尝试模仿gbl的笔法(bushi
注:若事件有无穷种结果,这种方法可能不严谨。
假设有两个相互独立事件:
事件1:
P
(
A
=
a
i
)
=
x
i
(
i
=
1
,
2
,
.
.
.
,
n
)
P(A=a_i)=x_i (i=1,2,...,n)
P(A=ai)=xi(i=1,2,...,n),
A
A
A的期望为
E
(
A
)
E(A)
E(A),方差为
D
(
A
)
D(A)
D(A)。
事件2:
P
(
B
=
b
i
)
=
y
i
(
j
=
1
,
2
,
.
.
.
,
m
)
P(B=b_i)=y_i (j=1,2,...,m)
P(B=bi)=yi(j=1,2,...,m),
B
B
B的期望为
E
(
B
)
E(B)
E(B),方差为
D
(
B
)
D(B)
D(B)。
令
C
=
A
+
B
C=A+B
C=A+B。
则
E
(
C
)
=
E
(
A
)
+
E
(
B
)
,
D
(
C
)
=
D
(
A
)
+
D
(
B
)
E(C)=E(A)+E(B),D(C)=D(A)+D(B)
E(C)=E(A)+E(B),D(C)=D(A)+D(B)。
分析:随机事件的性质说明
∑
i
=
1
n
x
i
=
1
\sum\limits_{i=1}^{n}x_i=1
i=1∑nxi=1,
∑
i
=
1
m
y
i
=
1
\sum\limits_{i=1}^{m}y_i=1
i=1∑myi=1。
由期望的定义,
E
(
A
)
=
∑
i
=
1
n
x
i
a
i
E(A)=\sum\limits_{i=1}^{n}x_ia_i
E(A)=i=1∑nxiai,
E
(
B
)
=
∑
i
=
1
m
y
i
b
i
E(B)=\sum\limits_{i=1}^{m}y_ib_i
E(B)=i=1∑myibi。
因为两事件独立,所以当
A
,
B
A,B
A,B确定时(设
A
=
a
i
A=a_i
A=ai,
B
=
b
j
B=b_j
B=bj),
C
C
C在这种情况下的取值的概率是可以求出的,为
x
i
y
j
x_iy_j
xiyj。
于是可以枚举
i
,
j
i,j
i,j,并计算此时情况下对总期望的贡献。化简可以提取公因式,再用上面四个等式简化表达式。
值得注意的是,若两组数
(
i
,
j
)
,
(
i
′
,
j
′
)
(i,j),(i',j')
(i,j),(i′,j′)不同,且
a
i
+
b
j
=
a
i
′
+
b
j
′
a_i+b_j=a_{i'}+b_{j'}
ai+bj=ai′+bj′,同样可以分别计算贡献。
因为期望的定义式说明可以把
a
i
+
b
j
a_i+b_j
ai+bj提取公因式,再把概率相加。而“把概率相加”就等价于把
C
C
C的每一个确定取值列出来,再把每一个取值的概率算出来,最后算期望。
所以分别计算贡献,和把所有的
C
C
C的可能取值列出来再求期望,结果是相同的。
(我把过程写数学书上了,但忘把数学书带回来了,又要重推一遍)
解:
E
(
C
)
=
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
(
a
i
+
b
j
)
E(C)=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j(a_i+b_j)
E(C)=i=1∑nj=1∑mxiyj(ai+bj)
=
∑
i
=
1
n
∑
j
=
1
m
x
i
a
i
y
j
+
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
b
j
=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_ia_iy_j+\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_jb_j
=i=1∑nj=1∑mxiaiyj+i=1∑nj=1∑mxiyjbj
=
∑
i
=
1
n
x
i
a
i
∑
j
=
1
m
y
j
+
∑
i
=
1
n
x
i
∑
j
=
1
m
y
j
b
j
=\sum\limits_{i=1}^{n}x_ia_i\sum\limits_{j=1}^{m}y_j+\sum\limits_{i=1}^{n}x_i\sum\limits_{j=1}^{m}y_jb_j
=i=1∑nxiaij=1∑myj+i=1∑nxij=1∑myjbj
=
∑
i
=
1
n
x
i
a
i
+
∑
i
=
1
n
x
i
E
(
B
)
=\sum\limits_{i=1}^{n}x_ia_i+\sum\limits_{i=1}^{n}x_iE(B)
=i=1∑nxiai+i=1∑nxiE(B)
=
E
(
A
)
+
E
(
B
)
=E(A)+E(B)
=E(A)+E(B)。
期望还是很友好的,毒瘤的是方差……
分析:同样的思路,只是多了两个定义式:
D
(
A
)
=
∑
i
=
1
n
