数理统计ch0导论.pptVIP

(X,Y)为二维连续型r.v., 当 fY(y)0时, 称 f X|Y (x|y) 为Y＝ y 条件下，X的条件密度函数. 又若 为在Y=y 条件下，X 的条件 (数学) 期望. 类似, 称为在X=x 条件下，Y 的条件 (数学) 期望. 则称 同样定义E(X |Y)= E(X |Y=y), 也是随机变量. 例 设二维r.v.的联合密度函数为 (1) 求X的边缘密度函数fX(x); (2) 求条件密度函数fY|X(y|x); (3) 求E(Y |X). 条件期望的性质 (1) 线性: 对任意常数a,b, E|X1|+∞, E|X2|+∞时有 (3) 替换定理： ① 设符号有意义，则 (2) 独立: 若r.v.X与Y相互独立, E|X|+∞, 则 ② h(·)有界, E|g(X)|+∞, 则 (4) 重期望定理: 设E|X|+∞, 则E[E(X |Y)]=E(X ). 证明 (5) 乘积期望公式: 设h(Y)有界, E|r(X)|+∞, 则有 E[r(X)h(Y)]=E{h(Y) E[r(X)|Y ]} 证明 预报及最小二乘法 设已知 (X, Y) 的联合分布 (或已知有关矩), 需根据X 的实测值给出Y 的最佳估计. X可为随机向量, Y是相依的实数值r.v.. 问题的解决:选择X 的适当函数g(X)作为Y 的估计. 依最小二乘估计，即选择函数 , 使 定理: 设E|Y|+∞, 对X 的任一函数g(X), 均有 等号成立当且仅当g(X)=E(Y|X ) 若E|Y|+∞, 称E(Y|X )为Y 的最优预报. Y 的最优预报E(Y|X )的最小均方误差： 关于最小均方误差计算式的证明. 最优预报E(Y|X )的精度： 例 设二维r.v.的联合密度函数为 求最优预报E(Y |X)的精度D[E(Y|X)], 及均方误差 E[Y－E(Y|X)] 2. 数 理 统 计 Mathematical Statistics 袁永生 教授 课 程 主 要 内 容 简要回顾概率论中，对统计部分有影响的内容。 通过深化理解的方式。 统计部分是本课程的主要内容，主要研究一些统计方法和这些方法的理论依据。 教材：滕素珍，冯敬海编著. 数理统计学(第四版). 大连理工大学出版社. 2010.11； 概率部分可参考：盛骤，谢式千，潘承毅编.概率论与数理统计.高等教育出版社.2010.11. 绪论 概率论知识 大多数工程问题具有以下特点(事前或一定已知下的事前): 1.在相同条件下，可重复进行; 2.试验结果不止一个，但事先能确定所有可能结果; 3.一次试验之前，无法确定具体是哪种结果出现. 具有上述特点的现象称为随机试验,简称试验,记为E 0.1 随机试验、样本空间 概率统计的研究范畴: 研究随机试验中的数量规律. 概率统计研究随机试验中规律的方式有两种： 概率论，研究内在规律的固有变化趋势； 统计，从内在规律的宏观表现——数据中反演内在规律. ? 样本空间: 记为? 随机试验所有可能结果的集合. 工程观测结果来自样本空间. 一、随机变量定义 定义 设随机试验E的样本空间?, 若对每个???, 有一个实数X(?)与之对应， 因r.v.X的取值X(?)与?对应, 而?与概率对应. ② r.v.取值有一定概率. 如果试验的结果就是用数量表示的, 表示这个结果的字母, 即随机试验中的数量指标… 随机试验中的数量指标, 就是随机变量. 这样得到的定义在?上的单值实函数X＝X(?)称为随机变量. 记为 r.v. X. r.v.X 与普通函数的主要区别: ① 定义域不尽相同； 0.2 一维随机变量及其分布 r.v.特性: 可能取多值, 不同取值有不同可能性. 对r.v.的完整刻画：取值+可能性, 即r.v.的分布. 二、一维离散型随机变量及其分布律 定义 全部可能取值为有限个或可列无限个的随机变量为离散型随机变量. 若X为离散型随机变量, 取值为x1, …, xn, …, 称 分布律是取值+概率，表格表示和几何表示. (1) pk ? 0, k＝1, 2, … ; 分布律物理意义: pk= P{ X= xk}, k =1, 2, … 为离散型随机变量X 的分布律, 或概率分布. 分布律的性质 概率总量1在所取实轴上离散值上的分配规律. 概率统计研究随机试验中数量规律，面对的是r.v. . 定义 设X 为r.v. , 对任意实数x，令 F(x)＝P {X ? x} 称F(x)为随机变量X 的分布函数. 物理意义： F(x)值为X