一.数学期望
1.数学期望的定义
在概率论和统计学中,数学期望(或均值)是试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一。它反映随机变量平均取值的大小。
随机变量包括离散型和连续型,数学期望的计算也分离散型和连续型。在这了我们自己考虑智能驾驶领域基于快速原型开发,所以我们浅谈离散型数学期望
离散型
如果随机变量只取得有限个值或无穷能按一定次序一一列出,其值域为一个或若干个有限或无限区间,这样的随机变量称为离散型随机变量。
2.数学期望的计算公式
离散型
3.例题
假设我们来玩一个游戏,一共52张牌,其中有4个A。我们一元钱赌一把,如果你抽中了A,那么我给你10元钱,否则你的一元钱就输给我了,求你赢钱的数学期望。
解:P(抽中A)= 4/52 =1/13
P(抽不中A)= (52-4)/ 52 = 12/13
E(赢钱)= 1/13 * 10 + 12/13 * (-1) = -2/13
即你玩了很多把之后,会发现自己输钱的概率比较高。
二.方差
方差的代数意义很简单,两个数的方差就是两个数差值的平方,作为衡量实际问题的数字特征,方差有代表了问题的波动性。
1.方差的意义
甲、乙二人是射击队最优秀的两名选手,教练组用每一枪的得分作为成绩,根据历史数据计算出二人的平均成绩,也就是数学期望,结果是二人的实力相当,平均成绩都是9.5。比赛的日子快要到了,但是本次比赛只有一个名额,派谁出战呢?
2.例题
一个简单的方法是让二人比赛一次,谁赢了选谁。但是二者实力相当,一场比赛无法评判孰强孰弱,这样做充满了随机性,丧失了考量的综合性,因此教练组不考虑这种方法。
本次比赛夺金的政治意义重大,需要慎重考虑,稳定性成了教练组判断的另一指标。成绩稳定性是通过另一个数字特征判断的,这个特数字特征就是方差。
下表示甲、乙二人在一次比赛中的成绩:
甲是发挥型选手,成绩波动较大,可以打出“超级环”,也会打出大失水准的“低级环”;相反,乙的发挥比较稳定,总是与平均成绩接近。
二者的平均成绩是已经提前计算出来的9.5,这个成绩已经与随机性无关,我们在这里也不去追究9.5是怎么算出来的,只需要借助这个数字特征给出一个供教练组参考指标,该指标描述了谁的波动大,谁更稳定。
每一次射击的成绩均会产生波动,用每一次射击的得分减去平均成绩表示本次波动,得到了下面的数据:
现在可以计算出二人的总体波动了:
可以看出,乙的波动远远小于甲的波动,说明乙的稳定性更高。
三.均方差(标准差)
由于方差是数据的平方,与检测值本身相差太大,人们难以直观地衡量,所以常用均方差代替方差判断数据的波动。
所有样本的方差之和除以样本的个数,再把所得值开根号,所得之数就是这组数据的均方差,也叫标准差,常见的离散型公式:
其中r就是随机变量的数学期望,也就是加权平均值,N是样本空间中的一部分数据。
四.协方差
当舞台转向了多维随机变量时,方差就变成了协方差,这里的“协”是指几个变量的协同相关性。
如果(X, Y)是二维随机变量,且D(X)>0, D(Y)>0,则X,Y的协方差的定义是:
和方差类似,E(X)E(Y)是确定的数学期望,对于某一组确定的变量x=X, y=Y来说,X和Y也是定值,因此协方差可进一步转换为:
由于E(X)E(Y)是定值,因此可以根据数学期望的性质进一步计算:
从直观上来看,协方差表示的是两个变量总体误差的期望。
如果两个变量的变化趋势一致,也就是说如果两个变量都大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变化趋势相反,即其中一个变量大于自身的期望值,另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。
当两个变量完全一致时,协方差就变成了方差:
这相当于同一个变量的协方差等于方差,自己与自己一定同步,无所谓协同。
协方差的性质: