相互独立的随机变量

1
8
1
6
1
18
随机变量的独立性分布
2）已知 X,Y 的分布率如下
1 0 1 X ~ 1 1 1 2 4 4
0 1 Y ~ 1 1 2 2
且 P{ XY 0} 1
求：(1)X ,Y 的联合分布率；(2) X 与 Y 是否独立。
19
8
随机变量的独立性
三.连续型随机变量的独立性
设 ( X ,Y ) 是二维连续型随机变量，其联合密度函
数为f (x ,y )，随机变量X与Y的边缘概率密度函数分别
fX(x), fY(y), 如果对于几乎所有的x,y，有
f x， y f X x f Y y
则称 X ,Y 相互独立的随机变量。 说明: 上式对f(x,y)的所有连续点(x,y)必须成立.
3
随机变量的独立性
例1：设二维随机变量( X ,Y ) 的联合分布函数为 1 x y F x， y 2 arctan arctan 5 2 10 2
x ， y
试判断随机变量 X 与Y 是否相互独立. 解 X的边缘分布函数为FX(x)= F(x,+∞)
f(x,y)≠fX(x)∙ fY(y)
所以随机变量X与Y不是相互独立的.
11
随机变量的独立性
例4：甲、乙两人约定在某地相会，假定每人的到达 时间是相互独立的，且均服从中午12时到下午1时的 均匀分布。试求先到者需等待10分钟以内的概率。 解 X与Y均服从区间[0,60]上均匀分布,且相互独立. 设甲于12时X分到达,乙于12时Y分到达, 由题意知,随机变量(X,Y)的联合密度函数为
lim

相互独立的随机变量的方差公式在数理统计中，方差是反映各项测量结果的离散程度的重要概念，是测量描述性统计理论变量的重要标准之一。

它是反映一组数值的离散程度，给出某一特定组数据的特点，表明这组数据在某一特征上的分布。

相互独立的随机变量的方差公式也成为线性组合方差公式，它可以用来计算各种类型随机变量的方差。

在线性组合乘积方差公式中，每一项都是由多个随机变量相乘而得到的，而这些随机变量的取值是完全相同的，从而得到的结果也是完全一致的。

因此，在计算相互独立的随机变量的方差时，可以简化为将每一项的方差加起来。

根据相互独立的随机变量的方差公式，假设有n个随机变量，它们之间相互独立，则它们的方差可以表示为：σ^2=Σ_i=1^nσ_i^2其中，σ_i^2表示第i个随即变量的方差。

另外，在计算多个随机变量的方差时也要考虑相关关系，即每个随机变量之间有可能存在相关关系，可以把它们的方差视为一个向量，根据它们之间的相关关系，可以求出它们的协方差矩阵：Cov = [Cov(x_1, x_1), Cov(x_1, x_2), , Cov(x_n, x_n)] 这里的Cov(x_i,x_j)表示第i个随机变量与第j个随机变量的协方差，而它们的方差就可以用如下公式计算：σ^2=X^TCovX其中，X=[x_1, x_2, , x_n],X^T表示X的转置向量，Cov表示前面所讨论的协方差矩阵。

以上就是相互独立的随机变量的方差公式的推导过程，它可以帮助我们计算出每一类随机变量的方差，更好地分析数据，从而改善统计学分析的准确性和可靠性。

众所周知，在各种突发事件发生时，大量数据会被收集，从而获得各种数据的统计描述，如果不了解数据的分布情况，在分析数据时很容易受到偏离。

因此，要想深入了解数据，更新准确地分析数据，就必须了解相互独立随机变量的方差公式。

这种公式可以用简单的数学形式来描述，用以了解随机变量的数据分布情况，从而更好地分析数据，改进统计学分析的准确性和可靠性。

相互独立的随机变量乘积的概率密度函数在统计学中，概率密度函数是连续随机变量的函数，它可以用来描述变量的概率分布。

它本质上是随机变量X关于带宽dx上的概率，以及相应事件发生的概率。

概率密度函数是对于随机变量的全部信息的完整描述，常见的概率密度函数有正态分布，指数分布和均匀分布等。

在一般情况下，概率密度函数是由随机变量X的各自概率密度函数共同决定的。

当X1，X2，…，Xn是相互独立的随机变量时，它们的乘积的概率密度函数可以用数学符号表示为：f(X1X2...Xn) = f1(X1)f2(X2)...fn(Xn)其中，fi(X1)是X1的概率密度函数，同理f2(X2)，…，fn(Xn)也是。

可以看出，任意两个以上的随机变量相乘的概率密度函数是由这些随机变量的各自概率密度函数共同决定的。

概率密度函数的重要性在于它能够提供有关某个变量的全信息，从而我们可以得出变量的期望，方差等特征。

根据乘积定律，当随机变量X1，X2，…，Xn是相互独立的时候，它们的乘积的概率密度函数等于它们各自的概率密度函数的相乘，其函数形式为：f(X1X2...Xn) = f1(X1)f2(X2)...fn(Xn)关于相互独立的随机变量乘积的概率密度函数，对其进行求解计算可以采用多种方法。

一种常用的方法是采用极坐标系统，即以各个随机变量之间的角度和模长为坐标，在此系统中，可以将复杂的问题简化成一维的概率密度函数求解问题，这对于解决多个和复杂的随机变量的乘积的概率密度函数是非常有效的。

另外，采用Laplace变换也可以求解复杂的随机变量乘积的概率密度函数，Laplace变换的思想是将原来的函数的正负号倒转，以达到简化函数的目的。

Laplace变换可以将多维的相互独立随机变量乘积的概率密度函数求解问题简化成一维的求解问题，从而大大减轻了计算量和复杂度。

除此之外，也可以采用极限法和拟蒙特卡洛法等方法进行求解。

极限法是一种快速求解的方法，其原理是将概率密度函数的求解转换成概率的求解，最终求解出随机变量乘积的概率密度函数。

证：二维正态分布的概率密度为
f ( x , y) 1 2 1 2 1 ( x 1 ) 2 ( x 1 )( y 2 ) ( y 2 ) 2 exp{ ( 2 } 2 2 2 2 2 ( 1 ) 1 1 1 2 2
由例3.11知，f X ( x ), fY ( y)的乘积为
0
1
x2 2
)dx
1 1 2 e 2 0
1
x2 2
dx
1 2 (1) (0)
1 2.5066 0.8413 0.5
0.1445
□
3.4 随机变量的相互独立性
【例 3.19】对于二维正态分布，则 X 与 Y 相互独立的 充要条件是ρ=0.
0.5
pj
0.5
0.5
及独立性得到下表：
3.4 随机变量的相互独立性
pij
Z
0.25
1
0.25
0
0.25
0
0.25
1
(X，Y) (0，0) (0，1) (1，0) (1，1)
(X，Z) (0，1) (0，0) (1，0) (1，1)
(X，Z)的分布律及边缘分布律为：
X Z 0 0 0.25 1 0.25 p i. 0.5
第3章 多维随机变量及其分布
3.4 随机变量的相互独立性
定义3.9 设n维随机变量(X1，X2，…，Xn)的分 布函数为F(x1，x2，…，xn)，FXi (xi)为Xi的边缘分布 函数，如果对任意n个实数x1，x2，…，xn，有
P{ X 1 x1 , X 2 x2 ,, X n xn } P{ X i xi } 即 F ( x1 , x2 , , xn ) FX i ( xi )