概率论与数理统计
2023-02-22 11:47:03 0 举报
AI智能生成
大学概率论与数理统计所有知识点
作者其他创作
大纲/内容
5 大数定律与中心极限定理
5.1 大数定律
伯努利大数定理
设是次重复独立实验中事件发生的次数,是事件在每次实验中发生的概率,则对于任意正数,有:
或:
或:
辛钦大数定律
设有随机变量:,这些随机变量相互独立,服从同一分布,且具有相同的数学期望:
令:
则对于任意有:
或:
也可以表述为:
令:
则对于任意有:
或:
也可以表述为:
切比雪夫大数定理
设有随机变量:,这些随机变量两两不相关,若每个随机变量的方差存在,且有共同的上界,即:
令:
则对于任意有:
或:
也可以表述为:
令:
则对于任意有:
或:
也可以表述为:
关系
5.2 中心极限定理
棣莫弗-拉普拉斯定理(中心极限定理的一种)
设随机变量,则对任意有:
林德伯格-莱维定理
设随机变量:
相互独立,服从同一分布,且有相同的数学期望和方差:
则随机变量:
对于任意实数有:
相互独立,服从同一分布,且有相同的数学期望和方差:
则随机变量:
对于任意实数有:
6 数理统计的基本知识
6.1 总体和样本
总体与个体
一个统计问题总有它明确的研究对象,研究对象的全体称为总体
总体中每个成员称为个体
样本
从总体中随机抽取个个体,这些个体组成的集合称为样本,称为样本容量,通常记作:
简单随机样本
原则
样本要简单,或者说有样本中的个体相互独立,学习前面概率的时候就知道,如果独立的话计算就会比较简单
样本要有和总体一样的随机性,或者说能代表总体
如此才能根据样本推断总体的情况,用数学的话来说就是样本和总体的分布相同,简称为同分布。比如说对于总体有,那么同分布的样本有
6.2 经验分布函数
6.3 统计量与样本数字特征
定义
完全由样本所决定的量叫作统计量
几个统计量
样本均值
设为取自某总体的样本,则其算术平均数:
称为样本均值。
称为样本均值。
中位数
样本方差和样本标准差
定义
设为取自某总体的样本,则称:
为样本方差,其算术平方根称为样本标准差。
为样本方差,其算术平方根称为样本标准差。
样本均值、方差和方差的关系
6.4 一些统计量的分布
三大抽样分布
卡方分布
分布
分布
定理一
样本均值的分布
定义
设为取自某总体的简单随机样本,对应的样本均值为,则样本均值的分布为:
其中表示的是当足够大时,差不多服从于)的意思。
其中表示的是当足够大时,差不多服从于)的意思。
样本的分布
样本方差的分布
定理二
样本均值、标准差分布
定理三
样本均值差的分布
其中:
样本方差比的分布
7 参数估计
7.1 点估计
定义
设为取自某总体的样本,若构造某统计量作为总体分布中未知参数的近似(或者说估计),可以称此统计量为估计量估计量,称此估计量为的点估计
相关性质
矩估计的理论基础
样本阶矩是随机变量阶矩的一致估计
设为取自某总体的简单随机样本,设随机变量阶矩与样本阶矩分别为:
则有:
也就是说:
则有:
也就是说:
发展出了点估计的矩法,也称为矩估计
最大似然估计
离散
若总体为离散型随机变量,其分布律为:
其中,表示某未知参数,表示的可能取值范围。
设为的一个简单随机样本,为来自该样本的具体数值,则样本联合分布为:
若以为变量则有:
该函数称为样本的似然函数(注意该函数中都是已知的样本值,它们都是常数)。令该函数取得最大值的:
称这个为参数的最大似然估计值,因为这个只与有关,所以也记作。对应的统计量称为最大似然估计量。
其中,表示某未知参数,表示的可能取值范围。
设为的一个简单随机样本,为来自该样本的具体数值,则样本联合分布为:
若以为变量则有:
该函数称为样本的似然函数(注意该函数中都是已知的样本值,它们都是常数)。令该函数取得最大值的:
称这个为参数的最大似然估计值,因为这个只与有关,所以也记作。对应的统计量称为最大似然估计量。
连续
若总体X为连续型随机变量,其概率密度函数为:
其中,表示某未知参数,表示的可能取值范围。
设为的一个简单随机样本,为来自该样本的具体数值,则样本联合概率密度为:
若以为变量则有:
该函数称为样本的似然函数(注意该函数中都是已知的样本值,它们都是常数)。令该函数取得最大值的:
称这个为参数的最大似然估计值,因为这个只与有关,所以也记作。对应的估计量称为最大似然估计量。
其中,表示某未知参数,表示的可能取值范围。
设为的一个简单随机样本,为来自该样本的具体数值,则样本联合概率密度为:
若以为变量则有:
该函数称为样本的似然函数(注意该函数中都是已知的样本值,它们都是常数)。令该函数取得最大值的:
称这个为参数的最大似然估计值,因为这个只与有关,所以也记作。对应的估计量称为最大似然估计量。
7.2 点估计的优劣
一致性
估计量必须要满足一致性
设为总体分布的一个未知参数的点估计,如果对于任意的,始终有:
则称为的一致估计(也称为相合估计),或者说具有一致性(也称为相合性)。
则称为的一致估计(也称为相合估计),或者说具有一致性(也称为相合性)。
一致性是对估计量最基本的要求
因为抽取样本的时候我们并不能控制到底抽到什么样本值,唯一可能可控的是样本容量(有些情况下连样本容量都不能随意控制,比如地震的样本)。所以人们希望在样本容量增大时,估计的精度可以不断地提高。
无偏性
定义
若估计量的数学期望存在,且对于任意有:
则称是的无偏估计量,或者说该估计量具有无偏性。
则称是的无偏估计量,或者说该估计量具有无偏性。
有效性
设估计量与都是无偏估计量,若对于任意有:
且至少对于某一个上式中的不等号成立,则称相对而言更有效。
且至少对于某一个上式中的不等号成立,则称相对而言更有效。
7.3 区间估计
置信区间
设总体的分布函数含有一个未知参数(为的可能取值范围),对于给定值,若由来自的样本确定的两个统计量和,对于任意满足:
则称随机区间是\theta的置信水平为的置信区间,和分别称为置信下限和置信上限,称为置信水平
则称随机区间是\theta的置信水平为的置信区间,和分别称为置信下限和置信上限,称为置信水平
7.4 正态总体均值的区间估计
7.5 正态总体方差的区间估计
7.6 两个正态总体均值差的置信区间
7.7 两个正态总体方差比的置信区间
7.8 单侧置信区间
8 假设检验
8.1 假设检验的基本概念与方法
8.2 正态总体下的假设检验
8.3 两个正态总体均值与方差的假设检验
8.4 整体分布函数的假设检验
1 随机事件及其概率
1.1 随机试验与随机事件
确定性现象和随机现象
在一定条件下必然发生的现象称为确定性现象
在一定条件下可能出现也可能不出现的现象称为随机现象
随机试验与样本空间
在概率论中,把具有以下三个特征的试验称
为随机试验(random experiment)
为随机试验(random experiment)
可以在相同的条件下重复地进行
每次试验的可能结果不止一个,并且能事
先明确试验的所有可能结果
先明确试验的所有可能结果
进行一次试验之前不能确定哪一个结果
会出现
会出现
随机试验 的所有可能结果组成的集合称为 的样本空间(sample space), 记为或
随机事件
随机试验 的样本空间 Ω 的子集称为 的随机事件, 简称事件
基本事件
由一个样本点组成的单点集
复合事件
必然事件
试验中必然会出现的结果.记为Ω
不可能事件
试验中不可能出现的结果.记为
1.2 事件间关系及运算
事件的运算
并运算:
交运算:
差运算:
补运算:如果,则为的补
性质
交换律
结合律
分配率
摩根定律
事件的关系
事件之间的关系
1.3 随机事件的概率
频率
定义
