n(元)维随机变量(向量) 称同一个样本空间Ω上的n个随机变量 X1,2,…,Xn构成的n维向量(X1,2,Xn) 为Ω上的n维随机变量(向量) 注:一维随机变量即为上一节介绍的随机变量, 二维及二维以上的随机变量称为多维随机变量

《概率论》课程教学资源（教案讲义）第二章 随机变量及其概率分布 2.6 关于分布函数 第三章 随机向量及其概率分布 3.1 连续型随机向量及其概率密度函数 3.2 离散型随机向量及边缘分布函数

•第4.1节 随机变量的期望 •第4.2节 随机变量的方差 •第4.3节 随机向量的数字特征

第3.1节 随机变量的数字特征 第3.2节 随机向量的数字特征 第3.3节 大数定律与中心极限定理

第一讲作业： 1、设随机向量(X ,Y) 的两个分量相互独立，且均服从标准正态分布 N(0,1)

一、随机向量的概念 多维随机变量也就是多个随机取值的变量,也称为随机向量。定义如果随机变量X1…Xn定义在同一概率空间(,3,P)上,则称

第一节 随机向量 第二节 两个随机变量的函数的分布 第三节 随机向量的数字特征 第四节 大数定理与中心极限定理

映射方法:将具体的样本空间映射到数集或者 函数集(传统的方法;概率论中常用)。 直接方法:直接指定样本空间为数集或函数集 当样本空间为一维实数集合时,则称该一维实变量为随机变量。 当样本空间为一维复数集合时,则称该一维复数变量为复随机变量当样本空间为高维实数空间时,则称该高维实数空间为随机向量当样本空间为定义于某个数集上的函数组成,则称该函数集合为随机过程

一、随机变量、随机向量是状态观察的结果 二、随机过程是过程观察的结果 三、对随机过程采样得到随机变量和随机向量

贝叶斯决策理论 统计模式识别的主要方法之一 采用贝叶斯决策理论分类的前提： 目标（事物）的观察值是随机的，服从一定的概率分布。 即：模式不是一个确定向量，而是一个随机向量