概率统计教案2.doc

《概率统计教案2.doc》由会员分享，可在线阅读，更多相关《概率统计教案2.doc（17页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、 第三章 多维随机变量及其分布一、教材说明本章内容包括：多维随机变量的联合分布和边际分布、多维随机变量函数的分布、多维随机变量的特征数，随机变量的独立性概念，条件分布及条件期望。本章仿照一维随机变量的研究思路和方法。1、教学目的及教学要求本章的教学目的是：（1）使学生掌握多维随机变量的概念及其联合分布，理解并掌握边际分布和随机变量的独立性概念；（2）使学生掌握多维随机变量函数的分布，理解并掌握多维随机变量的特征数；（3）使学生理解和掌握条件分布及条件期望。本章的教学要求是：（1）深刻理解多维随机变量及其联合分布的概念，会熟练地求多维离散随机变量的联合分布列和多维连续随机变量的联合密度函数，并熟

2、练掌握几种常见的多维分布；（2）深刻理解并掌握边际分布的概念，能熟练求解边际分布列和边际密度函数；理解随机变量的独立性定义，掌握随机变量的独立性的判定方法；（3）熟练掌握多维随机变量的几种函数的分布的求法，会用变量变换法求解、证明题目；（4）理解并掌握多维随机变量的数学期望和方差的概念及性质，掌握随机变量不相关及独立性的关系；（5）深刻理解条件分布及条件期望，能熟练求解条件分布及条件期望并会用条件分布及条件期望的性质求解、证明题目。2、本章的重点及难点 本章的重点是多维随机变量的联合分布和边际分布、多维随机变量函数的分布及条件分布、多维随机变量的特征数，难点是多维随机变量函数的分布及条件分布的

3、求法。二、教学内容本章共分多维随机变量及其联合分布、边际分布及随机变量的独立性、多维随机变量函数的分布、多维随机变量的特征数、条件分布及条件期望等5节来讲述本章的基本内容。3.1 多维随机变量及其联合分布一、多维随机变量 定义 如果是定义在同一个样本空间上的个随机变量，则称为维随机变量或随机向量。二、 联合分布函数1、定义 对任意个实数，则个事件同时发生的概率称为维随机变量的联合分布函数。2、性质 定理 任一二维联合分布函数必具有如下四条基本性质：（1） 单调性：分别对或是单调不减的，即当时有；当时有。（2） 有界性：对任意的和，有，且（3） 右连续性 对每个变量都是右连续的，即（4） 非负性

4、 对任意的有证明 仿一维分布函数的性质的证明，此处略。注 任一二维联合分布函数必具有以上四条基本性质；还可证明具有以上性质的二元函数一定是某个二维随机变量的分布函数。 例 证明二元函数 满足二维分布函数的性质（1）（2）（3），但它不满足性质（4），故不是分布函数。分析：证明某二元函数是二维分布函数需验证满足二维分布函数的性质（1）（2）（3）（4），若证不是二维分布函数只需验证其中一条性质不满足即可。证明：略。三、 联合分布列1、定义 如果二维随机变量只取有限个或可列个数对，则称为二维离散随机变量，称为的联合分布列。还可以用书135页的表格形式记联合分布列。2、联合分布列的基本性质：（1）非

5、负性 （2）正则性 例 从1，2，3，4中任取一数记为，再从1，中任取一数记为，求的联合分布列及。分析：求二维离散随机变量的联合分布列，关键是写出二维离散随机变量可能取的数对及其发生的概率。解：略。四、 联合密度函数1、定义 如果存在二元非负函数，使得二维随机变量的分布函数可表示为则称为二维连续随机变量，称为的联合密度函数。注 在偏导数存在的点上，有。2、 联合密度函数的基本性质（1）非负性（2）正则性 注 可求概率具体使用左式时，积分范围是的非零区域及的交集部分，然后设法化成累次积分再计算出结果。例 设（X，Y）的联合密度函数为 求（1）；（2）。解 略五、 常用多维分布1、多项分布进行次独

