The effect of errors in means, variances, and covariances on optimal portfoli... Chopra, Vijay K; Ziemba, William T
Journal of Portfolio Management; Winter 1993; 19, 2; ABI/INFORM Global
pg. 6
简述以样本均值估计总体均值的理由 概率论与数理统计中样本均值为什么是总体均值最好的估计量 哈佛孙一峰 哈佛孙一峰 首先什么是最优估计量，以下是定义： An estimator W of a parameter, say τ(θ), is called the best unbiased estimator, or uniform minimum variance unbiased estimator 换成中文来说就是一个估计量如果它无偏并且方差最小那么他就是最优的。样本均值是总体均值的无偏估计用大数定理就自然而然知道了（当然这里就要假设期望有界了）。那怎么知道他是方差最小的呢？我们需要用到Cramer-Rao Inequality. 简而言之就是任何一个估计量的方差是有下界的。这个部分的证明并不复杂。用Cauchy-Schwarz Inequality可以很轻松的证明出来。
因为要涉及的概念实在太多了，所以略过很多复杂的证明，最后直接跳到结论就是在指数分布族里，样本均值是分布均值的无偏估计且方差就是估计量方差下界。 更具体的可以搜索Lehmann Scheffe theorem。虽然这部分我觉得本科生的概率论并不会接触到。 (sample)，是指从总体中抽出的一部分个体。样本中所包含个体数目称样本容量或含量，用符号N或n表示。 总体(population)是指客观存在的，并在同一性质的基础上结合起来的许多个别单位的整体，即具有某一特性的一类事物的全体，又叫母体或全域。简单地说，总体也就是我们所研究的性质相同个体的总和。 样本是受审查客体的反映形象或其自身的一部分。按一定方式从总体中抽取的若干个体，用于提供总体的信息及由此对总体作统计推断。又称子样。例如因为人力和物力所限，不能每年对全国的人口进行普查，但可以通过抽样调查的方式来得到需要的信息。从总体中抽取样本的过程叫抽样。最常用的抽样方式是简单随机抽样，按这种方式抽
协方差和相关系数 对二维随机变量),(Y X ，我们除了讨论X 与Y 的期望和方差之外，还 需讨论X 与Y 之间相互关系的数字特征，本节主要讨论这方面的数字特征。 § 协方差和相关系数 协方差的定义与性质 定义 设(,)X Y 是二维随机变量.若{[()][()]}E X E X Y E Y --存在,则称它为随 机变量 X 与Y 的协方差,记为Cov(,)X Y ,即 Cov(,){[()][()]}X Y E X E X Y E Y =--. 常用下面的式子计算协方差 Cov(,){[()][()]}X Y E X E X Y E Y =--()()()E XY E X E Y =-. 注：（1）X 与Y 的协方差),(Y X Cov 实质上是二维随机变量X 与Y 的函数 )]([()]([(Y E Y X E X -?-的期望，它是一个常数。 （2）当),(Y X 为二维离散型随机变量时，其分布律为 }{),2,1,,2,1(,, =====j i y Y x X P P j i ij ，则 ij i i j i P Y E y X E x Y X Cov )]()][([),(1 1 --= ∑∑∞=∞ =； （3）当),(Y X 为二维连续型随机变量时，),(y x f 为),(Y X 的联合概率密度函数，则dxdy y x f Y E y X E x Y X Cov ),())(())((),(--= ?? +∞∞-+∞ ∞ -。 （4）利用期望的性质可得到协方差有下列计算公式： )()()(),(Y E X E XY E Y X Cov -= 证明： ) ()()( )()()()()()()( )] ()()()([ )] ())(([(),(Y E X E XY E Y E X E Y E X E Y E X E XY E Y E X E Y XE Y X E XY E Y E Y X E X E Y X Cov -=+--=+--=--= 此公式是计算协方差的重要公式，特别地取Y X =时，有
