陌雨’的博客

k 阶原点矩设 XXX 为随机变量， kkk 为正整数。如果 E(Xk)E(X^k)E(Xk) 存在，则称μk=E(Xk)\mu_k=E(X^k)μk​=E(Xk)为 XXX 的 kkk 阶原点矩特别的，μ1\mu_1μ1​ 为 XXX 的数学期望k 阶中心距设 XXX 为随机变量， kkk 为正整数。如果 E(X−E(X))kE(X-E(X))^kE(X−E(X))k 存在，则称νk=E(X−E(X))k\nu_k=E(X-E(X))^kνk​=E(X−E(X))k为 XXX 的 kkk

林德伯格–莱维中心极限定理设 {Xn}\{X_n\}{Xn​} 是独立同分布的随机变量序列，且 E(Xi)=μE(X_i)=\muE(Xi​)=μ,Var(Xi)=σ2>0Var(X_i)=\sigma^2>0Var(Xi​)=σ2>0 存在，若记Yn∗=X1+X2+⋯+Xn−nμσnY^*_n=\frac{X_1+X_2+\cdots+X_n-n\mu}{\sigma\sqrt{n}}Yn∗​=σn​X1​+X2​+⋯+Xn​−nμ​则对任意实数 yyy,有lim⁡n→∞P(Yn

切比雪夫大数定理：设 {Xn}\{X_n\}{Xn​} 为一列两两不相关的随机变量序列，若每个 XiX_iXi​ 的方差存在，且有共同的上界，即 Var(Xi)⩽c,i=1,2,⋯Var(X_i)\leqslant c,i=1,2,\cdotsVar(Xi​)⩽c,i=1,2,⋯，则 {Xn}\{X_n\}{Xn​} 服从大数定理，即对任意的 ε>0\varepsilon>0ε>0，成立：lim⁡n→∞P(∣1n∑i=1nXi−1n∑i=1nE(Xi)∣<ε)=1\lim_{n\

特征函数的性质： 若 E(Xl)E(X^l)E(Xl) 存在，则 XXX 的特征函数 φ(t)\varphi(t)φ(t) 可 lll 次求导，且对 1⩽k⩽l1\leqslant k\leqslant l1⩽k⩽l 有φ(k)(0)=ikE(Xk)\varphi^{(k)}(0)={\rm i}^kE(X^k)φ(k)(0)=ikE(Xk)上式提供了一条求随机变量的各阶矩的途径，特别可用下式去求数学期望和方差E(X)=φ′(0)iE(X)=\frac{\varphi'(0)}{\rm i}E(X)=

设 XXX 是一个随机变量，称φ(t)=E(eitX),−∞<t<∞\varphi(t)=E(e^{itX}),-\infty<t<\inftyφ(t)=E(eitX),−∞<t<∞为 XXX 的 特征函数例：均匀分布 U(a,b) 因为密度函数为p(x)={1b−a,a<x<b0,其他p(x)=\left\{\begin{aligned}&\frac{1}{b-a},\quad a<x<b\\&0,\quad 其他

施瓦茨不等式：对任意二维随机变量 (X,Y)(X,Y)(X,Y)，若 XXX 与 YYY 的方差都存在，且记 σX2=Var(X),σY2=Var(Y)\sigma^2_X=Var(X),\sigma^2_Y=Var(Y)σX2​=Var(X),σY2​=Var(Y)，则有[Cov(X,Y)]2⩽σX2σY2[Cov(X,Y)]^2\leqslant\sigma^2_X\sigma^2_Y[Cov(X,Y)]2⩽σX2​σY2​...

设随机变量 XXX 的数学期望和方差都存在，则对任意常数 ε>0\varepsilon>0ε>0，有P(∣X−E(X)∣⩾ε)⩽Var(X)ε2P(|X-E(X)|\geqslant\varepsilon)\leqslant\frac{Var(X)}{\varepsilon^2}P(∣X−E(X)∣⩾ε)⩽ε2Var(X)​或P(∣X−E(X)∣<ε)⩾1−Var(X)ε2P(|X-E(X)|<\varepsilon)\geqslant 1-\frac{Var(X)}{\

加法公式： 对任意两个事件 A,BA,BA,B，有P(A∪B)=P(A)+P(B)−P(AB)P(A\cup B)=P(A)+P(B)-P(AB)P(A∪B)=P(A)+P(B)−P(AB)推广：对任意 nnn 个事件 A1,A2,⋯ ,AnA_1,A_2,\cdots,A_nA1​,A2​,⋯,An​ 有P(∪i=1nAi)=∑i=1nP(Ai)−∑1⩽i<j⩽nP(AiAj)+∑1⩽i<j<k⩽nP(AiAjAk)+⋯+(−1)n−1P(A1A2⋯An)P\left(\math

设 Ω\OmegaΩ 为一个样本空间，F\mathcal{F}F 为 Ω\OmegaΩ 的某些子集组成的一个事件域。如果对任一事件 A∈FA\in\mathcal{F}A∈F,定义在 F\mathcal{F}F 上的一个实值函数 P(A)P(A)P(A) 满足：非负性公理 若 A∈FA\in\mathcal{F}A∈F，则 P(A)⩾0P(A)\geqslant0P(A)⩾0正则性公理 P(Ω)=1P(\Omega)=1P(Ω)=1可列可加性公理 若 A1,A2,⋯An,⋯A_1,A_2,\cdot

事件并的对立等于对立的交：A∪B‾=A‾∩B‾\overline{A\cup B}=\overline{A}\cap\overline{B}A∪B=A∩B事件交的对立等于对立的并：A∩B‾=A‾∪B‾\overline{A\cap B}=\overline{A}\cup\overline{B}A∩B=A∪B推广：∪i=1nAi‾=∪i=1nAi‾\overline{\mathop{\cup}\limits^n_{i=1}A_i}=\mathop{\cup}\limits_{i=1}^n\overl

分布分布列 pkp_kpk​ 或分布密度 p(x)p(x)p(x)期望方差0−10-10−1 分布pk=pk(1−p)1−k,k=0,1p_k=p^k(1-p)^{1-k},\quad k=0,1pk​=pk(1−p)1−k,k=0,1pppp(1−p)p(1-p)p(1−p)二项分布 b(n,p)b(n,p)b(n,p)pk=(nk)pk(1−p)n−k,k=0,1,⋯p_k=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,\cdotsp...