大二下:概率论与数理统计复习 导航页:https://blog.csdn.net/COCO56/article/details/100152856
1. 数学期望
离 散 型 随 机 变 量 的 数 学 期 望 E ( X ) : E ( X ) = x 1 p 1 + x 2 p 2 + . . . = ∑ i = 1 ∞ x i p i 连 续 型 随 机 变 量 的 数 学 期 望 E ( X ) : E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x , 这 里 的 f ( x ) 表 示 随 机 变 量 X 的 密 度 函 数 。 \begin{aligned} &离散型随机变量的数学期望E(X):E(X)=x_1p_1+x_2p_2+...=\sum_{i=1}^\infty x_ip_i\\ &连续型随机变量的数学期望E(X):E(X)=\int_{-\infty}^{+\infty}xf(x)dx,\\ &这里的f(x)表示随机变量X的密度函数。 \end{aligned} 离散型随机变量的数学期望E(X):E(X)=x1p1+x2p2+...=i=1∑∞xipi连续型随机变量的数学期望E(X):E(X)=∫−∞+∞xf(x)dx,这里的f(x)表示随机变量X的密度函数。
2. 数学期望的性质
- E ( C ) = C , C 为 常 数 ; E(C)=C,C为常数; E(C)=C,C为常数;
- E ( X + C ) = E ( X ) + C , C 为 常 数 ; E(X+C)=E(X)+C, C为常数; E(X+C)=E(X)+C,C为常数;
- E ( C X ) = C E ( X ) , C 为 常 数 ; E(CX)=CE(X),C为常数; E(CX)=CE(X),C为常数;
- E ( X + Y ) = E ( X ) + E ( Y ) ; E(X+Y)=E(X)+E(Y); E(X+Y)=E(X)+E(Y);
- 设 X , Y 相 互 独 立 , 则 E ( X Y ) = E ( X ) E ( Y ) . 设X,Y相互独立,则E(XY)=E(X)E(Y). 设X,Y相互独立,则E(XY)=E(X)E(Y).
3. 方差与标准差
方差用 V a r ( X ) Var(X) Var(X)或 D ( X ) D(X) D(X)来表示: V a r ( X ) = D ( X ) = E [ X − E ( X ) ] 2 = E ( X 2 ) − [ E ( X ) ] 2 . Var(X)=D(X)=E[X-E(X)]^2=E(X^2)-[E(X)]^2. Var(X)=D(X)=E[X−E(X)]2=E(X2)−[E(X)]2.
定义:设
X
X
X为一随机变量,如果
E
{
[
X
−
E
(
X
)
]
2
}
E\{[X-E(X)]^2\}
E{[X−E(X)]2},则称之为
X
X
X的方差,记为
V
a
r
(
X
)
Var(X)
Var(X),即
V
a
r
(
X
)
=
E
{
[
X
−
E
(
X
)
]
2
}
,
Var(X)=E\{[X-E(X)]^2\},
Var(X)=E{[X−E(X)]2},
有
时
也
使
用
D
(
X
)
表
示
X
的
方
差
。
有时也使用D(X)表示X的方差。
有时也使用D(X)表示X的方差。
把
σ
=
D
(
X
)
称
为
标
准
差
,
它
在
意
义
上
也
描
述
了
平
均
的
偏
差
。
把\sigma=\sqrt{D(X)}称为标准差,它在意义上也描述了平均的偏差。
把σ=D(X)称为标准差,它在意义上也描述了平均的偏差。
方差是随机变量的又一重要的数字特征,它刻画了随机变量取值在其中心位置附近的分散程度,也就是随机变量取值与平均值的偏离程度。设随机变量 X X X的期望为 E ( X ) E(X) E(X),偏离量 X − E ( X ) X-E(X) X−E(X)本身也是随机的,为刻画偏离程度的大小,不能使用 X − E ( X ) X-E(X) X−E(X)的期望,因为其值为零,即正负偏离彼此抵消了。为避免正负偏离彼此抵消,可以使用 E [ ∣ X − E ( X ) ∣ ] E[|X-E(X)|] E[∣X−E(X)∣]作为描述 X X X取值分散程度的数字特征,称之为 X X X的平均绝对差。由于在数学上绝对值的处理很不方便,因此常用 [ X − E ( X ) ] 2 [X-E(X)]^2 [X−E(X)]2的平均值度量 X X X与 E ( X ) E(X) E(X)的偏离程度,这个平均值就是方差。
