第5这章 随机变量的数字特征.ppt

21、 应用之二 ：用μ4衡量分布(密度)在均值附近的陡峭程度。 μ4=E[(X-EX)4]，容易看出，若X取值在概率上集中在EX附近，则μ4将倾向于小，否则就倾向于大。为抵消尺度的影响，类似于μ3的情况，以标准差的四次方，即 去除μ4，得 称为X或其分布的“峰度系数” 若X～N(μ,σ2)，则β2=3，与μ和σ2无关。迁就于此，也常定义 为峰度系数，以使正态分布有峰度系数0。 为了便于理解峰度系数的概念，下图中画出了两条均以μ为对称中心的对称密度曲线，且峰的高度一样，但f1在顶峰处较陡，而f2的顶峰处较平缓。由图可知，在μ附近，f2的概率值大而f1的概率值小， ，故f1的两翼较f2宽些， f2的μ4较大，即有较大的峰度系数β2。 *5.5 条件数学期望(条件均值) 与条件分布的定义相似，在给定了某些其他随机变量X，Z，…的值x，z …的条件下，随机变量Y的条件数学期望记为E(Y|X=x, Z=z, … )。作为条件出现的变量只有一个时，可记为E(Y|X=x)，不会发生误解时，可简记为E(Y|x) 定义E(Y|x) 已知(X,Y)的联合密度，确定了X=x时Y的条件密度函数f(y|x)，则E(Y|x)由下式计算 条件分布是随机变量X与Y相互依赖关系在概率上的刻划，条件期望反映了随着X取值x的变化，Y的平均变化的情况。例如，随着人体身高x的变化，身高为x的那些人平均体重的变化如何等等。 例28 条件期望一个重要的例子是 ，在给定X =x时， Y的条件分布为正态分布 因为正态分布N(μ, σ2)的期望就是μ，故有 该条件期望为x的线性函数，若r0则E(Y|x)随x的增加而增加，即Y“平均说来”有随x的增长而增长的趋势，即所谓正相关；而r0，为负相关；当r=0时，X与Y独立，E(Y|x)与x无关。 由条件数学期望的概念可得出一般的(无条件)数学期望的一个重要公式，该公式与计算概率的全概率公式相当。 全概率公式 可以理解为：通过事件A的条件概率P(A|Bi)可计算其(无条件)概率P(A)。 实际上P(A)就是条件概率P(A|Bi)的某种加权平均，权即为事件Bi的概率。依此类推，变量Y的(无条件)期望，应等于其条件期望E(Y|x)对x取加权平均，x的权与变量X在x点的概率密度f1(x)成比例，即 证明 (X,Y)的联合密度函数记作f(x,y)，则X, Y的(边缘)密度函数分别为 由定义 带入(*)式，于是得 若记g(x)=E(Y|x)，则(*)式可写为 根据随机变量函数期望的定义，上式右边就是E(g(X))。从g(x)的定义，g(X)= E(Y|x)|x=X，简写为E(Y|X)。于是由(**)得 E(Y)=E(E(Y|X)) (***) 上式表明随机变量Y的期望等于其条件期望的期望。 求E(Y|X)时，先设X等于一个固定值x(x无随机性)，由此算出E(Y|x)，其表达式含x，再把x换成X即得。 在许多情况下，直接计算E(Y)比较困难，而在限定变量X之值后，计算E(Y|x)则比较容易。因此可分两步走：先算出E(Y|x)，再借助X的概率分布，通过E(Y|x )算出E(Y)。 直观地说，把求E(Y)看成在大范围内求平均，限定X之值后，即从这个大范围内界定了一个较小的部分，现对这个较小的部分求平均，然后再对大范围求平均。 例如要求全校学生的平均身高，可先求出每个班的平均身高，然后再对各班的平均值求一次平均。考虑到各班人数的不同，求后一次平均时，应以各班人数为权进行加权平均，这个权相当于(*)中的f1(x)。 如果X为n维连续型随机向量(X1, X2,…, Xn)，其概率密度为f(x1, x2, …,xn)，则有 式中E(Y|x1, x2, …,xn)就是在X1=x1, X2=x2, …, Xn=xn条件下， Y的条件期望。 若X、Y为离散型随机变量，如设X是一维离散型随机变量，其分布为P(X=ai)=pi (i=1,2, …) 则 例2