由已知,f(x)=1,(0<=x<=1),f(y)=e^(-y),(y>=0),Z大于0
那么F(z)=P(X+Y<z)
在坐标轴上画出积分区间
即0<=z<1时,x积分区间为(0,z),y积分区间为(0,z-x)
z>=1时,x积分区间为(0,1),y积分区间为(0,z-x)
在以上区间对f(x)*f(y)=e^(-y)积分,有
0<=z<1时,F(z)=e^(-z)+z-1
z>=1时,F(z)=e^(-z)-e^(1-z)+1
求导,有
0<=z<1时,f(z)=1-e^(-z)
z>=1时,f(z)=e^(1-z)-e^(-z)
因此,Z的概率密度函数为
f(z)=0,z<0
f(z)=1-e^(-z),0<=z<1
f(z)=e^(1-z)-e^(-z),z>=1时
(2)F(z))=P(-2lnX<z)=P(X>e^(-z/2))
当z<0时,F(z)=0
当z>=0时,对f(x)从e^(-z/2)到1积分,得F(z)=1-e^(-z/2)
求导,有
f(z)=e^(-z/2)/2
因此,Z的概率密度函数为
f(z)=0,z<0
f(z)=e^(-z/2)/2,z>=0
扩展资料
如果X是离散随机变量,具有概率质量函数p(x),那么X的期望值定义为
换句话说,X的期望是X可能取的值的加权平均,每个值被X取此值的概率所加权。
我们也可以定义连续随机变量的期望值。如果X是具有概率密度函数f(x)的连续随机变量,那么X的期望就定义为
设随机变量X与Y互相独立,且均服从区间 [0,1] 上的均匀分布,y服从参数...
在坐标轴上画出积分区间 即0<=z<1时,x积分区间为(0,z),y积分区间为(0,z-x)z>=1时,x积分区间为(0,1),y积分区间为(0,z-x)在以上区间对f(x)*f(y)=e^(-y)积分,有 0<=z<1时,F(z)=e^(-z)+z-1 z>=1时,F(z)=e^(-z)-e^(1-z)+1 求导,有 0<=z<1时,...
设随机变量X服从区间(0,1)上的均匀分布,Y服从参数为1的指数分布,
X,Y相互独立,所以E(XY)=E(X)*E(Y) E(X)=0.5 E(Y)=1\/r=1 E(XY)=E(X)*E(Y)=0.5。由于随机变量X的取值 只取决于概率密度函数的积分,所以概率密度函数在个别点上的取值并不会影响随机变量的表现。更准确来说,如果一个函数和X的概率密度函数取值不同的点只有有限个、可数无限个...
...X服从区间[0,1]上的均匀分布,Y服从参数为1的指数分布,,且X,Y相互...
P(x>y)=P(x>y|Y=y)=1-P(x<y|y=y)=1-F(x,y)\/fy(y)=1-(1-e^-y)x\/e^-y=1+x-e^y
...X服从(0,1)均匀分布,Y服从参数为1的指数分布,球Z=X+Y的概率密度_百...
X=1,Y=e^(-y)所以:Z=1+e^(-y)(y>0;0)
设随机变量X与Y相互独立,且都服从参数为1的指数分布,则随机变量Z=Y\/X...
具体回答如图:随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关,都可以数量化,即都能用数量化的方式表达。
x服从区间【0,1】均匀分布,y服从参数为一的指数分布,且互相独立,求E(x...
由相互独立的随机变量的积的数学期望性质:E(XY)=E(X)*E(Y).服从区间【0,1】均匀分布的数学期望 E(X)=0.5,服从参数为一的指数分布的Y,有E(Y)=1 故:E(XY)=0.5*1=0.5
随机变量X与Y相互独立,且都服从参数为1的指数分布,这句服从参数为1的指...
x)=λexp(-λx)中λ=1;若f(x)=λexp(-λx),则称X服从参数为λ的指数分布。其中λ>0是分布的一个参数,常被称为率参数(rateparameter)。即每单位时间内发生某事件的次数。指数分布的区间是[0,∞)。如果一个随机变量X呈指数分布,则可以写作:X~E(λ)。概率密度函数如下:...
设随机变量 x和y相互独立,已知x在区间[0,1]上服从均匀分布,
f(x,y)=fx*fy
设随机变量X和Y相互独立,X在区间[0,2]上服从均匀分布,Y服从参数为λ=1...
f(x,y)=(1\/2) (e^(-y)),P{X+Y>1}=1-P{X+Y<=1} =1-∫[0,1]dx∫[0,1-x] (1\/2) (e^(-y))dy =1-1\/(2e)
设随机变量XY相互独立,且服从以1为参数的指数分布,求Z=Y\/X的概率密度...
具体回答如图:随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关,都可以数量化,即都能用数量化的方式表达。