第四章随机变量的数字特征.ppt

第四章 随机变量的数字特征 数学期望 方差 协方差及相关系数 矩、协方差矩阵 3.1数学期望一.数学期望的定义 3.2 方差一. 定义与性质 三.切比雪夫不等式 3.3 协方差，相关系数一.协方差定义与性质 二.相关系数 三. 矩 四. 协方差矩阵 3. 方差的性质 (1) D(c)=0 反之，若D（X）=0，则存在常数C，使 P{X=C}=1, 且C=E(X); (2) D(aX)=a2D(X), a为常数； 证明: (3)若 X，Y 独立，则 D(X+Y)=D(X)+D(Y); 证明: X与Y独立 1. 二项分布B(n, p)： 二.几个重要r.v.的方差 解法二: 设 第i次试验事件A发生 第i次试验事件A不发生 则 2. 泊松分布p(?)： 由于 两边对?求导得 或 或 3. 均匀分布U(a, b)： 4.指数分布： 5. 正态分布N(?, ?2)： 思考：1.请给出一个离散型随机变量X和一个连续型随机变量Y，使它们的期望都是2， 方差都是1。 2.已知随机变量X1,X2,…,Xn相互独立，且每个Xi的期望都是0，方差都是1，令Y= X1+X2+…+Xn ，求E（Y2） 若r.v.X的期望和方差存在，则对任意??0，有 这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式： 例 已知某种股票每股价格X的平均值为1元，标准差为0.1元，求a,使股价超过1+a元或低于1-a元的概率小于10%。 解:由切比雪夫不等式 令 1.协方差定义 若r.v. X的期望E(X)和Y的期望E(Y)存在, 则称 COV(X, Y)=E{[X?E(X)][Y?E(Y)]}. 为X与Y的协方差, 易见 COV(X, Y)=E(XY）-E(X)E(Y). 当COV(X,Y)=0时，称X与Y不相关。 “X与Y独立”和“X与Y不相关”有何关系？ 例 设(X, Y)在D={(X, Y)：x2+y2?1}上服从均匀分布，求证：X与Y不相关，但不是相互独立的。 2.协方差性质 (1) COV(X, Y)=COV(Y, X); (2) COV(X,X)=D(X);COV(X,c)=0； (3) COV(aX, bY)=abCOV(X, Y), 其中a, b为 常数； (4) COV(X+Y，Z)=COV(X, Z)+COV(Y, Z); (5) D(X Y)=D(X)+D(Y) 2COV(X, Y). 例 设随机变量X?B（12,0.5),Y ?N(0,1), COV(X,Y)=-1,求V=4X+3Y+1与W=-2X+4Y 的方差与协方差 1. 定义 若r.v. X，Y的方差和协方差均存在, 且DX0,DY0，则 称为X与Y的相关系数. 注：若记 称为X的标准化，易知EX*=0，DX*=1.且 2.相关系数的性质 (1) |?XY|?1； (2) |?XY|=1?存在常数a, b 使P{Y= aX+b}=1； (3) X与Y不相关? ?XY=0; 例 设(X,Y)服从区域D:0x1,0yx上的均匀分布,求X与Y的相关系数 D 1 x=y 解 * * 例 设某班40名学生的概率统计成绩及得分人数如下表所示： 分数 40 60 70 80 90 100 人数 1 6 9 15 7 2 则学生的平均成绩是总分÷总人数(分)。即 数学期望——描述随机变量取值的平均特征 定义 若X~P{X=xk}=pk, k=1,2,…n, 则称 定义 若X~P{X=xk}=pk, k=1,2,…,且 为r.v.X的数学期望，简称期望或均值。 ，则称 为r.v.X的数学期望 例 掷一颗均匀的骰子，以X表示掷得的点数， 求X的数学期望。 定义 若X~f(x), -?x?, 为X的数学期望. 则称 例 若随机变量X服从拉普拉斯分布，其密度函 数为 试求E(X). 解 二.几个重要r.v.的期望 1.0-1分布的数学期望 EX=p 2. 二项分布B(n, p) 3.泊松分布 4. 均匀分布U(a, b) 5.指数分布 6. 正态分布N(?, ?2) 例 设随机变量X的分布律为 解: 求随机变量Y=X2的数学期望 X Pk -1 0 1 Y Pk 1 0 三.随机变量函数的期望 定理 若 X~P{X=xk}=pk, k=1,2,…, 则Y=g(X)的期望E(g(X))为 推论: 若 (X, Y