004-第四章 数字特征.ppt

以频率为权重的加权平均 * 若发散，则数学期望不存在。当pi =1/n时，E（X）= …,数学期望就变成算数平均数，所以数学期望是算数平均数的推广，所以又简称均值。 * 使用这种方法必须先求出随机变量函数g(X)的分布，一般比较复杂；那么是否可以不先求g(X)的分布而只根据X的分布求得E[g(X)]？ * * 将X分解成数个随机变量之和,然后利用随机变量和的数学期望等于随机变量数学期望的和来求数学期望,此方法具有一定的意义. * 任一旅客在第i站下车的概率为1/10,旅客是否下车彼此相互独立,20位旅客在第i站都不下车的概率为, * 此性质可以推广到有限多个相互独立的随机变量之和的情况. * * 由于变量量级的差别，仅比较方差的大小并不能全面反映随机变量的分布特征。 由于变量量级的差别，仅比较方差的大小并不能全面反映随机变量的分布特征。 * 我国雨量和洪水的Cv值分布，大致是南方小北方大、沿海小内陆大，平原小山区大。 * * E{[ X-E(X)][Y-E(Y) ]}一定程度上反映了二元随机变量分量X,Y之间的关系. * 标准化变量E(X)=0,D(X)=1 * 总方差有回归方差和剩余方差两部分组成,回归方差表示X的变化对Y变化的影响程度(按线性关系),而剩余方差表示除X的线性影响外,其他因素对Y变化的影响. * 特征函数和分布函数一样是描述随机变量概率性质一种非常重要的工具，与分布函数有着对应关系，所以分布函数能够表示的关于随机变量概率的各种属性，特征函数都能够描述出来；而且，它的应用比分布函数更为方便。因为特征函数涉及的数学知识比较多，我们只对一元随机变量的特征函数做一简单介绍。 性质2： 证明：必要性 充分性: ,则X与Y间为线性函数关系，这时如果给定一个随机变量的值，另一个随机变量的值便完全决定。若ρ=0，则说明X与 Y不相关。 若随机变量X与Y相互独立，则X与Y不相关，但若X与Y不相关，则其不一定独立，不过当(X ,Y )为二元正态变量时，独立与不相关等价。 相关与独立的关系 独立 不相关 相关系数只刻划X与Y间线性关系的密切程度。 相关与独立 正相关表示两个随机变量有相同的变化趋势. 负相关表示两个随机变量有相反的变化趋势. 不相关表示两个随机变量没有线性关系。 随机变量X与Y的相关系数 由n元随机变量的两两相关系数排成的矩阵 相关系数及相关系数矩阵 称为相关系数矩阵。显然ρ也是对称及非负定的。 当ρ XY0 Cov(X,Y)0时,称X与Y正相关. 当ρ XY0 Cov(X,Y)0时,称X与Y为负相关. 当ρ XY=0 Cov(X,Y)=0时,称X与Y不相关 （1）相同点：都能表现出正相关、负相关、不相关 （2）不同点：相关系数能表现出线性相关程度的高低，而协方差不能 相关系数与协方差的关系 例4-20： 解： X与Y相互独立，所以： 条件方差、剩余方差和回归方差 条件方差：衡量条件分布的离散程度。 设二元随机变量(X,Y)当X=x时Y的条件分布为FY (y/x),则X=x时Y的条件方差为 为了方便起见,以后采用记号 剩 余 方 差 若记Y对均方回归直线L(X)的条件方差为 可得 得到 称为随机变量Y对均方回归直线L(X)的剩余方差,简称为剩余方差。 称为随机变量X对均方回归直线L(Y)的剩余方差。 回 归 方 差 记 因 表示均方回归直线上的Y值对Y的分布中心 E（Y）的偏差，它刻画了由于X取值不同而导致Y取值偏差E（Y）的情况，所以称 为Y依X的回归方差。 同理可得X依Y的回归方差。 通过推导可得 §4－1 数学期望 §4－2 方差 §4－3 离势系数、矩、偏态系数及峰度系数 §4－4 多元随机变量的数字特征 §4－5 特征函数 第四章 数字特征与特征函数 定义1：设X与Y是某概率空间的实值随机变量，则称Z= X +iY为复随机变量。 [注1] [注2] 欧拉公式 一、特征函数的定义 一、特征函数的定义 定义 设X为具有密度 的连续型随机变量，则称 为随机变量X的特征函数，其中t为实数，i为虚数单位。 由于 所以上式又可写成 若X为离散型随机变量，则其特征函数为 由于 所以对任何随机变量，特征函数总是存在的。 [注] 特征函数的定义域为实数空间，且由分布函数惟一确定。 二、特征函数的性质 性质1 性质2 性质3 性质4 设X，Y为两随机变量，且Y=aX+b(a,b为实常