概率论与数理统计第四章详解.ppt

第三节 协方差和相关系数 问题 对于二维随机变量(X ,Y ): 已知联合分布 边缘分布 对二维随机变量，除每个随机变量各自的概率特性外，相互之间可能还有某种联系，问题是用一个怎样的数去反映这种联系? 反映了随机变量 X , Y 之间的某种关系 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) ⑴ Cov(X,Y)= Cov(Y,X) 一、协方差 性质 ⑵ Cov(aX,bY) = abCov(X,Y) a,b 是常数 定义4.6 量E{[ X-E(X)][Y-E(Y) ]}称为随机变量X和Y的协方差，记为Cov(X,Y) ，即 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} 特别地 Cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X 与 Y 独立， Cov(X,Y)= 0。 计算协方差的一个简单公式 由协方差的定义及期望的性质，可得 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 即 特别地 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y) 随机变量和的方差与协方差的关系 协方差的大小在一定程度上反映了X和Y相互间的关系，但它还受X与Y本身度量单位的影响。 例如： Cov(kX, kY)=k2Cov(X,Y) 为了克服这一缺点，对协方差进行标准化，这就引入了相关系数 。 二、相关系数 为随机变量 X 和 Y 的相关系数。 定义4.7 设D(X)0, D(Y)0，称 在不致引起混淆时，记 为 。 1) 2) 的充要条件是X与Y以概率1呈线性关系。即 其中a,b(a≠0)为常数 定理4.8 设随机变量X和Y的相关系数存在，则 证 ⑴ 则 Cauchy-Schwarz不等式 所以 证 ⑵ 仅有一个重根t0 说 明 相关系数 只是X与Y之间线性关系的一种度量。 ，X 与Y 的线性关系越显著； ，X 与Y 的线性关系越不显著； 四个等价命题 2） 3） 4） 1）相关系数 则称X 与Y不相关; 设随机变量Y是X的线性函数Y=aX+b，则求 X 和 Y 的相关系数。 解法一 由已知可得 所以 解法二 由已知可得 所以 例4.24 五、几种重要分布的数学期望 Ⅰ. X为离散型随机变量 ⑴（0—1）分布 ⑵ 泊松分布 ⑶ 二项分布 任何一个服从二项分布的随机变量 X 都可表示n个服从(0-1)分布的独立的随机变量Xi 相加的形式：X=X1+X2+…+Xn Ⅱ. X为连续型随机变量 ⑴ 均匀分布X~U(a,b)， 则 ⑵ 指数分布X~E(λ) 则 分部积 分法 ⑶ 正态分布 已知X~N(2,4)，Y服从参数为3的指数分布，X , Y相互独立，U=3X-6Y+9，V=XY+2X-3Y。求E(U)，E(V)。 解 由随机变量的性质可知 例4.10 EU=3EX-6EY+9=3*2-6*(1/3)+9=13 EV=E(X)E(Y)+2E(X)-3E(Y)=2/3+4-1=11/3 六、数学期望性质的应用 求二项分布的数学期望。 解：若X~B(n，p)，则X表示n重贝努里试验中的“成功” 次数。 现在我们来求X的数学期望。 例4.11 若设 i=1,2，…，n 则 X= X1+X2+…+Xn 因为 P(Xi =1)= p, P(Xi =0)= 1-p = np 所以 E(X)= E(Xi)= 1*p+0*(1-p)=p 把数字1,2,…,n任意地排成一列，如果数字k恰好出现在第k个位置上，则称为一个巧合，求巧合个数的数学期望。 由于 E(Xk)=P(Xk =1) 解: 设巧合个数为X，引入 k=1,2, …,n 则 故 例4.12 一民航送客车载有20位旅客自机场开出，旅客有10个车站可以下车，如到达一个车站没有旅客下车就不停车。以X表示停车的次数，求E(X)。(设每位旅客在各个车站下车是等可能的，并设各旅客是否下车相互独立) 例4.13 按题意 第二节 方 差 上一节我们介绍了随机变量的数学期望，它体现了随机变量取值的平均水平，是随机变量的一个重要的数字特征。但是在一些场合，仅仅知道平均值是不够的。 引例: 甲、乙两个合唱队都由5名成员组成，身高如下： 甲：1.60、1.62、1.59、1.60、1.59 乙：1.80、1.60、1.50、1.50、1.60