二维随机变量

因为，(X，Y)是二维离散型随机变量所以，xy也是离散型随机变量先求出xy的概率分布列再求xy的期望比如P(x＝0)＝1/2，P(x＝1)＝1/2P(y＝0)＝1/2，P(y＝1)＝1/2则，P(xy＝0)＝3/4P(xy＝1)＝1/4所以，E(XY)＝0×(3/4)＋1×(1/4)＝1/4这个例子比较简单，但方法是一样的如果还有问题，可以把原题发给我

X,N（0,0,1,1,0）说明X，Y独立同分布N（0,1）fX(x)=φ(x).P（X+Y0)=P(X>0,Y>0)+PX。若(X, Y)服从二维正态分布，则X和Y各自也服从正态分布 二维随机变量的独立性，表示方法是X,N（0,0,1,1,0）说明X，Y独立同分布N（0,1）fX(x)=φ(x).P（X+Y0)=P(X>0,Y>0)+PX。

是的。因为独立，所以联合概率密度函数就是2个概率密度函数的乘积，而这种形式的函数就是二维正态分布的概率密度函数。

你好，答案是B。X,Y 分别是随机变量， (X,Y)是一个把样本空间映射到实数平面的函数。它是一个二维随机变量。D是错误的。A,B,C的区别在于(X,Y)的分布是不是二维正态分布。我们只需举两个例子就可以说明：(X,Y)可能服从二维正态分布：如果X，Y相互独立，那么(X,Y)的分布密度公式可以通过X,Y的密度公式的乘积得到。你会发现：上面这个表达式其实就是说(X,Y)的两个维度相互独立，且分别是正态分布。这个例子说明C是错误的。(X,Y)可能不服从二维正态分布：假设X的期望是0，方差是1. 定义Y为：可以发现Y也是标准正态分布的。可是(X,Y)的分布只在 x=y 和 x=-y这两条线上可能有正值。明显不是二维正态分布。这个例子说明A是错误的。综上所述，答案B是正确的。另外说一句，只有X,Y分别正态分布，且相互独立的时候，才能确保(X,Y)是二维正态分布。即使X,Y的相关是0，也仍然可以找到(X,Y)非二维正态分布的例子。构造方法跟上面第二点的方法类似，但是要找到合适的分界点(上面例子用的是1)，使X,Y相关恰好为0.wiki上说这个值在1.54左右。希望这些对你的理解有所帮助，望采纳。

1 方法 　　性质1： 设X是一个随机变量，其分布函数为F(x)，则Y=F(X)服从在〔0，1〕的均匀分布。 　　性质2： 设X1,K,Xn是某个分布的一个简单样本，其分布函数为F(x)，由性质1可知，在概率意义下，F(X1),F(X2),K,F(Xn)在（0,1）上呈均匀分布，按从小到大依次排序，记为F(Xue1311),F(Xue1312),K,F(Xue131n)，其相应理论值应为ri=i-0,5[]n，i=1，2，…，n，对应分布函数的反函数值F-1(r1),F-1(r2),K,F-1(rn)（在卡方分布中即为卡方分数）应非常接近Xue1311,Xue1312K,Xue131n，故在概率意义下，这些散点(Xue1311,F-1(r1)),(Xue1312,F-1(r2)),L,(Xue131n,F-1(rn))应在一条直线上。 　　根据性质2，如果X服从正态分布，则散点理论上应落在一直线上，可以用Pearson系数刻画这种分布。但由于随机变异的存在，Pearson系数并不等于1，所以通过随机模拟的方法，制定出Pearson系数的95%界值下限。 　　性质3： 由条件概率公式P(X,Y)=P(Y|X)P(X)可知：（X，Y）服从二元正态分布的充分必要条件是固定X，Y服从正态分布(条件概率分布)并且X的边际分布为正态分布。由线性回归的性质ε=Y-(α+βX)可知，固定X，Y的条件概率分布为正态分布的充分必要条件是线性回归的残差ε服从正态分布，由此可得：（X，Y）服从二元正态分布的充分必要条件是X的边际分布为正态分布以及线性回归模型Y=α+βX+ε中的残差服从正态分布。 设X来自于正态总体，从正态总体中随机模拟抽样5000次，每次抽样样本含量分别为7至50，对F(x)求秩，求出排序后的F(x)和排序后的X的Pearson相关系数。表1 随机模拟5000次得到的检验正态分布的Pearson相关系数的界值（略） 　　类似地，我们也可以用同样的方法得到检验卡方分布的Pearson相关系数的界值表（简化表）表2 相关系数界值表（略） 　　2 随机模拟验证 　　2ue0101 Pearson相关系数界值表的随机模拟验证 　　设X来自于正态总体，从正态总体中随机模拟抽样5000次，每次抽样样本含量分别为10，20，30，40，50，并计算相应的Pearson卡方系数，以及落在界值外面的比例，即拒绝比例，再在同一批数据的前提下用McNemar检验比较本方法和Swilk法的差别。表3 （一元正态分布）模拟次数（略）表4（一元偏态分布，χ2)模拟次数（略） 　　以上方法拒绝比例在样本量为7的可信区间为［78.37%，94.12%］，在其余样本量时都接近100%，可以证实是正确的。 　　2ue0102 卡方分布界值表的随机模拟验证　 　　表5 卡方分布：模拟5000次（略） 　　 　　2ue0103 马氏距离的随机模拟验证 　　根据马氏距离的定义，从正态分布总体中随机抽取样本量分别为10，20，30，40，50的样本模拟5000次，根据上面提到的方法以卡方分数对Xue1311,Xue1312K,Xue131n求Pearson系数，并根据以上的相关系数界值表，计算相应的统计量，即拒绝比例。表6 马氏距离落在Pearson系数界值表外的比例（略） 　　2ue0104 二元正态分布资料的随机模拟验证 　　设定一个二维矩阵A，分别求出特征值P和特征向量Z，设X的元素均来自于正态总体分布，则Y=Z′×X必服从二元正态分布，随机模拟5000次，根据性质三介绍的方法验证的拒绝比例如下。表7 （二元正态分布）模拟次数（略）表8 （二元偏态分布，χ2）模拟次数（略） 　　2ue0105 三元正态分布资料的随机模拟验证 　　类似地，随机模拟5000次，用同样方法进行验证，得到对于三元正态分布数据的拒绝比例。表9 （三元正态分布）模拟次数：5000次

