概率论与数理统计第4章.pptVIP

第四章 随机变量的数字特征 数学期望 方差 协方差和相关系数 大数定理与中心极限定理 4.1数学期望一、离散型随机变量的数学期望 二、连续型随机变量的数学期望 三、随机变量函数的数学期望 4.2 方 差 三、方差的性质 证明 由方差定义可得 四、几个重要分布的数学期望和方差 3、Poisson分布 4、均匀分布 5、指数分布 6、正态分布 2、二项分布X~B(n,p) 7、几何分布 4.3 协方差与相关系数 四、相关系数的性质 五、矩的概念 4.6 大数定律 切比雪夫不等式的主要应用有如下三个方面： 三、大数定理 四、中心极限定理 二、德莫佛-拉普拉斯定理(De Moivre-Laplace) 六、协方差矩阵 将二维随机变量(X1,X2)的四个二阶中心矩 排成矩阵的形式: （对称矩阵）称此矩阵为 (X1, X2)的协方差矩阵. （对称矩阵） n维随机变量(X1, X2,…,Xn)的协方差矩阵. 若 为(X1, X2,…,Xn)的协方差矩阵. 都存在，则称 练习 1、设二维随机向量(X,Y)的联合分布律如下： 求：E(X), E(Y), D(X), D(Y), cov(X,Y), 1/9 0 0 3 2/9 1/9 0 2 2/9 2/9 1/9 1 3 2 1 X Y 2、设(X,Y)服从区域D:0x1,0yx上的均匀分布,求X与Y的相关系数。 2 解 补充证明: |ρXY|=1的充要条件是存在常数a≠0, b, 使得 P{Y=aX+b}=1，即 X与Y以概率1存在线性关系.而且 当a0时, ρXY=1;当a0时, ρXY=-1. 设Y=aX+b，则E(Y)=aE(X)+b，D(Y)=a2D(X) Cov(X,Y)= E{[X?E(X)][Y?E(Y)]} = E{[X?E(X)][aX+b?aE(X)?b]} =aE{[X?E(X)]2}= aD(X) 即 |ρXY|=1 证明（充分性） （必要性）设ρXY=1，则 性质1 方差性质 其中 即X与Y以概率1存在线性关系，此时称X，Y正相关。 当ρXY=-1时 其中 即X与Y以概率1存在线性关系，此时称X，Y负相关。 例4.17 设(X, Y)在D={(x,y)|x2+y2?r2}上服从均匀分布，(1)求ρXY；(2)讨论X与Y的独立性。 解 (1) Cov(X,Y)=E(XY)?E(X)E(Y)=0， 所以ρXY=0，X与Y不相关。 (2) 显然 X与Y不独立。 概率论与数理统计是研究随机现象统计规律性的学科. 而随机现象的规律性是在相同的条件下进行大量重复试验时呈现出来的. 例如,在概率的统计定义中，曾提到一事件发生的频率具有稳定性，即事件发生的频率趋于事件发生的概率，这就是最早的一个大数定理。 在生产实践中, 人们还认识到大量试验数据、测量数据的算术平均值也具有稳定性. 这种稳定性就是我们将要讨论的大数定律的客观背景.一般的大数定理讨论n个随机变量的平均值的稳定性。下面，我们将介绍有关随机变量序列的最基本的两类极限定理----大数定理和中心极限定理. 设随机变量序列X1,X2,…,Xn…，若存在随机变量Y，使得对于任意正数?，均有 则称随机变量序列{Xn}依概率收敛于随机变量Y，并记为 一、依概率收敛 若存在常数a，任意的正数? ，使得 则称随机变量序列{Xn}依概率收敛于常数a，并记为 意思是：当 a 而 意思是： 时，Xn落在 内的概率越来越大。 ,当 与 的区别 定理1 设随机变量X的期望E(X)=μ，方差 D(X)=σ2，则对任意的ε0，有 或 或等价于 二、切比雪夫(Chebyshev,俄罗斯)不等式 注：(i) 由切比雪夫不等式可以看出, 若 越小, 则事件 的概率越大, 即随机变量X集中在期望附近的可能性越大. 由此可见方差刻划了随机变量取值的离散程度. (1)在贝努里试验中的应用 二项分布中，频率与概率的精度估计不等式的两种形式： 主要问题有： 已知 和估计事件的概率求试验次数n； 已知 和估计事件的概率(把握程度)求估计的精度 ； 已知 和估计事件的概率求试验成功的概率　． (2)估计随机变量分散程度的概率界限 给出了在随机变量X的分布未知时，概率P(|X-E(X)|≥ε)的一个上限， 当ε分别取时2σ，3σ，4σ时，有 P(|X-E(X)|≥2