第四章 随机变量的数字特征.ppt

* 正态分布的期望与方差 * 正态随机变量的线性组合 —再生性 * * 例13 * * 例14 * 4.3 协方差与相关系数 4.3.1 定义 4.3.2 性质 4.3.3 不相关与独立 * 4.3.1 协方差与相关系数的定义 * 协方差与期望、方差的关系 * 例15 * * 4.3.2 协方差、相关系数的性质 * 例16 证明 * 4.3.3 不相关与独立 * 不相关与独立间的关系 不相关 独立 相关 * 例17 1/4 1/4 1/4 1/4 P{X=j} 1/2 1/4 0 0 1/4 4 1/2 0 1/4 1/4 0 1 P{Y=i} 2 1 -1 -2 X Y * 1/4 1/4 1/4 1/4 1/4 P{X=j} 1/2 1/4 0 0 1/4 4 1/2 0 1/4 0 1 P{Y=i} 2 1 -1 -2 X Y * 4.4.1 大数定律的内容 辛钦大数定律（弱大数定律） * 贝努里大数定律 虽然某个事件在某一次实验中可以出现，也可以不出现. 但是，在大量重复试验中却呈现明显的规律性，即一个随机事件出现的频率在某个固定数的附近摆动，即所谓“频率稳定性”. 显然，贝努里大数定律是辛钦大数定律的特殊情况. 雅各布第一贝努里（1652—1705）在《推测术》(1713年出版)中首先证明了这个规律. * 大数定律的意义 大数定律给出了在试验次数很大时频率和平均值的稳定性，从理论上肯定了用算术平均值代替均值，用频率代替概率的合理性. 它既验证了概率论中一些假设的合理性，又为数理统计中用样本推断总体提供了理论根据，所以说，大数定律是概率论中最重要的基本定律. * 4.4.2 中心极限定理的内容 * 林德伯格—莱维定理 * 中心极限定理的意义 正态分布是现实生活中使用最多、最广泛、最重要的一种分布. 许多随机变量本身并不服从正态分布，但在某些条件下，这些随机变量之和的分布的极限是正态分布，即在一定的条件下，原来不服从正态分布的随机变量的和的分布渐近地服从正态分布. 中心极限定理为利用正态分布来解决这类随机变量的概率问题提供了理论依据. 大数定律与中心极限定理都是通过极限理论来研究概率问题，研究的对象都是随机变量序列，解决的都是概率论中的基本问题，因而在概率论中有重要的意义. 所不同的是，大数定律研究平均值的极限，而中心极限定理则研究随机变量总和分布的极限. * 例18 * * 例19 * * * 德莫佛——拉普拉斯定理 * 概率计算公式 * 随机变量的数字特征 —概述 分布函数能完整地描述随机变量的统计特性. 但在某些实际问题中，并不需要全面考察随机变量的变化情况，而只需要知道随机变量的某些特征，因而并不需要求出它的分布函数. 例如，在评定某一地区粮食产量的水平时，在许多场合只要知道该地区的平均产量； 又如, 检查一批棉花的质量时，既需要注意纤维的平均长度，又需要注意纤维长度与平均长度的偏离程度，平均长度较大、偏离程度较小，质量就较好. 与随机变量有关的某些数值，虽然不能完整地描述随机变量，但能描述随机变量在某些方面的重要特征. * 第四章 随机变量的数字特征 4.1 数学期望 4.2 方差 4.3 协方差与相关系数 4.4 大数定律与中心极限定理 * 引例 有甲、乙两个射手，他们的射击技术用下表表出： 击中环数 8 9 10 概率 0.3 0.1 0.6 射手乙 击中环数 8 9 10 概率 0.2 0.5 0.3 试问哪个射手本领较好？ 射手甲 解 设两个选手各射N枪，则有 甲：8×0.3N＋9×0.1N＋10×0.6N=9.3N 乙：8×0.2N＋9×0.5N＋10×0.3N=9.1N 甲平均射中9.3环，乙平均射中9.1环，因此甲射手的本领好些. 在这一问题中，以平均值的大小为准则，来判定射手的射击水平的高低. 由此产生了随机变量的数学期望E(X )的概念. * 射手甲 击中环数 8 9 10 概率 0.4 0.1 0.5 射手乙 击中环数 8 9 10 概率 0.2 0.5 0.3 试问哪个射手本领好一些？ 若两个选手各射N枪，则 甲的平均环数为：(8×0.4N＋9×0.1N＋10×0.5N)/N=9.1， 乙的平均环数为:（8×0.2N＋9×0.5N＋10×0.3N)/N=9.1. 这时，可用量