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.
- 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。