6、立重复试验，如果每次试验有个可能结果：且每次试验中发生的概率为记为次独立重复试验中出现的次数，。则取值的概率，即出现次，出现次，出现次的概率为其中这个联合分布列称为项分布，又称为多项分布，记为例 一批产品共有100件，其中一等品60件，二等品30件，三等品10件。从这批产品中有放回地任取3件，以和分别表示取出的3件产品中一等品、二等品的件数，求二维随机变量的联合分布列。分析 略。解 略。2、多维超几何分布 多维超几何分布的描述：袋中有只球，其中有只号球，。记，从中任意取出只，若记为取出的只球中号球的个数，则 其中。 例 将例3.1.4改成不放回抽样，即从这批产品中不放回地任取3件，以和分别表示

7、取出的3件产品中一等品、二等品的件数，求二维随机变量的联合分布列。解 略。3、多维均匀分布设为中的一个有界区域，其度量为，如果多维随机变量的联合密度函数为则称服从上的多维均匀分布，记为例 设为平面上以原点为圆心以为半径的圆，服从上的二维均匀分布，其密度函数为试求概率解 略。4、二元正态分布 如果二维随机变量的联合密度函数为则称服从二维正态分布，记为其中五个参数的取值范围分别是：以后将指出：分别是及的均值，分别是及的方差，是及的相关系数。例 设二维随机变量求落在区域内的概率。解 略。注 凡是及正态分布有关的计算一般需要作变换简化计算。3.2 边际分布及随机变量的独立性一、边际分布函数1、二维随机

8、变量中 的边际分布 的边际分布 2、在三维随机变量的联合分布函数中，用类似的方法可得到更多的边际分布函数。例设二维随机变量的联合分布函数为这个分布被称为二维指数分布，求其边际分布。解 略。注 及的边际分布都是一维指数分布，且及参数无关。不同的对应不同的二维指数分布，但它们的两个边际分布不变，这说明边际分布不能唯一确定联合分布。二、边际分布列二维离散随机变量的联合分布列为 的边际分布列 的边际分布列 三、边际密度函数如果二维连续随机变量的联合密度函数为，因为所以相应的边际密度例设二维随机变量的联合密度函数为试求：（1）边际密度函数和；（2）及。解 略。四、随机变量间的独立性定义 设维随机变量的联

9、合分布函数为，为的边际分布函数。如果对任意个实数，有则称相互独立。（1）在离散随机变量场合，如果对任意个取值，有则称相互独立。（2）在连续随机变量场合，如果对任意个取值，有则称相互独立。例设二维随机变量的联合密度函数为问及是否相互独立？分析 为判断及是否相互独立，只需看边际密度函数之积是否等于联合密度函数。解 略。3.3 多维随机变量函数的分布一、多维离散随机变量函数的分布以二维为例讨论，设二维随机变量的取值为 随机变量的取值为. 令，则例（泊松分布的可加性）设 且及相互独立。证明证明：略。注 证明过程用到离散场合下的卷积公式，这里卷积指“寻求两个独立随机变量和的分布运算”，对有限个独立泊松变

10、量有例（二项分布的可加性）设且及相互独立。证明证明 略。注（1）该性质可以推广到有限个场合（2）特别当时，这表明，服从二项分布的随机变量可以分解成个相互独立的0-1分布的随机变量之和。二、最大值及最小值的分布例（最大值分布）设是相互独立的个随机变量，若设在以下情况下求的分布：（1）（2）同分布，即（3）为连续随机变量，且同分布，即的密度函数为 （4）解 略。 注 这道题的解法体现了求最大值分布的一般思路。例（最小值分布）设是相互独立的个随机变量；若，试在以下情况下求的分布：（1）（2）同分布，即（3）为连续随机变量，且同分布，即的密度函数为 （4）解 略。注 这道例题的解法体现了求最小值分布的

