如何理解方差和标准差的意义

《如何理解方差和标准差的意义》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、如何理解方差和标准差的意义？随机变量X的方差为:,方差的平方根称为标准差，它描述随机变量取值与其数学期望值的离散程度，描述随机变量稳定与波动，集中与分散的状况。标准差大，则随机变量不稳定，取值分散，预期数学期望值的偏离差大，在量纲上它与数学期望一致。在实际问题中，若两个随机变量X,Y,且E(X),E(Y)或比较接近时，我们常用来比较这两个随机变量。方差值大的，则表明该随机变量的取值较为离散，反之则表明他较为集中。同样，标准差的值较大，则表明该随机变量的取值预期期望值的偏差较大，反之，则表明此偏差较小。随机变量X的数学期望和方差有何区别

2、和联系？1.随机变量X的数学期望E(X)描述的是随机变量X的平均值，而方差刻画的是随机变量X与数学期望的平均离散程度。方差大，则随机变量X与数学期望的平均离散程度大，随机变量X取值在数学期望附近分散；方差小，则随机变量X与数学期望的平均离散程度小，随机变量X取值在数学期望附近集中。2.方差是用数学期望来定义的，方差是随机变量X函数的数学期望，所以，由随机变量函数的数学期望的计算公式我们得到：（1）若X为离散型，则有（2.3）（2）若X为连续型，则有（2.4）3.在实际问题中，我们经常用来计算方差。由此可以得到：随机变量X与数学期望不存

3、在，则方差一定不存在。4.若随机变量X与数学期望存在，方差也可能不存在。切比雪夫不等式的意义是什么？有哪些应用？切比雪夫不等式有两种等价形式的表达形式：或。它反映了随机变量在数学期望的邻域的概率不小于。如果随机变量的分布不知道，只要知道它的数学期望和方差，我们就可以利用切比雪夫不等式估计概率。它的应用有以下几个方面：（1）已知数学期望和方差，我们就可以利用切比雪夫不等式估计在数学期望的邻域的概率。（2）已知数学期望和方差，对确定的概率，利用切比雪夫不等式求出，从而得到所需估计区间的长度。（3）对n重贝努力试验，利用切比雪夫不等式可以确

4、定试验次数。（4）它是推导大数定律和其他定理的依据。解题的具体步骤：首先，根据题意确定恰当的随机变量X，求出数学期望E(X)与D(X)；其次，确定的值，最后，由切比雪夫不等式进行计算和证明。注:（一）相关系数的含义1.相关系数刻画随机变量X和Y之间的什么关系？（1）相关系数也常称为“线性相关系数”。这是因为，实际相关系数并不是刻画了随机变量X和Y之间的“一般”关系的程度，而只是“线性”关系的程度。这种说话的根据之一就在于，当且仅当X和Y有严格的线性关系是才有达到最大值1.可以容易举出例子说明：即使X和Y有严格的函数关系但非线性关系，不

5、仅不必为1，还可以为0.（2）如果，则解释为：随机变量X和Y之间有一定程度的“线性关系而非严格的线性关系”2.相关系数刻画了随机变量X和Y之间的“线性相关”程度.3.的值越接近1,Y与X的线性相关程度越高;4.的值越近于0,Y与Y的线性相关程度越弱.5.当时,Y与X的变化可完全由X的线性函数给出.6.当时,Y与X之间不是线性关系.7.上面谈到的“线性相关”的意义还可以从最小二乘法的角度解释：（p95）设称为用来近似Y的均方误差,则有下列结论.设则使均方误差达到最小.注:我们可用均方误差e来衡量以近似表示Y的好坏程度,e值越小表示与Y的

6、近似程度越好.且知最佳的线性近似为而其余均方误差.从这个侧面也能说明.越接近1,e越小.反之,越近于0,e就越大.Y与X的线性相关性越小.8.由于相关系数只能刻画随机变量线性关系的程度，而不能刻画一般的函数相依关系的程度。在概率论中还引进了另外相关性指标，以补救这个缺点。但是，这些指标都未能在应用中推开。究其原因，除了这些指标在性质上比较复杂外，还有一个重要原因：在统计学应用上，最重要的而为分布是二维正态分布。而对二维正态分布而言，相关系数是X和Y的相关性的完美的刻画，没有上面指出的缺点。