章8静电场08wang.ppt

第四章 随机变量的数字特征 §4.1 数学期望 一个重要公式 D(X)=E(X2)-[E(X)]2 几个重要分布的方差 例1 若X~(0--1)，求D(X). 例2若X~B(n，P )，求D(X). 例3 若X~ π(?)，求D(X). 例4 若X~U(a，b)，求D(X). 例5 若X~e (? )，求D(X). 例6 若X~N(?，?2 )，求D(X). 例7 设随机向量( ζ ,η )的联合密度 求(1) A值; (2) E(ζ) , E(η) ; (3) D(ζ ) , D(η) §4.3 协方差及相关系数一、协方差 当X、Y相互独立时 E(X-E(X))(Y-E(Y)) = 0 这样， E(X-E(X))(Y-E(Y))?0时，表明X与Y不独立，即X与Y之间可能存在相关关系，因此，我们就用此式刻划X、Y之间关系的数字特征。 考虑以X的线性函数a+bX近似表示Y得 到的均方误差： 二维随机变量(X1,X2)有四个二阶中心 矩(设它们都存在)，即 C11=E{[X1－E(X1)]2} C12=E{[X1－E(X1)][X2－E(X2)]} C21=E{[X2－E(X2)][X1－E(X1)]} C22=E{[X2－E(X2)]2} 则称矩阵 为随机变量(X1,X2)的协方差矩阵。 n维正态随机变量 二维正态随机变量（X1，X2）的密度： f(x1,x2) = 令 则 n维正态变量的重要性质 1、n维正态变量(X1,X2,…,Xn)的每个分量都是正 态变量;若X1,X2,…,Xn都是正态变量且相互独立, 则(X1,X2,…,Xn)是n维正态变量. 2、n维随机变量(X1,X2,…,Xn)服从n维正态分布的充要条件是X1,X2,…,Xn的任意线性组合 L1X1+L2X2+ …+LnXn 服从一维正态分布(L1,L2, …Ln不全为零). 3、若(X1,X2,…,Xn)服从正态分布,Y1,Y2, …Yk是 Xj(j=1,2, …n)的线性函数,则(Y1,Y2, …Yk)也服从 n维正态分布. 4、设 (X1,X2,…,Xn)服从n维正态分布，则“X1,X2,…,Xn相互独立”与“X1,X2,…,Xn两 两不相容”等价。 如果?XY=0，则称X，Y不相关。 显然，如果X，Y独立，则X，Y不相关。反之不一定成立。 例 设二维随机变量(X,Y)在单位圆上服从均匀分布，其概率密度为 求证X与Y不相关，但不是相互独立的。 相关系数有如下性质 （1） |?XY|?1； （2） |?XY|=1 ?P{Y=aX+b}=1, a, b为常数. 如果（X，Y）~ N（?1, ?2, ?12,?22 , ?) , 则 表明二维正态分布密度总的参数?为表示X、Y间相关程度的一个参数。 对于二维正态分布的r.v.而言 X、Y相互独立? ? = 0 §4.4 矩、协方差矩阵 下面给出几个关于矩的简单概念 1. 若E(xk), k=1,2,…存在, 称其值为X的k阶原点矩. 若E(X-E(X))k,k=1,2,…存在, 称其值为X的 k阶中心矩. 3.若E(XkYL), k,L=1,2,…存在, 称其值为X, Y k+L阶混合原点矩. 4.若E[(X-E(X))k(Y-E(Y))L], k,L=1,2,…存在,称 其值为X,Y的k+L阶混合中心矩. * 1. 引例 检验员每天随机地抽取生产的零件n件进行检查，查出的废品数X是一个随机变量，如果检查了N天，查出废品数为0，1，2，… ,n件的天数分别为?0，?1，…，?n天（ ?0+?1+…+?n =N），那么N天出现的废品数为———。 N天中平均一天出现的废品数为————。 为出现k个废品的频率。 设pk为出现k个废品的概率，当N很大时 ? pk 这样 即平均一天出现的废品数接近于 我们称 为r.v.X的数学期望。 1. 定义：设离散型随机变量X的概率分布为： P{X=xk}=pk k=1，2，3，… 设连续型随机变量的密度函数为：f(x) 例1.射击比赛，每人打4枪。规定中0枪0分, 中1枪15分, 中2枪30分, 中3枪