x
i
(
a
i
−
E
(
A
)
)
2
,
D
(
B
)
=
∑
i
=
1
m
y
i
(
b
i
−
E
(
B
)
)
2
D(A)=\sum\limits_{i=1}^{n}x_i(a_i-E(A))^2,D(B)=\sum\limits_{i=1}^{m}y_i(b_i-E(B))^2
D(A)=i=1∑nxi(ai−E(A))2,D(B)=i=1∑myi(bi−E(B))2。
这里依然可以枚举
i
,
j
i,j
i,j并计算对总方差的贡献。当两组不同的
(
i
,
j
)
(i,j)
(i,j)的
a
i
+
b
j
a_i+b_j
ai+bj相同时,由于
E
(
C
)
E(C)
E(C)是确定的,所以同样可以提取公因式然后将概率相加。
但方差中有平方,所以计算过程会很毒瘤——
解:上面已证
E
(
C
)
=
E
(
A
)
+
E
(
B
)
E(C)=E(A)+E(B)
E(C)=E(A)+E(B)。于是
D
(
C
)
=
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
(
a
i
+
b
j
−
E
(
A
)
−
E
(
B
)
)
2
D(C)=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j(a_i+b_j-E(A)-E(B))^2
D(C)=i=1∑nj=1∑mxiyj(ai+bj−E(A)−E(B))2
=
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
(
a
i
−
E
(
A
)
)
+
(
b
j
−
E
(
B
)
)
]
2
=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[(a_i-E(A))+(b_j-E(B))]^2
=i=1∑nj=1∑mxiyj[(ai−E(A))+(bj−E(B))]2
=
∑
i
=
1
n
∑
j
=
1
n
x
i
y
j
[
a
i
−
E
(
A
)
]
2
+
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
b
j
−
E
(
B
)
]
2
+
2
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
a
i
−
E
(
A
)
]
[
b
j
−
E
(
B
)
]
=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}x_iy_j[a_i-E(A)]^2+\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[b_j-E(B)]^2+2\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[a_i-E(A)][b_j-E(B)]
=i=1∑nj=1∑nxiyj[ai−E(A)]2+i=1∑nj=1∑mxiyj[bj−E(B)]2+2i=1∑nj=1∑mxiyj[ai−E(A)][bj−E(B)]
=
∑
i
=
1
n
x
i
[
a
i
−
E
(
A
)
]
2
∑
j
=
1
m
y
j
+
∑
i
=
1
n
x
i
∑
j
=
1
m
y
j
[
b
j
−
E
(
B
)
]
2
+
2
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
a
i
−
E
(
A
)
]
[
b
j
−
E
(
B
)
]
=\sum\limits_{i=1}^{n}x_i[a_i-E(A)]^2\sum\limits_{j=1}^{m}y_j+\sum\limits_{i=1}^{n}x_i\sum\limits_{j=1}^{m}y_j[b_j-E(B)]^2+2\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[a_i-E(A)][b_j-E(B)]
=i=1∑nxi[ai−E(A)]2j=1∑myj+i=1∑nxij=1∑myj[bj−E(B)]2+2i=1∑nj=1∑mxiyj[ai−E(A)][bj−E(B)]
=
∑
i
=
1
n
x
i
[
a
i
−
E
(
A
)
]
2
+
∑
i
=
1
n
x
i
D
(
B
)
+
2
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
a
i
−
E
(
A
)
]
[
b
j
−
E
(
B
)
]
=\sum\limits_{i=1}^{n}x_i[a_i-E(A)]^2+\sum\limits_{i=1}^{n}x_iD(B)+2\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[a_i-E(A)][b_j-E(B)]