X,Y~N(μ1,u2,σ1,σ2,ρ)，五个参数依次表示X的期望，Y的期望，X的均方差，Y的均方差，X和Y的相关系数。二维正态分布是一个在数学、物理及工程等领域都非常重要的概率分布，由于这个分布函数具有很多非常漂亮的性质，使得其在诸多涉及统计科学离散科学等领域的许多方面都有着重大的影响力。扩展资料：由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。（标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X（当前值）范围内的面积比例。）

解：对于二维连续变量的分布函数F(x,y)，一般应用其概率密度函数f(x,y)的定积分求解；对于非连续变量，需要分别累加求得【与一维随机变量的求法相仿】。∴本题中，当x∈(0,∞)、y∈(0,∞)时，分布函数F(x,y)=∫(-∞,x)du∫(-∞,y)f(u,v)dv=∫(0,x)du∫(-0,y)2e^(-2u-v)dv=∫(0,x)2e^(-2u)du∫(-0,y)e^(-v)dv=[1-e^(-2x)][1-e^(-y)]。当xu2209(0,∞)、yu2209(0,∞)时，分布函数F(x,y)=∫(-∞,0)du∫(-∞,0)f(u,v)dv=0。供参考。

你好！由于相关系数为0，这两个正态分布是相互独立的，E(X)=1,D(X)=4,E(X^2)=D(X)+E(X)^2=5，E(Y)=1,D(Y)=9,E(Y^2)=D(Y)+E(Y)^2=10，所以E(X^2Y^2)=E(X^2)E(Y^2)=50。经济数学团队帮你解答，请及时采纳。谢谢！

cov(x,y)=-1/36 x+y>2时P=1 2>x+y>1时 P=1-(1-x)^2-(1-y)^2 0<x+y<1时 P=2xy x+y<0 P=0

摘要：协方差Cov(X,Y)是描述二维随机变量两个分量间相互关联程度的一个特征数，如果将协方差相应标准化变量就得到相关系数Corr(X,Y)。从而可以引进相关系数Corr(X,Y)去刻画二维随机变量两个分量间相互关联程度。且事实表明，相关系数明显被广泛应用。本文的目的在于从协方差与相关系数的关系的角度去探讨协方差与相关系数的优缺点，并具体介绍协方差和相关系数这两个描述二维随机变量间相关性的特征数。 关键字：协方差Cov(X,Y) 相关系数Corr(X,Y) 相互关联程度1 协方差、相关系数的定义及性质设（X ，Y）是一个二维随机变量，若E{ [ X-E(X) ] [ Y-E(Y) ] }存在，则称此数学期望为X与Y的协方差，并记为Cov(X,Y)=E{ [ X-E(X) ] [ Y-E(Y) ] }，特别有Cov(X,X)=Var(X)。从协方差的定义可以看出，它是X的偏差“X-E(X) ”与Y的偏差“Y-E(Y)”的乘积的数学期望。由于偏差可正可负，故协方差也可正可负，也可为零，其具体表现如下：·当Cov(X,Y)>0时，称X与Y正相关，这时两个偏差 [ X-E(X) ] 与[ Y-E(Y) ] 同时增加或同时减少，由于E(X)与E(Y)都是常数，故等价于X与Y同时增加或同时减少，这就是正相关的含义。

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

你好！求其概率密度怎么求如有疑问，请追问。

1，求随机变量X的密度fX(x),边沿分布，积分不好写，结果是fX(x)={e^(-y)0<x<y{0其他2.概率密度函数f(x,y)在直线x=0,y=x,y=-x+1所围的三角形区域的二重积分，结果是1+e^(-1)-2e^(-1/2)3.条件分布，应该写成fX(x|Y=y)而非fξ(x|η=y)，表示Y=y的条件分布，按题目意思，此处y理解为某一常数，则fX(x|Y=y)=f(x,y)/fY(y)=e^(-y)/ye^(-y)=1/yfY(y)=ye^(-y)随机变量Y的边沿分布4.条件概率，似应写成P（X<2|Y<1)，也是积分计算P（X<2|Y<1)，=P{X<2,Y<1}/P(Y<1)P{X<2,Y<1}为f(x,y)在直线x=2,y=1,y=x所围区域积分，P(Y<1)为f(x,y)在直线y=x,y=1所围区域积分，在本题情况，两个区域的有效部分（即不为零部分）恰好相等，故积分值为1。概率意义是，随机点分布区域为0<x<y，有Y<1，则必有X<2矣。

