概率知识补充.pptxVIP

概率知识补充0 随机变量分布函数的定义 对随机变量X, 称 x 的函数为 X 的概率分布函数, 简称为分布函数 1 离散型随机变量的数学期望定义 设X是离散型随机变量，它的分布律为: P(X=xk)=pk , k=1,2,…如果绝对收敛，则称它为X的数学期望 或均值，记为E(X), 即 若发散，则称X 的数学期望不存在。注：数学期望是一个实数，体现了随机变量取 值的概率平均（即数学期望是平均值）定义 设X是离散型随机变量，它的分布律为: P(X=xk)=pk , k=1,2,…绝对收敛，如果则g(X)的数学期望存在，且 设二维离散型随机变量(X, Y)的联合分布律为 若 绝对收敛则g(X,Y)的数学期望存在，而且有2 连续型随机变量的数学期望定义 设X是连续型随机变量，其密度函数为 f (x), 如果有限, 定义X的数学期望为若则称 X 的数学期望不存在定义 设X是连续型随机变量，其密度函数为 f (x), 如果绝对收敛则g(X)的数学期望存在，且 设二维连续型随机变量(X, Y)的联合密度为 f (x, y), 且Z= g(X,Y)也是连续型随机变量， 绝对收敛若 则 Z 的数学期望存在，而且有3. 方差定义 设随机变量X的数学期望为E(X), 若E(X-E(X))2存在, 则称它为X 的方差（此时，也称X的方差存在），记为D(X)或Var(X), 即 D(X)=E(X-E(X))2 称D(X) 的算术平方根 为X的标准差或均方差，记为? (X). 注：方差是刻化随机变量取值的分散程度的一个特征值。4. 协方差 对于二维随机变量(X, Y)，设其分量的数学期望为E(X), E(Y)，若E[(X?E(X))(Y ? E(Y))]存在，则称它为X, Y 的协方差，记为Cov (X,Y), 即 Cov(X, Y ) = E[(X ? E(X))(Y ? E(Y))]? = E(XY ) ? E(X) E(Y)5. 相关系数 若二维随机变量(X, Y )的分量的方差D(X), D(Y)都存在，且D(X)0, D(Y)0, 则称为随机变量X和Y的相关系数 . 若?XY =0 则称X , Y 不相关；若?XY ?0 称 X, Y 正相关；若?XY ?0 则称 X, Y 负相关。 相关系数的性质：存在常数a, b，使P{Y=a+bX}=1， ?XY = 1 的充要条件是，P(Y=a+bX)=1(b0) 这时称X及Y 完全正相关； ?XY =??1的充要条件是，P(Y=a+bX)=1(b0)这时称X及Y 完全负相关。? 相关系数的意义 若| ?XY |的值越接近于1, X及Y之间越近似有线性关系；我们说X与Y的线性相关程度越高。 若| ? XY|的值越接近于0, 越不能认为X及Y之间有近似线性关系；我们说X与Y的线性相关程度越弱。Y及X之间以概率1有严格线性关系;当?XY =0时, X, Y之间的关系较复杂；可能X,Y相互独立；可能(X,Y)在平面上的某个区域内服从均匀分布；可能X,Y之间有某种非线性的函数关系。 6. 矩 若E(Xk )存在，则称它为X的k阶原点矩，记为?k E(X)=?1，它为X的1阶原点矩 若E(X-E(X))k存在, 则称它为X的k阶中心矩，记为vk D(X)=E(X-E(X))2=v2，它为X的2阶中心矩 7. 变异系数 若X的2阶矩存在，则比值称为X分布的变异系数。容易看出，变异系数是以数学期望为单位去度量随机变量取值波动程度的特征数。它是一个无单位的量。一般说来，取值较大的随机变量的方差及标准差也较大，这时仅看方差大小就不合理。 比如用定位仪测量两个城市的距离，测量值 X 是随机变量， 若EX=1463公里=1463000公尺，标准差? (X)=500公尺，则变异系数Cv=0.00034 。 而用一般标尺测量一个跑道，测量值Y也是随机变量，若EY=100公尺，标准差? (X)=0.05公尺，则变异系数Cv=0.0005 。相比之下，还是用定位仪测量两城市的距离较为精确。8. 偏度 若X的3阶矩存在，则比值称为X的偏度系数，简称偏度。 正态分布N(?, ? 2)的三阶中心矩E(X?EX)3=0，故其偏度为0。一般，若X的概率密度函数 f (x)关于其数学期望EX对称，则其三阶中心矩E(X?EX)3必为0，从而?1=0表明：关于EX 对称的概率分布，其偏度为零. 若偏度?1不为零，则其分布不是对称的，且|?1|愈大，其分布及对称分布偏离愈大，特别，若?10，称概率分布为正偏；若?10，称概率分布为负偏。Positive vs. Negative Skewness Exhibit These graphs illustrate the notion of skewness. Both