离
散
型
随
机
变
量
的
方
差
:
离散型随机变量的方差:
离散型随机变量的方差:
D
(
X
)
=
E
[
X
−
E
(
X
)
]
2
=
∑
i
=
1
∞
[
x
i
−
E
(
X
)
]
2
p
i
D(X)=E[X-E(X)]^2=\sum_{i=1}^{\infty}[x_i-E(X)]^2p_i
D(X)=E[X−E(X)]2=i=1∑∞[xi−E(X)]2pi
连
续
型
随
机
变
量
的
数
学
期
望
E
(
X
)
:
连续型随机变量的数学期望E(X):
连续型随机变量的数学期望E(X):
D
(
X
)
=
E
(
X
−
E
(
X
)
]
2
=
∫
−
∞
+
∞
[
x
−
E
(
X
)
]
2
f
(
x
)
d
x
.
D(X)=E(X-E(X)]^2=\int_{-\infty}^{+\infty}[x-E(X)]^2f(x)dx.
D(X)=E(X−E(X)]2=∫−∞+∞[x−E(X)]2f(x)dx.
4. 方差的性质
- D ( X ) = 0 , C 为 常 数 ; D(X)=0, C为常数; D(X)=0,C为常数;
- D ( X + C ) = D ( X ) , C 为 常 数 ; D(X+C)=D(X), C为常数; D(X+C)=D(X),C为常数;
- D ( C X ) = C 2 D ( X ) , C 为 常 数 ; D(CX)=C^2D(X), C为常数; D(CX)=C2D(X),C为常数;
- D ( X ± Y ) = D ( X ) + D ( Y ) ± 2 E { [ X − E ( X ) ] [ Y − E ( Y ) ] } = D ( X ) + D ( Y ) ± 2 C o v ( X , Y ) ; D(X\pm Y)=D(X)+D(Y)\pm2E\{[X-E(X)][Y-E(Y)]\}=D(X)+D(Y)\pm2Cov(X,Y); D(X±Y)=D(X)+D(Y)±2E{[X−E(X)][Y−E(Y)]}=D(X)+D(Y)±2Cov(X,Y);
- 设 X , Y 相 互 独 立 , 则 D ( X ± Y ) = D ( X ) + D ( Y ) 设X,Y相互独立,则D(X\pm Y)=D(X)+D(Y) 设X,Y相互独立,则D(X±Y)=D(X)+D(Y)
5. 常用分布的期望与方差
分布 | 参数 | 分布律或概率密度 | 数学期望 | 方差 |
---|---|---|---|---|
0 − 1 分 布 0-1分布 0−1分布 | p p p | p { x = k } = p k ( 1 − p ) 1 − k ( k = 0 , 1 ) p\{x=k\}=p^k(1-p)^{1-k}\\(k=0,1) p{x=k}=pk(1−p)1−k(k=0,1) | p p p | p ( 1 − p ) p(1-p) p(1−p) |
二 项 分 布 B ( n , p ) 二项分布\\B(n,p) 二项分布B(n,p) | n , p n,p n,p | P { x = k } = C n k p k ( 1 − p ) 1 − k P\{x=k\}=C_n^kp^k(1-p)^{1-k} P{x=k}=Cnkpk(1−p)1−k | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
几 何 分 布 几何分布 几何分布 | p p p | p { x = k } = p ( 1 − p ) k − 1 p\{x=k\}=p(1-p)^{k-1} p{x=k}=p(1−p)k−1 | 1 p \frac{1}{p} p1 | 1 − p p 2 \frac{1-p}{p^2} p21−p |
泊 松 分 布 P ( λ ) 或 π ( λ ) 泊松分布\\P(\lambda)或\pi(\lambda) 泊松分布P(λ)或π(λ) | λ \lambda λ | P { x = k } = λ k e − λ k ! P\{x=k\}=\frac{\lambda^ke^{-\lambda}}{k!} P{x=k}=k!λke−λ | λ \lambda λ | λ \lambda λ |
