.第四章 数字特征.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 例9 已知正常男性成人血液中 ，每一毫升白细胞数平均是7300，均方差是700 . 利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率 . 解:设每毫升白细胞数为X ,依题意,E(X)=7300,D(X)=7002 P(5200 X 9400) = P(-2100 X-E(X) 2100) = P{ |X-E(X)| 2100} 由切比雪夫不等式 P{ |X-E(X)| 2100} 即估计每毫升白细胞数在5200~9400之间的概率不小于8/9 . 例10 在每次试验中，事件A发生的概率为 0.75, 利用切比雪夫不等式求：n需要多么大时，才能使得在n次独立重复试验中, 事件A出现的频率在0.74~0.76之间的概率至少为0.90? 解：设X为n 次试验中，事件A出现的次数， E(X)=0.75n, 的最小的n . 则 X~B(n, 0.75) 所求为满足 D(X)=n×0.75×(1-0.75)=0.1875n =P(-0.01nX-0.75n 0.01n) = P{ |X-E(X)| 0.01n} P(0.74n X0.76n ) 可改写为 在切比雪夫不等式中取 n，则 = P{ |X-E(X)| 0.01n} 解得 依题意，取 即n 取18750时，可以使得在n次独立重复试验中, 事件A出现的频率在0.74~0.76之间的概率至少为0.90 . = P{ |X-E(X)| 0.01n} 六、小结 这一讲，我们介绍了随机变量的方差. 它是刻划随机变量取值在其中心附近离散程度的一个数字特征 . 下一讲，我们将介绍刻划两r.v间线性相关程度的一个重要的数字特征： 协方差、相关系数 第三节 协方差及相关系数 协方差 相关系数 课堂练习 小结 布置作业 前面我们介绍了随机变量的数学期望和方差，对于二维随机变量（X，Y），我们除了讨论X与Y的数学期望和方差以外，还要讨论描述X和Y之间关系的数字特征，这就是本讲要讨论的 协方差和相关系数 量E{[ X-E(X)][Y-E(Y) ]}称为随机变量X和Y的协方差,记为Cov(X,Y) ，即 一、协方差 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} 1.定义 2. 计算协方差的一个简单公式 Cov(X,Y)=E(XY) -E(X)E(Y) 特别 可见，若X 与 Y 独立， Cov(X,Y)= 0 . 3. 随机变量和的方差与协方差的关系 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y) 可见,若X 与 Y 独立， 由协方差的定义及期望的性质，可得 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 证明2： ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) 4.简单性质 ⑵ Cov(aX,bY) = ab Cov(X,Y) a,b 是常数 ⑴ Cov(X,Y)= Cov(Y,X) 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与Y本身度量单位的影响. 例如： Cov(kX, kY)=k2Cov(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 . 二、相关系数 为随机变量 X 和 Y 的相关系数 . 定义: 设D(X)0, D(Y)0, 称 在不致引起混淆时，记 为 . 2. X和Y独立时， =0，但其逆不真. 由于当X和Y独立时，Cov(X,Y)= 0. 故 = 0 但由 并不一定能推出X和Y 独立. 请看下例. 相关系数的性质： Cov(X,Y)=0， 事实上，X的密度函数 例1 设X服从(-1/2, 1/2)内的均匀分布 , 而Y=cos X, 不难求得 存在常数 a,b(b≠0）， 使 P{Y= a + b X}=1， 即 X 和 Y 以概率 1 线性相关. 因而 =0， 即X和Y不相关 . 但Y与X有严格的函数关系， 即X和Y不独立 . 相