概率论与数理统计随机变量的数字特征2-5节

概率论与数理统计随机变量的数字特征2-5节汇报人：AA2024-01-192023AAREPORTING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和中心极限定理数理统计的基本概念目录CATALOGUE2023PART01随机变量及其分布2023REPORTING随机变量的概念定义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。分类根据取值的不同，随机变量可分为离散型随机变量和连续型随机变量。定义离散型随机变量是取值可数的随机变量，其取值可以是整数或有限个实数。分布律离散型随机变量的分布律可以用概率质量函数来描述，即每个取值的概率。常见离散型随机变量分布二项分布、泊松分布、几何分布等。离散型随机变量及其分布律030201概率密度函数连续型随机变量的概率分布可以用概率密度函数来描述，表示随机变量在某个取值点附近的概率分布情况。常见连续型随机变量分布正态分布、均匀分布、指数分布等。定义连续型随机变量是取值连续的随机变量，其取值可以是某个区间内的任意实数。连续型随机变量及其概率密度定义随机变量的函数是指通过某种函数关系将原随机变量的取值映射到新的取值上。连续型随机变量的函数的分布通过函数关系，可以得到新的连续型随机变量的概率密度函数。离散型随机变量的函数的分布通过函数关系，可以得到新的离散型随机变量的分布律。随机变量的函数的分布PART02多维随机变量及其分布2023REPORTING多维随机变量是指取值于多维空间中的随机变量，通常表示为$X=(X_1,X_2,...,X_n)$，其中$X_i$是一维随机变量。定义多维随机变量的联合分布函数定义为$F(x_1,x_2,...,x_n)=P(X_1leqx_1,X_2leqx_2,...,X_nleqx_n)$，表示多维随机变量$X$的取值落在多维空间中的某个区域内的概率。联合分布函数多维随机变量的概念定义二维离散型随机变量是指取值于二维平面上的离散点的随机变量，通常表示为$(X,Y)$。联合概率分布二维离散型随机变量的联合概率分布定义为$p_{ij}=P(X=x_i,Y=y_j)$，表示$X$取$x_i$且$Y$取$y_j$的概率。边缘概率分布二维离散型随机变量的边缘概率分布分别为$p_{icdot}=P(X=x_i)=sum_{j}p_{ij}$和$p_{cdotj}=P(Y=y_j)=sum_{i}p_{ij}$，表示$X$取$x_i$和$Y$取$y_j$的概率。二维离散型随机变量010203定义二维连续型随机变量是指取值于二维平面上的连续区域的随机变量，通常表示为$(X,Y)$。联合概率密度函数二维连续型随机变量的联合概率密度函数定义为$f(x,y)$，表示$(X,Y)$在点$(x,y)$处的概率密度。边缘概率密度函数二维连续型随机变量的边缘概率密度函数分别为$f_X(x)=int_{-infty}^{infty}f(x,y)dy$和$f_Y(y)=int_{-infty}^{infty}f(x,y)dx$，表示$X$和$Y$的概率密度函数。二维连续型随机变量VS边缘分布是指多维随机变量中某个分量的分布，即固定其他分量的取值而得到的该分量的分布。计算方法对于离散型随机变量，边缘分布可以通过对联合概率分布进行求和得到；对于连续型随机变量，边缘分布可以通过对联合概率密度函数进行积分得到。定义边缘分布定义条件分布是指在多维随机变量中，当某个分量的取值已知时，其他分量的分布。计算方法对于离散型随机变量，条件分布可以通过对联合概率分布进行归一化得到；对于连续型随机变量，条件分布可以通过对联合概率密度函数进行条件化得到。条件分布定义相互独立的随机变量是指它们的取值互不影响，即一个随机变量的取值不会改变另一个随机变量的取值概率。性质相互独立的随机变量的联合概率分布等于各自概率分布的乘积，即$P(X=x,Y=y)=P(X=x)P(Y=y)$。相互独立的随机变量两个随机变量的函数是指由这两个随机变量通过某种函数关系确定的新的随机变量。对于离散型随机变量，可以通过列举法或母函数法求解函数的分布；对于连续型随机变量，可以通过变换法或卷积法求解函数的分布。定义计算方法两个随机变量的函数的分布PART03随机变量的数字特征2023REPORTING定义数学期望是随机变量取值的平均值，反映了随机变量取值的“中心位置”。性质数学期望具有线性性质，即对于任意常数a,b及随机变量X,Y，有E(aX+bY)=aE(X)+bE(Y)。计算方法对于离散型随机变量，数学期望等于各可能取值与其概率的乘积之和；对于连续型随机变量，数学期望等于概率密度函数与x的乘积在整个实数范围内的积分。010203数学期望要点三定义方差是随机变量取值与其数学期望之差的平方的平均值，反映了随机变量取值的离散程度。要点一要点二性质方差具有可加性，即对于任意两个随机变量X,Y，有D(X+Y)=D(X)+D(Y)+2Cov(X,Y)，其中Cov(X,Y)为X与Y的协方差。计算方法对于离散型随机变量，方差等于各可能取值与数学期望之差的平方与其概率的乘积之和；对于连续型随机变量，方差等于概率密度函数与(x-E(X))^2的乘积在整个实数范围内的积分。要点三方差定义协方差是衡量两个随机变量变化趋势的统计量，相关系数是协方差的标准化形式，反映了两个随机变量之间的线性相关程度。性质协方差和相关系数具有对称性，即Cov(X,Y)=Cov(Y,X)，ρ(X,Y)=ρ(Y,X)；相关系数还具有无量纲性，即不受变量单位的影响。计算方法协方差等于两个随机变量各自取值与其数学期望之差的乘积的平均值；相关系数等于协方差除以两个随机变量各自标准差的乘积。协方差及相关系数定义矩是描述随机变量分布形态的统计量，包括原点矩和中心矩；协方差矩阵是由多个随机变量的协方差组成的矩阵。性质原点矩和中心矩可以反映随机变量的分布形态，如偏态和峰态；协方差矩阵具有对称性，且其主对角线上的元素为各随机变量的方差。计算方法原点矩等于随机变量取值的k次方与其概率的乘积之和；中心矩等于随机变量取值与其数学期望之差的k次方与其概率的乘积之和；协方差矩阵的元素等于对应两个随机变量的协方差。矩、协方差矩阵PART04大数定律和中心极限定理2023REPORTING大数定律大数定律是描述随机变量序列的算术平均值向常数收敛的定律，即当试验次数足够多时，随机事件发生的频率趋于一个稳定值。种类包括伯努利大数定律、辛钦大数定律等。应用在保险、赌博等领域中，大数定律用于估计和预测长期结果。定义03应用在统计学中，中心极限定理为参数估计和假设检验提供了重要的理论依据，使得许多统计方法得以广泛应用。01定义中心极限定理是指当样本量足够大时，样本均值的分布近似于正态分布，无论原始数据的分布形态如何。02种类包括独立同分布的中心极限定理、李雅普诺夫中心极限定理等。中心极限定理PART05数理统计的基本概念2023REPORTING研究对象的全体个体组成的集合，通常用一个随机变量及其分布来描述。总体从总体中随机抽取的一部分个体组成的集合，用于推断总体的性质。样本样本中包含的个体数目，通常用$n$表示。样本容量总体与样本统计量在充分统计量的基础上，还满足一定的条件，使得对于任何两个不同的总体分布，其对应的完备统计量的分布也不同。完备统计量样本的函数，用于描述样本的特征，如样本均值、样本方差等。统计量包含样本中所有关于总体的信息的统计量，即对于总体分布的推断，只需要知道充分统计量的值即可。充分统