数理统计c额h1_概率分布.ppt

王玉顺：数理统计01_概率分布 大数定律的诞生背景 什么是大数定律？ 均值大数定律 频率大数定率 小概率事件原理 1.3.2 随机变量的数学期望 E(X) 本质上是随机变量X所有观察值的算数平均，这就是为什么期望E(X)又称作均值(mean)的原因。 (2)离散变量的期望(Expectation) ■掷一颗均匀的骰子，以X表示掷出的点数，求X的数学期望。 1.3.2 随机变量的数学期望 (2)离散变量的期望(Expectation) ■求随机变量X2的数学期望 1.3.2 随机变量的数学期望 (2)离散变量的期望(Expectation) 利用对立事件概率、分布函数定义计算 (7)标准正态变量的事件概率计算 1.2.3 正态分布的概率计算 (7)标准正态变量的事件概率计算 绝对不等式展开 区间事件概率 分布函数定义 对称事件概率 1.2.3 正态分布的概率计算 三个特殊区间事件及其概率在实际中很有用，应当熟记 (7)标准正态变量的事件概率计算 1.2.3 正态分布的概率计算 示例： 设X～N(3,9)，试计算 P(X-3.3) P(X7.14) P(|X-3|6) P(|X-3|6) (8)一般正态变量的事件概率计算 1.2.3 正态分布的概率计算 (8)一般正态变量的事件概率计算 分布函数定义 标准化变换 对称事件概率 1.2.3 正态分布的概率计算 利用标准正态分布计算 (8)一般正态变量的事件概率计算 对立事件概率 分布函数定义 标准化变换 1.2.3 正态分布的概率计算 利用标准正态计算 (8)一般正态变量的事件概率计算 不等式变换 标准化变换 区间事件概率 对称事件概率 1.2.3 正态分布的概率计算 利用标准正态分布计算 (8)一般正态变量的事件概率计算 对立事件概率 不等式变换 标准化变换 区间事件概率 对称事件概率 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 示例： 1.2.3 正态分布的概率计算 利用标准化变换、区间事件概率、标准正态分布函数和对称事件概率推导算式 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 三个特殊区间事件及其概率在实际中很有用，应当熟记 1.2.3 正态分布的概率计算 (9)计算X落入μ±kσ区间的概率 (10)概率0.95和0.99对应的中心区间 示例： 1.2.3 正态分布的概率计算 1.2.3 正态分布的概率计算 (10)概率0.95和0.99对应的中心区间 1.2.3 正态分布的概率计算 (10)概率0.95和0.99对应的中心区间 二组特殊数据在实际中很有用，应当熟记。 一般正态分布 概率0.95对应μ±1.96σ区间 概率0.99对应μ±2.58σ区间 1.2.3 正态分布的概率计算 (10)概率0.95和0.99对应的中心区间 标准正态分布 概率0.95对应0±1.96区间 概率0.99对应0±2.58区间 二组特殊数据在实际中很有用，应当熟记。 1.2.3 正态分布的概率计算 (10)概率0.95和0.99对应的中心区间 1.3 数字特征 Digital Characteristic 1 概率分布 随机变量的概率密度曲线可用中心、众数、分散、偏倚、峰凸、关联等特征描述，一个特征用一个数值表达就称作随机变量的数字特征(digital characteristic)。数字特征描述了随机变量观察值分布的集中位置、散布状况和偏倚程度等。数字特征由观察值和概率密度为元素构造，最重要的两个数字特征是期望和方差。 什么是数字特征？ 1.3 随机变量的数字特征 期望：量度观察值分布的“重心” 或“中心” 方差：量度观察值分布的分散程度 协方差：量度两变量观察值的关联程度 相关系数：量度两变量观察值的关联程度 峰度：量度观察值分布密度相比正态分布的集聚程度 偏度：量度观察值分布密度相比正态分布的偏倚程度 随机变量的主要数字特征 1.3 随机变量的数字特征 1.3.1 随机变量的矩 Moment 1.3 随机变量的数字特征 离散随机变量的k阶原点矩 ρ－质量面积密度 1.3.1 随机变量的矩 （1）k阶原点矩(k-order moment) 1.3.1 随机变量的矩 （1）k阶原点矩(k-order moment) 连续随机变量的k阶原点矩 ρ－质量面积密度 1.3.1 随机变量的矩 （4）k阶中心矩(central moment) 离散随机变量的k阶中心矩 1.3.1 随机变量的矩