文章目录
前言
说明
第一篇博客,主要内容是自己在学习概率论时的总结。
参考书籍:程序员的数学2by平冈和幸 / 堀玄
几个概念
随机变量:是实验结果的一个实值函数,用以数值化描述试验结果。
随机变量的分布列(或概率密度函数):精确地给出随机变量的取值和概率分布的规律。
随机变量的数字特征:用数值描述随机变量的某些特征。
数学期望与方差
一维随机变量的期望和方差
离散型
X X X是一维离散型随机变量, X X X的所有可能取值为 x 1 , x 2 , . . . , x m x_1,x_2,...,x_m x1,x2,...,xm,对应的概率为 p 1 , p 2 , . . . , p m p_1,p_2,...,p_m p1,p2,...,pm。用 E ( X ) E(X) E(X)表示 X X X的期望,用 D ( X ) D(X) D(X)表示 X X X的方差。
E ( X ) = ∑ i = 0 m p i x i D ( X ) = ∑ i = 0 m p i ( x i − E ( X ) ) 2 = E ( X − E ( X ) ) 2 E(X)=\sum_{i=0}^mp_ix_i\\ D(X)=\sum_{i=0}^mp_i(x_i-E(X))^2=E(X-E(X))^2 E(X)=i=0∑mpixiD(X)=i=0∑mpi(xi−E(X))2=E(X−E(X))2
连续型
X X X是一维连续型随机变量,其概率密度函数为 f ( x ) f(x) f(x)。
E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x D ( X ) = ∫ − ∞ + ∞ ( x − E ( X ) ) 2 f ( x ) d x = E ( X − E ( X ) ) 2 E(X)=\int_{-\infty}^{+\infty}xf(x)dx \\ D(X)=\int_{-\infty}^{+\infty}(x-E(X))^2f(x)dx=E(X-E(X))^2 E(X)=∫−∞+∞xf(x)dxD(X)=∫−∞+∞(x−E(X))2f(x)dx=E(X−E(X))2
随机变量函数的期望
此处均以二维随机变量函数为例。
离散型
( X , Y ) (X,Y) (X,Y)是二维离散型随机变量, ( X , Y ) (X,Y) (X,Y)的分布列为 P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , 3... P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,3... P{
X=xi,Y=yj}=pij,i,j=1,2,3...。 Z Z Z是 ( X , Y ) (X,Y) (X,Y)的函数,满足 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y)。可以给出 Z Z Z的期望:
E ( Z ) = E ( g ( X , Y ) ) = ∑ i ∑ j g ( x i , y j ) p i j E(Z)=E(g(X,Y))=\sum_i\sum_jg(x_i,y_j)p_{ij} E(Z)=E(g(X,Y))=i∑j∑g(xi,yj)pij
连续型
( X , Y ) (X,Y) (X,Y)是二维连续型随机变量, ( X , Y ) (X,Y) (X,Y)的概率密度函数为 f ( x , y ) f(x,y) f(x,y)。 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y), g ( x , y ) g(x,y) g(x,y)是连续函数。可以给出 Z Z Z的期望:
E ( Z ) = E ( g ( X , Y ) ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y E(Z)=E(g(X,Y))=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy E(Z)=E(g(X,Y))=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
运算性质
期望
E ( a X + b ) = a E ( X ) +