北邮概率统计课件3.1二维随机变量

北邮概率统计课件3.1二维随机变量目录二维随机变量基本概念二维离散型随机变量二维连续型随机变量二维随机变量的数字特征二维随机变量的独立性二维随机变量函数的分布01二维随机变量基本概念设$X$和$Y$是两个随机变量，定义在同一概率空间$(Omega,mathcal{F},P)$上，称$(X,Y)$为二维随机变量。定义二维随机变量$(X,Y)$的性质由其联合分布函数$F(x,y)$确定，联合分布函数$F(x,y)$具有非负性、规范性、右连续性等性质。性质定义与性质对于任意实数$x$和$y$，二维随机变量$(X,Y)$的联合分布函数定义为$F(x,y)=P{Xleqx,Yleqy}$。定义联合分布函数$F(x,y)$具有非负性、规范性、右连续性等性质，且关于$x$和$y$都是单调不减的。性质根据随机变量的定义和性质，通过积分或求和等方式求解联合分布函数。求解方法联合分布函数性质边缘分布函数具有非负性、规范性、右连续性等性质，且关于对应的自变量是单调不减的。定义二维随机变量$(X,Y)$关于$X$的边缘分布函数定义为$F_X(x)=P{Xleqx}$，关于$Y$的边缘分布函数定义为$F_Y(y)=P{Yleqy}$。求解方法通过联合分布函数与边缘分布函数的关系，可以求解边缘分布函数，例如$F_X(x)=F(x,+infty)$，$F_Y(y)=F(+infty,y)$。边缘分布函数02二维离散型随机变量定义01设$X$和$Y$是两个离散型随机变量，其所有可能取值的组合为$(x_i,y_j)$，其中$i,j=1,2,ldots$。称$P{X=x_i,Y=y_j}$为$X$和$Y$的联合概率，记作$p_{ij}$。性质02非负性，即$p_{ij}geq0$；规范性，即$sum_{i}sum_{j}p_{ij}=1$。例子03掷两个骰子，设$X$和$Y$分别表示两个骰子的点数，则$(X,Y)$的联合概率分布可以表示为一个$6times6$的表格。联合概率分布定义在二维离散型随机变量$(X,Y)$的联合概率分布中，分别将$X$和$Y$的各种可能取值对应的概率相加，所得到的概率分布称为$(X,Y)$关于$X$和关于$Y$的边缘概率分布。计算边缘概率分布可以通过对联合概率分布进行求和得到。具体地，关于$X$的边缘概率分布为$P{X=x_i}=sum_{j}P{X=x_i,Y=y_j}$，关于$Y$的边缘概率分布为$P{Y=y_j}=sum_{i}P{X=x_i,Y=y_j}$。例子在掷两个骰子的例子中，$(X,Y)$关于$X$的边缘概率分布即为每个点数出现的概率，可以通过对联合概率分布中每一行的概率求和得到。边缘概率分布定义设$(X,Y)$是二维离散型随机变量，对于固定的$x_i$，若$P{X=x_i}>0$，则称$P{Y=y_j|X=x_i}=frac{P{X=x_i,Y=y_j}}{P{X=x_i}}$为在$X=x_i$条件下，$Y=y_j$的条件概率。性质条件概率具有概率的所有性质，即非负性和规范性。例子在掷两个骰子的例子中，若在已知第一个骰子点数为3的条件下求第二个骰子点数为4的概率，则可以通过计算条件概率$P{Y=4|X=3}$得到。条件概率分布03二维连续型随机变量定义设二维随机变量(X,Y)的分布函数为F(x,y)，如果存在非负可积函数f(x,y)，使得对任意x,y有F(x,y)=∫(−∞到x)∫(−∞到y)f(u,v)dudv，则称(X,Y)为连续型随机变量，函数f(x,y)称为二维随机变量(X,Y)的联合概率密度函数。性质联合概率密度函数具有非负性和规范性，即f(x,y)≥0，且∫(−∞到+∞)∫(−∞到+∞)f(x,y)dxdy=1。几何意义如果将二维随机变量(X,Y)看成是平面上随机点的坐标，那么分布函数F(x,y)在(x,y)处的函数值就是随机点(X,Y)落在以点(x,y)为顶点而位于该点左下方的无穷矩形域内的概率。联合概率密度函数

