社会研究方法概率与抽样PPT.pptVIP

期望值与方差的内在联系：契比雪夫不等式 11.3.2 随机变量函数及其数字特征 随机变量函数是随机变量经过一定的函数运算生成的新的随机变量，如X、Y是随机变量，那么诸如X+c，X+2Y，ln(X)是随机变量函数。随机变量函数也可以定义期望值和方差，我们仅仅需要从观念上赋予Z=X+2Y，则E(Z)便是随机变量函数的期望。 线性随机变量函数 1 非线性随机变量函数 2 k阶原点矩 k阶中心矩 k+l阶混合原点矩 混合中心矩 公共管理硕士（MPA）系列教材 公共管理硕士（MPA）系列教材 社会研究方法 陈振明 主编 第11章 概率与抽样 本章要点 随机事件和概率 随机变量与概率函数 随机变量的数字特征 样本分布与抽样 11.1 随机事件和概率 11.1.1 随机事件和概率的定义 随机事件：结果不确定的事件 概率：对随机事件的属性的描述 随机试验 11.1.2 事件集与基本运算 为了要进一步了解概率的运算规则和性质，接下来，要用集合符号来表示各种随机事件，并揭示集合运算和随机事件的关系。 例1：掷骰子试验的样本空间、事件和基本事件。 11.1.3 古典概率与概率的性质 古典概率 如果随机试验的可能结果有限，即样本空间包含有限个基本事件，且每一个基本事件发生的概率都一样，那么这种随机试验建立的概率模型即可称为古典概率。在古典概率中，每一个事件发生的概率等于这个事件所包含的基本事件的概率之和 概率模型建立的过程 2.对每个基本事件分配概率 3.由于其他随机事件都可以表示为基本事件的合并， 所以根据可加性也都有概率对应 1.明确样本空间，它包含了多少个基本事件 频率 在重复n次的随机试验中，事件A发生的次数nA除以试验次数得到的结果称为该随机试验中事件A发生的频率，记为fA 11.1.4 条件概率、独立性与贝叶斯公式 条件概率 概率是在样本空间这一最大可能事件的基础上定义的，在很多情况下，我们关注样本空间中符合特定条件的群体(而不是整个空间)发生某一事件的概率，这种情况下的概率具有条件限定，这就是条件概率。 独立性 随机事件的独立性。如果以事件N为条件的事件M发生的概率与事件M发生的概率相等，那么称M和N两个随机事件相互独立。直观地说，就是事件N是否发生对事件M的发生不构成影响。 贝叶斯公式 体现了逻辑上相反的“由果溯因”的过程，即假设事件M已经发生，那么导致事件M发生的各种原因中，哪些因素是最主要的。 11.2 随机变量与概率函数 11.2.1 随机变量和分布函数的概念 随机变量 离散型随机变量 1 连续型随机变量 2 随机试验的样本空间包含可列的基本事件，则经过赋值产生的随机变量称为离散型随机变量。 离散型随机变量的概率函数一般形式为 若随机事件的样本空间包含无穷不可列元素，则一般情况下赋值产生的随机变量称为连续型随机变量。 连续型随机变量一般采用“随机变量取值于实数轴某个区间”的形式定义概率函数。 分布函数 假设X是任意随机变量，则定义X的分布函数F(x)如下： 分布函数所具备的三个条件 根据概率的规范性，F(∞)代表随机变量X取值于实数 集的概率，它应该等于1，即F(∞)=1 1 2 根据概率的非负性，F(-∞)=0 3 根据概率的可加性，则 根据概率的非负性和可加性，分布函数是一个单调非 降函数，同时是一个右连续函数。 11.2.2 离散型随机变量和分布 1. 0-1分布 2. 二项分布 二项分布概率表达式 参数 试验次数n和每次试验成功的概率p 3. 泊松分布 泊松分布和二项分布同样是描述随机事件发生次数的分布，但n次二项分布中，“成功”事件发生的次数最多不超过n次，而泊松分布中事件的发生次数没有最大值限制。 11.2.3 连续型随机变量和分布 1.概率密度函数 分布函数的导数实际上描绘了随机变量点概率的变化，称之为概率密度函数，记为f(x)，概率密度函数在某个点的数值越大，代表随机变量出现在这个点附近的概率越大。 2. 正态分布 密度函数 正态密度函数的图形呈现“单峰”形状，需要两个参数决定一个正态分布，即参数μ和σ。函数曲线关于直线x=μ左右对称，并在此处达到峰值，参数μ决定了曲线的位置；参数σ决定了密度曲线的形状，σ越小单峰形状越扁平，σ越大单峰形状越陡。当μ=0，σ=1时，正态分布被称为标准正态分布，记为φ(x)。 3. 指数分布 将具有如下形式密度函数的随机变量称作服从指数分布的随机变量（λ是指数分布的唯一参数）： 4. 均匀分布 具有如下形式密度函数的随机变量称作是服从均匀分布的 11.2.4 二维随机变量及其独立性 1.离散型二维随机变量 离散型二维随机