11、一般思路。三、 连续场合的卷积公式定理设及是两个相互独立的连续随机变量，其密度函数分别为、，则其和的密度函数为证明 略。本定理的结果就是连续场合下的卷积公式。例3.3. 6（正态分布的可加性）设且及相互独立。证明证明 略注 任意n个相互独立的正态变量的非零线性组合仍是正态变量。四、变量变换法1、变量变换法 设的联合密度函数为，函数有连续偏导数，且存在唯一的反函数，其变换的雅可比行列式 若 则的联合密度函数为这个方法实际上就是二重积分的变量变换法，其证明可参阅数学分析教科书。例3.3. 9设及独立同分布，都服从正态分布，记试求的联合密度函数。是否相互独立？解 略。2、增补变量法增补变量法实质上是

12、变换法的一种应用：为了求出二维连续随机变量的函数的密度函数，增补一个新的随机变量，一般令或。先用变换法求出的联合密度函数 ，再对关于v积分，从而得出关于的边际密度函数。例（积的公式） 设及相互独立，其密度函数分别为 和.则的密度函数为 证 略。例（商的公式） 设及相互独立，其密度函数分别为和，则的密度函数为 证 略。注 例和例3.3.11的结果可以直接用来解题。3.4 多维随机变量的特征数一、多维随机变量函数的数学期望定理若二维随机变量的分布用联合分布列或联合密度函数表示，则的数学期望为这里所涉及的数学期望都假设存在。例在长为的线段上任取两个点及，求此两点间的平均长度。解 略。二、数学期望及方

13、差的运算性质 性质 设是二维随机变量，则有 注 。性质 若随机变量及相互独立，则有。注 若相互独立，则有性质若随机变量及相互独立，则有注 若相互独立，则有 例 已知随机变量相互独立，且求的数学期望、方差和标准差。 解 略。 三、协方差1、定义 设是二维随机变量，若存在，则称此数学期望为及的协方差，或称为及的相关（中心）矩，并记为特别有注 当时，称及正相关，这时及同时增加或同时减少。当时，称及负相关。当时，称及不相关。2、性质性质 性质3.4.5若随机变量及相互独立，则，反之不然。注 不相关是比独立更弱的一个新概念。性质 对任意二维随机变量，有注 该性质可以推广到更多个随机变量场合，即对任意个随

14、机变量，有性质 协方差的计算及，的次序无关，即性质任意随机变量及常数的协方差为零，即。性质 对任意常数有 。性质设是任意三个随机变量，则。 例设二维随机变量的联合密度函数为试求。解 略。四、相关系数1、定义设是二维随机变量，且则称为及的（线性）相关系数。 注 （1）及同符号，故从的取值也可反应出及的正相关，负相关和不相关。（2）相关系数的另一个解释是：它是相应标准化变量的协方差。若记及的数学期望分别为，其标准化变量为，则有 例二维正态分布相关系数就是。2、相关系数的性质引理（施瓦茨不等式）对任意二维随机变量，若及的方差都存在，且记，则有 性质 性质 的充要条件是及间几乎处处有线性关系，即存在及

15、，使得其中当时，有； 当时有。证明 略 。 注 （1）相关系数刻画了及之间的线性关系，因此也常称其为“线性相关系数”。（2）若，称及不相关。不相关是指及之间没有线性关系，但及之间可能有其他的关系。譬如平方关系，对数关系等。（3）若，则称及完全正相关；若，则称及完全负相关 。 例设二维随机变量的联合密度函数为试求及的相关系数 。性质 在二维正态分布场合，不相关及独立是等价的。五、随机向量的数学期望及协方差阵1、 定义 记维随机向量为 若其每个分量的数学期望都存在，则称 为维随机向量的数学期望向量，简称为的数学期望，而称为该随机向量的方差协方差阵，记为。2、 定理 维随机向量的协方差阵是一个对称的