1、求随机变量X的密度fX(x)，边沿分布fX(x)={e^(-y)；0<x<y；{02、概率密度函数f(x,y)在直线x=0,y=x,y=-x+1所围的三角形区域的二重度积分，结果是1+e^(-1)-2e^(-1/2)3、条件分布，应该写成 fX(x|Y=y)而非fξ(x|η=y)，表示Y=y的条件分布，按题目意思，此处y理解为某一常数，则fX(x|Y=y)=f(x,y)/fY(y)=e^(-y)/ye^(-y)=1/y；fY(y)=ye^(-y)随机变量Y的边沿分布。4、条件概率，似应写成P（X<2|Y<1)，也是积分计算：P（X<2|Y<1)，=P{X<2,Y<1}/P(Y<1)P{X<2,Y<1}为f(x,y)在直权线x=2,y=1,y=x所围区域积分，P(Y<1)为f(x,y)在直线y=x,y=1所围区域积分，在本题情况，两个区域的有效部分（即不为零部分）恰好相等，故积分值为1。概率意义是，随机点分布区域为0<x<y，有Y<1，则必有X<2矣。例如：∵P(X>2丨Y<4)=P(X>2,Y<4)/P(Y<4)，内∴分别求出P(X>2,Y<4)、P(Y<4)即可得。而，P(X>2,Y<4)=∫(2,4)dy∫(2,y)f(x,y)dx=∫(2,4)(y-2)e^(-y)dy=-(y-1)e^(-y)丨(y=2,4)=e^(-2)-3e^(-4)。对P(Y<4)，先求出Y的边缘分布容的密度函数，由定义，fY(y)=∫(0,y)f(x,y)dx=ye^(-y)，y>0、fY(y)=0,y为其它。∴P(Y<4)=∫(0,4)fY(y)dy=∫(0,4)ye^(-y)dy=-(y+1)e^(-y)丨(y=0,4)=1-5e^(-4)。∴P(X>2丨Y<4)=P(X>2,Y<4)/P(Y<4)=[e^(-2)-3e^(-4)]/[1-5e^(-4)]。扩展资料：二维随机变量( X,Y)的性质不仅与X 、Y 有关，而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。一般，设E是一个随机试验，它的样本空间是S={e}，设X=X（e）和Y=Y(e)S是定义在S上的随机变量，由它们构成的一个向量（X，Y），叫做二维随机变量或二维随机向量。有一个班（即样本空间）体检指标是身高和体重，从中任取一人（即样本点），一旦取定,都有唯一的身高和体重（即二维平面上的一个点）与之对应，这就构造了一个二维随机变量。由于抽样是随机的,相应的身高和体重也是随机的,所以要研究其对应的分布。参考资料来源：百度百科-二维随机变量

1，求随机变量X的密度fX(x),边沿分布，积分不好写，结果是fX(x)={e^(-y)0<x<y{0其他2.概率密度函数f(x,y)在直线x=0,y=x,y=-x+1所围的三角形区域的二重积分，结果是1+e^(-1)-2e^(-1/2)3.条件分布，应该写成fX(x|Y=y)而非fξ(x|η=y)，表示Y=y的条件分布，按题目意思，此处y理解为某一常数，则fX(x|Y=y)=f(x,y)/fY(y)=e^(-y)/ye^(-y)=1/yfY(y)=ye^(-y)随机变量Y的边沿分布4.条件概率，似应写成P（X<2|Y<1)，也是积分计算P（X<2|Y<1)，=P{X<2,Y<1}/P(Y<1)P{X<2,Y<1}为f(x,y)在直线x=2,y=1,y=x所围区域积分，P(Y<1)为f(x,y)在直线y=x,y=1所围区域积分，在本题情况，两个区域的有效部分（即不为零部分）恰好相等，故积分值为1。概率意义是，随机点分布区域为0<x<y，有Y<1，则必有X<2矣。

根据定义做，密度函数在其定义域上两重积分值为1，由题意知：该密度函数在矩形区域 0<x<2， 2<y<4有值，而其他区域为零，且k为常数，则：只在0<x<2， 2<y<4

1.f(X,Y)关于X的边缘概率密度fX(x)=f(x,y)对y积分，下限x，上限无穷，结果fX(x)=e^(-x)2.f(X,Y)关于Y的边缘概率密度fY(y)=f(x,y)对x积分，下限0，上限y，结果fY(y)=ye^(-y)3.f(x,y)=e^(-y)不等于fX(x)*fY(y),故X和Y不独立4。概率密度函数f(x,y)在直线x=0,y=x,y=-x+1所围的三角形区域的二重积分，结果是1+e^(-1)-2e^(-1/2）

联合概率密度的二重积分等于1，实际计算时只要计算概率密度非零区域上的积分。被积函数k是常数，它在区域[0,1]×[1,4]上的积分就是常数k乘以区域的面积，即3k=1，所以k=1/3，答案是（A）。