=i=1∑nxi[ai−E(A)]2+i=1∑nxiD(B)+2i=1∑nj=1∑mxiyj[ai−E(A)][bj−E(B)]
=
D
(
A
)
+
D
(
B
)
+
2
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
a
i
−
E
(
A
)
]
[
b
j
−
E
(
B
)
]
=D(A)+D(B)+2\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[a_i-E(A)][b_j-E(B)]
=D(A)+D(B)+2i=1∑nj=1∑mxiyj[ai−E(A)][bj−E(B)]。
而
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
[
a
i
−
E
(
A
)
]
[
b
j
−
E
(
B
)
]
\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_j[a_i-E(A)][b_j-E(B)]
i=1∑nj=1∑mxiyj[ai−E(A)][bj−E(B)]
=
∑
i
=
1
n
∑
j
=
1
m
x
i
a
i
y
j
b
j
−
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
a
i
E
(
B
)
−
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
b
j
E
(
A
)
+
∑
i
=
1
n
∑
j
=
1
m
x
i
y
j
E
(
A
)
E
(
B
)
=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_ia_iy_jb_j-\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_ja_iE(B)-\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_jb_jE(A)+\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}x_iy_jE(A)E(B)
=i=1∑nj=1∑mxiaiyjbj−i=1∑nj=1∑mxiyjaiE(B)−i=1∑nj=1∑mxiyjbjE(A)+i=1∑nj=1∑mxiyjE(A)E(B)
=
∑
i
=
1
n
x
i
a
i
∑
j
=
1
m
y
j
b
j
−
E
(
B
)
∑
i
=
1
n
x
i
a
i
∑
j
=
1
m
y
j
−
E
(
A
)
∑
i
=
1
n
x
i
∑
j
=
1
m
y
j
b
j
+
E
(
A
)
E
(
B
)
∑
i
=
1
n
x
i
∑
j
=
1
m
y
j
=\sum\limits_{i=1}^{n}x_ia_i\sum\limits_{j=1}^{m}y_jb_j-E(B)\sum\limits_{i=1}^{n}x_ia_i\sum\limits_{j=1}^{m}y_j-E(A)\sum\limits_{i=1}^{n}x_i\sum\limits_{j=1}^{m}y_jb_j+E(A)E(B)\sum\limits_{i=1}^{n}x_i\sum\limits_{j=1}^{m}y_j
=i=1∑nxiaij=1∑myjbj−E(B)i=1∑nxiaij=1∑myj−E(A)i=1∑nxij=1∑myjbj+E(A)E(B)i=1∑nxij=1∑myj。
=
∑
i
=
1
n
x
i
a
i
E
(
B
)
−
E
(
B
)
∑
i
=
1
n
x
i
a
i
−
E
(
A
)
∑
i
=
1
n
x
i
E
(
B
)
+
E
(
A
)
E
(
B
)
∑
i
=
1
n
x
i
=\sum\limits_{i=1}^{n}x_ia_iE(B)-E(B)\sum\limits_{i=1}^{n}x_ia_i-E(A)\sum\limits_{i=1}^{n}x_iE(B)+E(A)E(B)\sum\limits_{i=1}^{n}x_i
=i=1∑nxiaiE(B)−E(B)i=1∑nxiai−E(A)i=1∑nxiE(B)+E(A)E(B)i=1∑nxi
=
E
(
A
)
E
(
B
)
−
E
(
A
)
E
(
B
)
−
E
(
A
)
E
(
B
)
+
E
(
A
)
E
(
B
)
=E(A)E(B)-E(A)E(B)-E(A)E(B)+E(A)E(B)
=E(A)E(B)−E(A)E(B)−E(A)E(B)+E(A)E(B)
=
0
=0
=0。
故 D ( C ) = D ( A ) + D ( B ) + 0 = D ( A ) + D ( B ) D(C)=D(A)+D(B)+0=D(A)+D(B) D(C)=D(A)+D(B)+0=D(A)+D(B)。
后记:
这种做法太暴力了……应该会有更妙的证法吧?
