目录
离散型随机变量
基本概念
定义
数学期望
数学期望其实就是加权平均数。
P ( X = X k ) = P k , 如 果 ∑ k = 1 n x k P ( X k ) 收 敛 , 则 E ( X ) = ∑ k = 1 n x k P ( X k ) 为 X 的 数 学 期 望 。 P(X = X_k) = P_k, 如果\sum_{k=1}^{n}x_kP(X_k)收敛,则E(X) = \sum_{k=1}^{n}x_kP(X_k)为X的数学期望。 P(X=Xk)=Pk,如果k=1∑nxkP(Xk)收敛,则E(X)=k=1∑nxkP(Xk)为X的数学期望。
方差
方差用来衡量数据与期望偏离的程度。
但如果直接用差值表示,会出现正负,而如果取绝对值的话,整个式子会高度不确定。所以我们用取平方来消除正负号带来的影响。
V a r ( X ) = E ( X − E ( X ) ) 2 Var(X) = E(X -E(X))^2 Var(X)=E(X−E(X))2
ps.顺便记录标准差的概念:因为计算方差时,会导致X的量纲(单位)发生变化,所以我们经常会用 V a r ( X ) \sqrt{Var(X)} Var(X)把量纲再变回去,来做一些比较,也就是通常所说的标准差。
离 散 型 : V a r ( X ) = ∑ k ( x k − E ( X ) ) 2 P k 离散型:Var(X) = \sum _k(x_k-E(X))^2P_k 离散型:Var(X)=k∑(xk−E(X))2Pk
函数的期望
一维变量
令 Y = g ( X ) , E ( X ) = ∑ k = 1 n g ( x k ) P ( X k ) 令Y = g(X),E(X) =\sum_{k=1}^{n}g(x_k)P(X_k) 令Y=g(X),E(X)=k=1∑ng(xk)P(Xk)
properties: i f Y = a X + b , t h e n E ( Y ) = a E ( X ) + b if Y = aX+b,then E(Y) = aE(X)+b ifY=aX+b,thenE(Y)=aE(X)+b
二维变量
求 Z = g ( X , Y ) Z = g(X,Y) Z=g(X,Y)的期望:
E ( Z ) = ∑ i ∑ j g ( x i , y j ) P i j E(Z) = \sum_i \sum_j g(x_i,y_j)P_{ij} E(Z)=<