16、非负定矩阵。 证明 略。例（元正态分布）设维随机向量的协方差阵为，数学期望向量为。又记，则由密度函数定义的分布称为元正态分布，记为。其中表示的行列式，表示的逆阵，表示向量的转置。3.5 条件分布及条件期望一、 条件分布1、离散随机变量的条件分布设二维离散随机变量的联合分布列为 定义对一切使的，称为给定条件下的的条件分布列。同理对一切使的，称为给定条件下的条件分布列。定义给定条件下的条件分布函数为给定条件下的条件分布函数为例 设随机变量及相互独立，且在已知的条件下求的条件分布。解 略。2、连续随机变量的条件分布设二维连续随机变量的联合密度函数为，边际密度函数为和。定义对一切使的，给定条件下的条件

17、分布函数和条件密度函数分别为 同理对一切使的x，给定条件下的条件分布函数和条件密度函数分别为例设服从上的均匀分布，试求给定条件下的条件密度函数。解 略。3、连续场合的全概率公式和贝叶斯公式全概率公式的密度函数形式贝叶斯公式的密度函数形式注 由边际分布和条件分布就可以得到联合分布。二、条件数学期望1、定义 条件分布的数学期望（若存在）称为条件数学期望，其定义如下：注 (1)条件数学期望具有数学期望的一切性质。(2)条件数学期望可以看成是随机变量的函数，其本身也是一个随机变量。2、定理 （重期望公式）设是二维随机变量，且存在，则证明 略。注 重期望公式的具体使用如下（1） 如果是一个离散随机变量，

18、（2） 如果是一个连续随机变量，例 （随机个随机变量和的数学期望）设是一列独立同分布的随机变量，随机变量只取正整数值，且及独立。证明第四章 大数定律及中心极限定理一、教材说明本章内容包括特征函数及其性质，常用的几个大数定律，随机变量序列的两种收敛性的定义及其有关性质，中心极限定理。大数定律涉及的是一种依概率收敛，中心极限定理涉及按分布收敛。这些极限定理不仅是概率论研究的中心议题，而且在数理统计中有广泛的应用。1、教学目的及教学要求本章的教学目的是：（1）使学生掌握特征函数的定义和常用分布的特征函数；（2）使学生深刻理解和掌握大数定律及及之相关的两种收敛性概念，会熟练运用几个大数定律证明题目；（

19、3）使学生理解并熟练掌握独立同分布下的中心极限定理。本章的教学要求是：（1）理解并会求常用分布的特征函数；（2）深刻理解并掌握大数定律，能熟练应用大数定律证明题目；（3）理解并掌握依概率收敛和按分布收敛的定义，并会用其性质证明相应的题目；（4）深刻理解及掌握中心极限定理，并要对之熟练应用。2、重点及难点本章的重点是大数定律及中心极限定理，难点是用特征函数的性质证明题目，大数定律和中心极限定理的应用。二、 教学内容本章共分特征函数、大数定律、随机变量序列的两种收敛性，中心极限定理等4节来讲述本章的基本内容。4.1特征函数一、特征函数的定义1.定义 设是一个随机变量，称，- t + ，为的特征函数

20、。注 因为，所以总是存在的，即任一随机变量的特征函数总是存在的。2.特征函数的求法（1）当离散随机变量的分布列为Pk= P（= xk)，k = 1，2，则的特征函数为(t)=，- t + 。（2）当连续随机变量的密度函数为p(x)，则的特征函数为(t)=，- t + 。例4.1.1 常用分布的特征函数(1) 单点分布：P(= a) = 1，其特征函数为(t) = eita。(2) 0 1分布：P(= x) =px(1 - p)1 x，x = 0，1，其特征函数为(t) = peit + q，其中q = 1 p。(3) 泊松分布P()：P(= k) = ，k = 0，1，其特征函数为(t) =

21、= =。(4) 标准正态分布N(0,1)：因为密度函数为p(x) = ，- x + 。所以特征函数为(t) = = 。二、 特征函数的性质性质 | (t) | (0) = 1。性质 (-t) = ，其中是(t)的共轭。性质 若Y = a + b ，其中a，b是常数，则。性质 独立随机变量和的特征函数为特征函数的积，即设及Y相互独立，则 。 性质 若E(l)存在，则的特征函数可l次求异，且对1 k l，有 (k) (0) =ikE(k)。注 上式提供了一条求随机变量的各阶矩的途径，特别可用下式去求数学期望和方差。证明 略。定理 （一致连续性）随机变量的特征函数(t)在(- ，+ )上一致连续。定

