4.第四章：随机变量的数字特征技术报告.docxVIP

PAGE  PAGE 25 §4.1数学期望 一、数学期望的定义 定义1. 若X~P{X=xk}=Pk, k=1,2,…n, 则称为X的数学期望，简称期望或均值。 定义2. 若X~P{X=xk}=Pk, k=1,2,…,且 则称为X的数学期望 定义3 若X~f(x), -￥x￥, 则称为X的数学期望。 二.几个重要随机变量的期望和方差 1.0-1分布的数学期望 EX=p, 2. 二项分布B(n, p) EX ， 3.泊松分布 ＝λ, 4. 均匀分布U(a, b) 5.指数分布E(λ) x～ ， 6. 正态分布N(m, s2) ，， EX ， 三.随机变量函数的期望 定理1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) ~ P{X=xi ,Y=yj,}=Pij, i, j=1, 2, … , 则Z= g(X，Y)的期望 定理2 若X~f(x), -￥x￥, 则Y=g(X)的期望 推论 若(X, Y) ~f (x, y), -￥x￥, -￥y￥, 则Z=g(X, Y)的期望 四.数学期望的性质 1. E(c)=c,c为常数; 2. E(cX)=cE(X), c为常数; 3. E(X+Y)=E(X)+E(Y); 4. 若X与Y独立，则E(XY)=E(X)E(Y). §4.2方差 一. 定义与性质 1.定义 若E(X),E(X2)存在，则称E[X-E(X)]2 为X的方差，记为D(X),或Var(X). D(X)称为X的标准差 2.推论 D(X)=E(X2)-[E(X)]2. 二. 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+b)=a2D(X), a、b为常数； (3) D(X±Y)=D(X)+D(Y)±2COV(X, Y) 若X，Y独立，则 D(X+Y)=D(X)+D(Y); 三.切比雪夫不等式 若X的期望和方差存在，则对任意e0，有 这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式： §4.３协方差，相关系数 一.协方差定义与性质 1.协方差定义：若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。 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). 二.相关系数 1. 定义 若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) |rxy|￡1； (2) |rxy|=1?存在常数a, b 使P{Y= aX+b}=1； a﹥0时，rxy＝1; a﹤0时rxy＝－1 (3) X与Y不相关? rxy=0; ??：若（X，Y）服从二维正态分布， 则X与Y独立的充分必要条件是X与Y不相关。 三. 矩 1. K阶原点矩 Ak=E(Xk), k=1, 2, … 而E(|X|k)称为X的K阶绝对原点矩； 2. K阶中心矩 Bk=E[X-E(X)]k, k=1, 2, … 而E|X-E(X)|k称为X的K阶绝对中心矩； 3. K+L阶混合原点矩 E(XkYL), k, L=0, 1, 2, …； 4. K+L阶混合中心矩 E{[X-E(X)]k[Y-E(Y)]L}, k, L=0, 1, 2, …； 四. 协方差矩阵 1.定义 设x1，…,xn为n个r.v., 记Cij=cov(xi, xj), i, j=1, 2, …, n. 则称由Cij组成的矩阵为随机变量 x1，…,xn的协方差矩阵C。即 C=C11?C1n???Cn1?Cnn 第四章练习题 一、单项选择题 1.随机变量X,Y的方差存在且不等于0，则D(X+Y)=D(X)+D(Y)是X,Y ( ) (A)不相关的充分条件，但不是必要条件 (B)独立的充分条件，但不