概率论与数理统计PT课件第四章数学期望与方差01.pptVIP

* 例6.设X服从N(0,1)分布，求 E(X3) , E(X4)。 解：X的密度函数为： 注：此例是128页4.17的特例。 * 作业: 128页: 4.12; 4.26; 4.28。 * 前面介绍了随机变量的数学期望和方差，对于多维随机变量，反映分量之间相互关系的数字特征中，最重要的，就是本节要讨论的 协方差和相关系数 * §4.4 协方差和相关系数 问题 对于二维随机变量(X ,Y ): 已知联合分布 边缘分布 这说明对于二维随机变量， 除了每个随机变量各自的概率特性以外，相互之间可能还有某种联系. 问题是用一个什么样的数去反映这种联系. 数 反映了随机变量X ,Y 之间的某种关系 * 定义 称 为X ,Y 的协方差. 记为 可以证明协方差矩阵为半正定矩阵 A. 协方差和相关系数的定义 为（X , Y ）的协方差矩阵 称 * 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的概念 . * 若Var (X ) 0, Var (Y ) 0 ,称 为X ,Y 的 相关系数，记为 事实上， 若 称 X ,Y 不相关. 无量纲 的量 * —— 利用函数的期望或方差计算协方差 协方差和相关系数的计算 * 若二维离散型随机变量(X, Y)的分布律为 且Cov(X,Y)存在, 则 * (2) 若二维连续型随机变量(X,Y)的概率密度为 f(x , y ), 且Cov (X, Y)存在，则 * Cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X与Y 独立， 则 Cov(X,Y)= 0 . 证明：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) 即 =E{XY-XE(Y)-YE(X)+E(X)E(Y) } * 若 X,Y 相互独立, 则上式化为 随机变量和的方差与协方差的关系 * 协方差的性质 当且仅当 时，等式成立 —Cauchy-Schwarz不等式 B 协方差和相关系数的性质 * 相关系数的性质 Cauchy-Schwarz不等式 的等号成立 即Y 与X 有线性关系的概率等于1， 这种线性关系为 * 相关系数的性质 证明： 令 , 代入第二个方程得 将 bEX EY a - = * * * * 说明 X与Y之间没有线性关系并不表示它们之间没有关系 * X , Y 不相关 X , Y 相互独立 X , Y 不相关 若 X , Y 服从二维正态分布， X , Y 相互独立 X , Y 不相关 * 求 cov (X ,Y ), ?XY 1 0 p q X P 1 0 p q Y P 例1 已知 X ,Y 的联合分布为 X Y pij 1 0 1 0 p 0 0 q 0 p 1 p + q = 1 解： 1 0 p q X Y P * * 例2.设?~U(0,2?), X =cos? , Y =cos(? +? ), ? 是给定的常数，求 ?XY 解: * * 例3 设(X, Y)服从二维正态分布 求 (1) X和Y的相关系数 (2) X和Y不相关 ? ? =0 * 解：(X, Y)的概率密度函数为 (X, Y)关于X和Y的边缘概率密度分别为 * 由于 * * * X，Y独立? =0?X，Y不相关。 * 例4.设 ( X ,Y ) ~ N ( 1,1;4,4; 0.5 ), Z = X + Y , 　　求 ? XZ 解: * 例5：设X?N(0,4), Y?P(2), ?XY =1/2, 求 E(X+Y)2 . 解: E(X+Y)2 =[E(X+Y)]2+Var(X+Y) 注意到 =[EX+EY)]2+Var(X)+Var(Y)+2cov(X, Y) 把条件代入即得 E(X+Y)2 = 由题设知: EX=0, Var(X)=4, EY=2, Var(Y)=2, ?XY =1/2, 而 * 设二维随机变量(X,Y), k , l 为非负整数。 mk = E(Xk ) 称为X的k阶原点矩， ?k = E(X-E(X))k 称为X的k阶中心矩，