概率论数字特征.pptVIP

下面我们证明性质3 证明 若 X,Y 相互独立, 由数学期望的性质4得 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. 例5 设X~B(n,p)，求EX和DX. 若设 i=1,2，…，n 则 是n次试验中“成功” 的次数 下面我们举例说明方差性质的应用 . 解 X~B(n,p), “成功” 次数 . 则X表示n重努里试验中的 于是 i=1,2，…，n 由于X1,X2,…, Xn 相互独立 = np(1- p) EXi= p, DXi= p(1- p) , 例6 解 于是 例如, 例7 解 由于 故有 例8、 解 引入随机变量 则 X= X1+X2+…+Xk i=1,2,…，k 袋中有n张卡片，号为1,2,…,n,从中有放回地抽取k 张，令X表示所抽的k张卡片的号码和，求EX和DX。 EXi 表示第i次抽到的卡片的号码， Xi 所以 任意随机变量的标准化： 的期望和方差均存在，则它的标准化随机变量为 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 表1 几种常见分布的均值与方差 数学期望 方差 分布率或 密度函数 分布 0－1分布 p p(1-p) 二项分布b(n,p) np np(1-p) 泊松分布 均匀分布U(a,b) 指数分布 正态分布 第三节 协方差及相关系数 协方差 相关系数 小结 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-EX][Y-EY ]}称为随机变量X和Y的协方差,记为Cov(X,Y) ，即 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) ⑴ Cov(X,Y)= Cov(Y,X) 一、协方差 2.简单性质 ⑵ Cov(aX,bY) = ab Cov(X,Y) a,b 是常数 Cov(X,Y)=E{[ X-EX][Y-EY ]} 1.定义 Cov(X,Y)=E(XY) -EXEY 可见，若X 与 Y 独立， Cov(X,Y)= 0 . 3、计算协方差的一个简单公式 由协方差的定义及期望的性质，可得 Cov(X,Y)=E{[ X-EX][Y-EY ]} =E(XY)-EXEY-EYEX+EXEY =E(XY)-EXEY 即 特别地 D(X+Y)= DX+DY+ 2Cov(X,Y) 4. 随机变量和的方差与协方差的关系 二、相关系数 为随机变量 X 和 Y 的相关系数 . 定义: 设DX0, DY0, 称 在不致引起混淆时，记 为 . 相关系数的性质： 证: 由方差的性质和协方差的定义知, 对任意实数 b, 有 0≤D(Y-bX)= b2DX+DY-2b Cov(X,Y ) 令 ，则上式为 D(Y- bX)= 由于方差DY是正的,故必有 1- ,所以 | 。 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. ， 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 . 相关系数刻划了X和Y间“线性相关”的程度. 但对下述情形，独立与不相关等价 若(X,Y)服从二维正态分布，则 X与Y独立 X与Y不相关 前面，我们已经看到： 若 X 与 Y 独立，则X与Y不相关， 但由X与Y不相关，不一定能推出X与Y独立. 4、二维正态分布独立与相关的关系 例 2 求X和Y的相关系数，并证明X与Y独立的充要条件是 X和Y不相关。 第三章我们已经证明过两个随机变量X和Y独立的 的充要条件是 三、小结 这一节我们介绍了协方差、相关系数、 相关系数是刻划两个变量间线性相关程度的一个重要的数字特征. 注意独立与不相关并不是等价的. 当(X,Y) 服从二维正态分布时，有 X 与 Y 独立 X 与 Y 不相关 的分布函数