Ch4-随机变量数字特征.pptVIP

例 单点分布（退化分布） 即常数的方差为零。 例 X ~（0—1）分布 X 0 1 p 1-p p 即 r.v.X的分布律为：P{X= c }=1 即 r.v.X的分布律为： 例 X~B（n，p）二项分布 即 r.v.X的分布律为： 例 X~????（或????）Poisson分布 即 r.v.X的分布律为： 例 X~U(a，b)均匀分布 其概率密度函数为： 例 指数分布 X服从参数为?的指数分布，其概率密度函数为： 其概率密度函数为： 例 正态分布 X ~ N( ) 3. 方差的性质 (1) D(aX+b)= a2D(X ), a, b为常数； (2) 若 X，Y 独立，则 D(X+Y )= D(X )+D(Y ); (3) D(X )=0? 存在常数C，使 P{X=C }=1, 且C=E(X ); (4) 对任意C?R, E(X?C)2 ? D(X ), 且 minE(X?C )2=E[X?E(X )]2=D(X ). 若X1, X2 , ? , Xn 相互独立，则 D(X1+ X2+? +Xn )= D(X1 )+ D(X1 )+ ?+D(Xn ); 若 X，Y 独立，则 D(X?Y )= D(X )+D(Y ); 以 X 记 n 重贝努里试验中A发生的次数，则 X~B(n，p) 若记 若在第 i 次试验中 A 发生； 若在第 i 次试验中 A 不发生。 X 0 1 P 1-p p 1, 0, ?E(Xi )=p , D(Xi )=p(1-p) 又 X=X1+ X2 +?+ Xn , ?E(X )=E(X1 )+E( X2 ) +?+ E(Xn ) =np , D(X )=D(X1 )+D( X2 ) +?+ D(Xn ) =np(1-p) . 例：（方差性质的应用） 例： 称为X 的均方差或标准差，其量纲与X的一致。 易知 E(X ? )=0，D(X ? )=1. ? 切比雪夫不等式 若 r.v.X的期望和方差存在，则对任意? ? 0，有 这就是著名的切比雪夫(Chebyshev)不等式。 它有以下几种等价的形式： 记 =D(X ), =E(X ), 则对k 0, 有 4、常用的关于方差的不等式 ? (Cauchy-Schwarz不等式) 若对任意的 r.v. X、Y，若E(X 2) +?， E(Y 2) +?，则 [E(XY )]2? E(X 2) E(Y 2) 当且仅当P{Y= kX }=1时等号成立，其中k为某常数。 例 假设一批种子的良种率为 ，从中任意选出600粒，试用切比晓夫不等式估计：这600粒种子中良种所占比例与 之差的绝对值不超过0.02的概率。 第三节 协方差，相关系数 1.协方差定义(Co-variance) 若 r.v. X的期望 E(X )和Y 的期望 E(Y )存在, 则称 E{[X?E(X )][Y?E(Y )]}为X与Y的协方差,记为Cov(X, Y ). 即 Cov(X, Y )=E{[X?E(X )][Y?E(Y )]}. 常用公式 Cov(X, Y )=E(XY )? E(X )E (Y )。 2.协方差性质 (1) Cov(X, Y ) = (2) Cov(aX, bY ) = (3) Cov(X+Y，Z ) = Cov(Y, X ); abCov(X, Y ), 其中a, b为 常数； Cov(X, Z )+Cov(Y, Z ); (4) D(X +Y ) = D(X )+D(Y ) + 2Cov(X, Y ). 问：Cov(X, X )和Cov(aX+bY ，cX+dY) 的结果 3. 相关系数 定义 若 r.v. X，Y的方差和协方差均存在, 且D(X ) 0, D(Y ) 0，则 称为X与Y 的相关系数. 若?XY=0，则称X与Y不相关，否则称X与Y 相关。 ?X与Y 不相关? Cov(X, Y )=0 ? E(XY )= E(X )E (Y )。 相关系数的性质 (1) |?XY|?1； (2) |?XY|=1? (3) X与Y 独立，则X与Y 不相关，反之不然。 存在常数a, b 使P{X= aY+b }=1； 即 独立 不相关 例 设(X, Y )在D={(x, y )：x2+y2?1}上服从均匀分布，则X与Y 不相关，但不是相互独立的。 解 Notes 其它的分布没有这个性质。 已知二元 r.v.(X , Y ) ~ N( )