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

二维连续型随机变量,概率密度为,则和的概率密度分别为 和分别称为关于X和关于Y的边缘概率密度． 这里有

您好，你的问题，我之前好像也遇到过，以下是我原来的解决思路和方法，希望能帮助到你，若有错误，还望见谅！在该三角形内的概率相等，所以应该是其面积分之一，那就是2。f（x，y）就是二维变量的概率密度函数f（x，y）=1/S 在三角形的范围内成立。所以1除以1/2等于2。边际密度函数的求解，本质就是考察积分，只要记住边缘概率密度就是对联合密度函数求积分，当求关于Y的边际密度函数时就是对于f（x，y）的联合密度函数关于X求积分，求Y的边际密度函数则同理。扩展资料：有些随机现象需要同时用多个随机变量来描述。例如对地面目标射击，弹着点的位置需要两个坐标才能确定，因此研究它要同时考虑两个随机变量，一般称同一概率空间(Ω,F,p)上的n个随机变量构成的n维向量X=(x1,x2,…，xn)为n维随机向量。随机变量可以看作一维随机向量。称n元x1,x2,…，xn的函数为X的(联合)分布函数。又如果(x1,x2)为二维随机向量，则称x1+ix2(i2=-1)为复随机变量。参考资料来源：百度百科-随机变量非常感谢您的耐心观看，如有帮助请采纳，祝生活愉快！谢谢！

∫∫f(x,y)dxdy=1即c∫∫dxdy=1因为0≤x≤1，0≤y≤2面积为2所以c*2=1c=1/2fy(x,y)=1/2,0≤x≤1，fx(x,y)=1/2,0≤y≤2f(x,y)≠fx(x,y)fy(x,y)不独立可能是这样吧不一定对啊

（1）x的边缘分布律P（X=0）=1/3+1/4=7/12 P（X=2）=5/12 y的边缘分布律P（Y=-2）=1/3+1/4=7/12 P（Y=0）=1/4+1/6=5/12 （2） P（x=0,y=0）=1/4 而P（x=0）*P（y=0）=7/12*5/12=35/144 两者不相等 故x与y不独立 （3）P（x+y=0）=P（x=0,y=0）+P（x=2,y=-2）=1/4+1/4=1/2

是，因为X、Y是随机变量，那么它们构成的向量K=（X,Y）即为随机向量。

对于二维连续变量的分布函数F(x，y)，一般应用其概率密度函数f(x，y)的定积分求解；对于非连续变量，需要分别累加求得【与一维随机变量的求法相仿】。∴本题中，当x∈(0,∞)、y∈(0，∞)时，分布函数F(x，y)=∫(-∞，x)du∫(-∞,y)f(u，v)dv=∫(0，x)du∫(-0，y)2e^(-2u-v)dv=∫(0，x)2e^(-2u)du∫(-0，y)e^(-v)dv=[1-e^(-2x)][1-e^(-y)]。当xu2209(0，∞)、yu2209(0，∞)时，分布函数F(x,y)=∫(-∞，0)du∫(-∞，0)f(u，v)dv=0。扩展资料：随机变量在不同的条件下由于偶然因素影响，可能取各种不同的值，故其具有不确定性和随机性，但这些取值落在某个范围的概率是一定的，此种变量称为随机变量。随机变量可以是离散型的，也可以是连续型的。事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。可以把概率密度看成是纵坐标，区间看成是横坐标，概率密度对区间的积分就是面积，而这个面积就是事件在这个区间发生的概率，所有面积的和为1。所以单独分析一个点的概率密度是没有任何意义的，它必须要有区间作为参考和对比。离散型随机变量的分布律和它的分布函数是相互唯一决定的。它们皆可以用来描述离散型随机变量的统计规律性，但分布律比分布函数更直观简明，处理更方便。因此，一般是用分布律(概率函数)而不是分布函数来描述离散型随机变量。参考资料来源：百度百科——二维随机变量

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

解：对于二维连续变量的分布函数F(x,y)，一般应用其概率密度函数f(x,y)的定积分求解；对于非连续变量，需要分别累加求得【与一维随机变量的求法相仿】。∴本题中，当x∈(0,∞)、y∈(0,∞)时，分布函数F(x,y)=∫(-∞,x)du∫(-∞,y)f(u,v)dv=∫(0,x)du∫(-0,y)2e^(-2u-v)dv=∫(0,x)2e^(-2u)du∫(-0,y)e^(-v)dv=[1-e^(-2x)][1-e^(-y)]。当xu2209(0,∞)、yu2209(0,∞)时，分布函数F(x,y)=∫(-∞,0)du∫(-∞,0)f(u,v)dv=0。供参考。

可利用联合概率密度的二重积分为1，求出k=2。边际密度函数的求解，本质就是考察积分，只要记住边缘概率密度就是对联合密度函数求积分，当我们求关于Y的边际密度函数时就是对于f（x，y）的联合密度函数关于X求积分，求Y的边际密度函数则同理。第二部分是求随机变量函数的密度，一般用分布函数法，即先用定义求出分布函数，再求导得到相应的概率密度。

全班都不会，你们班……

简单说就是F(x|y) ={ p(x,y)/pY(y) 对x的积分,积分限在[负无穷,x]区间 } 这时候它的条件密度函数是p(x|y) = p(x,y)/pY(y) 这是对连续型随即变量而言 离散的一般不谈分布列,谈条件密度会更方便一些

