Professional Documents
Culture Documents
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
《概率论与数理统计》
第二章 随机变量及其概率分布
汤银才
华东师范大学 金融与统计学院
《概率论与数理统计》
第二章 随机变量及其概率分布
汤银才
华东师范大学 金融与统计学院
离散场合: X ∼ P(X = xi ) = pi , i = 1, 2, · · · ,;
连续场合: X ∼ p(x)
则
离散场合
2
(P
∞
xi pi ,
E (X ) = R ∞i=1
−∞ xp(x)dx, 连续场合
离散场合: X ∼ P(X = xi ) = pi , i = 1, 2, · · · ,;
连续场合: X ∼ p(x)
则
离散场合
2
(P
∞
xi pi ,
E (X ) = R ∞i=1
−∞ xp(x)dx, 连续场合
离散场合: X ∼ P(X = xi ) = pi , i = 1, 2, · · · ,;
连续场合: X ∼ p(x)
则
离散场合
2
(P
∞
xi pi ,
E (X ) = R ∞i=1
−∞ xp(x)dx, 连续场合
离散场合: X ∼ P(X = xi ) = pi , i = 1, 2, · · · ,;
连续场合: X ∼ p(x)
则
离散场合
2
(P
∞
xi pi ,
E (X ) = R ∞i=1
−∞ xp(x)dx, 连续场合
数学期望的性质:
1 E (c) = c
2 E [cg (X )] = cE [g (X )]
3 E [g (X ) ± h(X )] = E [g (X )] ± E [h(X )]
数学期望的性质:
1 E (c) = c
2 E [cg (X )] = cE [g (X )]
3 E [g (X ) ± h(X )] = E [g (X )] ± E [h(X )]
数学期望的性质:
1 E (c) = c
2 E [cg (X )] = cE [g (X )]
3 E [g (X ) ± h(X )] = E [g (X )] ± E [h(X )]
定义2.1 (方差的定义:)
若E (X − E (X )) 存在,则称E (X − E (X )) 为的r.v. X 的方差,
2 2
记为
Var (X ) = D(X ) = E [X − E (X )]2 .
p
称为r.v. X 的标准差, 记为σ(X ).
Var (X )
注: 标准差的量纲与r.v. X 相同
定义2.1 (方差的定义:)
若E (X − E (X )) 存在,则称E (X − E (X )) 为的r.v. X 的方差,
2 2
记为
Var (X ) = D(X ) = E [X − E (X )]2 .
p
称为r.v. X 的标准差, 记为σ(X ).
Var (X )
注: 标准差的量纲与r.v. X 相同
2 在金融中反映了风险的大小;(见Page 122例)
3 在生产中反映了质量的稳定性;
4 在测量中反映了误差(或精度)的高低.
2 在金融中反映了风险的大小;(见Page 122例)
3 在生产中反映了质量的稳定性;
4 在测量中反映了误差(或精度)的高低.
2 在金融中反映了风险的大小;(见Page 122例)
3 在生产中反映了质量的稳定性;
4 在测量中反映了误差(或精度)的高低.
2 在金融中反映了风险的大小;(见Page 122例)
3 在生产中反映了质量的稳定性;
4 在测量中反映了误差(或精度)的高低.