样本平均数的方差的推导： 假定从任意分布的总体中抽选出一个相互独立的样本 1,,n x x ，则有 22 (),i i x X E x X σσ== 即每一个样本单位都是与总体同分布的。 在此基础上， 证明样本平均数以总体平均数为期望值。 []121212()() 1 ()1 ()()()1 ()n n n x x x E x E n E x x x n E x E x E x n X X X X n +++==+++=+++=+++= 接着，再以此为基础，推导样本平均数的方差。 在此，需要注意方差的计算公式为： 22(())X E X E X σ=- 以下需要反复使用这一定义：
22 2 122 122 2122222 122222 122(())()1(())1 ()()()1()()()()()1()()()()()1x n n n n i j i j n i j i j E x E x x x x E X n E x x x nX n E x X x X x X n E x X x X x X x X x X n E x X E x X E x X E x X x X n σ≠≠=-++ +=-= +++-??=-+-++-? ???=-+-++-+--???? ??=-+-++-+--????=∑∑∑∑222n n n σσ?= 在证明中，一个关键的步骤是()()0i j i j E x X x X ≠--=∑，其原 因在于这一项事实上是i x 与j x 的协方差。由于任意两个样本都是相互独立的，因此其协方差均为0。 如果采用的是无放回的抽样，则样本间具有相关性，协方差小于0。此时样本均值的方差为221 X x N n n N σσ-= ? - 样本方差的期望： 证明了样本平均数的方差公式后，我们可以来分析一下样本方差的情况。 先构造一个统计量为2 1 () n i i x x S n =-'= ∑，我们来求它的期望。 根据方差的简捷计算公式：()2 2 2X X X n σ = -∑，可得
探究协方差与相关系数 罗燕 摘要：协方差),(Y X Cov 是描述二维随机变量两个分量间相互关联程度的一个特征数，如果将协方差相应标准化变量就得到相关系数),(Y X Corr 。从而可以引进相关系数),(Y X Corr 去刻画二维随机变量两个分量间相互关联程度。且事实表明，相关系数明显被广泛应用。本文的目的在于从协方差与相关系数的关系的角度去探讨协方差与相关系数的优缺点，并具体介绍协方差和相关系数这两个描述二维随机变量间相关性的特征数。 关键字：协方差),(Y X Cov 相关系数),(Y X Corr 相互关联程度 1 协方差、相关系数的定义及性质 设（X ，Y ）是一个二维随机变量，若E{ [ X-E(X) ] [ Y -E(Y) ] }存在，则称此数学期望为X 与Y 的协方差，并记为Cov(X,Y)=E{ [ X-E(X) ] [ Y -E(Y) ] }，特别有Cov(X,X)=)(X Var 。 从协方差的定义可以看出，它是X 的偏差“X-E(X) ”与Y 的偏差“Y -E(Y)”的乘积的数学期望。由于偏差可正可负，故协方差也可正可负，也可为零，其具体表现如下： ·当Cov(X,Y)>0时，称X 与Y 正相关，这时两个偏差 [ X-E(X) ] 与[ Y -E(Y) ] 同时增加或同时减少，由于E(X)与E(Y)都是常数，故等价于X 与Y 同时增加或同时减少，这就是正相关的含义。 ·当Cov(X,Y)<0时，称X 与Y 负相关，这时X 增加而Y 减少，或Y 增加而X 减少，这就是负相关的含义。 ·当Cov(X,Y)=0时，称X 与Y 不相关。 也就是说，协方差就是用来描述二维随机变量X 与Y 相互关联程度的一个特征数。