04 随机变量的数字特征 | 概率论与数理统计

1. 数学期望

1. 数学期望

  1. 离散型随机变量的数学期望:设离散型随机变量X的分布律为P(X=xk)=pk,k=1,2, ,如果级数k=1xkpk 绝对收敛,那么该级数的和为随机变量X数学期望,记作 E(X)
  2. 连续型随机变量的数学期望:设连续型随机变量的概率密度为f(x),如果积分+xf(x)dx 绝对收敛,那么此积分值为随机变量X数学期望,记为 E(X)
  3. E(X) 的定义说明
    1. 数学期望 E(X) 是一个实数而非变量,它是一种 加权平均,本质上体现了随机变量取到可能值的真正平均值,因此也称数学期望为 均值
    2. 级数的绝对收敛性保证了级数的和不随级数各项次序的改变而改变,之所以这样要求是因为数学期望是反映随机变量取可能值的的平均值,它不应随可能值的排列次序而改变

2. 重要分布的数学期望

  1. 离散型随机变量
    1. (01)分布:E(x)=1×p+0×(1p)=p
    2. 二项分布Xb(n,p)E(x)=np

      E(x)=k=0nkn!k!(nk)!pk(1p)nk=npk=1n(n1)!(k1)!(nk)!pk1(1p)n1(k1)=npl=0n1Cn1lpl(1p)n1l(l=k1)=np

    3. 泊松分布Xπ(λ)E(x)=λ

      E(x)=k=0+kλkeλk!=λeλk=1+λk1(k1)!=λeλeλ=λ

  2. 连续型随机变量
    1. 均匀分布 XU(a,b)E(x)=a+b2

      E(x)=+xf(x)dx=abxbadx=a+b2

    2. 指数分布:E(x)=θ

      f(x)={1θexθ,x>00,x0

      E(x)=0xθexθdx=0xdexθ=xexθ|0+0exθdx=θ

    3. 正态分布XN(μ,σ2)E(x)=μ

      Xf(x)=12πσe(xμ)22σ2,<x<

      E(x)=+x2πσe(xμ)22σ2dx=+σt+μ2πet22dt=μ

  3. 不是 所有随机变量都存在数学期望,例如柯西分布 f(x)=1π(1+x2)+xf(x)dx不绝对收敛

3. 随机变量的函数的数学期望

  1. 离散型随机变量:E(Y)=E[g(X)]=i=1g(xi)pi,要求Y=g(X)连续而且级数i=1g(xi)pi绝对收敛
  2. 连续型随机变量:E(Y)=E[g(X)]=+g(x)f(x),要求Y=g(X)连续而且积分+g(x)f(x)绝对收敛
  3. 可知求E[g(X)] 不需要 先求出 g(X) 的分布

4. 二维随机变量的数学期望

  1. 二维随机变量的数学期望
    1. 离散型随机变量(X,Y):分布律为P(X=xi,Y=yi)=pij,则E(X)=i=1j=1xipij,E(Y)=i=1j=1yipij
    2. 连续型随机变量(X,Y):概率密度函数为 f(x,y),则E(X)=++xf(x,y)dxdy,E(Y)=++yf(x,y)dxdy
  2. 二维随机变量函数的数学期望
    1. 离散型随机变量(X,Y):分布律为P(X=xi,Y=yi)=pij,则E(Z)=E[g(X,Y)]=i=1j=1g(xi,yi)pij
    2. 连续型随机变量(X,Y):概率密度函数为 f(x,y),则E(Z)=E[g(X,Y)]=++g(x,y)f(x,y)dxdy

5. 数学期望的性质

  1. E(C)=C,C为常数
  2. E(CX)=CE(X),C为常数
  3. E(X±Y)=E(X)±E(Y)
  4. E[i=1nciXi]=i=1nciE(Xi)
  5. 如果X,Y相互独立,则E(XY)=E(X)E(Y)
  6. 如果X1,,Xn相互独立,则E[i=1nXi]=i=1nE(Xi)

