Lecture5-交大统计所.doc

PAGE  PAGE 8 Lecture 5 10/15/2008 主題: 離散型隨機變數 延續上次的講義 機率: 由集合到隨機變數 離散型隨機變數基本定義 probability mass function: cumulative distribution function: expected value of = the mean of ? “center” : “期望值” 或是 “平均數” - the variance of (變異數) ? information about the dispersion ? 公式 1 . ? 公式 2 公式二證明: . Proof: . ? 公式 2 Note: 公式 2 比較好計算 the rth moment of : X 的 r 階動差 (mean 和 variance 和前二階動差有關) 操作練習 Ex : x 0 1 2 3 4 5 P(x) 0.01 0.1 0.3 0.4 0.1 ? 求 3. 有關隨機變數的概念 probability mass function (i.e. ) 和 cdf (i.e. ) 包含此隨機變數所有的訊息 只知道動差函數 (i.e. ), 並無法推得 or Karl Pearson 認為前四階動差() 已擷取此隨機變數 絕大部份的資訊 (平均, 變異, 對稱姓, 峰度) 4. 在統計課程中, 以機率模式來描述母體的分佈, 但是分佈的重要特徵 (如 and ) 未知. 所以透過隨機樣本對這些重要的量作推論 (內容包含估計和檢定). Note: Karl Pearson 的故事 (統計改變了世界) 機率: 以樣本空間描述所有可能的現象 優點: 包含細節 缺點: 樣本空間成員太多, 無法一一列舉 列舉樣本空間或是事件的成員往往太繁瑣 數學的精神: 化繁為簡, 透過量化的過程替現象找到一般性 以隨機變數定義機率(以函數描述 probability function, 或是 CDF) 缺點: 去除了某些訊息. 優點: 化繁為簡. 常見的現象可予以命名, 建立系統化的公式. 特殊的離散型隨機變數 – Binomial random variable A. 背景: 丟銅板三次, 紀錄每次的結果 : head代表正面; : tail 代表反面 令 = # of heads obtained in the three tosses. 我們學會 以樣本空間的事件定義機率 (集合關係) 以隨機變數描述機率 有系統的描述此隨機變數的機率分佈, 並命名之 Binomial distribution. (“命名”使得同類問題的解決可以依循現有的結果分析) B. 數學定義 符號: = total number of experiments, p = probability of success 機率公式: for 解讀: - 事件 的機率 ? - 在 n 個次數中, 發生 個成功, 個失敗的組合數有 個 - 互斥事件的聯集機率用累??? C. Binomial 分配的重要性質 (平均成功次數) (成功次數的變異數) (沒有 explicit form) ? 有表可查 運算技巧: (右式比較好算) 公式推導 直接由定義 ? 不容易 因為要計算複雜級數的和 間接由 Bernoulli random variable 的和 ? easy 令 , where . 已知: 可推得 (因為與獨立, 所以第二項 = 0) 有用的機率性質 期望值的運算 (常數的期望值) 常數的變異數 稱之為共變數 (covariance), 為衡量兩個變數關聯性的參數. and 獨立 ? but not vice versa. Remarks: 由 (a) 和 (b) 可知, 證明的方式不一定要一樣. 方法 (a): 算數的證法 方法 (b): 機率的證法 其他統計的問題, 也常可用不同數學方法求得答案 (“分析”, “代數”, 或是 “幾何”) ? 條條大路通羅馬 選擇哪一種解法和心智的優勢能力有關 課外讀物: 心智地圖：帶你了解孩子的八種大腦功能 (天下文化) 作者：  HYPERLINK .tw/exep/openfind.php?cat=001key=%A6%CC%BA%B8%A1D%A7%F5%A4%E5%2F%B5%DB 米爾．李文/著連續29週高踞《紐約時報》暢