,方差与协方差.pptVIP

随机变量的数学期望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 就上述结果可评价两台仪器的优劣, 乙仪器较好， §2 随机变量的方差 ( Variance ) 甲仪器测量结果 乙仪器测量结果 较好 10次, 测量结果的均值都是a,将测量结果 X 用坐标上的点表示 如图： 因为乙仪器的测量结果更集中在均值附近。 一、方差的定义 随机变量 X 的方差为 而 叫做 X 的标准差或均方差。 方差刻划了随机变量的取值对于其数学期望的离散程度 . 若 X 的取值比较集中，则方差较小； 为此需要引进另一个数字特征, 用它来度量随机变量在其 中心附近取值的离散(集中)程度. 这个数字特征就是: 方差. 记作 若 X 的取值比较分散，则方差较大 . 若方差 D(X)= 0, 则 X 以概率 1 取常数值 . 二. 方差的简化计算公式 如: 据以往记录, 甲乙两射手命中环数 X、Y 的分布律为 可以算出E(X)=E(Y)=8.0,但 D(X)=1.2, D(Y)=2.0, 证明: X 6 7 8 9 10 P 0.1 0.2 0.4 0.2 0.1 Y 6 7 8 9 10 P 0.2 0.2 0.2 0.2 0.2 说明甲的射击技术比乙的稳定. 及 而 解: 由归一性得 例: 设 X 的概率密度为 且 D( X ) = 1/18, 求 a, b 及 E( X ). 故 解得 b = 0, a = 2 或 b = 2, a = ?2, E( X ) = 2/3 或 E( X ) = 1/3 . 解: 例: 设 (X, Y) 的概率密度为 试求 D( X ), D( Y ) . x y 0 1 y=x 三. 常见分布的期望与方差 (3) 则 (2) 则 (1) 则 (4) 则 (5) 则 四. 方差的性质 (1)对任意常数a有: D(aX )=a2D(X) . (3)设X与Y 相互独立, 则 进一步,若 X1 ,… , Xn 相互独立, 则 D(X+Y)=D(X)+D(Y), D(X?Y)=D(X)+D(Y). D(X1+ … +Xn)=D(X1)+ … +D(Xn) . (4) D(X)=0的充要条件是X 以概率1取常数C , 即 P{X=C }=1 . (2)对任意常数b有: D(b)=0. 例: 则 解: X 表示 n 重伯努利试验中 “成功”的次数, 引入 1, 若第 i 次试验成功, 0, 若第 i 次试验失败. i =1, 2, …, n, 则 X1 , X2 ,…, Xn 相互独立,且 而 Xi 的分布律为 Xi 0 1 P q p 故 E( Xi ) = p , , E( Xi2 ) = p , D( Xi ) = E( Xi2 ) ?[E( Xi )]2 = p q , 从而 解: 例: 有限个独立正态变量的线性组合仍然服从正态分布, 若 且它们相互独立, 则 五. 随机变量的标准化 设 X 具有 为 X 的标准化随机变量. E( Y )=0, D( Y )=1. 则称 一、协方差 随机变量X 和Y 的协方差, 记为Cov(X,Y ), 定义为 ⑴ Cov( X, Y )= Cov( Y, X ) ⑵ Cov( a X, b Y ) = a b Cov( X, Y ) , a, b 是常数 ⑶ Cov( X1 + X2 , Y )= Cov( X1 , Y ) + Cov( X2 , Y ) 前面我们介绍了随机变量的数学期望和方差，对于多维 随机变量，反映分量之间关系的数字特征中，最重要的就是 §3 协方差(Covariance)和相关系数 协方差和相关系数. 1.定义: 2.简单性质: 3. 协方差的简化计算公式: 证明: Cov( X, Y ) = E( X Y ) ? E( X ) E( Y ) Cov( X, Y ) = E{ [ X?E( X ) ][ Y?E( Y ) ] } = E [ X Y? X E( Y ) ? E( X ) Y + E( X ) E ( Y ) ] = E ( X Y )? E ( X ) E( Y ) ? E( X ) E( Y ) +