两个随机变量在独立同分布且服从正太分布的性质

令：Z=X-Y，则由于X，Y相互独立，且服从正态分布，因而Z也服从正态分布，且EZ=EX-EY=0-0=0，DZ=D（X-Y）=DX+DY=12+12＝1，因此，Z=X-Y～N（0，1），∴E|X-Y

X+Y服从参数为(a1+a2)的泊松分布,因为泊松分布具有可加性,证明见参考资料

几何分布期望为5的话,其参数p=1/5=0.2,对应单个随机变量方差DX=(1-p)/p^2=20从而DY=DX/n=20/n

Y1和Y2不独立的情况下,它们函数的独立性也会受到相应的影响.但是你式子中表达的意思不太清楚,你写的g1g2分别是以x1x2为自变量的函数吗?你后面又问道Y1Y2之间的关系,是要提示它们是随机变量吗?

方差都是相加的.如果X,Y独立,一定有D（X±Y)=D(X)+D(Y)再问：会不会答案错了？？按照相减计算会得出书后的答案再答：那有可能是答案错了，D(X±Y)=D(X)+D(Y)是独立的随机变量的方

E(Z)=E(X^2+Y^2)=E(X^2)+E(Y^2)=[DX+(EX)^2]+[DX+(EX)^2]=1+0+1+0=2因为DX=E(X^2)-(EX)^2D(Z)=D(X^2+Y^2)=D(X

P(X=Y)=P(X=0)P(Y=0)+P(X=1)P(Y=1)=1/9+4/9=5/9如有意见,欢迎讨论,共同学习；如有帮助,再问：为什么这么算啊？再答：根据独立性。书上讲更全面一些，建议您看书。

X,Y互相独立设X的密度函数为f(x),Y的密度函数为f(y)它们的联合密度函数为f(x,y)=f(x)f(y)f(y,x)=f(y)f(x)=f(x,y)f(x,y)关于y=x对称P(X

由于:P(X=0,Y=0)=P(X=1,Y=0)=P(X=0,Y=1)=P(X=1,Y=1)=1/4.P(Z=1)=P(X=1,Y=0)+P(X=0,Y=1)+P(X=1,Y=1)=3/4.P(Z=0

这个用泊松分布可加性来做,很简单X,Y相互独立且分别服从p(λ1),p(λ2)那么Z=X+Yp(λ1+λ2)参考资料里有他的证明

要用到微积分吗?具体公式给下回答：=Σ（3^I*e^(-3)I/I!）(3^(K-I)*e^(-3)I/(K-I)!）=Σ（3^I*3^(K-I)e^(-3)*e^(-3)/I!*(K-I)!）=Σ[

因为XY服从相同的分布所以它们各自的分布函数和分布密度表达式是相同的,只是变量不同而已（一个是X一个是Y）所以就设分布函数是F（U）,分布密度是f(u),对应到XY就是把U换成XY就行了..像LS说的

Z=max(x,y)当x,y)独立时,F(z)=[Fx(z)]^2-->fz(z)=2fx(z)F(z)E[MAX（X,Y）]=∫2zf(z)F(z)dz(代入标准正态分布密度函数,经分步积分可以算出

如果方差不存在怎么办?同一分布是指同一个分布,不是同一类分布

因为X^2/(X^2+Y^2)+Y^2/(X^2+Y^2)=1所以E[X^2/(X^2+Y^2)]+E[Y^2/(X^2+Y^2)]=E(1)=1因为X、Y服从相同的分布,且相互独立,所以：E[X^2

解:设随机变量X的密度函数是:f(x),随机变量Y的密度函数是:f(y)因为他们互相独立,所以可以知道他们的联合密度函数:f(x,y)=f(x)*f(y)又f(y,x)=f(y)*f(x)所以f(x,

这是个著名的问题.也很有工程用途: 当一个二维信号联合正态时,幅值和相位是独立的.见图：

看教材吧,应该是例题

Z=X-Y服从N（0,1）.E（|Z|）=（2/√2π）∫ze^（-z^2/2)dz=√(2/π)E（|Z|^2）=E（Z^2）=D(z)=1D(|z|)=1-2/π