推之前我只知道期望有线性性,没想到方差也有
课本上只给了二项分布的期望和方差,而方差没有证明,期望是通过组合数的特殊性质证明的。
感觉课本上那样的证法也不是很好,那个只适合二项分布,而且证明也不需要用组合数性质。
但因为笔者能力有限,想不出更巧妙的做法,所以期待各位巨佬的指点。
另附二项分布期望和方差公式:
E
(
X
)
=
n
p
E(X)=np
E(X)=np
D
(
X
)
=
n
p
(
1
−
p
)
D(X)=np(1-p)
D(X)=np(1−p)
后后记(?):
巨佬mhy给了一个jcl讲的奇妙公式:
D
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
D(X)=E(X^2)-E(X)^2
D(X)=E(X2)−E(X)2
证明:
D
(
X
)
=
∑
i
=
1
n
p
i
(
x
i
−
E
(
X
)
)
2
D(X)=\sum\limits_{i=1}^{n}p_i(x_i-E(X))^2
D(X)=i=1∑npi(xi−E(X))2
=
∑
i
=
1
n
p
i
x
i
2
−
∑
i
=
1
n
2
p
i
x
i
E
(
X
)
+
∑
i
=
1
n
p
i
E
(
X
)
2
=\sum\limits_{i=1}^{n}p_ix_i^2-\sum\limits_{i=1}^{n}2p_ix_iE(X)+\sum\limits_{i=1}^{n}p_iE(X)^2
=i=1∑npixi2−i=1∑n2pixiE(X)+i=1∑npiE(X)2
=
E
(
X
2
)
−
2
E
(
X
)
∑
i
=
1
n
p
i
x
i
+
E
(
X
)
2
∑
i
=
1
n
p
i
=E(X^2)-2E(X)\sum\limits_{i=1}^{n}p_ix_i+E(X)^2\sum\limits_{i=1}^{n}p_i
=E(X2)−2E(X)i=1∑npixi+E(X)2i=1∑npi
=
E
(
X
2
)
−
2
E
(
X
)
2
+
E
(
X
)
2
=E(X^2)-2E(X)^2+E(X)^2
=E(X2)−2E(X)2+E(X)2
=
E
(
X
2
)
−
E
(
X
)
2
=E(X^2)-E(X)^2
=E(X2)−E(X)2。
于是再次证明
D
(
A
+
B
)
=
D
(
A
)
+
D
(
B
)
D(A+B)=D(A)+D(B)
D(A+B)=D(A)+D(B):
D
(
A
+
B
)
=
E
(
(
A
+
B
)
2
)
−
E
(
A
+
B
)
2
D(A+B)=E((A+B)^2)-E(A+B)^2
D(A+B)=E((A+B)2)−E(A+B)2
=
E
(
A
2
+
B
2
+
2
A
B
)
−
[
E
(
A
)
+
E
(
B
)
]
2
=E(A^2+B^2+2AB)-[E(A)+E(B)]^2
=E(A2+B2+2AB)−[E(A)+E(B)]2
=
E
(
A
2
)
+
E
(
B
2
)
+
2
E
(
A
B
)
−
E
(
A
)
2
−
E
(
B
)
2
−
2
E
(
A
B
)
=E(A^2)+E(B^2)+2E(AB)-E(A)^2-E(B)^2-2E(AB)
=E(A2)+E(B2)+2E(AB)−E(A)2−E(B)2−2E(AB)
=
[
E
(
A
2
)
−
E
(
A
)
]
+
[
E
(
B
2
)
−
E
(
B
)
]
=[E(A^2)-E(A)]+[E(B^2)-E(B)]
=[E(A2)−E(A)]+[E(B2)−E(B)]
=
D
(
A
)
+
D
(
B
)
=D(A)+D(B)
=D(A)+D(B)。