协方差Cov(X,Y)是有量纲的量，譬如X 表示人的身高，单位是米(m )，Y 表示人的体重，单位是公斤(k g )，则Cov(X,Y)带有量纲(m ·kg )。为了消除量纲的影响，对协方差除以相同量纲的量，就得到一个新的概念—相关系数，它的定义如下： 设（X ，Y ）是一个二维随机变量，且)(X Var >0,)(Y Var >0.则称 ),(Y X C o r r =)()() ,(Y Var X Var Y X Cov =y x Y X Cov σσ),( 为X 与Y 的（线性）相关系数。 利用施瓦茨不等式我们不难得到-1≤),(Y X Corr ≤1.也就是说相关系数是介于-1到1之间的，并且可以对它作以下几点说明： ·若),(Y X Corr =0，则称X 与Y 不相关。不相关是指X 与Y 没有线性关系，但也有可能有其他关系，比如平方关系、立方关系等。 ·若),(Y X Corr =1，则称X 与Y 完全正相关；若),(Y X Corr =-1，则称X 与Y 完全,负相关。
二维随机变量的期望与方差 对于二维随机变量，如果存在，则 称为二维随机变量的数学期望。 1 、当( X ，Y ) 为二维离散型随机变量时 2 、当( X ，Y ) 为二维连续型随机变量时 例题 2.39 设，求。与一维随机变量函数的期望一样，可求出二维随机变量函数的期望。 对二维离散型随机变量( X ，Y ) ，其函数的期望为 对二维连续型随机变量( X ，Y ) ，其函数的期望为
例题 2.40 设，求 2.41 设( X ，Y ) 服从区域A 上的均匀分布，其中A 为x 轴、y 轴及直线 围成的三角形区域，如图2-10 所示。求函数的数学期望。 随机变量的数学期望和方差的三个重要性质： 1 、 推广： 2 、设X 与Y 相互独立，则 推广：设相互独立，则 3 、设X 与Y 相互独立，则 推广：设相互独立，则 仅对性质 3 就连续型随机变量加以证明 证明3
由于X 与Y 相互独立，所以与相互独立，利用性质 2 、知道 从而有， 可以证明：相互独立的随机变量其各自的函数间，仍然相互独立。 例题 2.42 某学校流行某种传染病，患者约占，为此学校决定对全校1000 名师生进 行抽血化验。现有两个方案：①逐个化验；②按四个人一组分组，并把四个人抽到的血混合在一起化验，若发现有问题再对四个人逐个化验。问那种方案好？ 2.10.2 协方差与相关系数 分析协方差与相关系数反映随机变量各分量间的关系；结合上面性质 3 的证明，可以得到以下结论： 若X 与Y 相互独立，则 可以用来刻划X 与Y 之间的某种关系。 定义设( X ，Y ) 为二维随机变量，若 存在，则称它为随机变量X 与Y 的协方差，记作或，即 特别地 故方差，是协方差的特例。计算协方差通常采用如下公式：
.总体平均数与方差的估计
————————————————————————————————作者：————————————————————————————————日期：
第5章用样本推断总体 5.1总体平均数与方差的估计 【知识与技能】 1.掌握用样本平均数估计总体平均数 2.掌握用样本方差估计总体方差. 【过程与方法】 通过对具体事例的分析、探讨，掌握简单随机样本在大多数情况下，当样本容量足够大时，样本的平均数和方差能反应总体相应的情况. 【情感态度】 感受数学在生活中的应用. 【教学重点】 样本平均数、方差估计总体平均数、方差的综合应用. 【教学难点】 体会统计思想，并会用样本平均数和方差估计总体平均数和方差. 一、情景导入，初步认知 一所学校要从两名短跑速度较快的同学中选拔一名去参加市里的比赛，为了使选拔公平，每名同学都进行10次测试，结果两名同学测试的结果的平均数是相同的，那么，派谁去参加比赛更好呢？ 【教学说明】通过具体事例的引入，提高学生学习的兴趣. 二、思考探究，获取新知 1.我们在研究某个总体时，一般用数据表示总体中每个个体的某种数量特性，所有这些数据组成一个总体，而样本则是从总体中抽取的部分数据，因此，样本蕴含着总体的许多信息，这使我们有可能通过样本的某些特性去推断总体的相应特性. 2.从总体中抽取样本，然后通过对样本的分析，去推断总体的情况，这是统计的基本思想，用样本平均数，样本方差分别去估计总体平均数，总体方差就是
