第四章节方差与协方差.ppt

* 结束 随机变量的数学期望(均值), 它体现了随机 变量取值的平均水平, 是随机变量的一个重要的 数字特征. 但是在很多场合, 仅仅知道平均值是不够的. §2 随机变量的方差 例如, 某零件的真实长度为a, 现在用甲、乙 两台仪器各测量10次, 并将测量结果 X 用坐标上的点表示如图： 问: 哪台仪器的测量效果好一些？ 甲仪器测量结果 乙仪器测量结果 较好 因为乙仪器的测量结果更集中在均值附近. 测量结果的 均值都是 a 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 (即均值) 附近取值的离散程度(或集中程度). 这个数字特征就是: 方差. 再如: 考察某车床加工轴承的质量时, 若 最关键的指标为长度, 则不但要注意轴承的平均 长度, 同时还要考虑轴承长度与平均长度的偏离 程度 (即加工的精度); 等等. 我们该用怎样的量去度量这种偏离程度呢? X ? E(X) ? E[ X ? E(X) ] ? E[ | X ? E(X) | ] ? E{ [ X ? E(X) ]2 } 一、方差( variance )的定义 随机变量 X 的平方偏差 [ X ? E(X) ]2 的均值 记作 或 Var ( X ) , 叫做 X 的方差. 而 记作 叫做 X 的标准差 或均方差. 方差刻划了随机变量取值的离散程度: 若 X 的取值比较集中, 则方差较小； 若 X 的取值比较分散, 则方差较大 . 如: 据以往记录, 甲乙两射手命中环数 X、Y 的分布律为 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 及 可以算出: 两人命中环数的平均水平相同, 从中看不出两人射击技术的 高低; 但 说明甲的命中环数比乙的更集中, 即甲的射击技术比乙的稳定. 二. 方差的简化计算公式 即: 方差等于 平方的期望 减 期望的平方. 证明: 例: 设 X 的概率密度为 且 D( X ) = 1/18, 求 a, b 及 E( X ). 而 解: 由归一性得 故 解得 b = 0, a = 2, E( X ) = 2/3 或b = 2, a = ?2, E( X ) = 1/3 . 例: 设 (X, Y) 的概率密度为 试求 D( X ), D( Y ) . 解: 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 k 与 c 有: D( k X + c ) = k 2 D(X). (2) 设 X 与 Y 相互独立, 则 进一步, 若 X1 ,… , Xn 相互独立, 则对任意常数 c1 ,…, cn 有: D(X+Y) = D(X) + D(Y), D(X?Y) = D(X) + D(Y). D( c1 X1+ … + cn Xn ) = c12 D( X1 ) + … + cn2 D( Xn ). (3) D(X) = 0 的充要条件是 X 以概率 1 取常数 C , 即 P{X = C } = 1 . 例: 则 解: X 表示 n 重伯努利试验中 “成功”的次数, p为每次试验成功的概率, 则 X ~ B(n, p); 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 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 解: 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. 则叫 六. 切比