3.4多维随机变量的特征数.pptVIP

copyright 2006 ALL RIGHTS RESERVED. 补充说明 The End！ Thank You！ * * Department of Mathematics 概率论与数理统计 主讲人：宣平 2012年.秋学期 第四节 多维随机变量的特征数 一、多维随机变量函数的数学期望 （1）若二维离散型随机变量(X,Y)的联合分布列为 则Z=g(X,Y) 的数学期望为 （2）如果Z=g(X,Y)是二维连续型随机变量，联合概率 密度为f(x,y) ,则Z=g(X,Y)的数学期望为 特别地，若取 g(X,Y)=X, 可以得到X的期望为 ——离散 ——连续 例1 在长度为a 的线段上任取两个点X和Y,求这两 点间的平均长度。 解：因为X、Y独立，且都服从 U(0, a). 所以（X,Y）的联合密度函数为 积分计算 须分区域. 注意：直接代公式较麻烦，可以先求Y的分布. 二、数学期望与方差的性质 线性 该方法称为分解随机变量法,求期望不需要独立性 分析：直接写出X的分布非常困难，因为每一只球可能多次被摸到. 考虑每一种颜色的球是否被摸到. 引入随机变量如下： 例5 设一袋中装有m只颜色各不相同的球，每次从中任取一只，有放回地摸取n次，以X表示在n次摸球中摸到球的不同颜色的数目，求E(X)。 例5 设一袋中装有m只颜色各不相同的球，每次从中任取一只，有放回地摸取n次，以X表示在n次摸球中摸到球的不同颜色的数目，求E(X)。 例6.投硬币n次,设X为出现正面后紧接反面的次数， 求 E(X) . 三、协方差 协方差也称为相关中心矩。 联合分布中各分量间的关系 注意： 详见协方差的性质 协方差的主要性质: 注：以上性质可用定义及期望的性质来证明. 反之不能成立！ 补充说明： 四、相关系数 在表示随机变量的关系时，为了消除量纲的影响，引入了相关系数的概念。 引理 —— 施瓦茨不等式 证： 注：施瓦茨不等式表明相关系数的取值范围是 相关系数的性质： 当ρ=0时，称X,Y不相关； 当ρ=±1时，称X, Y几乎处处有线性关系. 相关系数ρ(X,Y)刻画了随机变量X、Y间线性相关的程度。ρ=±1时，表示X、Y几乎处处具有线性关系；ρ=0时，表示X、Y不具有线性关系，但可以具有其他（如曲线）关系。独立性是指两个随机变量不具有任何关系。对二元正态分布来说，独立性与不相关〔ρ=0〕是等价的。 与协方差相比较，相关系数是一个不带单位的系数，消除了量纲的影响，可以更准确地反映随机变量间的关系；同时，也方便不同类型随机变量的比较。 0 0.5 1 1 y=x 注：协方差虽然很小，但相关系数却比较大。所以协方差反映随机变量的相关程度不是很准确的。 例12 【投资风险组合】设有一笔资金,总量为1,如 今要投资甲、乙两种证券。若将资金x1投入甲证券，余下资金x2=1-x1投入乙证券，于是就形成了一个投资组合。记X为投资甲证券的收益率，Y为投资乙证券的收益率，它们都是随机变量。若已知X、Y的均值和方差分别是μ1 ，μ2 和σ12，σ22 ，X和Y的相关系数为ρ。试求该投资组合的平均收益和风险，并求使风险最小的x1是多少？ 解：因为该组合的收益为 所以平均收益为 风险（方差）为 按照求函数极值的方法可求出 这时，该组合投资的风险最小。 五、随机向量的数学期望与协方差阵 对于多维随机变量，我们以矩阵的形式给出其 数学期望和方差。 为随机向量的方差——协方差阵，简称协方差阵， 协方差阵的重要性质 n维随机向量的协方差阵 是一个对称的非负定矩阵. 详见P180—定理3.4.2 * *