随机变量的独立性是概率论中的一个重要概念 两随机变量独立的定义是:

一、条件分布的概念

(一)边缘分布函数 二维随机向量(X,Y)作为一个整体,具有分 布函数F(x,y) 其分量X和Y也都是随机变量,也有自己的分 布函数,将其分别记为Fx(x),Fy() 依次称为X和Y的边缘分布函数. 而把F(xy)称为X和Y的联合分布函数

(I)概率密度函数 设二维随机向量(X,Y)的分布函数为 F(x,y).如果存在一个非负函数f(x,y),使得对任 意实数x,y,总有 则称(X,Y)为连续型随机向量概率密度函数,简称概率密度

如果二维随机向量(X,Y)的每个分 量都是离散型随机变量,则称(X,Y)是 二维离散型随机向量. 二维离散型随机向量(X,Y)所有可 能取的值也是有限个或可列无穷个

二维随机向量及其分布函数 设随机试验E的样本空间是Ω. X=X(a)和Y=Y()是定义在Ω上的随机变 量,由它们构成的向量(X,Y),称为二维随机向 量. 二维随机向量(X,Y)的性质不仅与X及 Y的性质有关,而且还依赖于X和Y的相互关系, 因此必须把(X,Y)作为一个整体加以研究. 为此,首先需要引入二维随机向量(X,Y) 的分布函数的概念

目的:熟练掌握单调函数的结构,熟悉 单调函数的基本性质以及跳跃度、跳 跃函数等重要概念。 重点与难点:单调函数的性质与结构

各种收敛定义 几乎处处收敛:fn→fae.于 去掉某个零测度集,在留下的集合上处处收敛 几乎一致收敛:fn→fau.于E 去掉某个小(任意小)测度集,在留下的集合上一致收敛 依测度收敛:fn→fE

可测函数 一、可测集E上的连续函数定为可测函数 二、简单函数是可测函数 三、可测函数总可表示成一列简单函数的极限 (当可测函数有界时,可作到一致收敛)

新的积分(Lebesgue积分,从分割值域入手) yi E1={x:yi-1≤f(x)

文件格式: PPT大小: 354KB页数: 23