(y)
上页 下页
其中i j=1,2,…. (3.3.2)
返回
几乎处处成立.
例3.3.1 设随机变量(X, Y)的分布律及边缘
分布律如下表：
Y 1 X 0
1 6
1
1 3
1 3
2 3
p.j
1 2
问X与Y是否相互独立？
2 pi.
1 6 1 3
1 2
1
解 因为 P{X=0, Y=1}=
P{X=0, Y=2}=
1 6
2 2 1 x , 1≤x≤1, f X ( x) π 0, 其它. 可见, 得到以下的关系:
fX (x) fY (y)≠f(x,y). 因此, X与Y不相互独立. 讲评 此题是连续型随机变量的独立性
问题. 在第四章的不相关问题中还要用此题 上页 下页 返回 .
上页 下页 返回
= f ( x1 , x2 , xn )dx1dx2 dxn , (3.3.4) 则称f (x1, x2,…, xn)为连续型随机变量(X1, X2,…, Xn)的概率密度. 设(X1, X2,…, Xn)的分布函数F(x1, x2,…, xn) 为已知, 则(X1, X2,…, Xn)的k(1≤k≤n)维边缘 分布函数就随之确定. 例如(X1, X2,…, Xn)关于X1和关于(X1, X2) 的边缘分布函数分别为
上页 下页 返回
3.3.1 提出问题
(1) 联合分布函数和边缘分布函数 在X与Y独立的情况下关系如何？一般情况下 关系如何? (2) 离散型随机变量与连续型随机变量独 立的充要条件是什么？
3.3.2 预备知识
1.事件的独立性,联合分布律与联合概率 密度,边缘分布律与边缘概律密度；
2.充分必要条件, n重积分及其反常积分 表示. 上页 下页 返回
3.3.3 建立理论与方法应用
随机变量的独立性是概率论与数理统计
中的一个很重要的概念,它是由随机事件的相
互独立性引申而来的.我们知道,两个事件A与B
是相互独立的,当且仅当它们满足
P(AB)=P(A)P(B).
由此, 可引出两个随机变量的相互独立性
.
上页 下页 返回
设X,Y为两个随机变量,于是{X≤x},
试证X与Y相互独立的充要条件是ρ = 0. 证 由例3.1.6知道,边缘概率密度fX(x)和 fY(y)的乘积为
1 ( x 1 ) 2 ( y 2 ) 2 f X ( x ) fY ( y ) exp . 2 2 2 1 2 2 2 1 1
样就将多维随机变量的问题转化为一维随机变
量的问题. 所以独立性是非常值得重视的概念
之一.
上页 下页 返回
2. n维随机变量的相关理论
关于多个随机变量的有关理论, 可
由二维随机变量的一些概念推广得到. n维随机变量(X1,X2,…,Xn)的分布函数定义 为 F(x1, x2,…, xn)=P{ X1≤x1, X2≤x2, …, Xn≤xn}, 其中x1, x2,…, xn为任意实数. 若存在非负函数f (x1, x2,…, xn), 使得对于 任意实数x1, x2,…, xn有如下的关系:
= P{X=0}P{Y=1}, = P{X=0}P{Y=2},
1 6
P{X=1, Y=1}=
1 3
= P{X=1}P{Y上页 =1}, 下页
返回
P{X=1, Y=2}=
1 3
= P{X=1}P{Y=2},
因此 X, Y是相互独立的. 讲评 此题是离散型随机变量的独立性
问题.
上页
百度文库下页
返回
例3.3.2 继续解读例3.2.2：设二维随机 变量(X, Y)的概率密度为
第三章 多维随机变量及其分布
3.3 随机变量的独立性
第三章 多维随机变量及其分布
3.3 随机变量的独立性
内容简介:随机变量的独立性是研究两个 或几个随机变量之间的影响关系. 独立性是 概率论与数理统计中的一个很重要的概念， 同时也是非常实用的方法, 它是由随机事件 的相互独立性引申而来的. 我们重点学习如 何判定独立性.
{Y≤y}为两个随机事件, 则两事件{X≤x},{Y≤y}
相互独立,相当于下式成立
P{X≤x,Y≤y}=P{X≤x} P{Y≤y}, 或写成分布函数
形
F(x,y)=FX(x)FY(y).
定义1 设X,Y是两个随机变量, 其联合分
布函数为F(x, y). 若 F(x, y)= FX(x)FY(y), 则称 随机变量X与Y相互独立.
1 , f ( x, y ) π 0, x y ≤1,
2 2
其它.
问连续型随机变量X与Y是否相互独立?
解 由例3.2.2已知关于Y的边缘概率密度为
2 2 1 y , 1≤y≤1, fY ( y ) π 上页 .下页 0, 其它
返回
由x和y的对称性，得到关于X的边缘概 率密度为
例3.3.3 设(X,Y)是二维正态随机变量, 它的概率密度为
( x 1 )( y 2 ) ( y 2 )2 1 ( x 1 ) 2 f ( x, y) exp 2 2 2 2 2 1 2 2 2(1 ) 1 2 1 2 1 1