解：对于二维连续变量的分布函数F(x,y)，一般应用其概率密度函数f(x,y)的定积分求解；对于非连续变量，需要分别累加求得【与一维随机变量的求法相仿】。∴本题中，当x∈(0,∞)、y∈(0,∞)时，分布函数F(x,y)=∫(-∞,x)du∫(-∞,y)f(u,v)dv=∫(0,x)du∫(-0,y)2e^(-2u-v)dv=∫(0,x)2e^(-2u)du∫(-0,y)e^(-v)dv=[1-e^(-2x)][1-e^(-y)]。当xu2209(0,∞)、yu2209(0,∞)时，分布函数F(x,y)=∫(-∞,0)du∫(-∞,0)f(u,v)dv=0。供参考。

例如一种产品分为一等品（A1），二等品（A2），三等品（A3）和不合格品（A4），比率分别为0.15，0.70，0.10，0.05。则从该产产品种抽出N个（这N个为一个一个的独立抽出，且N远远小于总的数量），分别以X1~X4记为N个产品中一等品，二等品，三等品和不合格的个数，则可以X=（X1,……X4）满足M（N；0.15，0.70，0.10，0.05）当只存在两种可能性A1、A2的时候，这是A1就是A2的对立事件，X1+X2=N，则X1唯一的决定X2，这就是第一篇笔记中的二项分布情况。扩展资料：二维随机变量（X，Y）的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。有一个班（即样本空间）体检,指标是身高和体重，从中任取一人（即样本点）,一旦取定，都有唯一的身高和体重（即二维平面上的一个点）与之对应，这就构造了一个二维随机变量。由于抽样是随机的，相应的身高和体重也是随机的，所以要研究其对应的分布。

二维随机变量的DX计算方法：DX=EX^2-(EX)^2。二维随机变量的方差描述了随机变量的取值与其数学期望的偏离程度。对于多维随机变量的情况，协方差与相关系数刻画了每个随机变量的相关性。二维随机变量的性质：数学期望是一阶原点矩；方差是二阶中心矩；协方是二阶混合中心距。通过矩，可以定义协方差矩阵，简化多维随机变量的概率密度函数的处理。最后介绍多维正态随机变量的四条重要性质，这些性质是数理统计和随机过程的重要理论基础。

p_X (x)=∫(x~1)f(x,y)dy=2(1-x) p_Y (y)=∫(0~y)f(x,y)dx=2y EX=∫(0~1)xp_X(x)dx=1/3 EY=∫(0~1)yp_Y(y)dy=2/3

解：E（Y）=0×（0.3+0.1）+1×（0.2+0.4）=0.6E（X）=2×（0.3+0.2）+3×（0.1+0.4）=2.5E（XY）=2*0*0.3 + 3*0*0.1 + 2*1*0.2+3*1*0.4=1.6则cov（X,Y)=E（XY）-E（x）E（Y）=1.6-2.5*0.6=0.1

1、首先分布律就是做个表，把值和概率对应的填进去就可以了。至于边缘分布律，以x为例，x取的概率是1/6，取-1概率是1/3+1/12=5/12，取2的概率就是5/12。2、其次那么做一个表，回第一行是可能的取值0，1，2第二行把相应概率填进去。3、最后求X的边缘分布律就是把每一纵列相加，把y全部积分，x不积分，0+0.2=0.2，0.2+0.3=0.5，0.2+0.1=0.3即可。

书本来就没读好问题太深奥。

P(X=-1)=1/3,P(X=0)=1/3,P(X=1)=1/3P(Y=0)=1/3,P(Y=1)=2/3因0=P(X=-1,Y=0)≠P(X=-1)*P(Y=0)=1/3*1/3=1/9,故不独立E(X)=-1*1/3+0*1/3+1*1/3=0E(Y)=0*1/3+1*2/3=2/3E(XY)=0*0*1/3+(-1)*1*1/3+1*1*1/3=0故cov(X,Y)=E(XY)-E(X)*E(Y)=0-0*2/3=0,故不相关

在该三角形内的概率相等，所以应该是其面积分之一，那就是2。f（x，y）就是二维变量的概率密度函数f（x，y）=1/S 在三角形的范围内成立。所以1除以1/2等于2。边际密度函数的求解，本质就是考察积分，只要记住边缘概率密度就是对联合密度函数求积分，当求关于Y的边际密度函数时就是对于f（x，y）的联合密度函数关于X求积分，求Y的边际密度函数则同理。扩展资料：有些随机现象需要同时用多个随机变量来描述。例如对地面目标射击，弹着点的位置需要两个坐标才能确定，因此研究它要同时考虑两个随机变量，一般称同一概率空间(Ω,F,p)上的n个随机变量构成的n维向量X=(x1,x2,…，xn)为n维随机向量。随机变量可以看作一维随机向量。称n元x1,x2,…，xn的函数为X的(联合)分布函数。又如果(x1,x2)为二维随机向量，则称x1+ix2(i2=-1)为复随机变量。参考资料来源：百度百科-随机变量

大学题？？？

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ），这里f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。扩展资料：设随机事件A在n次重复试验中发生的次数为nA，若当试验次数n很大时，频率nA/n稳定地在某一数值p的附近摆动，且随着试验次数n的增加，其摆动的幅度越来越小，则称数p为随机事件A的概率，记为P(A)=p。随机事件是事件空间S的子集，它由事件空间S中的单位元素构成，用大写字母A，B，C...表示。例如在掷两个骰子的随机试验中，设随机事件A="获得的点数和大于10"，则A可以由下面3个单位事件组成：A={(5，6)，(6，5)，(6，6)}。 如果在随机试验中事件空间中的所有可能的单位事件都发生，这个事件被称为必然事件。参考资料来源：百度百科——概率论