在相同的条件下进行次试验,在这次试验中事件发生的次数称为事件发生的频数。比值称为事件发生的频率,并记成。
性质
互斥时,
概率的统计定义
在相同的条件下进行次试验,事件在这次试验中发生了次,如果当增大时,事件发生的频率稳定在某一常数附近摆动,就称常数为事件发生的概率,记为:
1.4 古典概型
定义
满足下面两个特点的随机试验称为等可能概型或古典概型
(1)样本空间有限
(2)样本点的出现等可能
计算
计算的核心知识点(复习中学的知识)
数清楚和Ω里面有多少样本点,这称为计数
乘法原理
如果某件事需经个步骤才能完成,做第步有种方法,做第步有种方法,做第步有种方法,则完成这个事件总共有种方法。
加法原理
如果某件事有种办法去完成,第种办法有种方法,第种办法有种方法,第种办法有种方法,则完成这个事件总共有种方法。
排列
从个不同元素中任取个元素排成一排(不能重复选择元素,要考虑元素的先后顺序),称为一个排列(Permutation)。按乘法原理,此种排列共有种,记作,可以读作:。若,称为全排列,全排列数共有个,记为。
组合
从个不同元素中任取个元素并成一组(不区分顺序),称为一个组合(Combination),组合总数为:可以读作:
1.5 几何概型
定义
当随机试验的样本空间是某个区域,并且任意一点落在度量 (长度、 面积、体积) 相同的子区域是等可能的,则事件 的概率可定义为
说明
当古典概型的试验结果为连续无穷多个时,就归结为几何概型
1.6 概率公理化定义
概率的定义:已知某样本空间,对于其中任一事件,定义函数,满足三大公理,则称为概率函数,称为事件的概率。
三大公理
非负性公理
举例子
规范性公理
可加性公理
设为两两不相容事件,即:,有:
意义
公理中出现的概率函数是把样本空间中的事件,
映射为[0,1]之间的实数
映射为[0,1]之间的实数
解决三大流派的纠纷
举例子
抛掷硬币:正面的概率=
性质
空集的概率是零
概率的有限可加性
若是两两互不相容的事件,则有:
任意事件,有
包含的概率
设为两个事件,若是的子集,则可推出
(1)
(2)
任意两个事件,有
加法公式
对于任意两个事件,有:
1.7 条件概率与乘法公式
条件概率
定义
设和是样本空间中的两事件,若,则称:
为“假设条件为时的的概率”,简称条件概率。也常写作:
为“假设条件为时的的概率”,简称条件概率。也常写作:
条件概率的三大公理
非负性公理
规范性公理
可加性公理
设为两两不相容的事件,即,有:
乘法公式
根据条件概率定义得到
,则:
,则:
事件的相互独立性
独立性的定义
对于两个随机事件,如果满足:
则称A与B相互独立,或简称A与B独立,否则称A与B不独立或相依。
则称A与B相互独立,或简称A与B独立,否则称A与B不独立或相依。
多个事件相互独立
两两独立≠相互独立
1.8 伯努利概型
伯努利分布
某样本空间只包含两个元素,,在其上定义随机变量:
若时,有:
或写作:
则此概率分布称作0-1分布,也称作伯努利分布
若时,有:
或写作:
则此概率分布称作0-1分布,也称作伯努利分布
二项分布
在数学中,类似于扔一次硬币这样的“是非题”称为一次伯努利试验,
像上面这样独立地重复扔次硬币(做同样的“是非题”次),就称为重伯努利试验
像上面这样独立地重复扔次硬币(做同样的“是非题”次),就称为重伯努利试验
对于重伯努利实验,如果每次得到“是”的概率为,设随机变量:
X=得到“是”的次数,则称:
为随机变量的二项分布,也可以记作:
当的时候,对应的就是伯努利分布,所以伯努利分布也可以记作
X=得到“是”的次数,则称:
为随机变量的二项分布,也可以记作:
当的时候,对应的就是伯努利分布,所以伯努利分布也可以记作
1.9 全概率公式与逆概率公式
全概率公式
逆概率公式(贝叶斯公式)
贝叶斯定理
对于随机事件,若,有:
设为样本空间的一个分割,则有:
2 随机变量及其分布
2.1 随机变量
随机变量的定义
定义在样本空间上的实值函数:
称为随机变量
称为随机变量
,即一切满足的组成的集合
离散随机变量
随机变量的函数值是实数轴上孤立的点(有限个或者无限个),则称为离散随机变量
连续随机变量
如果随机变量的函数值是实数轴上某个区间上所有的值(也可以是区间),则称为连续随机变量
2.2 离散型随机变量及其概率分布
概率质量函数(PMF)
设为离散型随机变量,其全部可能值为则:
称为的概率质量函数(Probability Mass Function,缩写为PMF)
称为的概率质量函数(Probability Mass Function,缩写为PMF)
还可写作列表的形式:
所以也称为的概率分布列,或者简称为概率分布。
有时候也如下表示:,读作服从的概率分布。
所以也称为的概率分布列,或者简称为概率分布。
有时候也如下表示:,读作服从的概率分布。
常见的离散随机变量
伯努利分布
某样本空间只包含两个元素,,在其上定义随机变量:
若时,有:
或写作:
则此概率分布称作0-1分布(两点分布),也称作伯努利分布
若时,有:
或写作:
则此概率分布称作0-1分布(两点分布),也称作伯努利分布
二项分布
在数学中,类似于扔一次硬币这样的“是非题”称为一次伯努利试验,
像上面这样独立地重复扔n次硬币(做同样的“是非题”次),就称为重伯努利试验
像上面这样独立地重复扔n次硬币(做同样的“是非题”次),就称为重伯努利试验
对于重伯努利实验,如果每次得到“是”的概率为,设随机变量:
X=得到“是”的次数,则称:
为随机变量的二项分布,也可以记作:
当的时候,对应的就是伯努利分布,所以伯努利分布也可以记作
X=得到“是”的次数,则称:
为随机变量的二项分布,也可以记作:
当的时候,对应的就是伯努利分布,所以伯努利分布也可以记作
泊松分布
泊松分布的定义
对于随机变量的概率质量函数:
称为随机变量的泊松分布,也可以记为:
其数学期望和方差为:
称为随机变量的泊松分布,也可以记为:
其数学期望和方差为:
泊松分布的条件
平稳性
在此时间段内,此事件发生的概率相同(在实际应用中大致相同就可以了)
独立性
事件的发生彼此之间独立(或者说,关联性很弱)
普通性
把切分成足够小的区间,在内恰好发生两个、或多个事件的可能性为(或者说,几乎为)
超几何分布
设有件产品,其中有件不合格品,随机抽取件产品,设随机变量:
则其中含有件不合格产品的概率为:
其中。此时称服从超几何分布,可以记作:
则其中含有件不合格产品的概率为:
其中。此时称服从超几何分布,可以记作:
几何分布
对于重伯努利实验,如果每次得到“是”的概率为,设随机变量:
=首次得到“是”时进行的试验次数,则称:
为随机变量的几何分布,也可以记作:
其数学期望和方差为:
=首次得到“是”时进行的试验次数,则称:
为随机变量的几何分布,也可以记作:
其数学期望和方差为:
2.3 连续型随机变量及其概率密度
2.7 概率密度函数(PDF)
定义
如果函数满足下列两个条件(对应了概率的三大公理):
非负性:
规范性(暗含了可加性),因为是连续的,所以通过积分相加:
则称其为概率密度函数(Probability Density Function,简写为PDF)。
非负性:
规范性(暗含了可加性),因为是连续的,所以通过积分相加:
则称其为概率密度函数(Probability Density Function,简写为PDF)。
期望
方差
累积分布函数(CDF)
连续随机变量的概率密度函数为,则:
称为的累积分布函数。
称为的累积分布函数。
常见的连续随机变量
均匀分布
如果连续随机变量的概率密度函数为:
则称服从区间(a,b)上的均匀分布,记作,其累积分布函数为:
期望和方差分别为:
则称服从区间(a,b)上的均匀分布,记作,其累积分布函数为:
期望和方差分别为:
指数分布
指数分布的定义
若随机变量X的概率密度函数为:
其中,称服从指数分布,也可以记为:,累积分布函数为:
其中,称服从指数分布,也可以记为:,累积分布函数为:
期望和方差
性质:无记忆性
分布之间的关系
正态分布
正态分布的定义
如果连续随机变量X的概率密度函数为:
则称X服从正态分布(normal distribution),也称作高斯分布(Gaussian distribution),记作,其累积分布函数为:
则称X服从正态分布(normal distribution),也称作高斯分布(Gaussian distribution),记作,其累积分布函数为:
中心极限定理
因为要逼近二项分布才引入了正态分布,但随着这个问题研究的深入,发现不光二项分布,很多别的分布最终也会变为正态分布,甚至很多不同的分布混合在一起最终也会变为正态分布……
正态分布是这些分布的最终归宿,这是一个很惊人的结论,这就导致正态分布的地位大大提高,基本可以算是概率论的中心。
这个结论称为中心极限定理,它导致的结果是,我们在现实生活中会观察到非常非常多的正态分布
正态分布是这些分布的最终归宿,这是一个很惊人的结论,这就导致正态分布的地位大大提高,基本可以算是概率论的中心。
这个结论称为中心极限定理,它导致的结果是,我们在现实生活中会观察到非常非常多的正态分布
标准正态分布
我们称时的正态分布N(0,1)为标准正态分布
重要结论
如果,那么有:
上分位点
如果有,如果满足:
那么称点为标准正态分布的上分位点。
那么称点为标准正态分布的上分位点。
期望和方差
2.4 分布函数
累积分布函数(CDF)
设是一个随机变量,是任意实数,函数:
因为是把概率分布函数累加起来,所以称为累积分布函数
(Cumulative Distribution Function,或者缩写为CDF),也简称为分布函数。
因为是把概率分布函数累加起来,所以称为累积分布函数
(Cumulative Distribution Function,或者缩写为CDF),也简称为分布函数。
举例子:伯努利分布的累积分布函数
定义累积分布函数的理由
定义累积分布函数主要是为了计算上的便利,以下常见计算都可以CDF来完成:
2.5 随机变量函数的概率分布
随机变量函数的定理
设是连续随机变量,其概率密度函数为是另外一个随机变量。若严格单调,其反函数有连续导函数,则的概率密度函数为:其中:
3 随机向量
3.1 二维随机向量及其分布
二维随机变量
设是定义在同一样本空间上的两个随机变量,由它们构成的向量称为二维随机向量或二维随机变量
离散型随机向量及其概率分布
如果二维随机向量所有可能的取值为,这两个随机变量同时发生的概率可以用函数表示如下:
且此函数满足如下性质(即概率的三大公理):
(1)非负性:
(2)规范性和可加性
则称此函数为的联合概率质量函数(Joint Probability Mass Function),或者称为联合分布列,此定义可以推广到多维离散随机变量上去。
且此函数满足如下性质(即概率的三大公理):
(1)非负性:
(2)规范性和可加性
则称此函数为的联合概率质量函数(Joint Probability Mass Function),或者称为联合分布列,此定义可以推广到多维离散随机变量上去。
连续型随机向量及其概率密度
对于某二维随机变量存在二元函数满足:
(1)非负性:
(2)规范性和可加性(连续的都通过积分来相加):
则称此函数为的联合概率密度函数(Joint Probability Density Function),或者称为联合分布密度,此定义可以推广到多维连续随机变量上去。
(1)非负性:
(2)规范性和可加性(连续的都通过积分来相加):