这一思想的体现，实践和理论都表明：对于简单的随机样本，在大多数情况下，当样本容量足够大时，这种估计是合理的. 3.思考：（1）如何估计某城市所有家庭一年内平均丢弃的塑料袋个数？ （2）在检查甲、乙两种棉花的纤维长度时，如何估计哪种棉花的纤维长度比较整齐？ 【归纳结论】由于简单随机样本客观地反映了实际情况，能够代表总体，因此我们可以用简单随机样本的平均数与方差分别去估计总体的平均数与方差. 4.探究：某农科院在某地区选择了自然条件相同的两个试验区，用相同的管理技术试种甲、乙两个品种的水稻各100亩.如何确定哪个品种的水稻在该地区更有推广价值呢？ 为了选择合适的稻种，我们需要关心这两种水稻的平均产量及产量的稳定性（即方差），于是，待水稻成熟后，各自从这100亩水稻随机抽取10亩水稻，记录它们的亩产量（样本），数据如下表所示： 我们可以求出这10亩甲、乙品种的水稻的平均产量.因此，我们可以用这个产量来估计这两种水稻大面积种植后的平均产量. 我们还可以计算出这10亩甲、乙品种的水稻的方差，从而利用这两个方差来估计. 这两种水稻大面积种植后的稳定性（即方差），从而得出哪种水稻值得推广. 5.通过上面的探究，怎样用样本去估计总体，才能使估计更加合理？ 【归纳结论】①抽取的样本要具有随机性；②样本容量要足够大. 6.如何用样本方差估计总体方差？ 【归纳结论】方差能够反映一组数据与其平均值的离散程度的大小.方差越大，离散程度越大，稳定性越差.用样本方差估计总体方差的具体方法为：①计算样本平均数；②计算样本方差；③用样本方差估计总体方差. 【教学说明】引导学生思考，让学生讨论，合作完成.培养学生互助、协作的精神.
样本方差与总体方差的区别 之前一直对于样本方差与总体方差的概念区分不清，对于前者不仅多了样本”两个字，而且公式中除数是N-1 ,而不是N。现在写下这么写东西，以能彻底把他们的区别搞清楚。 总体方差: 也叫做有偏估计，其实就是我们从初高中就学到的那个标准定义的方差，除数是N。女0果实现已知期望值，比如测水的沸点，那么测量 立的（期望值不依测量值而改变，随你怎么折腾，温度计坏了也好，看反了也好，总之，期望值应该是100度），那么E『（X-期望）人2』，就有10个自由度。事实上，它等于（X- 期望）的方差，减去（X-期望）的平方。”所以叫做有偏估计，测量结果偏于那个”已知的期望值“。样本方差: 无偏估计、无偏方差（unbiased varianee ）。对于一组随机变量，从中随机抽取N个样本, 这组样本的方差就是Xi^2平方和除以N-1。这可以推导出来的。如果现在往水里撒把盐, 水的沸点未知了，那我该怎么办？我只能以样本的平均值，来代替原先那个期望100度。同 样的过程，但原先的（X-期望），被（X-均值）所代替。设想一下（Xi-均值）的方差，它 不在等于Xi的方差，而是有一个协方差，因为均值中，有一项Xi/n是和Xi相关的，这就 是那个”偏"的由来 刊屮）二 Ei a.—-￡（A;-W） f=l 9 =rr 一 证明: 10次，测量值和期望值之间是独
DGH 兀） 担工加D （X ；）） g ? u 曰右力m-工P) 占E (m ：-寸) __________ ■!■ A^(E ：=iCV —2A ；T + X-)) 闵肯) ) + ￡：D) n(<7- + //-) E(X 力二丫) nE(X~) MD(X) + E2(X)) M 吟+ “?) 尙e + //-) - 角F + "') t7- 证毕?? D(X)二 --- ◎ E(f)= D(X) + Eh 工) E{S-)= ￡(E ； =1 A ；y )=