X,Y~N(μ1,u2,σ1,σ2,ρ)，五个参数依次表示X的期望，Y的期望，X的均方差，Y的均方差，X和Y的相关系数。

对于二维连续变量的分布函数F(x，y)，一般应用其概率密度函数f(x，y)的定积分求解；对于非连续变量，需要分别累加求得【与一维随机变量的求法相仿】。∴本题中，当x∈(0,∞)、y∈(0，∞)时，分布函数F(x，y)=∫(-∞，x)du∫(-∞,y)f(u，v)dv=∫(0，x)du∫(-0，y)2e^(-2u-v)dv=∫(0，x)2e^(-2u)du∫(-0，y)e^(-v)dv=[1-e^(-2x)][1-e^(-y)]。当xu2209(0，∞)、yu2209(0，∞)时，分布函数F(x,y)=∫(-∞，0)du∫(-∞，0)f(u，v)dv=0。扩展资料：随机变量在不同的条件下由于偶然因素影响，可能取各种不同的值，故其具有不确定性和随机性，但这些取值落在某个范围的概率是一定的，此种变量称为随机变量。随机变量可以是离散型的，也可以是连续型的。事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。可以把概率密度看成是纵坐标，区间看成是横坐标，概率密度对区间的积分就是面积，而这个面积就是事件在这个区间发生的概率，所有面积的和为1。所以单独分析一个点的概率密度是没有任何意义的，它必须要有区间作为参考和对比。离散型随机变量的分布律和它的分布函数是相互唯一决定的。它们皆可以用来描述离散型随机变量的统计规律性，但分布律比分布函数更直观简明，处理更方便。因此，一般是用分布律(概率函数)而不是分布函数来描述离散型随机变量。参考资料来源：百度百科——二维随机变量

二维随机变量的函数可以是二维的也可以是一维的。如（X,Y）是二维随机变量，Z=X+Y是一维随机变量。

u04d9是偏导的意思。dx知道吧？就是对x求导，现在二维随机变量有两个变量，如果假定其中一个变量不变（视为常数），则对另一个变量求导称为对此变量的求偏导。例如f(x.y)=xy, u04d9f/u04d9x 表示f函数对x求偏导，你只要把y变为变量，当成求x的导数就行了，所以 u04d9f/u04d9x =y你的题目中的先求了y的偏导，再求一次x的偏导，所以表示成u04d9x*u04d9y念法嘛，好像是对什么什么求偏导，我忘了怎么念，

考虑这样一个实验：现在有一个班（即样本空间）体检,指标是身高和体重,从中任取一人（即样本点）,一旦取定,都有唯一的身高和体重（即二维平面上的一个点）与之对应,这实际上就构造了一个二维随机变量!由于抽样是随机的,相应的身高和体重也是随机的,所以要研究其对应的分布（即在任意一个[严格来说,伯莱尔可测]集合取值的概率）!

所谓二维随机变量就是指一个平面上点的坐标。它的坐标值都是随机变量。

计算公式为E(XY)=∫∫xyf(x，y)dxdy，积分范围是整个平面，其中f(x,y)是联合概率密度。二维随机变量( X，Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。设E是一个随机试验，它的样本空间是S={e}，设X=X（e）和Y=Y(e)S是定义在S上的随机变量，由它们构成的一个向量（X，Y）。扩展资料：如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。例如，一批电子元件的寿命、实际中常遇到的测量误差等都是连续型随机变量。一个事件的概率为1，并不意味这个事件一定是必然事件。当提到一个随机变量X的概率分布，指的是它的分布函数，当X是连续型时指的是它的概率密度，当X是离散型时指的是它的分布律。参考资料来源：百度百科--二维随机变量

EX=∫∫[0

如果二维随机变量X,Y的分布函数F{x,y}为已知，那么因此边缘分布函数FX(x)，FY(y)可以由(X,Y)的分布函数所确定。如果二维随机变量X,Y的分布函数F{x,y}为已知，那么随机变量x，y的分布函数FU0001d5d1{x}和Fu028f{y}可由F{x,y}求得。则FU0001d5d1{x}和Fu028f{y}为分布函数F{x,y}的边缘分布函数。扩展资料：离散型随机变量：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型型随机变量：在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

既然是分布列那么就与概率密度即针对连续型变量的不同而分布率是针对离散型的分布列表示概率在所有的可能发生的情况中的分布计算XY的所有可能值再得到各个值的概率计算得到EXY=∑pi (XY)i 即可

为随机变量的联合分布函数，其需要满足以下四个特征：关于均为单调不减函数。关于或都是右连续。

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ），这里f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。扩展资料：设随机事件A在n次重复试验中发生的次数为nA，若当试验次数n很大时，频率nA/n稳定地在某一数值p的附近摆动，且随着试验次数n的增加，其摆动的幅度越来越小，则称数p为随机事件A的概率，记为P(A)=p。随机事件是事件空间S的子集，它由事件空间S中的单位元素构成，用大写字母A，B，C...表示。例如在掷两个骰子的随机试验中，设随机事件A="获得的点数和大于10"，则A可以由下面3个单位事件组成：A={(5，6)，(6，5)，(6，6)}。 如果在随机试验中事件空间中的所有可能的单位事件都发生，这个事件被称为必然事件。参考资料来源：百度百科——概率论