2. 方差

1. 方差

  1. 方差的定义
    1. 方差:设X是一随机变量,如果E{[XE(X)]2}存在,则称为随机变量X方差,记作D(x)Var(x)
    2. 均方差(标准差):D(x)称为均方差或者标准差,记作σ(x)
    3. 方差的含义:体现随机变量的取值的 分散程度 的量
    4. 方差计算公式:D(x)=E(X2)E(X)2
      1. 离散型随机变量:D(x)=k=1[xkE(X)]2pk
      2. 连续性随机变量:[xE(X)]2f(x)dx
  2. 重要分布的方差
    1. 离散型随机变量
      1. (01)分布:D(x)=p(1p)
      2. 二项分布Xb(n,p)D(x)=np(1p)

        E(X2)=E[X(X1)+X]=E[X(X1)]+E(X)=k=0nk(k1)Cnkpkqnk+np=k=0nk(k1)n!k!(nk)!pkqnk+np=n(n1)p2k=2n(n2)!k!(nk)!pk2qnk+np=n(n1)p2(p+q)n2+np=n(n1)p2+npD(X)=E(X2)E(X)2=np(1p)

      3. 泊松分布Xπ(λ)D(x)=λ

        E(X2)=E[X(X1)+X]=E(X(X1))+E(X)=k=0k(k1)λkeλk!+λ=λ2eλk=2λk2(k2)!+λ=λ2eλeλ+λ=λ2+λD(X)=E(X2)E(X)2=λ

    2. 连续型随机变量
      1. 均匀分布XU(a,b)D(X)=(ba)212
      2. 指数分布:D(X)=θ2
      3. 正态分布XN(μ,σ2)D(X)=σ2

        D(X)=E[XE(X)]2=(xμ)212πσe(xμ)22σ2dx=σ22πt2et2/2(t=xμσ)=σ22π[t(et2/2)|+et2/2dt]=σ22π2π=σ2

  3. 方差的性质
    1. D(C)=0
    2. D(CX)=C2D(X),D(X+C)=D(X)
    3. D(X±Y)=D(X)+D(Y)±2E{[XE(X)][YE(Y)]}
    4. X,Y相互独立时,有D(X±Y)=D(X)+D(Y)
    5. D(X)=0P(X=E(X))=1
  4. 标准化变量
    1. 标准化变量:设随机变量X有期望E(X)=μ, 方差D(X)=σ20,记X=XμσX标准化变量
    2. E(X)=0,D(X)=1

2. 切比雪夫不等式

  1. 设随机变量X的数学期望为μ,方差为σ2,则对于任意正数ε,有

    P(|Xμ|ε)σ2ε2

    P(|Xμ|<ε)1σ2ε2

  2. 作用:此不等式给出了在随机变量的分布未知的情况下事件|XE(X)|<ε的概率的一种估计方法

数学期望与方差总结

分布 数学期望E(X) 方差D(X)
(01)分布 p p(1p)
二项分布Xb(n,p) np np(1p)
泊松分布Xπ(λ) λ λ
均匀分布XU(a,b) a+b2 (ba)212
指数分布1θex/θ θ θ2
正态分布XN(μ,σ2) μ σ2

3. 协方差及相关系数

1. 协方差

  1. 协方差:设(X,Y)为二维随机变量,如果E{[XE(X)][YE(Y)]}存在,则称其为随机变量X,Y协方差,记为Cov(X,Y)
  2. 协方差计算
    1. Cov(X,Y)=E(XY)E(X)E(Y)
    2. D(X±Y)=D(X)+D(Y)±2Cov(X,Y)
    3. 如果为离散型随机变量:Cov(X,Y)=i,j[xiE(X)][yjE(Y)]pij
    4. 如果为连续型随机变量:Cov(X,Y)=[xE(X)][yE(Y)]f(x,y)dxdy
  3. 协方差的性质
    1. Cov(X,X)=D(X)
    2. 对称性:Cov(X,Y)=Cov(Y,X)
    3. 线性性
      1. Cov(aX,bY)=abCov(X,Y)
      2. Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
    4. 如果X,Y相互独立,则Cov(X,Y)=0(反之不一定)

