#统计分析-定理公式汇总篇

先前关于学讲了很多,概率论,参数估计,还有一些统计量等等,有些讲了定义,有些没讲,有些有公式,有些没有公式,比较零散,所以这篇推文就这些内容做一个汇总,方便今后的查看~

0?wx_fmt=jpeg

part 1:重要统计量

一、期望:加权平均值

离散型定义:

0?wx_fmt=png

连续性定义:

 

0?wx_fmt=png

期望的性质

1.E(C)=C

2.E(CX)=CE(X)

3.E(X+Y)=E(X)+E(Y)

4.如果X和Y独立,则E(XY)=E(X)E(Y)

二、方差:相对于期望的偏离程度

 

0?wx_fmt=png

方差性质:

1.D(c)=0

2.D(X+c)=D(X)

3.D(kX)=k^2*D(X)

4.D(X+Y)=D(X)+D(Y)+2E{[X-E(X)][Y-E(Y)}

如果X和Y独立,则D(X+Y)=D(X)+D(Y)

三、协方差(可用来降维):

定义:Cov(X,Y)=E{[X-E(X)][Y-E(Y)}=E(XY)-E(X)E(Y)

协方差性质:

Cov(X,Y)=Cov(Y,X)

Cov(aX+b,cY+d)=acCov(X,Y)

Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z)

四、独立、互斥、不相关

独立定义:P(XY)=P(X)P(Y)

互斥定义:P(XY)=0

不相关定义:Cov(X,Y)=0

X和Y独立

=>E(XY)=E(X)E(Y)

=>Cov(X,Y)=0

=>X和Y不相关

故X和Y独立可推出二者不相关,反之不成立。

不相关本质上指线性独立,即X和Y之间没有线性关系,但二者可能存在其他关系,所以不能保证X和Y独立。

但是,特别的,对于二维正态随机变量,X和Y不相关等价于X和Y独立。

五、协方差矩阵:

设n个随机变量(X1,X2,....Xn),Cij=Cov(Xi,Xj)都存在,则称矩阵

0?wx_fmt=png

 为协方差矩阵。由于Cij=Cji,所以上述矩阵为对阵矩阵。

六、协方差的上界

0?wx_fmt=png

当且仅当X、Y有线性关系时,等号成立。

七、相关系数:

0?wx_fmt=png八、矩

对于随机变量X,X的k阶原点矩为:

0?wx_fmt=png

X的k阶中心距为:

0?wx_fmt=png

注:期望为一阶原点矩,方差为二阶中心距

part 2:参数估计

一.样本统计量

0?wx_fmt=png

计算样本方差的时候为什么不是除以n而是n-1呢?

为了得到无偏估计。

0?wx_fmt=png

由此可得:

0?wx_fmt=png

上式是基于期望μ已知的情况下计算的结果,现在考虑μ未知的情况。

我们使用样本均值代替μ,有

0?wx_fmt=png

所以,除非样本均值恰好等于随机变量X的期望μ,否则我们一定有

0?wx_fmt=png

这就说明了除以n是有误差的,但是,依然没有说明为啥要除以n-1。

二.样本的矩

0?wx_fmt=png

2.k阶样本中心矩

0?wx_fmt=png

三.矩估计

基于样本矩依概率收敛于相应的总体矩,样本矩的连续函数依概率收敛于相应的总体矩的连续函数,我们使用样本矩作为相应的总体矩的估计量,而以样本矩的连续函数作为相应的总体矩的连续函数的估计量,这种估计方法为矩估计法。

0?wx_fmt=jpeg

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值