概率论与数理统计(浙江大学版本).pptVIP

2.相关系数的性质 (1) |?XY|?1； (2) |?XY|=1?存在常数a, b 使P{Y= aX+b}=1； (3) X与Y不相关? ?XY=0; 1.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 D 1 x=y 解 以上EX的结果说明了什么？ 解1) 2) 可见，假设〔X，Y〕服从二维正态分布，那么X与Y独立的充分必要条件是X与Y不相关。 三. 矩(p98) 1. K阶原点矩 Ak=E(Xk), k=1, 2, … 而E(|X|k)称为X的K阶绝对原点矩； 2. K阶中心矩 Bk=E[X-E(X)]k, k=1, 2, … 而E|X-E(X)|k称为X的K阶绝对中心矩； 3. K+l阶混合原点矩 E(Xk Yl), k, l=0, 1, 2, …； 4. K+l阶混合中心矩 E{[X?E(X)]k[Y?E(Y)]l}, k, l=0, 1, 2, …； 四. 协方差矩阵(p98) 1.定义 设X1，… , Xn为n个r.v., 记cij=cov(Xi, Xj), i, j=1, 2, …, n. 那么称由cij组成的矩阵为随机变量 X1，… , Xn的协方差矩阵C。即 P101 n维正态分布 例4 设(X,Y)服从N(1,0,32,42,-0.5)分布，Z=X/3+Y/2 1)求Z的概率密度 2)求X与Z的相关系数 3)问X与Z是否相互独立？为什么？ 六种常用随机变量的期望与方差 小结 3.6 大数定律与中心极限定理3.6.1 大数定律一.依概率收敛 设{Xn}为随机变量序列，X为随机变量，假设任给?0, 使得 那么称{Xn}依概率收敛于X. 可记为 切比雪夫不等式 如 意思是:当 a 而 意思是: 时,Xn落在 内的概率越来越大. ,当 二.几个常用的大数定律 1.切比雪夫大数定律 设{Xk,k=1,2,...}为独立的随机变量序列，且有相同的数学期望?，及方差?20，那么 即假设任给?0, 使得 证明:由切比雪夫不等式 这里 故 2.伯努里大数定律 设进行n次独立重复试验，每次试验中事件A发生的概率为p，记fn为n次试验中事件A发生的频率，那么 证明:设 第i次试验事件A发生 第i次试验事件A不发生 那么 由切比雪夫大数定理 3. 辛钦大数定律 假设{Xk,k=1.2,...}为独立同分布随机变量序列, EXk=? ?, k=1, 2, … 那么 推论:假设{Xi,i=1.2,...}为独立同分布随机变量序列, E(X1k)= ?, 那么 3.6.3. 中心极限定理一.依分布收敛 设{Xn}为随机变量序列，X为随机变量，其对应的分布函数分别为Fn(x), F(x). 假设在F(x)的连续点，有 那么称{Xn}依分布收敛于X. 可记为 二.几个常用的中心极限定理 1.独立同分布中心极限定理(Levy-Lindeberg) 设{Xn}为独立同分布随机变量序列，假设EXk=??，DXk= ?2 ?，k=1, 2, …, 那么{Xn}满足中心极限定理。 根据上述定理，当n充分大时 例1.将一颗骰子连掷100次，那么点数之和不少于500的概率是多少？ 解:设 Xk为第k 次掷出的点数,k=1,2,…,100,那么 X1,…,X100独立同分布. 由中心极限定理 设随机变量?n(n=1, 2, ...)服从参数为n, p(0p1)的二项分布，那么 2.德莫佛-拉普拉斯中心极限定理(De Moivre-Laplace) 证明:设 第i次试验事件A发生 第i次试验事件A不发生 那么 由中心极限定理,结论得证 例4 设随机变量(X,Y)的分布律如下，求E(XY) 解: 解： Y=ax+b关于x严单，反函数为 Y的概率密度为 EX2：设随机变量X服从标准正态分布，求随机变量 Y=aX+b的数学期望(其中a0) (p77)定理2 假设X~f(x), -?x?, 那么Y=g(X)的期望 推论 假设(X, Y) ~f (x, y), -?x?, -?y?, 那么Z=g(X, Y)的期望 例2 长途汽车起点站于每时的10分、30分、55分发车，设乘客不知发车时间，于每小时的任意时刻随机地到达车站，求乘客的平均候车时间 解:设乘客于某时X分到达车站,候车时间为Y,那么 =10分25秒 设X服从N(0，1)分布，求E(X2),E(X3),E(X4) 1. E(c)=c,c为常数; 2。