在实际问题中,对于某些随机试验的结果,需要同时用两个或两个以上的随机变量来描述,例如,为了研究某一个地区学龄前儿童的发育情况,对这一地区的儿童进行抽样,对于每个儿童都能观察到身高(H)和体重(W),因此,设样本空间S={e}={某地区的全部学龄前儿童},而H(e)和W(e)是定义在S上的两个随机变量。
设E是一个随机试验,样本空间是S={e},设X=X(e),Y=Y(e)是定义在S上的随机变量,把(X,Y)叫做二维随机变量。
二维随机变量(X,Y)的性质不仅跟X和Y有关,而且还依赖于这俩那哥哥随机变量的相互关系。因此,逐个地研究X和Y的性质是不够的,还需要将(X,Y)看作一个整体来进行。
定义 设(X,Y)是二维随机变量,对于任意实数x,y,二元函数:
F(x)=P{X<=x 且 Y<=y}=P{X<=x, Y<=y}
称作二维随机变量(X,Y)的分布函数,或称为随机变量X和Y的联合分布函数。
如果把二维随机变量(X,Y)看作是平面上随机点的坐标,那么容易计算出随机点(X,Y)落在举行区域{(x,y) | x1<x<=x2, y1<y<=y2}的概率为:
P{x1 < X <=x2, y1<Y<=y2}=F(x2,y2) + F(x1+y1) - F(x2,y1) - F(x1,y2)
七,相互独立的多维随机变量定义 设F(x,y)和Fx(x,y),Fy(x,y)分别是二维随机变量(X,Y)的分布函数以及边缘分布函数,若对于所有x,y,有
P{X<=x, Y<=y}=P{X<=x} P{Y<=x}, 即F(x,y)=Fx(x,y) Fy(x,y) ,
则称随机变量X和Y是相互独立的。把二维随机变量推广到n维随机变量(X1,X2,...,Xn),得到n维随机变量的分布函数定义为:
F(x1,x2,...,xn)=P{X1<=x1,X2<=x2,...,Xn<=xn},其中 x1,x2,...,xn为任意实数。
如果X1,X2,...Xn是相互独立的,那么
F(x1,x2,...,xn)=Fx1(x1) Fx2(x2) ... Fxn(xn)
定理:设(X1,X2,...,Xm)和(Y1,Y2,...,Yn)相互独立,则Xi(i=1,2,...,m)和Yj(j=1,2,...,n)相互独立,如果h,g是连续函数,则h(X1,X2,...,Xm)和g(Y1,Y2,...,Yn)相互独立。
八,随机变量的函数的分布设X,Y相互独立,且X和Y都服从正态分布,那么随机变量Z=X+Y也服从正态分布。
这个结论还能推广到n个独立的服从正态分布的随机变量之和的情况,
即,若Xi(i=1,2,...,n)相互独立,且服从正态分布,那么Z=X1+X2+...+Xn 仍然服从正态分布。
一般,有限个相互独立的,且服从正态分布的随机变量的线性组合仍然服从正态分布。
九,大数定律大数定律(law of large numbers),是一种描述当试验次数很大时所呈现的概率性质的定律。
1,弱大数定律(辛钦大数定理)
设随机变量X1,X2,...,Xnx相互独立,服从同一个分布,且具有相同的数学期望μ,则序列的期望:
以概率收敛于μ,也就是说,随着n的增大,
与μ之间的误差会越来越小。白话:一个团的军人的平均身高是a,n个团的军人的平均身高近似等于a。
2,伯努利大数定理
当n足够大时,事件A出现的频率将几乎接近于其发生的概率,即频率的稳定性。
白话:如果一个团的军人数量足够多,那么这个团的军人的平均身高是稳定的。
3,切比雪夫大数定理
随着样本容量n的增加,样本平均数将接近于总体平均数。从而为统计推断中依据样本平均数估计总体平均数提供了理论依据。
白话:如果一个团的军人数量足够多,那这个团的军人平均身高可以代表整个军队的军人的平均身高。
十,中心极限定理中心极限定理表明,在相当一般的条件下,当独立随机变量的个数不断增加时,其和的分布趋于正态分布。通俗地说,如果一个事件受到N(N趋近于无穷)个独立因素的共同影响,且每个因素产生的影响都是独立的,那么这个事件发生的概率就服从中心极限定理,收敛于正态分布。因此,在实际应用中,正态分布是非常重要的,只要影响因素足够多,每个因素的作用都很微小,不必考虑每个因素服从什么分布,都可以用正态分布来预测事件发生的概率。
1,独立同分布的中心极限定理
设随机变量X1,X2,...,Xn相互独立,服从同一分布,并且具有有限的数学期望和方差:E(Xi)=μ,D(Xi)=σ2 >0 (k=1,2....),