第四章 数字特征-统计学.pptVIP

期望 方差 协方差和相关系数 矩与协方差矩阵 4.1 数学期望一.离散型随机变量的期望 离散型随机变量的期望： 离散型练习： KP103 4.1 E(X2) E(5X2+4) 题型 1、已知X～B(5,0.2)Y ～P(0.7), 则E(5X+6Y)=? 从而可知： E(5X+6Y)= 5E(X)+6E(Y) 3、E{E[E(X)]}=? 例 X的概率分布为： 求D(X). 即“3σ”原则， ——是现代工业产品质量监控方法的理论 基础。 X为离散型， P{X=xk}=pk 由定义知，方差是随机变量X的函数 g(X)=[X-E(X)]2的数学期望 。 X为连续型， f (x)为密度。 计算方差的一个简化公式 展开 D(X)=E[X-E(X)]2 =E{X2-2X E(X)+[E(X)]2} =E(X2)-2[E(X)]2+[E(X)]2 =E(X2)-[E(X)]2. 利用期 望性质 0.3 0.5 0.2 P 2 1 0 X 求 D(X)。 例 设连续型随机变量X 的密度函数为: 解： 例 设随机变量X的概率密度为 1)求D(X), 2)求 4.2.2 方差的性质 (1). 设C是常数, 则D(C)=0; D(X+C)= D(X) (2). 若k是常数，则D(kX)=k2 D(X); (3). 若X与Y 独立，则D(X±Y)= D(X)+D(Y); 可推广为：若X1, X2, …, Xn相互独立，则 (4). D(X)=0 X=E(X)。 (3)若 X，Y 独立，则 D(X+Y)=D(X)+D(Y); 证明: X与Y独立 4.2.3 几种常用随机变量的方差 1. 两点分布 若 X ~ B(1, p)，则 D(X) = p(1-p)； 2. 二项分布 若 X ~ B(n, p)，则 D(X) = n p(1-p)； 3. 泊松分布 若 X ~ P(λ)，则 D(X) = λ ； 4. 均匀分布 若 X ～ U(a, b) ，则 利用E(X)=(a+b)/2，得 5.指数分布 6.正态分布 若 X ～ N(?, ? 2)，则 例 设随机变量X 的期望和方差分别为E(X)和D(X)，且D(X) 0，求 解： 例5：设随机变量X~ N(?, ? 2)，计算 (1). P{ ?-? X ?+? } ; (2). P{ ?-2? X ?+2? }； (3). P{ ?-3? X ?+3? }。 解：由(X-?)/? ~ N(0, 1)，得 (1). (2). (3). 小结 本讲介绍了随机变量方差的概念、性质及计算，给出了几种常用随机变量的方差。 §4.3 协方差与相关系数 对于二维随机向量(X,Y)， 除了期望与方差之外, 还有一些数字特征, 用以刻画X与Y之间的相关程度，其中最主要的就是下面要讨论的协方差和相关系数。 X 与Y 的协方差，记为Cov(X,Y), 即 4.3.1 协方差 Cov(X, Y) = E{[ X-E(X)][Y-E(Y) ]}. 协方差性质 (3). Cov(X1+X2, Y)= Cov(X1, Y) + Cov(X2, Y) ； (1). Cov(X, Y) = Cov(Y, X)； (2). 设 a, b, c, d 是常数，则 Cov( aX+b, cY+d ) = ac Cov(X, Y) ； (4). Cov(X, Y) =E(XY)-[E(X)][E(Y)] ， (5). Var(X+Y)=Var(X)+Var(Y)+2Cov(X, Y) . 当 X 和 Y 相互独立时，Cov(X, Y)=0； 若 X1, X2, …, Xn 两两独立，则 性质(5)可推广到 n 个随机变量的情形： 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 和Y 本身度量单位的影响。 例如： Cov(aX, bY) = ab Cov(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 。 4.3.2 相关系数 为随机变量X 和Y 的相关系数 。 设Var(X) 0, Var(Y) 0, 则称 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 六种常用随机变量的期