4第四章节 数字特征.ppt

第四章 数字特征 设 X 服从单点分布，其分布律为： 设 X ～(0-1) 分布，其分布律为： 设X ～B(n , p) , X 的分布律为： 例9 设X服从参数为?０的指数分布，其密度为 (柯西分布)设连续型随机变量 X 的密度为 2、连续型随机变量函数的数学期望 　 设X服从参数为?的指数分布，其密度为： 设 (X ,Y) 的密度为： 例10 设(X, Y)的密度为： 根据二次型的理论， 有 特别地，取 k＝2， 则有 而 b12=b21 所以 为随机变量 X与Y 的(线性)相关系数， 简记为? 2、相关系数 设 X ,Y 是两个随机变量，DX、DY存在 定义： 且均大于零，称 定义： 设 (X1, X2,..., Xn)为 n维随机变量 称 为随机变量 Xi与Xj 的（线性）相关系数. (要求DXi与DXj 均不为0) 显然 因此，相关系数也称为标准化的协方差. 称方阵 为相关矩阵. 例5 求二维两点分布的协方差和相关系数. (X, Y)的分布由下表给出 X Y 0 1 1-p 0 0 p 0 1 则 EX=0?[(1?p)+0]+1? [0+p]=p EY=0?[(1?p)+0]+1? [0+p]=p 故(X,Y)的数学期望为(p, p) b11=DX=(0?p)2(1?p)+(1?p)2p=p(1?p) b22=DY=p(1?p) 故(X, Y)的方差为(p(1?p), p(1?p) ) 因此，X, Y的相关系数和协方差矩阵为 例6 求二维均匀分布的协方差和相关系数 (X, Y)的密度为： 因此，(X, Y)的数学期望和方差分别为 因此，X, Y的相关系数和协方差矩阵为 例7 二维正态分布的协方差和相关系数 由前面的结果可知 即 令 则有 ? ? ? ? 即标准化随机变量 的期望为0，方差为1. 五 中位数 定义 设连续型X的分布函数为F(x)，则满足 P{X?m}= F(m)= 的数m称为X的中位数. 由于连续型X取一个值的概率为0， P{X?m}= P{Xm}= P{Xm}= P{X?m}= 因此有 也就是说，中位数m这个点把X的分布从概率上 分为两半，在m左边占一半，在m右边占一半， m正好居于中央. 在实际应用中,特别是社会统计资料中，使用 中位数很多，有时它比数学期望更能说明问题。 和数学期望相比，中位数受个别特大值和特小 值影响很小；而且中位数总存在，数学期望不 一定存在，即使存在也不一定好求。 (2)中位数可以不唯一. 但是中位数也有以下缺点： (1)数学期望具有很多优良的性质，而中位数不具有. 例如 E(X1+X2)= E(X1)+E(X2) 而X1+X2的中位数与X1和X2的中位数没有简单的联系. a b c d 如图 如果密度函数只在 且在这两个区间上的面积都是 两个分开的区间上不为0， 0.5, 则区间 [b, c] 中任何一点都是中位数. 例12 正态分布X~N(?, ?2)的中位数就是? 指数分布的中位数m就是方程F(m)=0.5的解 F(m)=1?e??m=0.5 即 m §4.3 矩 数学期望和方差可以纳入到一个更一般的概念范畴之中, 那就是随机变量的矩. 设X为一个随机变量, k为自然数, 如果 E(Xk)存在, 则称E(Xk)为X的k 阶原点矩, 记为?k 即 存在, 则称 如果 为X 的k阶中心矩, 记为?k 即 定义 . . 显然, (一阶原点矩就是数学期望) ?0=1 ?1= EX ?0=1 ?1= 0 ?2= DX (二阶中心矩就是方差) 当X 为离散型随机变量时, 设其概率分布律为 则 若X为连续型随机变量, 其概率密度为f(x), 则 例1 设X~N(?, ?2)， 则X的k阶中心矩为 令 当k为奇数时，被积函数为奇函数，故 当k为偶数时，令 y2=2z, 则 ( k?2 ) 此题用到? 函数 ?(x)= (x0) ? 函数具有以下性质： ?(x+1)= x?(x) ?(1)= 1 ?(n)=(n?1)! (n为奇数) X 的k阶绝对原点矩： X 的k阶绝对中心矩： 此外，还有以下各种矩： X和Y的 k+l 阶混合原点矩： X和Y的 k+l 阶混合中心矩： §4.4 多维随机变量及其函数的数字特征 一 多维随机变量的数学期望和方差 设 (X, Y)为二维随机变量，称(EX, EY )为(X, Y) 称(DX, DY)为(X, Y) 的方差. 的数学期望, 设 (X1, X2, ... , Xn)