第四章概率论详解.ppt

定义3.4.4 若n维随机变量 的联合概率密度为 其中 是对称正定矩阵,则称 服从n维正态分布,记为 n维正态分布 n维正态随机向量的性质 1 2 是 的协方差矩阵; 4 的任意k维子向量服从k维正态分布; 3 相互独立的充分必要条件是它们 两两不相关; 5 若 服从n维正态分布, 则 服从m维正态分布. 设 为任意n维随机变量,则它服从 n维正态分布 的充要条件是它的任何 一个线性组合都服从一维正态分布: 解 1 2 于是 §4.4 其他数字特征* 4.4.1 矩 中心矩与原点矩之间有如下关系： 当k为奇数时，上述被积函数是奇函数，故 4.4.2 分位数与中位数 从定义易知，下侧分位数和上侧分位数之间的关系是 由于标准正态分布的概率密度是偶函数，故其分位数还有下列性质： 中位数和数学期望一样也是随机变量位置的特征数，但在某些场合使用中位数可能比使用数学期望更合理，例如在一个贫富差距很大的国家，平均收入可能掩盖贫富差距很大现实，而中位数一般不会发生这种情况． * * * * * * §4.3 协方差与相关系数 为了刻划两个随机变量之间的关系,本节讨论两个重要的数字特征:协方差与相关系数 4.3.1协方差 由前面的讨论知,若X与Y相互独立,则有 因此,若上式不成立,则X与Y 必不相互独立,也就是说,当上式的左端不等于零时,两个随机变量之间就存在着某种关系.因此量E XY －E X E Y 在某种程度上刻划了两个随机变量之间的关系.我们将其称之为协方差. 定义3.4.1 设 X,Y 是二维随机变量，若 存在，则称此数学期望为X与Y的协方差,并记作 特别地，有 性质1 证明 性质2 若X与Y相互独立，则Cov X,Y 0, 反之不然. 证明 这是因为若X与Y独立，则 X与Y不相关 X与Y相互独立 见下面的反例. 反之不然，即 例4.3.1 设 X,Y 服从单位圆 上的均匀分布,则它们的联合密度为 -1 1 -1 1 由对称性可知 因为 所以X与Y不相互独立. 由对称性 所以 即X与Y不相关 性质3 对于任意的二维随机变量 X,Y ，有 证明 因此，若X与Y不相关，则 以下四个命题是等价的： （1） （2） （3） 推广： （4）X与Y不相关 协方差的基本性质 1 对称性 2 任意随机变量X与常数a的协方差为零,即 3 对任意常数a,b，有 4 设X,Y,Z是任意三个随机变量，则 由前面所述性质，有 由于 因此,协方差的大小依赖于度量单位,这是它的一个明显缺陷.为了克服这个缺陷,我们引入相关系数的概念. 4.3.2 相关系数 定义4.3.2 假设 X,Y 的方差均存在，则称 为X与Y的相关系数 注：相关系数是一个无量纲的数.它与协方差具有相同的符号. 两个随机变量标准化后不会影响它们的相关系数 则 令 相关系数的性质 性质1 证明　将随机变量X和Y标准化,即 则有 因此,有 由此可推出 注：由该性质立即可得如下的施瓦茨不等式 因此，有 即 取 几点说明： 解　因为 从而XY的分布律为 X的边缘分布律为 所以 解 解（1）由题意有 于是有 因此 （2）由题设 所以X与Y不独立。 注：如果随机变量X和Y都服从正态分布，只有当X和Y的联合分布是二维正态分布时两个随机变量相关系数等于零才是它们独立的充分必要条件。否则，即使两个随机变量都服从正态分布，它们的联合分布也不一定是二维正态分布，此时相关系数等于零就仅仅是它们独立的必要条件。 4.3.3 协方差矩阵和多维正态分布 为n维随机向量X的数学期望向量，简称为X的数学期望，而称 性质 2 3 称为数学期望的线性性质,可写成 证明 4 若X,Y相互独立,则有 证明 性质 3 和 4 可推广到n维随机变量的情形. 5 若 相互独立,则有 6 例4.1.12 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 解 引入随机变量 则有 又由题意，有 所以 由数学期望的性质，得 重要结论:设随机变量 相互独立且均服从参数为p的0-1分布： 则 证明 设有一个n重伯努利试验,每次试验中成功的概率为p,引进随机变量 则Xi服从参数为p的0-1分布，令 则它表示在这个伯努利试验中成功的次数,故有 §4.2 方差 数学期望是随机变量取值的平均值，是一种位置特征数，但数学期望毕竟只反映了中心位置，它无法反映出随机变量围绕中心位置取值的“波动”的幅度大小． 1 若X是离散型随机变量,分布律为 则 2 若X是连续型随机变量,概率密度为f