4随机变量的数字特征.ppt

例2 设 ( X ,Y ) ~ N ( ?1,?12;?2,?22 ; ?), 求?(X,Y). 解: X ,Y 相互独立 X ,Y 不相关 当(X,Y) 服从二维正态分布时，有 命题： 故 例3设 D(X) = ?1 ，D(Y ) = ?2 , U = aX + bY ,V= aX - bY , a,b 为常数，且都不为零，求 ρ(U, V ) 解: 故 2 矩 设 X 为随机变量 ， 定义4 αn=E(X n) n为正整数，若 存在，则称 E(X n)为 X 的 n 阶原点矩。 μn=E{[X-E(X)] n} 若 存在，则称E {[X-E(X)] n}为 X 的 n 阶中心矩。 矩—数学期望、方差、协方差的统一和推广，能更深入地刻画随机变量的性质。r.v.X 的数学期望 E(X ) 为X 的一阶原点矩，方差 D(X ) 为X 的二阶中心矩。 对中心矩有 定义5设 ( X , Y ) 为二维 r.v.，k、l为非负整数, αkl = E( X kY l ) 若 存在，则称之为(X, Y )的 k+l 阶混合原点矩。 μkl =E[(X-EX )k (Y-EY )l ] 若 存在，则称之为(X, Y )的 k+l 阶混合中心矩。 Cov(X, Y ) =μ11 . 相关系数可表示为 协方差可表示为： 3 协方差矩阵 设 n 维 r.v. (X1 X2 … Xn)T 的二阶混合中心矩 都存在，则称矩阵 为(X1,X2, …,Xn) 的协方差矩阵。 协方差矩阵的向量形式 设 为 n 维随机向量， X=(X1 X2 … Xn)T 为 n 阶随机向量矩阵 记 n 维随机向量 X 的协方差矩阵可表示为： 4 n 元正态分布设 X=(X1 X2 )T 服从二元正态分布，其概率密度为 记 x = (x1 x2 )T，μ = (μ1 μ2 )T. 因(X1 X2 )T的协方差矩阵为 其行列式 故 V 的逆矩阵为 于是(X1 X2 )T的概率密度可写成 (X1 X2 )T 服从二维正态分布可记作 X ~ N(μ, V )， 对 n 维随机向量X = (X1 X2 … Xn)T ， 记 x = (x1 x2 … xn)T， μ = (μ1 μ2 … μn)T， 若 X 的概率密度为其中 V 是 X 的协方差矩阵，则称X 服从 n 维正态分布， 记作 X~N(μ, V )。 正态向量的重要性质（1） (X1 X2 … Xn)T 服从 n 维正态分布服从一维正态分布 （ai，i=1,…,n是不全为零的常数） 若 X = (X1 … Xn)T ~N(μ, V ) （2） μ = (μ1 μ2 … μn)T， 则由 X 的 m (m n) 个分量所构成的m 维向量 有 （3） 若 X = (X1 … Xn)T ~ N(μ, V )， C 为 m×n 阶常数矩阵，且 rank( C ) = m，则 Y = CX ~ N( Cμ, CVC T ). （4） 若 X = (X1 … Xn)T 是 n 维正态向量，则X1,…,Xn 相互独立X1,…,Xn两两不相关 本章内容小结 数 字 特 征 数学 期望 方差 协方差 相关系数 矩 函数的期望 定义 性质 定义 D (X ) = E{ [X - E(X)]2 } 6种常见r.v.的 期望、方差 性质 定义 E{[ X-E(X)][Y-E(Y) ]} 性质 定义 性质, 不相关与独立的关系泊松 Simeon-Denis Poisson,1781—1840 法国 数学家 物理学家泊松最初奉父命学医，但他对医学并无兴趣，不久便转向数学.于1798年进入巴黎综合工科学校，成为拉格朗日、拉普拉斯的得意门生。1802年(21岁）任巴黎理学院教授.1812年当选为巴黎科学院院士. 1826年被选为彼得堡科学院名誉院士。泊松一生从事数学研究和教学，他的主要工作是将数学应用于力学和物理学中。 泊松简介18岁就发表了一篇关于有限差分的论文1837年在《关于判断的概率之研究》一文中提出描述随机现象的一种常用分布——泊松分布。推广了“大数定律”，并导出了在概率论与数理方程中有重要应用的泊松积分有许多数学名词是以他名字命名的，如泊松积分、泊松求和公式、泊松方程、泊松定理，泊松变换、泊松代数、泊松比、泊松流等等解决了许多热传导方面的问题，他使用了按三角级数、勒让德多项式、拉普拉斯曲面调和函数的展开式，许多成果都包含在其专著《热的数学理论》之中发表了《关于球体引力》和《关于引力理论方程》的论文，引入了著名的泊松方程.他的名著《力学教程》，发展了拉格朗日和拉普拉斯的思想，成为广泛使用的标