概率论与数理统计(第3版)(谢永钦)随机变量.pptxVIP

概率论与数理统计(第3版)(谢永钦)随机变量汇报人：AA2024-01-19

目录CONTENTS随机变量及其分布多维随机变量及其分布随机变量的数字特征大数定律与中心极限定理统计量及其分布参数估计

01随机变量及其分布

随机变量是定义在样本空间上的实值函数，它将样本空间中的每一个样本点映射到一个实数。随机变量具有可测性，即对于任意实数x，随机变量的取值小于等于x的事件是一个可测事件。随机变量的定义与性质性质定义

离散型随机变量是指其取值只能是有限个或可列个实数的随机变量。定义离散型随机变量的分布律可以用概率质量函数来描述，即对于离散型随机变量X和任意实数x，概率P{X=x}表示X取值为x的概率。分布律离散型随机变量及其分布律

连续型随机变量及其概率密度定义连续型随机变量是指其取值可以充满一个区间或多个区间的随机变量。概率密度连续型随机变量的概率密度函数是一个非负可积函数，它描述了随机变量在各个取值点的“概率密度”，即在该点的邻域内取值概率的大小。

定义随机变量的函数是指通过某种规则或运算将一个随机变量转换为另一个随机变量的过程。分布随机变量的函数的分布可以通过变换原随机变量的分布得到。对于离散型随机变量，可以通过计算各取值的概率得到新随机变量的分布律；对于连续型随机变量，可以通过变换原随机变量的概率密度函数得到新随机变量的概率密度函数。随机变量的函数的分布

02多维随机变量及其分布

二维随机变量及其联合分布设$(X,Y)$是二维随机变量，对于任意实数$x,y$，二元函数$F(x,y)=P{(Xleqx)cap(Yleqy)}$称为二维随机变量$(X,Y)$的联合分布函数。联合分布函数如果二维随机变量$(X,Y)$所有可能取的值是有限对或可列无限多对，则称$(X,Y)$是离散型的随机变量，称$P{X=x_i,Y=y_j}=p_{ij},i,j=1,2,...$为二维随机变量$(X,Y)$的联合分布律。联合分布律

VS二维随机变量$(X,Y)$作为一个整体，具有分布函数$F(x,y)$，而$X$和$Y$都是随机变量，各自也有分布函数，将它们分别记为$F_X(x),F_Y(y)$，依次称为二维随机变量$(X,Y)$关于$X$和关于$Y$的边缘分布函数。条件分布律对于二维离散型随机变量$(X,Y)$，可以考虑在其中一个随机变量取确定值的条件下，另一随机变量的分布律。设$P{X=x_i}0$，则称条件概率$P{X=x_i|Y=y_j}=frac{P{X=x_i,Y=y_j}}{P{Y=y_j}}$为在$Y=y_j$条件下随机变量$X$的条件分布律。边缘分布函数边缘分布与条件分布

独立的定义设$(X,Y)$是二维随机变量，如果对于所有的$x,y$都有$F(x,y)=F_X(x)F_Y(y)$，则称随机变量$X$和$Y$是相互独立的。独立的性质如果$(X,Y)$是相互独立的，那么对于任何实数$a,b$，事件${aXleqb}$和${cYleqd}$也是相互独立的。随机变量的独立性

$Z=X+Y$的分布设$(X,Y)$是二维连续型随机变量，其联合概率密度为$f(x,y)$，则$Z=X+Y$仍为连续型随机变量，其概率密度函数可以通过卷积公式求得。要点一要点二$Z=max{X,Y}$和$Z=min{X,Y}$…设$(X,Y)$是二维连续型随机变量，其联合概率密度为$f(x,y)$，则$Z=max{X,Y}$和$Z=min{X,Y}$的分布函数可以通过对联合概率密度函数进行积分得到。多维随机变量函数的分布

03随机变量的数字特征

描述随机变量取值的“平均水平”，是随机变量所有可能取值与其对应概率的乘积之和。衡量随机变量取值与其数学期望的偏离程度，即随机变量取值的波动性或分散程度。数学期望方差数学期望与方差

协方差衡量两个随机变量变化趋势的相似程度，正值表示两变量同向变化，负值表示反向变化，零表示无关联。相关系数标准化后的协方差，消除了量纲影响，更准确地反映两变量之间的线性相关程度。协方差与相关系数

矩描述随机变量分布形态的特征数，如一阶原点矩为数学期望，二阶中心矩为方差。协方差矩阵多个随机变量两两之间的协方差构成的矩阵，用于描述多维随机变量的整体波动性和各维度之间的相关性。矩与协方差矩阵

04大数定律与中心极限定理

定义大数定律是描述随机变量序列平均值的稳定性的定理，即当试验次数足够多时，随机事件出现的频率趋近于它的概率。种类包括伯努利大数定律、辛钦大数定律等。应用在保险、金融、赌博等领域中，大数定律被广泛应用，用于估计和预测未来的风险和收益。大数定律

中心极限定理中心极限定理在统计学中具有重要地位，为参数估计和假设检验提供了理论基础。同时，在实际应用中，如质量控制、社会调查等领域也发挥着重要作用。应用中心极限定理是指当样本量足够大