σ2与总体方差σ2、样本容量n的关系是xσ2=（σ2 1.样本平均数分布的方差x ／）。 2.样本中各观察值与其平均数的差数的平方的总和为（P42 ）。 3.样本中各观察值与其平均数的差数的总和为（0 ）；样本中各观察值与平 均数的差数的平方的总和为（P42 ）。 4.一般而言，假设测验可能犯（ 2 ）类错误。 5.一般正态分布的正态离差U=（）；样本平均数分布的正态离差U= （）。 6.一个4因素3水平试验的所有可能处理组合数为（81 ）。 7.由回归方程估计x为某一定值时条件总体平均数的95％置信区间为 （）；估计x为某一定值时条件总体预测值的95％置信区间为（）。 8.有12个处理，要进行随机区组设计，可查得随机数字表中任一页的任一行，去掉 （00 ）、（97 ）、（98 ）和（99 ）四个数字后，凡大于12的数均被12除后得余数，将重复数字划去，即得12个处理的排列次序。 9.有6个处理，每处理3次重复，用对比法设计，至少要安排（9 ）个对照。 10.有8个处理，每处理3次重复，用对比法设计，至少要安排（12 ）个对照。 11.有一个总体共有4个个体，分别为2，4，6，8，从总体中进行复置随机抽样，每次抽2 个观察值，抽出所有样本，则共有（）个可能样本；所有样本平均数分布的平均数为（），标准差为（）。 12.有一样本，其6个观察值分别为6，3，8，4，1，3；则其中数为（ 3.5 ），均 方为（22.5 ）。 13.有一样本，其6个观察值分别为7，3，8，4，2，3；则其中数为（ 3.5 ）。 14.有一样本，其6个观察值分别为7，4，8，5，2，3；则其中数为（ 4.5 ）。 15.有一样本的5个观察值为2，7，7，5，4；则其样本均方为（28.6 ）。 16.有一正态分布N(16,4),已知U0.05＝1.96，则其分布中间有95％观察值的全距为 （7.84 ）。 17.有一正态分布N（30，9），则落于24与36之间的观察值的百分数为（）。 18.有一正态分布N（36，9），已知U0.01＝2.58，则其分布中间有99％观察值的全距为 （10.32 ）。
一、协方差矩阵 变量说明： 设为一组随机变量，这些随机变量构成随机向量，每个随机变量有m个样本，则有样本矩阵 （1） 其中对应着每个随机向量X的样本向量，对应着第i个随机单变量的所有样本值构成的向量。 单随机变量间的协方差： 随机变量之间的协方差可以表示为 （2） 根据已知的样本值可以得到协方差的估计值如下： （3） 可以进一步地简化为： （4） 协方差矩阵：
（5）其中，从而得到了协方差矩阵表达式。 如果所有样本的均值为一个零向量，则式（5）可以表达成： （6） 补充说明： 1、协方差矩阵中的每一个元素是表示的随机向量X的不同分量之间的协方差，而不是不同样本之间的协方差，如元素C ij就是反映的随机变量X i, X j的协方差。
2、协方差是反映的变量之间的二阶统计特性，如果随机向量的不同分量之间的相关性很小，则所得的协方差矩阵几乎是一个对角矩阵。对于一些特殊的应用场合，为了使随机向量的长度较小，可以采用主成分分析的方法，使变换之后的变量的协方差矩阵完全是一个对角矩阵，之后就可以舍弃一些能量较小的分量了（对角线上的元素反映的是方差，也就是交流能量）。特别是在模式识别领域，当模式向量的维数过高时会影响识别系统的泛化性能，经常需要做这样的处理。 3、必须注意的是，这里所得到的式（5）和式（6）给出的只是随机向量协方差矩阵真实值的一个估计（即由所测的样本的值来表示的，随着样本取值的不同会发生变化），故而所得的协方差矩阵是依赖于采样样本的，并且样本的数目越多，样本在总体中的覆盖面越广，则所得的协方差矩阵越可靠。 4、如同协方差和相关系数的关系一样，我们有时为了能够更直观地知道随机向量的不同分量之间的相关性究竟有多大，还会引入相关系数矩阵。 二、相关矩阵 相关系数： 著名统计学家卡尔·皮尔逊设计了统计指标——相关系数。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。 依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。 相关系数用r表示，它的基本公式（formula）为： 相关系数的值介于–1与+1之间，即–1≤r≤+1。其性质如下：
