一、期望
1.离散随机变量的X的数学期望:
E
(
X
)
=
∑
k
=
1
∞
x
k
p
k
E(X) = \sum_{k=1}^{\infty}x_kp_k
E(X)=k=1∑∞xkpk
2.连续型随机变量X的数学期望:
E
(
X
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
E(X) = \int_{-\infty}^{+\infty}xf(x)dx
E(X)=∫−∞+∞xf(x)dx
3.常见分布的期望
1)泊松分布的期望等于
λ
\lambda
λ;
2)均匀分布的期望位于区间的中心;
3) 高斯分布的期望为
μ
\mu
μ
4)二项分布的期望为
n
p
np
np
4.期望的性质
常数的期望等于该常数;
E
(
C
X
)
=
C
E
(
X
)
E(CX) = CE(X)
E(CX)=CE(X);
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
E(X+Y) = E(X) + E(Y)
E(X+Y)=E(X)+E(Y);
X
,
Y
X,Y
X,Y独立时,
E
(
X
Y
)
=
E
(
X
)
E
(
Y
)
E(XY) = E(X)E(Y)
E(XY)=E(X)E(Y)
二、 方差
研究随机变量与其均值的偏离程度,记为:
D
(
X
)
=
E
[
X
−
E
(
X
)
]
2
D(X) = E{[X-E(X)]^2}
D(X)=E[X−E(X)]2
1.均方差,标准差
σ ( X ) = E [ X − E ( X ) ] 2 \sigma(X) = \sqrt{E{[X-E(X)]^2}} σ(X)=E[X−E(X)]2
2.方差的计算
把
E
[
X
−
E
(
X
)
]
2
E{[X-E(X)]^2}
E[X−E(X)]2看做函数
g
(
X
)
g(X)
g(X), 方差相当于求
g
(
X
)
g(X)
g(X)的期望。
对于离散的:
D
(
X
)
=
∑
k
=
1
∞
[
x
k
−
E
(
X
)
]
2
p
k
D(X) = \sum_{k=1}^{\infty}[x_k-E(X)]^2p_k
D(X)=k=1∑∞[xk−E(X)]2pk
对于连续的:
D
(
X
)
=
∫
−
∞
+
∞
[
x
k
−
E
(
X
)
]
2
f
(
x
)
d
x
D(X) = \int_{-\infty}^{+\infty}[x_k-E(X)]^2f(x)dx
D(X)=∫−∞+∞[xk−E(X)]2f(x)dx
实际中常用下面公式计算:
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
D(X) = E(X^2)-[E(X)]^2
D(X)=E(X2)−[E(X)]2
3.常见分布的方差
1)高斯分布的方差
σ
2
\sigma^2
σ2
2) 0-1分布的方差为
D
(
X
)
=
p
(
1
−
p
)
D(X) = p(1-p)
D(X)=p(1−p)
3) 泊松分布的方差为
λ
\lambda
λ
4) 均匀分布的方差为
(
b
−
a
)
2
12
\frac{(b-a)^2}{12}
12(b−a)2
5)指数分布
f
(
x
)
=
1
θ
e
−
x
/
θ
f(x) = \frac{1}{\theta}e^{-x/\theta}
f(x)=θ1e−x/θ的方差为
θ
2
\theta^2
θ2
4. 性质
三、协方差
描述两个变量的相关性
C
o
v
=
E
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
Cov = E{[X-E(X)][Y-E(Y)]}
Cov=E[X−E(X)][Y−E(Y)]
相关系数
ρ
X
Y
=
C
o
v
(
X
,
Y
)
D
(
X
)
D
(
Y
)
\rho_{XY} = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}
ρXY=D(X)D(Y)Cov(X,Y)
ρ
X
Y
=
0
\rho_{XY}=0
ρXY=0, 两个变量不相关
四、协方差矩阵
推广到多维:
对于连续的情况:
例子:
可以参考下面的博客:
详解协方差与协方差矩阵:https://blog.csdn.net/ybdesire/article/details/6270328
参考: 概率论与数理统计 浙大