概率论与数理统计笔记第二天

二维随机变量的条件分布：

        定义：

              在两个随机变量 X,Y的情况下，给定Y 取某些值的情况下， 称：  是Y =y 的条件下X的条件概率密度；

         离散型随机变量的条件分布：

                为在  Y =  条件下随机变量 f(x,y) 的条件分布律；

                 即  离散型随机变量的条件分布 = 联合分布 概率  /  边缘分布 概率（注意，可能会用到级数）；

         连续型随机变量的条件分布：

                    称 它为 极限 X= x的条件下，y的条件分布函数；   记为： P{Y<= y | X = x} 或者：   且有：   即： 对条件概率密度 积分  可求得 条件分布； 

           联合分布 可求 边缘分布 以及条件分布；  边缘分布 与 条件分布 也可求 联合分布； 

相互独立的随机变量：

       判定：   1. 变量间互不影响（离散型）；

                     2. 它们的两个边缘分布 概率的乘积  等于联合分布 概率（连续型）；

          即 对连续性随机变量，若：  成立，则 这两个随机变量相互独立；

数学期望：

     理解： 即 加权平均， 也即： 随机变量可能取到的值与其概率之积 的累加；

     离散型随机变量的数学期望： 

                设 X 分布律  为： 

                 若 级数：  绝对收敛，则 称 级数 的和 为 随机变量X 的数学期望，记为： E(X);

                    E(x) =

     连续型随机变量的数学期望：

           设连续型随机变量 X 的概率密度 为 f(x) , 若积分   绝对收敛，则称 积分  为X 的数学期望，记为：E(X);   

             E(x) =

常见随机变量的数学期望：

                   指数分布:                       方差：   数学期望：θ;

                   均匀分布：                    方差：     数学期望： 

                   二项分布：   方差： np(1-p)        数学期望：  np

                   泊松分布：                           方差： λ                  数学期望：λ

                   正态分布：    方差： σ^2            数学期望： μ

数学期望的性质：

         1.   E(C)  =c;

         2.   E(2C) = 2E(C);

         3.   E(X+Y) = E(X)+E(Y);

         4.   若 X与 Y 相互独立，则E(X*Y) = E(X)E(Y);

二维随机变量的数学期望：

         E(XY) =

随机变量的函数   的数学期望：

       离散型：  概率（权值）不变，相应的随机量变化；

       连续型：  E( g(x) ) =    (大写变小写)

随机变量的方差：

        常用来体现随机变量取值 分散程度的量；

        定义：

              若X 是 一个随机变量，有：   存在，称： 为 X 的方差，记为 D(X);

             D(X) = E(X^2) - E^2(X),   即：方差  等于 随机变量的平方 的期望 - 随机变量的期望 的平方；

              为标准差  或 均方差，记为 ：σ(X);

        离散型随机变量的方差计算：

              

         连续型随机变量的方差计算：

                  

                或者：  

         性质：

                1.  D(C)=0;   C 为常数；

                2.  若X,Y相互独立， 则： D(X+- Y) = D(X) +- D(Y);

                3.  D(CX) =C^2 * D(X);

                4.  D(aX+b) = a^2 * D(X);

                5.  D(-X) = D(X);

        标准化变量：   的期望为 0， 方差为 1；

切比雪夫不等式:

        若随机变量 X  具有  E(X) = μ，  方差 D(X) = σ^2 ,  则 对于任意  ε， 有不等式：

                

                 

协方差:

        定义：

                Cov(X,Y) = E[ ( X-E(X) )*(Y-E(Y) ) ] ;

         计算公式:

                  若 X,Y 相互独立， Cov(X,Y) = E[ X-E(X)] * E[Y-E(Y)] =0；

                  Cov(X,Y) = E(XY) - E(X)E(Y);

                  D(X+Y) = D(X) + D(Y) + 2 Cov(X,Y);

                  D(X-Y)  = D(X) + D(Y) -  2 Cov(X,Y);

          性质：

                  Cov(X,Y) = Cov(Y,X);

                  Cov(aX,bY) = ab Cov(X,Y);

                  Cov(X1+X2,Y) = Cov(X1,Y) + Cov(X2,Y);

                   若 X,Y相互独立，则 E(X,Y) = E(X)*E(Y);

相关系数:

         定义:   

                  设 (X,Y) 为 二维随机变量， D(X),D(Y) Cov(X,Y)  满足： , 称  为相关系数，  它反映了 X与 Y 相关关系的无量纲的关系；

                   当  =0 时， X 与 Y 不相关；

                 注意： 相互独立 ==> ρ=0；   ρ=0  =/=>相互独立；

         性质：

                -1 <=  <= 1;

             |  | =1 的充要条件:   存在 a,b ,使得 P(Y = a+bX) =1,即 X与 Y 几乎处处有线性关系；

              >0  称为 正相关；   <0  称为 负相关；

              当 =1时，线性关系最强；

大数定理：

           伯努利大数定理：  包含 切比雪夫弱大数定理；  辛钦弱大数定理；

              概率是频率的稳定值；

           抛硬币实验的数学意义：

                  

                它表示 频率不一定 为 1/2， 但与  1/2 的偏差 >= ε的概率为0；

          切比雪夫弱大数定理：

                 设 x1,x2 ...  为独立随机变量序列，它们具有共同的数学期望μ， 并且 D(xi) <= C,  i=1,2 ...

                  且 对任意的 ε >0 ， 有 D(xi):

                       

           辛钦弱大数定理：

                   设  x1,x2  ... 相互独立，服从同一分布， 具有数学期望：  E(xi)  = μ，i=1,2, ...   , 且 对任意的 ε >0, 有：

                        

中心极限定理：

          作用:   用于研究正态分布；   用于研究 独立的随机变量；

          定义：

                   把 随机变量的和  的分布 收敛于 正态分布 这一类 定理  称为  中心极限定理；

                   求和的标准化公式:    

          定理一：

                  随机变量序列  独立 且服从同一分布时， 有：

                     

                       ： 求概率的方法

            定理二（德莫佛-拉普拉斯方程）：

                      设随机变量   (n=1,2,...)  服从参数为 n,p的二项分布， 则对于任意x  ，恒有：

                  

                 它的修正方程：