22、理 （非负定性）随机变量的特征函数(t)是非负定的。定理 （唯一性定理）随机变量的分布函数由其特征函数唯一决定。例 试利用特征函数的方法求伽玛分布Ga(，)的数学期望和方差。解 因为Ga(，)的特征函数(t) = ，(t) = ；(0) = ；(t) = ；(0) = ，所以由性质得4.2大数定律一、何谓大数定律（大数定律的一般提法）定义4.2.1设为随机变量序列，若对任意的,有 ()则称服从大数定律。二、切比雪夫大数定律定理（切比雪夫大数定律）设为一列两两不相关的随机变量序列，若每个的方差存在，且有共同的上界，即,则服从大数定律，即对任意的，式(4.2.5)成立。利用切比雪夫不等式就可证明。

23、此处略。推论（定理：伯努利大数定律）设为n重伯努利试验中事件A发生的次数，P为每次试验中A出现的概率，则对任意的，有分析 服从二项分布，因此可以把表示成n个相互独立同分布、都服从01分布的随机变量的和。三、马尔可夫大数定律定理（马尔可夫大数定律）对随机变量序列，若马尔可夫条件成立，则服从大数定律，即对任意的，式(4.2.5)成立。证明 利用切比雪夫不等式就可证得。例 设为一同分布、方差存在的随机变量序列，且仅及和相关，而及其他的不相关，试问该随机变量序列是否服从大数定律？解 可证对，马尔可夫条件成立，故由马尔可夫大数定律可得服从大数定律。四、辛钦大数定律定理 （辛钦大数定律）设为一独立同分布的

24、随机变量序列，若的数学期望存在，则服从大数定律，即对任意的，式(4.2.5)成立。4.3随机变量序列的两种收敛性一、依概率收敛1.定义（依概率收敛）设为一随机变量序列，Y为一随机变量。如果对于任意的，有则称依概率收敛于Y，记做YnY。注 随机变量序列服从大数定律。2.依概率收敛的四则运算定理 设，Yn是两个随机变量序列，a，b是两个常数。如果a，Ynb，则有(1) (2) (3) 二、按分布收敛、弱收敛1.定义 设Fn(x)是随机变量序列的分布函数列，F(x)为的分布函数。若对F(x)的任一连续点x，都有Fn(X)=F(x)，则称Fn(x)弱收敛于F(x)，记做Fn(X)F(x)。也称按分布收

25、敛于，记做。2.依概率收敛及按分布收敛间的关系(1)定理 。(2)定理 若为常数，则 两个定理的证明均略。三、 判断弱收敛的方法定理 分布函数序列Fn(x)弱收敛于分布函数F(X)的充要条件是Fn(x)的特征函数序列n(t)收敛于F(x)的特征函数(t)。这个定理的证明只涉及数学分析的一些结果，参阅教材后文献1。例 若，证明 解 用定理。此处略。4.4中心极限定理一、中心极限定理概述研究独立随机变量和的极限分布为正态分布的命题。二、独立同分布下的中心极限定理定理（林德贝格-勒维中心极限定理）设是独立同分布的随机变量序列，且记则对任意实数y，有证明 用定理的结果。此处略。三、二项分布的正态近似(1) 定理（棣莫弗-拉普拉斯极限定理）设n重伯努利试验中，事件A在每次试验中出现的概率为p(0 p 1)，记为n次试验中事件A出现的次数，且记 则对任意实数y，有证明 由林德贝格-勒维中心极限定理容易证得。(2)近似中的修正二项分布在和 时，由中心极限定理用正态分布近似较好，因为二项分布是离散分布，而正态分布是连续分布，所以用正态分布作为二项分布的近似计算中，作些修正可以提高精度。若均为整数，一般先作如下修正后再用正态近似第 17 页