边缘概率密度函数定义二维连续型随机变量的边缘概率密度函数定义为fX(x)=∫(−∞到+∞)f(x,y)dy和fY(y)=∫(−∞到+∞)f(x,y)dx。性质边缘概率密度函数具有非负性和规范性，即fX(x)≥0，fY(y)≥0，且∫(−∞到+∞)fX(x)dx=1，∫(−∞到+∞)fY(y)dy=1。几何意义边缘概率密度函数fX(x)和fY(y)分别表示随机变量X和Y的概率分布情况，即在X的取值范围内和Y的取值范围内各自的概率分布情况。要点三定义设二维随机变量(X,Y)的联合概率密度函数为f(x,y)，若对于固定的x，fY|X(y|x)>0，则称fY|X(y|x)=f(x,y)/fX(x)，对于固定的y，若fX|Y(x|y)>0，则称fX|Y(x|y)=f(x,y)/fY(y)。要点一要点二性质条件概率密度函数具有非负性和规范性，即fY|X(y|x)≥0，fX|Y(x|y)≥0，且∫(−∞到+∞)fY|X(y|x)dy=1，∫(−∞到+∞)fX|Y(x|y)dx=1。几何意义条件概率密度函数表示在已知一个随机变量的取值时，另一个随机变量的条件分布情况。例如，在已知X=x的条件下，随机变量Y的条件分布为fY|X(y|x)，它描述了在X=x的条件下Y的概率分布情况。要点三条件概率密度函数04二维随机变量的数字特征描述二维随机变量取值的"中心"位置，即所有可能取值的加权平均数。对于离散型二维随机变量，数学期望等于各可能取值与其概率的乘积之和；对于连续型二维随机变量，数学期望等于概率密度函数与自变量的乘积在整个定义域上的积分。数学期望描述二维随机变量取值的离散程度，即各可能取值与数学期望之差的平方的加权平均数。方差越大，说明随机变量的取值越分散；方差越小，说明随机变量的取值越集中。方差数学期望与方差协方差衡量两个随机变量的总体误差。如果两个随机变量的变化趋势一致，即当其中一个变量大于其期望值时，另一个变量也大于其期望值，则两个随机变量之间的协方差就是正值。如果两个随机变量的变化趋势相反，则协方差是负值。相关系数是协方差的标准化形式，用于消除量纲影响，更准确地反映两个随机变量之间的线性相关程度。相关系数的取值范围为[-1,1]，其中1表示完全正相关，-1表示完全负相关，0表示不相关。协方差与相关系数矩描述二维随机变量分布形态的特征数。原点矩反映分布的重心位置，中心矩反映分布的离散程度和偏态、峰态等特征。协方差矩阵由二维随机变量的方差和协方差构成的矩阵。协方差矩阵描述了二维随机变量之间的线性相关程度和各自的离散程度，是研究多维随机变量的重要工具。通过协方差矩阵可以方便地计算多维随机变量的各种数字特征，如均值向量、方差、相关系数等。矩与协方差矩阵05二维随机变量的独立性定义：设$(X,Y)$是二维随机变量，如果对于所有的$x,y$，都有$P{Xleqx,Yleqy}=P{Xleqx}P{Yleqy}$，则称$X$与$Y$是独立的。性质如果$X$与$Y$独立，那么对于任何$x,y$，都有$P{X=x,Y=y}=P{X=x}P{Y=y}$。如果$X$与$Y$独立，那么它们的任何函数也独立，即对于任何函数$g(X)$和$h(Y)$，$g(X)$与$h(Y)$独立。独立性的概念可以推广到多个随机变量。0102030405独立性的定义与性质对于离散型随机变量$X$和$Y$，如果它们的联合概率分布可以表示为各自概率分布的乘积，即$p(x,y)=p_X(x)p_Y(y)$对于所有的$x,y$都成立，则称$X$与$Y$是独立的。离散型随机变量的独立性可以通过检查它们的联合概率分布表或联合概率质量函数来判断。离散型随机变量的独立性对于连续型随机变量$X$和$Y$，如果它们的联合概率密度函数可以表示为各自概率密度函数的乘积，即$f(x,y)=f_X(x)f_Y(y)$对于所有的$x,y$都成立，则称$X$与$Y$是独立的。连续型随机变量的独立性可以通过检查它们的联合概率密度函数或联合分布函数来判断。如果联合概率密度函数可以分离成两个函数的乘积，其中一个只依赖于$x$，另一个只依赖于$y$，则这两个随机变量是独立的。连续型随机变量的独立性06二维随机变量函数的分布在某些特殊情况下，如X和Y相互独立且服从正态分布，则Z=X+Y也服从正态分布。若(X,Y)是二维连续型随机变量，其概率密度为f(x,y)，则Z=X+Y的分布函数为：F_Z(z)=∫∫_Df(x,y)dxdy，其中D是直线x+y=z与坐标轴所围成的区域。对于二维离散型随机变量，其和的分布可以通过卷积公式求得。和的分布若(X,Y)是二维连续型随机变量，其概率密度为f(x,y)，则Z=X-Y的分布函数为：F_Z(z)=∫∫_Df(x,y)dxdy，其中D是直线x-y=z与坐标轴所围成的区域。对于二维离散型随机变量，其差的分布同样可以通过卷积公式求得。在某些