均 匀 分 布 U ( a , b ) 均匀分布\\U(a,b) 均匀分布U(a,b) | a < b a<b a<b | f ( x ) = 1 b − a , ( a < x < b ) f(x)=\frac{1}{b-a},(a<x<b) f(x)=b−a1,(a<x<b) | a + b 2 \frac{a+b}{2} 2a+b | ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2 |
正 态 分 布 N ( μ , σ 2 ) 正态分布\\N(\mu,\sigma^2) 正态分布N(μ,σ2) | μ , σ \mu,\sigma μ,σ | f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x)=2πσ1e−2σ2(x−μ)2 | μ \mu μ | σ 2 \sigma^2 σ2 |
指 数 分 布 e ( θ ) 或 E x p ( θ ) 指数分布\\e(\theta)或Exp(\theta) 指数分布e(θ)或Exp(θ) | θ \theta θ | f ( x ) = { θ e − θ x , x > 0 0 , 其 他 f(x)=\left\{\begin{aligned}&\theta e^{-\theta x}, &x>0\\&0, &其他\end{aligned}\right. f(x)={θe−θx,0,x>0其他 | 1 θ \frac{1}{\theta} θ1 | 1 θ 2 \frac{1}{\theta^2} θ21 |
6. 协方差及性质
协
方
差
:
C
o
v
(
X
,
Y
)
=
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
=
E
(
X
Y
)
−
E
(
X
)
⋅
E
(
Y
)
协方差:Cov(X,Y)=E\{[X-E(X)][Y-E(Y)]\}=E(XY)-E(X)\cdot E(Y)
协方差:Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}=E(XY)−E(X)⋅E(Y)
协
方
差
性
质
:
协方差性质:
协方差性质:
- C o v ( X , Y ) = C o v ( Y , X ) Cov(X,Y)=Cov(Y,X) Cov(X,Y)=Cov(Y,X)
- C o v ( a X , b Y ) = a b C o v ( X , Y ) ( a , b 为 常 数 ) Cov(aX,bY)=abCov(X,Y)\quad (a,b为常数) Cov(aX,bY)=abCov(X,Y)(a,b为常数)
- C o v ( X 1 + X 2 , Y ) = C o v ( X 1 , Y ) + C o v ( X 2 , Y ) Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
-
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
+
2
C
o
v
(
X
,
Y
)
D(X+Y)=D(X)+D(Y)+2Cov(X,Y)
D(X+Y)=D(X)+D(Y)+2Cov(X,Y)
D ( X − Y ) = D ( X ) + D ( Y ) − 2 C o v ( X , Y ) D(X-Y)=D(X)+D(Y)-2Cov(X,Y) D(X−Y)=D(X)+D(Y)−2Cov(X,Y) - 若 X 与 Y 相 互 独 立 , 则 C o v ( X , Y ) = 0 若X与Y相互独立,则Cov(X,Y)=0 若X与Y相互独立,则Cov(X,Y)=0
7. 相关系数
ρ
X
Y
=
C
o
v
(
X
,
Y
)
V
a
r
(
X
)
V
a
r
(
Y
)
\LARGE \rho_{\tiny{XY}}=\frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}
ρXY=Var(X)Var(Y)Cov(X,Y)
8. 距
高大上名称 |
---|