方差的性质:
1 Var (c) = 0
方差的性质:
1 Var (c) = 0
方差的性质:
1 Var (c) = 0
均匀分布U(a,b) a+b
2
(b−a)2
12
指数分布Exp(λ) 1
λ
1
λ2
正态分布N(µ, σ ) µ
2 σ2
均匀分布U(a,b) a+b
2
(b−a)2
12
指数分布Exp(λ) 1
λ
1
λ2
正态分布N(µ, σ ) µ
2 σ2
均匀分布U(a,b) a+b
2
(b−a)2
12
指数分布Exp(λ) 1
λ
1
λ2
正态分布N(µ, σ ) µ
2 σ2
均匀分布U(a,b) a+b
2
(b−a)2
12
指数分布Exp(λ) 1
λ
1
λ2
正态分布N(µ, σ ) µ
2 σ2
例2.4.1:
1 设X ∼ P(λ), 证明Var (X ) = λ;(Page 119)
2 设X ∼ b(n, p), 证明Var (X ) = np(1 − p);(Page 124)
3 设X ∼ U(a, b), 证明Var (X ) = (b−a)2
12 ;(Page 124)
例2.4.1:
1 设X ∼ P(λ), 证明Var (X ) = λ;(Page 119)
2 设X ∼ b(n, p), 证明Var (X ) = np(1 − p);(Page 124)
3 设X ∼ U(a, b), 证明Var (X ) = (b−a)2
12 ;(Page 124)
例2.4.1:
1 设X ∼ P(λ), 证明Var (X ) = λ;(Page 119)
2 设X ∼ b(n, p), 证明Var (X ) = np(1 − p);(Page 124)
3 设X ∼ U(a, b), 证明Var (X ) = (b−a)2
12 ;(Page 124)
例2.4.1:
1 设X ∼ P(λ), 证明Var (X ) = λ;(Page 119)
2 设X ∼ b(n, p), 证明Var (X ) = np(1 − p);(Page 124)
3 设X ∼ U(a, b), 证明Var (X ) = (b−a)2
12 ;(Page 124)
例2.4.2:
设
x,
0≤x <1
X ∼ p(x) = 2 − x, 1 ≤ x < 2 .
0, x ≥2
求E (X ), Var (X ).
解: R +∞ R1 R2
1 E (X ) = −∞ xp(x)dx = 0 x · xdx + 1 x(2 − x)dx
2
1
= 31 x 3 0 + x 2 − 31 x 3 1 = 1
R +∞ R1 R2 7
2 E (X 2 ) = −∞ x 2 p(x)dx = 0 x 3 dx + 1 x 2 (2 − x)dx = 6
Var (X ) = E (X 2 ) − [E (X )]2 = 76 − 1 = 16 .
解: R +∞ R1 R2
1 E (X ) = −∞ xp(x)dx = 0 x · xdx + 1 x(2 − x)dx
2
1
= 31 x 3 0 + x 2 − 31 x 3 1 = 1
R +∞ R1 R2 7
2 E (X 2 ) = −∞ x 2 p(x)dx = 0 x 3 dx + 1 x 2 (2 − x)dx = 6
Var (X ) = E (X 2 ) − [E (X )]2 = 76 − 1 = 16 .
求(不用计算!)
1 E (X ) = 0
1
2 Var (X ) = 6.
求(不用计算!)
1 E (X ) = 0
1
2 Var (X ) = 6.
求(不用计算!)
1 E (X ) = 0
1
2 Var (X ) = 6.
求(不用计算!)
1 E (X ) = 0
1
2 Var (X ) = 6.
求(不用计算!)
1 E (X ) = 0
1
2 Var (X ) = 6.
随机变量的标准化:
1设Var (X ) > 0, 令Y = √ X −E (X )
Var (X )
2 则E (Y ) = 0, Var (X ) = 1
3 称r.v. Y 是r.v. X 的标准化.
随机变量的标准化:
1设Var (X ) > 0, 令Y = √ X −E (X )
Var (X )
2 则E (Y ) = 0, Var (X ) = 1
3 称r.v. Y 是r.v. X 的标准化.
随机变量的标准化:
1设Var (X ) > 0, 令Y = √ X −E (X )
Var (X )
2 则E (Y ) = 0, Var (X ) = 1
3 称r.v. Y 是r.v. X 的标准化.
Var (X )
P{|X − E (X )| < ε} ≥ 1 −
ε2
Var (X )
P{|X − E (X )| < ε} ≥ 1 −
ε2
Var (X )
P{|X − E (X )| < ε} ≥ 1 −
ε2
解:
P(8 < X < 18) = P(|X − 18| < 10) = P(|X − µ| < 4σ)
1 15
>1− 2
= ≈ 0.94.
4 16
证明:
见Page 127
Xn P
→ p(n → ∞)
n
P
指以概率趋向于).
(→
大量实验验证了这一结果;
其理论根据?
Xn P
→ p(n → ∞)
n
P
指以概率趋向于).
(→
大量实验验证了这一结果;
其理论根据?
Xn P
→ p(n → ∞)
n
P
指以概率趋向于).
(→
大量实验验证了这一结果;
其理论根据?
