统计学和数学知识复习.PPT

第二章 第二章 本章的主要学习内容 一、描述性统计量 二、随机变量 三、重要的理论概率分布 四、参数估计 五、假设检验 总和运算子 平均值 中位数：把Xi 值按从小到大的顺序排列，取中间的那个数。 最频值：整个样本中出现频率最多的值。 —2.反映离散程度的统计量 线性函数 自然对数 指数函数 多变量函数最小化或最大化的一阶条件： 二、随机变量 1.随机变量(Random Variables) 随机变量是可以在一个特定数集中按某种概率分布而取不同数值的变量。概率即随机事件发生的可能性。 随机变量分两种形式： 离散型随机变量：只能取某些选定的值 。随机变量取某一确定值的概率必定小于或等于1，取所有可能值的概率和等于1。 连续型随机变量：可以在一个实数区间内取任意值。 2.期望值(Expected Value ) 期望值E(x)是随机变量x以概率为权数的加权平均数，以下用mx来表示： 3.方差(Variance) 方差用来反映随机变量的离散程度，定义： 常用的计算方法：Var(x) = E(x2) – mx2 方差的平方根被称作标准差 4.协方差(Covariance) 随机变量x 和y的协方差定义为： 常用的计算方法：Cov(x,y)=E(xy)-E(x)E(y) 协方差度量两个随机变量之间的线性相依性，一个正的协方差表示两个变量同向移动，而一个负的协方差则表示两个变量反向移动。 5. 相关(Correlation) 协方差的大小取决于 x和y的计量单位，用公式表示有： [Cov(ax,by)=abCov(x, y)] 相关系数Corr(x, y)用x和y的标准差将协方差调整到1到–1 之间 6. 变量之间的相关关系 相关(Correlation) 如果 ，那么说x与y 不相关； 如果 ，那么说x与y完全正相关； 如果 ，那么说x与y完全负相关； 相关分析的局限性 相关分析只适用于变量之间为线性关系的情况，此时相关系数高表明两个变量间存在密切的关系，但相关系数低时并不能排除两者之间存在内在联系的可能。 例：两者之间为非线性关系 相关系数反映变量间线性关系的密切程度，但不能表明两者间是否存在因果关系。可能出现的情况有： X决定Y（生产函数） X与Y相互决定（均衡价格和均衡供求数量） 两者共同由其它变量所确定（由收入水平决定的猪肉和鸡肉消费） 两者间无实质性联系（偶然相关） 利用相关分析不能建立两变量间的数量关系。同样的相关程度可以对应无数条曲线，而经济研究中最关心的不是两者联系的密切程度，而是对决策有参考作用的结构参数。 1.正态分布(The Normal Distribution) 正态随机变量X有一个均值为m、方差为 s2 的正态分布，记作X～N(m, s2)； 该分布的概率密度函数为 ： 标准正态分布(The Standard Normal) 对于任意一个随机变量，通过先减去均值 m，然后再除以标准差s，可以将其标准化，即： zi=(xi- m)/ s 标准化后的随机变量z具有性质： E(z)=0, Var(z)=1 标准正态分布表示为N(0,1)，其概率密度函数为： 正态分布的性质 均值的对称性 正态曲线下的面积(68%, 95%, 99.7%)位于上面图 Z服从均值为0, 方差为1的正态分布 相互独立并且具有相同分布(independent, identically distributed)的随机变量的线性组合也服从正态分布 如果y1,y2, … yn是独立同分布并且服从N(m,s2), 那么 2.卡方分布(Chi-Square Distribution) 假定Zi为独立同分布的随机变量，Zi ~ N(0,1)，那么定义一个新变量X，X=?(Zi2)，于是称X服从自由度为 n的卡方分布，记为X~?2n。 3. t分布 4.F分布 依据样本统计特征推断总体统计特征 由于各种因素，观察总体特征常常是不可能的，或者代价过于高昂。在此情况下，研究者通过获得有代表性的样本和研究样本统计特性来间接推断总体数量的特征。 只有当样本是按照统计标准从总体中抽出时（如每个个体均有同等机会被抽出的随机样本），才可以依据样本统计特征来推断总体统计特征。 估计量和估计值(Estimators and Estimates) 由于我们通常不能够全面观察总体, 因此只能依据由一个随机样本所做的估计来做出推断； 估计量是从样本数据估计总体参数的数学计算公式； 估计值是由样本数据根据估计量公式实际计算得出的数值结果。 估计量的例子 假定我们想得到总体均值的估计； 我们需要使用期望值计算公式E(y)。 考虑到每