期望、方差协方差.docVIP

随机变量的数字特征 一、数学期望E（x)的性质： 性质一：常数C，E（C)=C; 性质二：X为随机变量，C为常数，则E(CX）=CE（X)； 性质三：X，Y为随机变量，则E(X+Y)=E(X)+E(Y)； 性质三：X,Y为相互独立的随机变量时，E（XY）=E（Ｘ）Ｅ（Ｙ） 方差的性质：D(X)=E(X2）-[E(X)]2 性质一：C为常数，则D(C)=0； 性质二：X为随机变量，C为常数，则 D(CX)=C2D(X) D(X±C)=D(X) 性质三：X，Y为相互独立随机变量 Ｄ（X±Y)=D(X)+D(Y) 当X，Y不相互独立时： D(X±Y）=D(X)+D(Y)±2COV(X,Y); 关于协方差COV（X+Y，X-Y)=D(X)-D(Y)的证明？?? ?证：由COV（X，Y）=E（XY）-E(X)E(Y)?得? ???COV（Ｘ＋Ｙ，Ｘ－Ｙ）＝E[(X+Y)（X-Y)]-E（X+Y)E(X-Y)? =E（X^2-Y^2）-{[E(X)+E(Y)][E(X)-E(Y)]}???????? =E(X^2)-E(Y^2)-E(X)E(X)+E(Y)E(Y)?????? =E(X^2)-E(X)E(X)-[E(Y^2)-E(Y)(Y)] ? =D(X)-D(Y)? 常用函数期望与方差： ⑴（0-1）分布： ①分布律：P{X=K}=p^k(1-p)^1-k,k=0,1,2...(0p1） ②数学期望：p ③方差：pq (q=1-p) ⑵二项分布B（n,p): ①分布律： P{X=K}=（n,k)p^k(1-p)n-k (k=0,1..n;n=1,0p1,q=1-p) ②数学期望：np ③方差：npq ⑶泊松分布π（λ）： ①分布律：P{X=k}=(λ^k *e^(-λ))/k! (k=0,1,2...;λ0) ②数学期望：λ ③方差：λ ⑷均匀分布U（a,b): ①分布律：f(X)=1/(b-a), axb; f(X)=0,x∈其他值时 ②数学期望：（a+b）/2 ③方差：（b-a)2/12 ⑸指数分布E（λ）： ①分布律：f(X)=λe^(-λ), X0; f(X)=0, X≦0; ②数学期望：1/λ ③方差：1/λ2 ⑹正态分布N（μ，ρ2） ①分布律：f(x)=1/﹙√2π *ρ)*e^(-(x-μ)2/(2ρ2)), (-∞x+∞,ρ0) ②数学期望：μ ③方差：ρ2 切比雪夫不等式： 随机变量的数学期望E(x)与方差D(x)存在，则对于任意整数ε，不等式： P{|X-E(X)|≥ε}≤D(X)/ε2 成立。 等价于： P{|X-E(X)|＜ε}≥1-D(X)/ε2 推论：D(X)=0的充分必要条件是X以概率1取常数，即 P{X=C}=1 ，C为常数。 其实，C=E(X)。 协方差Cov（X,Y） 性质一：Cov(X,Y)=Cov(Y,X); 性质二：Cov（aX,bY)=abCov(X,Y); 性质三：Cov（X1+X2，Y）=Cov（X1,Y）+Cov（X2,Y）； 性质四：X，Y相互独立，则Cov（X,Y）=0。 关于相关系数ρ： 若X,Y的协方差Cov（X,Y）存在，且D(X)0,D(Y)0,则 Ρ =Cov（X，Y）/(√D(X) *√D(Y)) 性质一：|ρ|≤1； 性质二：|ρ|=1的充分必要条件，存在常数a,b使得 P{Y=aX+b}=1 ①当X,Y相互独立时，Cov（X,Y）=0，若相关系数ρ存在，则，X,Y不相关； ②若X,Y不相关，则X,Y不一定相互独立。不相关是指X,Y不存在线性关系，但他们之间可以存在其他某种函数关系，比如： Y=X2，因此，X,Y未必相互独立。