§2 方差、协方差与相关系数 一、方差 二、协方差 三、相关系数 四、矩 一、方差 例1 例1 比较甲乙两人的射击技术，已知两人每次击中环数ξ分 布为 ξ： 789010601...?? ??? η：67 891001 02040201.....?? ???. 问哪一个技术较好？ 首先看两人平均击中环数，此时8E E ξη==，从均值来看无法分辩孰优孰劣. 但从直观上看，甲基本上稳定在8环左右，而乙却一会儿击中10环，一会儿击中6环，较不稳定.因此从直观上可以讲甲的射击技术较好. 上例说明：对一随机变量，除考虑它的平均取值外，还要考虑它取值的离散程度. 称ξ-E ξ为随机变量ξ对于均值E ξ的离差(deviation)，它是一随机变量. 为了给出一个描述离散程度的数值，考虑用()E E ξξ-，但由于 ()E E ξξ-=E E ξξ-=0对一切随机变量均成立，即ξ的离差正负相消，因此用 ()E E ξξ-是不恰当的. 我们改用()2 E E ξξ-描述取值ξ的离散程度，这就是方差. 定义1 若 () 2 E E ξξ-存在，为有限值，就称它是随机变量ξ的方差 (variance)，记作Var ξ, Var ξ=()2 E E ξξ- (1) 但Var ξ的量纲与ξ ξ的标准差
(standard deviation). 方差是随机变量函数()2 E ξξ-的数学期望，由§1的(5)式，即可写出方差的 计算公式 Var ξ=2()d ()x E F x ξ ξ+∞-∞-?=22()(),, ()()d .i i i x E P x x E p x x ξξξξ+∞ -∞?-=???-?∑?离散型，连续型 (2) 进一步，注意到 ()2 E E ξξ-=()222E E E ξξξξ??-+??=()22E E ξξ- 即有 Var ξ=()2 2E E ξξ-. (3) 许多情况，用(3)式计算方差较方便些. 例1(续) 计算例1中的方差Var ξ与Var η. 解 利用(3)式 2 E ξ= ∑=i i i x P x ) (2 ξ=72×0.1+82×0.8+92 ×0.1=64.2, Var ξ=()2 2E E ξξ-=64.2--82=0.2. 同理, Var η=()2 2E E ηη-= 65.2-64 = 1.2 > Var ξ, 所以η取值较ξ分散. 这说 明甲的射击技术较好. 例2 试计算泊松分布P(λ)的方差. 解 2 2 01 ! (1)!k k k k E k e k e k k λ λ λλξ∞ ∞ --====-∑∑ 1 1(1) (1)!(1)!k k k k k e e k k λ λ λλ∞ ∞ --===-+--∑∑ 2 ! ! j j j j j e e j j λ λ λλλ λ∞ ∞ --===+∑∑ 2 λλ=+ 所以Var ξ=22 λλλλ+-=. 例3 设ξ服从[ a, b ]上的均匀分布U [a, b]，求Var ξ.
第十二章相关与回归分析 一、填空 1.如果两变量的相关系数为0，说明这两变量之间_____________。 2.相关关系按方向不同，可分为__________和__________。 3.相关关系按相关变量的多少，分为______和复相关。4．在数量上表现为现象依存关系的两个变量，通常称为自变量和因变量。自变量是作为（变化根据）的变量，因变量是随（自变量）的变化而发生相应变化的变量。 5．对于表现为因果关系的相关关系来说，自变量一般都是确定性变量，因变量则一般是（随机性）变量。 6．变量间的相关程度，可以用不知Y与X有关系时预测Y的全部误差E1，减去知道Y与X有关系时预测Y的联系误差E2，再将其化为比例来度量，这就是（削减误差比例）。 7．依据数理统计原理，在样本容量较大的情况下，可以作出以下两个假定：（1）实际观察值Y围绕每个估计值 c Y是服 从（）；（2）分布中围绕每个可能的 c Y值的（）是相同的。 7.已知：工资（元）倚劳动生产率（千元）的回归方程为 x y c 80 10+ =，因此，当劳动生产率每增长1千元，工资就平 均增加80 元。 8．根据资料，分析现象之间是否存在相关关系，其表现形式或类型如何，并对具有相关关系的现象之间数量变化的议案关系进行测定，即建立一个相关的数学表达式，称为（回归方程），并据以进行估计和预测。这种分析方法，通常又称为（回归分析）。 ; 9．积差系数r是（协方差）与X和Y的标准差的乘积之比。 