期望
离散型:
E
(
X
)
=
∑
k
=
1
+
∞
x
k
p
k
E(X)=\sum_{k=1}^{+\infty}x_kp_k
E(X)=k=1∑+∞xkpk
连续型:
E
(
X
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
E(X)=\int_{-\infty}^{+\infty}xf(x)dx
E(X)=∫−∞+∞xf(x)dx
若
Y
=
g
(
X
)
Y=g(X)
Y=g(X),其中
g
g
g是连续函数,则
如果
X
X
X是连续型:
E
(
X
)
=
E
[
g
(
X
)
]
=
∑
k
=
1
+
∞
g
(
x
k
)
p
k
E(X)=E[g(X)]=\sum_{k=1}^{+\infty}g(x_k)p_k
E(X)=E[g(X)]=k=1∑+∞g(xk)pk
如果
X
X
X是连续型:
E
(
X
)
=
E
(
g
(
X
)
)
=
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
E(X)=E(g(X))=\int_{-\infty}^{+\infty}g(x)f(x)dx
E(X)=E(g(X))=∫−∞+∞g(x)f(x)dx
其余几个性质:
- E ( C ) = C E(C)=C E(C)=C
- 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 X X、 Y Y Y相互独立,则 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)
若
Z
=
g
(
X
,
Y
)
Z=g(X,Y)
Z=g(X,Y),其中
g
g
g连续,而且
X
X
X和
Y
Y
Y的概率密度是
f
(
x
,
y
)
f(x,y)
f(x,y),则有
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
方差
描述数据离散程度的量。
D
(
X
)
=
V
a
r
(
X
)
=
E
{
[
X
−
E
(
X
)
]
2
}
D(X)=Var(X)=E\{[X-E(X)]^2\}
D(X)=Var(X)=E{[X−E(X)]2}
离散型:
D
(
X
)
=
∑
k
=
1
+
∞
[
x
k
−
E
(
X
)
]
p
k
D(X)=\sum_{k=1}^{+\infty}[x_k-E(X)]p_k
D(X)=k=1∑+∞[xk−E(X)]pk
连续型
D
(
X
)
=
∫
−
∞
+
∞
[
x
−
E
(
X
)
]
2
f
(
x
)
d
x
D(X)=\int_{-\infty}^{+\infty}[x-E(X)]^2f(x)dx
D(X)=∫−∞+∞[x−E(X)]2f(x)dx
一般公式
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
D(X)=E(X^2)-[E(X)]^2
D(X)=E(X2)−[E(X)]2
几个性质:
- D ( C X ) = C 2 D ( X ) D(CX)=C^2D(X) D(CX)=C2D(X)
- D ( X + C ) = D ( X ) D(X+C)=D(X) D(X+C)=D(X)
- D ( X + Y ) = D ( X ) + D ( Y ) + 2 E { [ X − E ( X ) ] [ Y − E ( Y ) ] } D(X+Y)=D(X)+D(Y)+2E\{[X-E(X)][Y-E(Y)]\} D(X+Y)=D(X)+D(Y)+2E{[X−E(X)][Y−E(Y)]},若 X 、 Y X、Y X、Y独立,则 D ( X + Y ) = D ( X ) + D ( Y ) D(X+Y)=D(X)+D(Y) D(X+Y)=D(X)+D(Y)