3.1随机变量的数学期望1.ppt

三.数学期望的性质 小 结 3.2 随机变量的方差 一、概念 三、常见重要分布的期望与方差 4、 相关系数的性质 【例1】 【例2】 设X在[-1,2]上服从均匀分布， 求相关系数。 2、泊松分布 设X服从参数为λ的二项分布P(λ),则其分布律 为 由幂级数展开式 与期望、方差 定义得 又 故 □ 设X服从参数为μ,σ2的正态分布N(μ,σ2),则其概率密度为 其中 数学期望为： 奇函数在对称区间上的积分为零 换元 标准正态概率密度性质 3、正态分布 □ 设X在区间(a,b)上服从均匀分布,其概率密度为 则X的数学期望为: 4、均匀分布 □ 5、指数分布 □ 问题的提出 协方差 §3 协方差与相关系数 1、基本概念 定义1 随机变量X与Y的协方差记为Cov(X,Y), 定义为 其中数学期望存在,而 称为随机变量X与Y的相关系数. 说明 2、协方差的计算公式 证明 3、 协方差的性质 ——对称性 ——线性性 我们称 为X的标准化变量， 标准化变量的期望为0，方差为1。 可知X和Y的相关系数就是它们各自的标准化变 量的协方差 。 证明 （1）由于 注意到方差的非负性，就有 （1）相关系数ρXY是一个反映X和Y之间线性关系紧密程度的量.当ρXY较大时,表明X与Y线性相关程度较好,特别当ρXY =1时,X与Y之间以概率1存在线性关系;当ρXY较小时,表明X与Y线性相关程度较差. 一般，X与Y独立 X与Y不相关. 相关系数的意义 定义2 若相关系数ρXY =0,则称随机变量X与Y 不相关. （2）不相关的充要条件 X,Y不相关 （3）不相关与相互独立的关系 设二维随机变量(X,Y)具有分布律: 易知X，Y，XY的分布律为： 从而E(X)=0,E(Y)=1/3,E(XY)=0,则cov(X,Y)=0 即ρXY=0,即X与Y不相关, 但由于P(X=0,Y=0)=0 P(X=0)P(Y=0)=2/9, 所以X与Y不相互独立. 设(X,Y)的概率密度为 〖解〗(1)求边缘概率密度,判定独立性 试证X与Y不相关,但X与Y不相互独立. 利用对称性得: (2)求协方差与相关系数 奇函数在对称区间上积分为零 由于 所以,X与Y不独立. E-mail: xuxin@ahu.edu.cn 设X,Y为随机变量,c为常数,则 ? E(c)=c; ? E(cX)=cE(X); ? E(X+Y)=E(X)+E(Y); ? 当X,Y相互独立时,E(XY)=E(X)E(Y); 【证】由随机变量及其函数的数学期望知: ? 此时,为退化分布:P{X=C}=1,故由定义得: E(c)=E(X)=cP{X=c}=c. ? 由定义得: 现就连续型证下面两条： 设二维随机变量(X,Y)的概率密度、边缘概率密度分别为 ? 由随机变量函数的期望得: ? 由X,Y相互独立得: □ 利用期望的性质可以简化某些期望的计算以及 推出其它数字特征的一些性质. 〖解〗方法1(表格法)由X的分布列得: 0.3 0.3 0.4 P 2 0 -2 X 0.7 0.3 P 4 0 X2 0.7 0.3 P 17 5 3X2+5 例10 已知随机变量X的分布列为 求X,X2,3X2+5的数学期望. E(X)=(-2)×0.4+0×0.3+2×0.3=-0.2; E(X2)=0×0.3+4×0.7=2.8; E(3X2+5)=5×0.3+17×0.7=13.4. 于是, 方法2(定义+性质法) 因为 E(X)=(-2)×0.4+0×0.3+2×0.3=-0.2; E(X2)=(-2)2×0.4+02×0.3+22×0.3=2.8; 所以, E(3X2+5)=3E(X2)+5=3×2.8+5=13.4. □ 数学期望是一个实数, 而非变量,它是一种加权平均, 与一般的平均值不同,它从本质上体现了随机变量 X 取可能值的真正的平均值. 2. 数学期望的性质 3. 常见离散型随机变量的数学期望 4. 常见连续型随机变量的数学期望 【引例1】评定棉花质量。纤维的长度是非常重要的指标，即抽检的棉花纤维的平均长度愈长愈好。但是，我们不希望有些纤维的特别短，有些纤维特别长，而希望纤维的长短比较接近，即每根纤维的长度与均值的差愈小愈好。 因此，在考察一个随机变量时，既要注意其取值的平均值[由期望刻画]，也要注意其取值的离散程度，即与均值的偏离程度[由方差刻画]。 【引例2】