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
例2.4.4
例2.4.4: 均匀硬币正面向上(A)出现频率 的稳定性 xn
n
偏差: | − 0.5|
xn
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
例2.4.4
例2.4.4: 均匀硬币正面向上(A)出现频率 的稳定性 xn
n
偏差: | − 0.5|
xn
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
例2.4.4
例2.4.4: 均匀硬币正面向上(A)出现频率 的稳定性 xn
n
偏差: | − 0.5|
xn
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
例2.4.4
例2.4.4: 均匀硬币正面向上(A)出现频率 的稳定性 xn
n
偏差: | − 0.5|
xn
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
例2.4.4
例2.4.4: 均匀硬币正面向上(A)出现频率 的稳定性 xn
n
偏差: | − 0.5|
xn
n较大时,
n
x
n
0.5.5 104
P( − 0.5 ≥ 0.01) ≤ =
n n × 0.01 4n
n = 10 时, 偏差为
40
6 1
= 0.0025.
对于(统计)决策的意义: 在偏差很小情形下所做的决策被认
400
为是正确的.
华东师范大学 金融与统计学院 《概率论与数理统计》 — 第二章
随机变量
离散型随机变量
连续型随机变量
随机变量的方差及其它数字特征
2.4.5 随机变量的其它数字特征
[教材2.5节]
矩: 原点矩, 中心矩
变异系数
分位数
中位数
k阶原点矩: µ = E (X ), k = 1, 2, · · ·
k
k阶中心矩: ν = E [X − E (X )] , k = 1, 2, · · ·
k
k阶原点矩: µ = E (X ), k = 1, 2, · · ·
k
k阶中心矩: ν = E [X − E (X )] , k = 1, 2, · · ·
k
k阶原点矩: µ = E (X ), k = 1, 2, · · ·
k
k阶中心矩: ν = E [X − E (X )] , k = 1, 2, · · ·
k
称 p
Var (X )
CV =
E (X )
为r.v. X的变异系数.
作用: C 是无量纲的量, 用于比较量纲不同的两个随机变
量的波动大小.
V
称 p
Var (X )
CV =
E (X )
为r.v. X的变异系数.
作用: C 是无量纲的量, 用于比较量纲不同的两个随机变
量的波动大小.
V
则你x 为X分布的上侧α分位数.
0
关系: x = x , x = x .
α
0 0
α 1−α α 1−α
则你x 为X分布的上侧α分位数.
0
关系: x = x , x = x .
α
0 0
α 1−α α 1−α
则你x 为X分布的上侧α分位数.
0
关系: x = x , x = x .
α
0 0
α 1−α α 1−α
时的α分柆数称x 为分布的中位数.
α = 0.5
比较
0.5
:
同数学期望一样,中位数也反映了随机变量的位置特征;
它们是两个不同的概念;
对于对称分布两者相等.
时的α分柆数称x 为分布的中位数.
α = 0.5
比较
0.5
:
同数学期望一样,中位数也反映了随机变量的位置特征;
它们是两个不同的概念;
对于对称分布两者相等.
时的α分柆数称x 为分布的中位数.
α = 0.5
比较
0.5
:
同数学期望一样,中位数也反映了随机变量的位置特征;
它们是两个不同的概念;
对于对称分布两者相等.
时的α分柆数称x 为分布的中位数.
α = 0.5
比较
0.5
:
同数学期望一样,中位数也反映了随机变量的位置特征;
它们是两个不同的概念;
对于对称分布两者相等.
时的α分柆数称x 为分布的中位数.
α = 0.5
比较
0.5
:
同数学期望一样,中位数也反映了随机变量的位置特征;
它们是两个不同的概念;
对于对称分布两者相等.
α分位数c 满足: Φ(
α
cα −µ
) = α;
σ
α分位数c 满足: Φ(
α
cα −µ
) = α;
σ
α分位数c 满足: Φ(
α
cα −µ
) = α;
σ
α分位数c 满足: Φ(
α
cα −µ
) = α;
σ
α分位数c 满足: Φ(
α
cα −µ
) = α;
σ
三大分布的分位数
t(n)—自由度为n的t 分布: t (n) (见Page 498 附表4);
α
三大分布的分位数
t(n)—自由度为n的t 分布: t (n) (见Page 498 附表4);
α
三大分布的分位数
t(n)—自由度为n的t 分布: t (n) (见Page 498 附表4);
α
三大分布的分位数
t(n)—自由度为n的t 分布: t (n) (见Page 498 附表4);
α