数理统计学_.pptVIP

第一章 概率论基础  二、 条件概率与事件的独立性 (1)、乘法公式 (2)、全概率公式与Bayes公式 2.事件的独立性 三、 随机变量及其分布 1.分布函数及其性质 2.离散型随机变量 4、条件分布 四、 随机变量的数字特征 常见分布的数学期望和方差 （三） 矩，协方差与相关系数 五、 大数定律与中心极限定理 若E [X - E(X)]2 存在, 则称其为随机 称 为 X 的均方差或标准差. 定义 即 D (X ) = E [X - E(X)]2 变量 X 的方差, 记为D (X ) 或 Var (X ) 两者量纲相同 概念 D(X ) —— 描述 r.v. X 的取值偏离平均值 的平均偏离程度 —— 数 （二） 方差 若 X 为离散型 r.v.，分布律为 若 X 为连续型r.v. ，概率密度为 f (x) 计算方差的常用公式： 其中，性质（1），（2），（4）是鉴别一个函 数是否为某随机变量分布函数的充分必要条件. 随机变量通常可分两种类型，若随机变量全部可能 取值是有限个或可列无限个，则称这种随机变量为 离散型随机变量，否则称为非离散型的. (1).两点分布 (3).泊松分布 (2).二项分布 3. 连续型随机变量 概率密度 f ( x) 具有如下性质 （1） （2） （3） 几种常见的连续型随机变量的概率分布. (1). 均匀分布 (2). 指数分布 (3). 正态分布 （二） 多维随机变量及其分布 1. 随机向量的概念 多维随机变量也就是多个随机取值的变量，也称为随机向量。 n元分布函数具有以下性质： ⑶、 2.边缘分布 3. 随机变量的独立性 后面常用到下面的结论： 设(X,Y)为离散的，其联合概率分布为 则 设(X,Y)为连续随机变量，联合密度函数为f(x,y),如果在定点x，X的边缘密度 定义 显然有 同理可得 也可写成 由上式可得 这就是Bayes公式的密度函数形式。 （一） 数学期望 1. 随机变量的数学期望 设离散 r.v. X 的概率分布为 若无穷级数 绝对收敛，则 设连续 r.v. 的 p.d.f. 为f (x) 绝对收敛, 则 若广义积分 2.随机变量函数的数学期望 设离散 r.v. (X ,Y ) 的概率分布为 Z = g(X ,Y ), 绝对收敛 , 则 若级数 设连续 r.v. (X ,Y )的联合 p.d.f. 为 f (x ,y) ，Z = g(X ,Y ), 绝对收敛, 则 若广义积分 * * * 从历史的典籍中，人们不难发现许多关于钱粮、户口、地震、水灾等等的记载，说明人们很早就开始了统计的工作 . 但是当时的统计，只是对有关事实的简单记录和整理，而没有在一定理论的指导下，作出超越这些数据范围之外的推断. 到了十九世纪末二十世纪初，随着近代数学和概率论的发展，才真正诞生了数理统计学这门学科. 数理统计学是一门应用性很强的学科. 它是研究怎样以有效的方式收集、 整理和分析带有随机性的数据，以便对所考察的问题作出推断和预测，直至为采取一定的决策和行动提供依据和建议. 数理统计不同于一般的资料统计，它更侧重于应用随机现象本身的规律性进行资料的收集、整理和分析. 由于大量随机现象必然呈现出它的规律性，因而从理论上讲，只要对随机现象进行足够多次观察，被研究的随机现象的规律性一定能清楚地呈现出来. 只允许我们对随机现象进行次数不多的观察试验，也就是说, 我们获得的只是局部观察资料. 但客观上 数理统计的任务就是研究怎样有效地收集、整理、分析所获得的有限的资料，对所研究的问题, 尽可能地作出精确而可靠的结论. 由于推断是基于抽样数据，抽样数据又不能包括研究对象的全部信息. 因而由此获得的结论必然包含不肯定性. 在数理统计中，不是对所研究的对象全体(称为总体)进行观察，而是抽取其中的部分(称为样本)进行观察获得数据（抽样），并通过这些数据对总体进行推断. 数理统计(统计推断)的特点是应用面广，分支较多. 社会的发展不断向统计提出新的问题. 计算机的诞生与发展，为数据处理提供了强有力的技术支持，数理统计与计算机的结合是必然的发展趋势. 由于学时有限，课程的的这部分内容重点在于介绍数理统计的一些重要概念和典型的统计方法，它们是实际中最常用的知识. 学习统计无须把过多时间化在计算上，可以更有效地把时间用在基本概念、方法原理的正确理解上. 国