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ），这里f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。扩展资料：相互独立的性质：1.P(A∩B)就是P(AB)2.若P(A)>0,P(B)>0则A,B相互独立与A,B互不相容不能同时成立,即独立必相容,互斥必联系.容易推广：设A,B,C是三个事件。如果满足：P(AB)=P(A)P(B),P(BC)=P(B)P(C),P(AC)=P(A)P(C),P(ABC)=P(A)P(B)P(C),则称事件A,B,C相互独立。更一般的定义是,A1,A2,……,An是n(n≥2)个事件,如果对于其中任意2个,任意3个,…任意n个事件的积事件的概率,都等于各个事件概率之积,则称事件A1,A2,……,An相互独立。参考资料来源：百度百科-概率论

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）；这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。随机变量独立的充要条件：对于连续型随机变量有：F(X,Y)=FX(X)FY(Y),f(x,y)=fx(x)fy(y)；对于离散型随机变量有：P(AB)=P(A)P(B)概率为P 设X,Y两随机变量，密度函数分别为q(x),r(y), 分布函数为G(x), H(y),联合密度为p(x,y)，联合分布函数F(x,y), A,B为西格玛代数中的任意两个事件。扩展资料：一般，设E是一个随机试验，它的样本空间是S={e}，设X=X（e）和Y=Y(e)S是定义在S上的随机变量，由它们构成的一个向量（X，Y），叫做二维随机变量或二维随机向量。有一个班（即样本空间）体检,指标是身高和体重,从中任取一人（即样本点）,一旦取定,都有唯一的身高和体重（即二维平面上的一个点）与之对应,这就构造了一个二维随机变量。由于抽样是随机的,相应的身高和体重也是随机的,所以要研究其对应的分布。参考资料来源：百度百科-二维随机变量

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

你好！边缘分布函数就是X与Y各自的分布函数，而联合分布函数等于两个边缘分布函数的乘积。经济数学团队帮你解答，请及时采纳。谢谢！

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）；这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。随机变量独立的充要条件：对于连续型随机变量有：F(X,Y)=FX(X)FY(Y),f(x,y)=fx(x)fy(y)；对于离散型随机变量有：P(AB)=P(A)P(B)概率为P 设X,Y两随机变量，密度函数分别为q(x),r(y), 分布函数为G(x), H(y),联合密度为p(x,y)，联合分布函数F(x,y), A,B为西格玛代数中的任意两个事件。扩展资料：一般，设E是一个随机试验，它的样本空间是S={e}，设X=X（e）和Y=Y(e)S是定义在S上的随机变量，由它们构成的一个向量（X，Y），叫做二维随机变量或二维随机向量。有一个班（即样本空间）体检,指标是身高和体重,从中任取一人（即样本点）,一旦取定,都有唯一的身高和体重（即二维平面上的一个点）与之对应,这就构造了一个二维随机变量。由于抽样是随机的,相应的身高和体重也是随机的,所以要研究其对应的分布。参考资料来源：百度百科-二维随机变量

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）；这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。随机变量独立的充要条件：对于连续型随机变量有：F(X,Y)=FX(X)FY(Y),f(x,y)=fx(x)fy(y)；对于离散型随机变量有：P(AB)=P(A)P(B)概率为P 设X,Y两随机变量，密度函数分别为q(x),r(y), 分布函数为G(x), H(y),联合密度为p(x,y)，联合分布函数F(x,y), A,B为西格玛代数中的任意两个事件。扩展资料：一般，设E是一个随机试验，它的样本空间是S={e}，设X=X（e）和Y=Y(e)S是定义在S上的随机变量，由它们构成的一个向量（X，Y），叫做二维随机变量或二维随机向量。有一个班（即样本空间）体检,指标是身高和体重,从中任取一人（即样本点）,一旦取定,都有唯一的身高和体重（即二维平面上的一个点）与之对应,这就构造了一个二维随机变量。由于抽样是随机的,相应的身高和体重也是随机的,所以要研究其对应的分布。参考资料来源：百度百科-二维随机变量

如图

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y ）等价的命题如下：二维离散型随机变量X，Y独立的充分必要条件为 ：对（X，Y）任意可能的取值（xi，yj）均有P（X=xi，Y=yj）=P（X=xi）*P（Y=yj）2. 二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ）这里，f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。参考资料百度知道：https://zhidao.baidu.com/question/565021512959105724.html

二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ），这里f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。扩展资料：相互独立的性质：1.P(A∩B)就是P(AB)2.若P(A)>0,P(B)>0则A,B相互独立与A,B互不相容不能同时成立,即独立必相容,互斥必联系.容易推广：设A,B,C是三个事件。如果满足：P(AB)=P(A)P(B),P(BC)=P(B)P(C),P(AC)=P(A)P(C),P(ABC)=P(A)P(B)P(C),则称事件A,B,C相互独立。更一般的定义是,A1,A2,……,An是n(n≥2)个事件,如果对于其中任意2个,任意3个,…任意n个事件的积事件的概率,都等于各个事件概率之积,则称事件A1,A2,……,An相互独立。参考资料来源：百度百科-概率论

充要条件：f(x,y) = fX(x)*fY(y)