则称此函数为的联合概率密度函数(Joint Probability Density Function),或者称为联合分布密度,此定义可以推广到多维连续随机变量上去。
联合累积分布函数
设是二维随机变量,对于任意实数,可以定义一个二元函数来表示两个事件同时发生的概率:
称为二维随机变量的联合累积分布函数(Joint Cumulative Distribution Function),如果混合偏导存在的话,那么:
得到就是此分布的概率密度函数。此定义和性质可以推广到多维随机变量。
称为二维随机变量的联合累积分布函数(Joint Cumulative Distribution Function),如果混合偏导存在的话,那么:
得到就是此分布的概率密度函数。此定义和性质可以推广到多维随机变量。
举例子
二维正态分布
如果二维随机变量(X,Y)的联合概率密度函数为:
则称服从二维正态分布,记作:
它含有五个参数和,取值范围分别为:
并且分别是的期望;分别是的方差;是的相关系数。
则称服从二维正态分布,记作:
它含有五个参数和,取值范围分别为:
并且分别是的期望;分别是的方差;是的相关系数。
3.2 边缘分布
边缘分布函数
如果二维连续随机变量的联合累积分布函数为,如下可以得到的累积分布函数:
称为的边缘累积分布函数(Marginal Cumulative Distribution Function)。可记作:
同理可以得到的边缘累积分布函数:
称为的边缘累积分布函数(Marginal Cumulative Distribution Function)。可记作:
同理可以得到的边缘累积分布函数:
边缘分布律(边缘概率质量函数)
如果二维离散随机变量的联合概率质量函数为:
对求和所得的函数:
称为的边缘概率质量函数(Marginal Probability Mass Function),或者称为边缘分布列。类似的对求和所得的函数:
称为的边缘概率质量函数。
对求和所得的函数:
称为的边缘概率质量函数(Marginal Probability Mass Function),或者称为边缘分布列。类似的对求和所得的函数:
称为的边缘概率质量函数。
边缘分布密度(边缘概率密度函数)
如果二维连续随机变量的联合概率密度函数为,则:
称为的边缘概率密度函数(Marginal Probability Density Function)。类似的:
称为的边缘概率密度函数。
称为的边缘概率密度函数(Marginal Probability Density Function)。类似的:
称为的边缘概率密度函数。
3.3 条件分布
条件分布律(条件概率质量函数)
设是二维离散型随机变量,对于固定的,若,则称:
为条件下的随机变量的条件概率质量函数。同样的对于固定的i,若,则称:
为条件下的随机变量的条件概率质量函数。
为条件下的随机变量的条件概率质量函数。同样的对于固定的i,若,则称:
为条件下的随机变量的条件概率质量函数。
条件分布密度(条件概率密度函数)
设二维连续型随机变量的概率密度函数为,若对于固定的有边缘概率密度函数,则:
为条件下的随机变量的条件概率密度函数。对应的条件累积分布函数为:
同样的道理,以为条件有:
为条件下的随机变量的条件概率密度函数。对应的条件累积分布函数为:
同样的道理,以为条件有:
3.4 随机变量的独立性
设随机变量的联合分布函数为,边缘分布函数为,若对任意实数,有,即:,则称随机变量相互独立。
3.5 随机变量的函数分布
随机变量的和的分布
卷积公式
离散
设为两个相互独立的离散随机变量,取值范围为,则其和的概率质量函数为:
这个概率等式称为离散场合下的卷积公式。
这个概率等式称为离散场合下的卷积公式。
连续
设为二维连续型随机变量,概率密度函数为,则仍为连续型随机变量,其概率密度为:
若为相互独立,其边缘密度函数分别为和,则其和的概率密度函数为:
上面两个概率等式称为连续场合下的卷积公式。
若为相互独立,其边缘密度函数分别为和,则其和的概率密度函数为:
上面两个概率等式称为连续场合下的卷积公式。
随机变量的极值的分布
设是相互独立的个随机变量,各自的累积分布函数为:
若,其累积分布函数为:
若,其累积分布函数为:
若,其累积分布函数为:
若,其累积分布函数为:
4 随机变量的数字特征
4.1 数学期望
定义
离散型
连续型
性质
常数的期望
若为常数,则:
推出:
随机变量函数的期望
一维随机变量
设是随机变量的函数(是连续函数)。
(1)若为离散随机变量,则(设下式中的级数绝对收敛):
(2)若为连续随机变量,则(设下式中的积分绝对收敛):
(1)若为离散随机变量,则(设下式中的级数绝对收敛):
(2)若为连续随机变量,则(设下式中的积分绝对收敛):
多维随机变量
设是随机变量的函数(是连续函数)。
(1)若为离散随机变量,则(设下式中的级数绝对收敛):
(2)若为连续随机变量,则(设下式中的积分绝对收敛):
(1)若为离散随机变量,则(设下式中的级数绝对收敛):
(2)若为连续随机变量,则(设下式中的积分绝对收敛):
线性的数学期望
齐次性
对于任意常数有:
可加性
对于任意两个函数有:
对于多维也成立:
独立的数学期望
设为二维独立随机变量,则有:
这个结论可以推广到维独立随机变量:
这个结论可以推广到维独立随机变量:
重要不等式
施瓦茨不等式
对任意随机变量与都有:
4.2 方差
方差
定义
令,则:
简化计算公式
推导过程:
性质
常数的方差
非线性的方差
若为常数,则:
独立的方差
设为二维独立随机变量,则有:
这个结论可以推广到维独立随机变量:
这个结论可以推广到维独立随机变量:
方差为0
存在常数使得
标准差
定义
常见随机变量的方差
离散型
连续型
4.3 协方差与相关系数
定义
设是一个二维随机变量,若存在,则称此数学期望为与的协方差(Covariance),记作:
特别地有。
特别地有。
很显然会有:
时,正相关,即两者有同时增加或者减少的倾向
时,负相关,即两者有反向增加或者减少的倾向
时,不相关,不过和独立还是有区别的,这点我们后面再论述
时,正相关,即两者有同时增加或者减少的倾向
时,负相关,即两者有反向增加或者减少的倾向
时,不相关,不过和独立还是有区别的,这点我们后面再论述
性质
化简
可以通过下式来化简运算:
据此马上可以得到一个推论:
据此马上可以得到一个推论:
方差
对于任意的二维随机变量有:
所以当为二维不相关随机变量时,有:
所以当为二维不相关随机变量时,有:
分配率
数乘
独立必不相关
根据刚才的性质:
如果独立,则有:
所以:
独立不相关
如果独立,则有:
所以:
独立不相关
不相关的充要条件
相关系数
定义
对于二维随机变量,各自的方差为:
则:
称为随机变量和的相关系数。
则:
称为随机变量和的相关系数。
性质
有界性
对于任意的二维随机变量,若相关系数存在,则:
有界性让比较有了一个范围,我们可以得到如下结论:
:正相关,且的时候,正相关性最大,称为完全正相关
:负相关,且的时候,负相关性最大,称为完全负相关
:不相关
:正相关,且的时候,正相关性最大,称为完全正相关
:负相关,且的时候,负相关性最大,称为完全负相关
:不相关
线性相关
存在常数 使得
4.4 矩
一维随机变量
原点矩
如果存在,称之为随机变量的阶原点矩
举例子
的数学期望是的一阶原点矩
中心矩
如果存在,称之为随机变量的阶中心矩
举例子
的方差是的二阶中心矩
二维随机变量
原点矩
如果存在,称之为随机变量的阶混合原点矩
中心矩
如果存在,称之为随机变量的阶混合中心矩
举例子
的协方差是的二阶混合中心矩
0 条评论
下一页