二、单项选择 1．欲以图形显示两变量X和Y的关系，最好创建（D ）。A 直方图 B 圆形图 C 柱形图 D 散点图2．在相关分析中，对两个变量的要求是（A ）。 A 都是随机变量 B 都不是随机变量 C 其中一个是随机变量，一个是常数 D 都是常数 3. 相关关系的种类按其涉及变量多少可分为( )。 A. 正相关和负相关 B. 单相关和复相关 C. 线性相关和非线性相关 D. 不相关、不完全相关、完全相关4．关于相关系数，下面不正确的描述是（B ）。 A当0≤ ≤r1时，表示两变量不完全相关；B当r=0时，表示两变量间无相关； C两变量之间的相关关系是单相关；D如果自变量增长引起因变量的相应增长，就形成正相关关系。 : 5. 当变量X按一定数量变化时，变量Y也随之近似地以固定的数量发生变化，这说明X与Y之间存在( )。 A. 正相关关系 B. 负相关关系 C. 直线相关关系 D. 曲线相关关系 6．当x按一定数额增加时，y也近似地按一定数额随之增加，那么可以说x与y之间存在（A ）关系。 A 直线正相关 B 直线负相关 C 曲线正相关 D 曲线负相关 7．评价直线相关关系的密切程度，当r在～之间时，表示（ C ）。 A 无相关 B 低度相关 C 中等相关 D 高度相关 8.两变量的相关系数为,说明( ) A.两变量不相关 B.两变量负相关 C.两变量不完全相关 D.两变量完全正相关 9．两变量的线性相关系数为0，表明两变量之间（D ）。 A 完全相关 B 无关系 C 不完全相关 D 不存在线性相关 】 10.兄弟两人的身高之间的关系是( )A.函数关系 B.因果关系 C.互为因果关系 D.共变关系 11．身高和体重之间的关系是（C ）。A 函数关系 B 无关系 C 共变关系 D 严格的依存关系12．下列关系中，属于正相关关系得是（A ）。 A 身高与体重 B 产品与单位成本 C 正常商品的价格和需求量 D 商品的零售额和流通费率
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 均值,方差等（精品） 样本均值样本均值又叫样本均数。 即为样本的均值。 均值是指在一组数据中所有数据之和再除以数据的个数。 它是反映数据集中趋势的一项指标。 例如 1、 2、 3、 4 四个数据的均值为（1+2+3+4） /4=2. 5。 样本（sample），是指从总体中抽出的一部分个体。 样本中所包含个体数目称样本容量或含量，用符号 N 或 n 表示。 总体（population）是指客观存在的，并在同一性质的基础上结合起来的许多个别单位的整体，即具有某一特性的一类事物的全体，又叫母体或全域。 简单地说，总体也就是我们所研究的性质相同个体的总和。 样本是受审查客体的反映形象或其自身的一部分。 按一定方式从总体中抽取的若干个体，用于提供总体的信息及由此对总体作统计推断。 又称子样。 例如因为人力和物力所限，不能每年对全国的人口进行普查，但可以通过抽样调查的方式来得到需要的信息。 从总体中抽取样本的过程叫抽样。 最常用的抽样方式是简单随机抽样，按这种方式抽样，总体中 1 / 19
每个个体都有同等的机会被抽入样本，这样得到的样本称简单随机样本。 样本的平均值称样本均值，样本偏离样本均值的平方的平均值称为样本方差，在数理统计中，常常用样本均值来估计总体均值，用样本方差来估计总体方差。 样本方差样本方差定义样本方差样本关于给定点 x 在直线上散布的数字特征之一，其中的点 x 称为方差中心。 样本方差数值上等于构成样本的随机变量对离散中心 x 之方差的平方和。 设X、，，各是同分布实随机变量，点 x 是选定的方差中心(x〔 R)。 那么，量 s。 (x)=艺(x 一x)z 称为关于点x 的样本方差(sample variance)，由于 s。 (x)=s。 (见)+n(无一 x)， )s。 (无)二 s。 ，其中了二(X、 +十戈)加，可见当 x 二了时关于 x 的样本方差取最小值.较小的 S。 说明样本元素关于见集中；相反，较大的 S。 说明样本元素分散，样本方差的概念，可以自然地推广到多维样本的样本协方差矩阵。