由题意可知：E[min（X+Y，1）]=∫10dx∫1-x0(x+y)dy+∫10(x+y)dx∫11-xdy=∫1013(x+y)3.1-x0dx+∫1012(x+y)2.11-xdx=∫1013(1-x3)dx+∫1012[(x+1)2-1]dx=1112

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

考试作弊！嘿嘿

定义3.1.1 设 是二维随机向量，对于任意实数x，y，称二元函数 为 的分布函数 性质 二维离散型随机向量 定义3.2.1 设二维离散型随机向量 所有可能的取值为 显然有： 二维连续型随机向量 定义3.3.1 对于二维随机向量 为其分布函数，若存在非负函数 使得对任意实数x,y总有 则称(X,Y)是二维连续型随机向量，称 为二维随机向量(X,Y)的概率密度函数，简称概率密度 性质 记 有 由上可得：

在许多实际问题中，需要使用多个随机变量来描述随机现象，如天气预报包括：空气质量、天气实况、温度、降水等，需要多个随机变量。 多维随机变量的研究方法和二维随机变量的研究思想及方法相同，为简便起见，着重介绍二维随机变量。 二维随机变量的定义 ： 可以说二维随机变量 是一个特殊的二元函数，其定义域为样本空间 ，值域 。很重要的一点是首先确定其值域。 n维随机变量的定义 : 联合分布函数 ： n维分布函数 : 定理1 联合分布函数的性质： 二维随机变量也分为离散型和非离散型，如果它取值于平面上的一些离散的点，就称为二维离散型随机变量。下面两图分别给出二维离散型和连续型随机变量的概率分布。 二维离散型随机变量 的定义：二维随机变量 仅可能取有限个或可列无限个值。 联合分布律 的定义: 二维连续型随机变量及其联合密度函数 定义： n维连续型随机变量及其联合密度函数 ： 联合密度函数具有非负性和规范性。 二维均匀分布 的定义： 如果已知二维随机变量 的联合分布，那么 其中一个随机变量的分布 肯定能够得到，其分布我们称为 边缘分布 。 边缘分布函数的定义 ： 边缘分布律 ： 由定义知，求 的边缘分布律即为求 联合分布律表格中的行和;求 的边缘分布律即为求 联合分布律表格中的列和。 因为边缘分布律位于 联合分布表格的边缘 ，所以称其为边缘分布律。 边缘密度函数的定义 ： 若已知联合密度函数，边缘密度函数可以直接由定义公式计算得到；若已知联合分布函数，首先计算边缘分布函数，再对边缘分布函数求导得到边缘密度函数。 无论使用哪种方法，首先要确定随机变量的值域，值域之外密度函数都为0。 二维正态分布的边缘仍是正态分布 定理： 将相互独立性的概念推广至随机变量： 随机变量相互独立 的定义： 二维离散随机变量相互独立 定理： 二维连续随机变量相互独立 定理： 二维正态分布随机变量相互独立 ：相关系数为0 推广到n维的相互独立 ： 实际工作中我们需要考虑这样的问题：当一个随机变量的取值确定时，另外一个随机变量的取值规律如何。如新生男婴的身高和体重分别用 和 表示。讨论当男婴身高为50cm时，男婴体重的分布规律。这需要引入条件分布才能计算。 在给定条件 下随机变量 的条件分布律定义： 二维连续型随机变量的密度函数 的定义与二维离散型随机变量的条件分布律类似。 条件密度函数的直观解释： 条件分布函数的定义 ： 将条件密度函数积分即可。 和离散型情形相类似，知道X的边缘密度函数及X取任一个固定值时Y的条件密度函数，则可唯一地确定联合密度函数。 如计算Z=X+Y的分布。 结论： 特别地有以下结论： 由该结论可知，相互独立的成功概率相同的二项分布之和仍服从二项分布，相互独立的泊松分布之和仍服从泊松分布。这称为：该分布具有可加性。这里要求随机变量相互独立。 和一维连续型随机变量函数的分布计算方法类似，可采用分布函数法计算二维连续型随机变量函数的分布。这种计算方法称为 分布函数法 。 定理法 ： 二维正态分布 ： 最大值、最小值分布函数 定理（可由分布函数的定义、相互独立型得到）： 指数分布的最小值不变性 ：指数分布的最小值仍服从指数分布。

定积分的问题，解答见图

简单计算一下即可，答案如图所示

1∫(0<x<2,2<y<4)f(x，y)dxdy=∫A(6-x-y)dxdy=8A=1所以A=1/82P{X+Y≤4}=∫(0<x<2,2<y<=4-x)f(x，y)dxdy=∫(0<x<2,2<y<=4-x)1/8(6-x-y)dydx=∫(0<x<2)1/16(x^2-8x+12)dx=2/33当0<x<2时fX(x)=∫(2<y<4)f(x，y)dy=∫(2<y<=4)1/8(6-x-y)dy=(3-x)/4所以fX(x)=(3-x)/4，0<x<2 =0， 其他

为什么和我算出来的不一样啊。。。

【答案】：f(x,y)=(1/（4π）)*e^[-x^2/2-(y-1)^2/8]F(x,y)=FX(x)*FY(y),F(0,1)=FX(0)*FY(1)=0.5*0.5=0.25

计算如图,你的提问应当放在数学分类.经济数学团队帮你解答.请及时评价.