第四章随机变量的数字特征.pptVIP

第四章 随机变量的数字特征 第一节 数学期望 第二节 方差 第三节 协方差与相关系数 第四节 矩 协方差矩阵 第五节 二维正态分布 第一节 数学期望 随机变量方差的概念 第二节 方差 例1 设随机变量X具有数学期望E(X)= ， 方差 重要分布的方差 四. 小结 第三节 协方差与相关系数 简单相关系数--- Pearson(皮尔逊)相关系数（实际应用） 第四节 矩 协方差矩阵 第五节 二维正态分布 (1) 方差是一个随机变量 X 取值分散程度的量. 如果 D(X) 值大, 表示 X 取值分散程度大, E(X) 的代表性差; 而如果 D(X) 值小, 则表示 X 的取值比较集中, 以 E(X) 作为随机变量的代表性好. (2) 方差的计算公式 分 布 参数 数学期望 方差 两点分布 二项分布 泊松分布 均匀分布 指数分布 正态分布 (3) 重要概率分布的期望和方差 (4) 方差的性质 （设D(X), D(Y) 存在） 1) 设 C 是常数, 则有 2) 设 X 是一个随机变量, C 是常数, 则有 3) 设 X, Y 是两个随机变量，则有 4) D(X)=0 P(X= C)=1， C为常数 一、协方差 协方差的计算公式 协方差具有下述性质 ： 有性质6可知：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 相关系数有如下性质： 不存在线性相关性，不代表不存在其他相关性 关于?XY的符号: 当 ?XY 0时,称X与Y为正相关. 当 ?XY 0时,称X与Y为负相关. 相关系数和协方差具有相同的符号,因此,前面关于协方差的符号意义的讨论可以移到这里. 即 正相关表示两个随机变量有同时增加或同时减少的变化趋势. 负相关表示两个随机变量有相反的变化趋势. 3. X和Y独立时， =0，但其逆不真. 由于当X和Y独立时，Cov(X,Y)= 0. 故 = 0 但由 并不一定能推出X和Y 独立. 请看下例. 这一讲我们介绍了协方差和相关系数 相关系数是刻划两个变量间线性相关程度 的一个重要的数字特征. 注意独立与不相关并不是等价的. 当(X,Y)服从二维正态分布时，有 X与Y独立 X与Y不相关 一、二维正态分布及其边缘分布 置换积分变量 故二维正态分布的两个边缘分布都是正态分布，且有 化为二次积分，得 其中 二维正态分布曲面图所示 引入下面的列向量和矩阵 经过计算得 引入列向量和矩阵 ： 数学期望的性质 (1) 概念的引入 上一讲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. 例如，某零件的真实长度为a，现用甲、乙两台仪器各测量10次，将测量结果X用坐标上的点表示如图： 你认为哪台仪器好一些呢？ 乙仪器测量结果 甲仪器测量结果 较好 测量结果的均值都是 a 因为乙仪器的测量结果集中在均值附近 又如,甲、乙两门炮同时向一目标射击10发炮弹，其落点距目标的位置如图： 你认为哪门炮射击效果好一些呢? 甲炮射击结果 乙炮射击结果 乙炮 因为乙炮的弹着点较集中在中心附近 . 中心 中心 为此需要引进另一个数字特征,用它来度量随机变量取值在其中心附近的离散程度. 这个数字特征就是我们下面要介绍的 方差 一、方差的定义 该公式是计算方差一个很重要的公式 ，记 解 称Ｙ为Ｘ的标准化变量． 例2　以X表示在一天的某一时间段中乘小汽车通过某一个十字街口的乘客（包括司机在内）的人数。已知X的分布律为 0.01 0.02 0.02 0.05 0.11 0.27 0.52 7 6 5 4 3 2 1 求数学期望E(X)，方差D(X)以及标准差 解 故 解 例3 于是 (1) (0-1)分布 已知随机变量 X 的分布律为 则有 (2) 泊松分布 所以 (3) 均匀分布 (4) 指数分布 二、方差的性质 三、切比雪夫不等式 这一不等式成为切比雪夫不等式 切比雪夫不等式也可以写成 设电站供电网有10000盏电灯，夜晚每一盏灯开灯的概率都是0.7，而假定开、关时间彼此独立，估计夜晚同时开着的灯数在6800与7200之间的概率． 利用切比雪夫不等式估计 经 济 数 学 x p(x) o f (x) x o