§3.4 随机向量的数字特征.ppt

若 X=(X1, X2 , … , Xn) 服从 n 元正态分布， Y1,Y2, …，Yk是Xj（j=1,2,…,n）的线性函数， 则 (Y1,Y2, …，Yk) 也服从多元正态分布. 2. 正态变量的线性变换不变性. 3. 设(X1,X2, …,Xn)服从n元正态分布，则 “X1,X2, …,Xn相互独立” 等价于 “X1,X2, …,Xn两两不相关” 例 设随机变量X和Y相互独立且X~N(1,2), Y~N(0,1). 试求Z=2X-Y+3的概率密度. 故X 和Y 的联合分布为正态分布，X 和Y 的任意线性组合是正态分布. 解: X~N(1,2),Y~N(0,1)，且 X 与Y 独立, D(Z)=4D(X)+D(Y)=8+1=9 E(Z)=2E(X)-E(Y)+3=2+3=5 即 Z~N(E(Z), D(Z)) 故 Z 的概率密度是 Z~N(5, 32) 数学期望性质的应用 例 求二项分布的数学期望 则X表示n重Bernoulli试验中的“成功” 次数. 现在我们来求X的数学期望，方差 . 若 X~B(n,p)， 可见，服从参数为n和p的二项分布的随机变量X的数学期望是 n p，方差是 npq . X~B(n,p), 若设 则 X= X1+X2+…+Xn = np, i=1,2，…，n 因为 P(Xi =1)= p, P(Xi =0)= 1-p 所以 E(X)= 则X表示n重贝努里试验中的“成功” 次数. E(Xi) = = p, 负二项分布的期望，方差 在独立重复试验中，记 X 表示事件 A 第 r 次发生时的次数，则 X 服从参数为 r , p 的负二项分布. … … … … 记 Xi 表示事件 A 第 i-1 次发生后算起，直至 A 第 i 次发生的次数. … … … … 则 X= X1+X2+…+Xr ，其中X1，X2，…，Xr 相互独立且都服从参数为 p 的几何分布. 所以， 条件数学期望 设 时 的条件分布函数为 若 则称 为 在 条件下的条件数学期望，记为 对称地，若 在 时的条件分布函数为 且 则称 为 在 条件下的条件数学期望，记为 离散型随机向量的条件数学期望 设 为二维离散型随机向量，概率分布为 若 且 则 若 且 则 连续型随机向量的条件数学期望 设 的密度函数为 若 且 则 若 且 则 Example in Practice 中国福彩3D，是指在 这一千个数字中任选一个数字进行投注，每注2元. 到期后将从这1000个数字中随机抽取一个作为中奖号码，每注中奖彩金1000元. “和值14”投注法，是指一次购买所有三个数字之和为14的组合（共75注）. 甲在某期决定采取以下倍投方式进行投注：当期投注一组“和值14”，若中奖，则下一期休战；若不中，则下一期投注两组“和值14”. 请问，在这种投注策略之下，甲的中奖率与预期收益分别是多少？ Quality （3）线性：对任意常数 有 记 则 为关于 的函数.称随机变量函数 为 关于 的条件期望. 性质 特别地， （5）全期望公式 条件期望的预测含义 Recall: 在均方误差意义下，数学期望是对 的最优点值预测，即 类似地， 为 的最优预测函数，即 Thank you ! * §3.4 随机向量的数字特征 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 ⑶ cov(X1+X2,Y)= cov(X1,Y) + cov(X2,Y) ⑴ cov(X,Y)= cov( Y, X ) 一、协方差 Th 3.5 ⑵ cov(aX,bY) = ab cov(X,Y) a,b 是常数 cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} 定义3.8 cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X 与 Y 独立， cov(X,Y)= 0 . (4)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-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X