2. 相关系数

  1. 相关系数:设(X,Y)为二维随机变量,如果D(X),D(Y)>0,则称ρXY=Cov(X,Y)D(X)D(Y)为随机变量X,Y相关系数
  2. ρXY=0,称X,Y不相关
  3. 相关系数的意义
    1. ρXY是一个无量纲量
    2. X,Y相互独立X,Y不相关,但是反之不一定
    3. X,Y 不相关
      1. Cov(X,Y)=0
      2. E(XY)=E(X)E(Y)
      3. D(X+Y)=D(X)+D(Y)
    4. 相关系数刻画了随机变量 YX 之间的 线性相关 程度: |ρXY| 的值越接近于 1YX 的线性相关程度越高; |ρX,Y| 的值越接近于0YX 的线性相关程度较弱
    5. 对于 二维正态随机变量,二维随机变量的参数ρ实际上就是XY的相关系数, 且XY相互独立与不相关是 等价的
  4. 相关系数的性质
    1. |ρXY|1
    2. |ρXY|=1a,b,P(Y=aX+b)=1

4. 矩、协方差矩阵

1. 矩

  1. 矩:设X,Y为随机变量,k,l为正整数
    1. E(Xk)Xk阶原点矩(k阶矩)
    2. E{[XE(X)]k}Xk阶中心矩
    3. E(XkYl)Xk+l阶混合矩
    4. E{[XE(X)]k[YE(Y)]k}Xk+l阶混合中心矩
  2. 对于之前的数字特征
    1. E(X)X的一阶原点矩
    2. D(X)X的二阶中心矩
    3. Cov(X,Y)XY的二阶混合中心矩

2. 协方差矩阵

  1. 协方差矩阵:设n维随机变量(X1,X2,,Xn)的二阶混合中心矩都存在,则矩阵Cn维随机变量的 协方差矩阵,其中cij=Cov(Xi,Yj)

    C=[c11c12c1nc21c22c2ncn1cn2cnn]

  2. 协方差矩阵的性质
    1. C是对称矩阵:CT=C
    2. C是半正定矩阵
  3. n维正态随机变量(X1,X2,,Xn)的概率密度表示为

    f(x1,x2,,xn)=1(2π)n/2(detC)1/2e12(xμ)TC1(xμ)

    其中

    x=(x1,x2,,xn)T,μ=(μ1,μ2,,μn)T

n正态随机变量的 性质

  1. n维正态随机变量(X1,X2,,Xn)的每一个分量Xi都是正态随机变量
  2. 如果X1,X2,,Xn都是正态随机变量而且相互独立,那么(X1,X2,,Xn)n维正态随机变量
  3. n维随机变量(X1,X2,,Xn)服从n维正态分布的充要条件:X1,X2,,Xn的任意的线性组合l1X1+l2X2++lnXn服从一维正态分布
  4. 如果(X1,X2,,Xn)服从n正态分布,设Y1,,YkXi的线性函数,那么(Y1,,Yk)也服从多维正态分布
  5. 如果(X1,X2,,Xn)服从n正态分布,则独立性和不相关 等价

__EOF__

本文作者RadiumGalaxy
本文链接https://www.cnblogs.com/RadiumGalaxy/p/16886272.html
关于博主:评论和私信会在第一时间回复。或者直接私信我。
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
声援博主:如果您觉得文章对您有帮助,可以点击文章右下角推荐一下。您的鼓励是博主的最大动力!
posted @   RadiumStar  阅读(98)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战
点击右上角即可分享
微信分享提示