概率统计简明教程(同济)Chapter7.pptVIP

Chapter 7 随机变量的数字特征 随机变量的分布完全描述了随机现象的统计规律性. 当随机变量的分布不太容易得出时,可以只考虑少数几个随机变量的数字特征: 数学期望, 方差, 协方差和相关系数, 矩(P85, P114). 第一节 数学期望 先考虑X为离散型随机变量情形. 该数据集的平均值: 第二节 方差和标准差 第一批: 110, 120, 120, 125, 125, 125, 130, 130, 135, 140. 第二批: 90, 100, 120, 125, 125, 130, 135, 145, 145, 145. 平均数均为126, 这时如何判断哪批好? 与中心位置的“偏离程度”? 第三节 协方差和相关系数 若X与Y独立: 若E(X - E(X))(Y- E(Y)) ? 0, 则X与Y不独立. 当X与Y不独立也可能成立. *第四节 切比雪夫不等式及大数律 (1)大量测量值的算术平均值具有稳定性. (2) 频率具有稳定性： 证明时要用到切比雪夫不等式. 第五节 中心极限定理 在实际应用中, 为什么会经常出现正态分布? (中心)极限定理: 1920年, Polya取的名字(Central limit theorem). 例15(P84) X ~ E(?) ? D(X) = 1/ ?2. 方差的性质(P84): (i) (ii) (iii)若X, Y独立, 则 由方差的定义, 有 因为X与Y独立, 则 X – E(X)与Y – E(Y)独立, 于是 结合(ii)和(iii): 若X1, X2, …, Xn相互独立, 则对于任意常数 k1, k2, …, kn, 有 补例 设两个独立的随机变量X, Y的方差分别为6和3, 则随机变量2X – 3Y的方差是多少? Hint 例16(P85) Solution 要求记住常见分布的D(X)(自己总结). 补例 已知随机变量X服从b(n, p), E(X) = 2.4, D(X) = 1.44, 求n, p. Solution 补充：X1, X2, …, Xn相互独立， X~N(1,3), Y~N(2,4), Z = 2X – 3Y? 例17(P85) 若X1, X2, …, Xn相互独立, 令 则 Proof 随机变量X的标准差: (D(X)的单位是X的单位的平方, 有时不便于比较, ?(X)的单位与X一致) 随机变量X的k阶(原点)矩?k和k阶中心矩: 补例(2002) 设随机变量X的概率密度为 对X独立地重复观察4次, 用Y表示观察值大于?/3的次数, 求Y2的数学期望. Solution 补例(1998) 设随机变量X, Y独立, 且都服从均值0, 方差0.5的正态分布, 求随机变量|X – Y|的方差. Solution Z = X - Y. 例18(P86) 由此可见, E(X - E(X))(Y- E(Y))可以从某一个侧面刻画X与Y之间的关系, 称为X与Y的协方差, 记为cov(X, Y). 上式的意义见解释(P86). 容易证明： 例19(P86) Solution 例20(P87) Solution 协方差的性质(P87) (1) (2) (3) cov(X, Y)的单位是X的单位与Y的单位的乘积. 单位标准差的协方差, 是纯量, 称为X与Y的相关系数, 记为?XY, 它是刻画X与Y线性相关程度的数字特征. Def(?XY) 若 ?XY = 0, 则称X与Y不相关. 相关系数的性质(P88): (1) (2) Remark 相互独立?不相关, 但反过来不成立. 1 1/4 1/4 1/4 1/4 P{X = i} 1/2 1/4 0 0 1/4 4 1/2 0 1/4 1/4 0 1 P{Y = j} 2 1 -1 -2 例21(P88) 二维正态随机变量的分布由数学期望、方差及相关系数完全确定.(一维正态?) 二维正态随机变量X, Y: 关于协方差矩阵: * * E(X)是长期以来得出X的平均取值. X的取值有限. 当X的取值无限时, 要求级数 绝对收敛 任意交换绝对收敛级数的项的顺序, 所得到的级数仍收敛, 且其和不变. 数学解释: E(X)是随机变量的取值以概率为权的加权平均. 物理解释(P78) 例1(P78) X ~ B(1, p) ? E(X) = p. 例2(P78) X ~ B(n, p) ? E(X) = np. 1- p p P 0 1 X