数学期望
期 望 的 实 质 是 随 机 变 量 X 随 依 概 率 P 收 敛 于 X 的 平 均 值 ( 不 等 同 于 X ‾ ) 期望的实质是随机变量X随依概率P收敛于X的平均值(不等同于\overline{X}) 期望的实质是随机变量X随依概率P收敛于X的平均值(不等同于X)
离散型随机变量X的数学期望
设
随
机
变
量
X
的
概
率
分
布
为
P
{
X
=
x
k
}
=
p
k
,
k
=
1
,
2
,
.
.
.
设随机变量X的概率分布为P\left \{ X=x_k\right \}=p_k,k=1,2,...
设随机变量X的概率分布为P{X=xk}=pk,k=1,2,...,
如
果
级
数
∑
k
=
1
∞
x
k
p
k
绝
对
收
敛
,
如果级数\sum_{k=1}^{\infty}x_kp_k绝对收敛,
如果级数∑k=1∞xkpk绝对收敛,
则
该
级
数
为
随
机
变
量
X
的
数
学
期
望
或
均
值
,
则该级数为随机变量X的数学期望或均值,
则该级数为随机变量X的数学期望或均值,
即
E
(
X
)
=
∑
k
=
1
∞
x
k
p
k
即E(X)=\sum_{k=1}^{\infty}x_kp_k
即E(X)=∑k=1∞xkpk
连续型随机变量
设 随 机 变 量 X 的 概 率 密 度 为 f ( x ) , 如 果 积 分 ∫ − ∞ + ∞ x f ( x ) d x 绝 对 收 敛 , 设随机变量X的概率密度为f(x),如果积分\int_{-\infty}^{+\infty}xf(x)dx绝对收敛, 设随机变量X的概率密度为f(x),如果积分∫−∞+∞xf(x)dx绝对收敛, 则 称 该 积 分 为 随 机 变 量 X 的 数 学 期 望 或 均 值 , 则称该积分为随机变量X的数学期望或均值, 则称该积分为随机变量X的数学期望或均值, 即 E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x 即E(X)=\int_{-\infty}^{+\infty}xf(x)dx 即E(X)=∫−∞+∞xf(x)dx
期望常见的性质
- 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\pm Y)=E(X)\pm E(Y) E(X±Y)=E(X)±E(Y)
- X , Y 独 立 → E ( X Y ) = E ( X ) E ( Y ) X,Y独立\rightarrow E(XY)=E(X)E(Y) X,Y独立→E(XY)=E(X)E(Y)
一维随机变量Y=g(x)的数学期望
随
机
变
量
Y
=
g
(
X
)
的
数
学
期
望
为
,
随机变量Y=g(X)的数学期望为,
随机变量Y=g(X)的数学期望为,
离
散
型
:
E
(
Y
)
=
E
(
g
(
X
)
)
=
∑
k
=
1
∞
g
(
x
k
)
p
k
离散型:E(Y)=E(g(X))=\sum_{k=1}^{\infty}g(x_k)p_k
离散型:E(Y)=E(g(X))=∑k=1∞g(xk)pk
连
续
性
:
E
(
Y
)
=
E
(
g
(
X
)
)
=
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
连续性:E(Y)=E(g(X))=\int_{-\infty}^{+\infty}g(x)f(x)dx
连续性:E(Y)=E(g(X))=∫−∞+∞g(x)f(x)dx
二维随机变量(X,Y)的函数Z=g(X,Y)的数学期望
随
机
变
量
Z
=
g
(
X
,
Y
)
的
数
学
期
望
为
,
随机变量Z=g(X,Y)的数学期望为,
随机变量Z=g(X,Y)的数学期望为,
离
散
型
:
E
(
Z
)
=
E
(
g
(
X
,
Y
)
)
=
∑
i
=
1
∞
∑
j
=
1
∞
g
(
x
i
,
y
j
)
p
i
j
离散型:E(Z)=E(g(X,Y))=\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}g(x_i,y_j)p_{ij}
离散型:E(Z)=E(g(X,Y))=∑i=1∞∑j=1∞g(xi,yj)pij
连
续
性
:
E
(
Z
)
=
E
(
g
(
X
,
Y
)
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
连续性:E(Z)=E(g(X,Y))=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
连续性:E(Z)=E(g(X,Y))=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
随机变量的方差
概
率
论
中
方
差
用
来
度
量
随
机
变
量
和
其
数
学
期
望
(
即
均
值
)
之
间
的
偏
离
程
度
概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度
概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度,
即
即
即
D
(
x
)
=
E
[
x
−
E
(
x
)
]
2
或
者
D
(
x
)
=
E
(
x
2
)
−
E
(
x
)
2
D(x)=E[x-E(x)]^2或者D(x)=E(x^2)-E(x)^2
D(x)=E[x−E(x)]2或者D(x)=E(x2)−E(x)2
5.
D
(
a
X
+
b
)
=
a
2
D
(
x
)
D(aX+b)=a^2D(x)
D(aX+b)=a2D(x)
6.
D
(
X
±
Y
)
=
D
(
X
)
+
D
(
Y
)
±
2
C
O
V
(
X
,
Y
)
D(X\pm Y)=D(X)+D(Y)\pm 2COV(X,Y)
D(X±Y)=D(X)+D(Y)±2COV(X,Y)
常见的数学期望和方差
- 0 − 1 分 布 , E ( x ) = p , D ( x ) = 1 − p 0-1分布,E(x)=p,D(x)=1-p 0−1分布,E(x)=p,D(x)=1−p
- 0 二 项 分 布 , X 0二项分布,X 0二项分布,X~ B ( n , p ) , E ( x ) = n p , D ( x ) = n p ( 1 − p ) B(n,p),E(x)=np,D(x)=np(1-p) B(n,p),E(x)=np,D(x)=np(1−p)
- 泊 松 分 布 , X 泊松分布,X 泊松分布,X~ P ( λ ) , E ( x ) = λ , D ( x ) = λ P(\lambda),E(x)=\lambda,D(x)=\lambda P(λ),E(x)=λ,D(x)=λ
-
几
何
分
布
,
p
{
X
=
K
}
=
p
(
1
−
p
)
k
−
1
,
k
=
1
,
2
,
.
.
.
.
,
几何分布,p\left \{X=K\right \}=p(1-p)^{k-1},k=1,2,....,
几何分布,p{X=K}=p(1−p)k−1,k=1,2,....,
E ( x ) = 1 p , D ( x ) = 1 − p p 2 E(x)=\frac{1}{p},D(x)=\frac{1-p}{p^{2}} E(x)=p1,D(x)=p21−p - 均 匀 分 布 , X 均匀分布,X 均匀分布,X~ U ( a , b ) , E ( x ) = a + b 2 , D ( x ) = ( b − a ) 2 12 U(a,b),E(x)=\frac{a+b}{2},D(x)=\frac{(b-a)^2}{12} U(a,b),E(x)=2a+b,D(x)=12(b−a)2
- 指 数 分 布 , X 指数分布,X 指数分布,X~ E ( λ ) , E ( x ) = 1 λ , D ( x ) = 1 λ 2 E(\lambda),E(x)=\frac{1}{\lambda},D(x)=\frac{1}{\lambda^2} E(λ),E(x)=λ1,D(x)=λ21
- 正 态 分 布 , X 正态分布,X 正态分布,X~ N ( μ , σ 2 ) , E ( x ) = μ , D ( x ) = σ 2 N(\mu,\sigma^2),E(x)=\mu,D(x)=\sigma^2 N(μ,σ2),E(x)=μ,D(x)=σ2
协方差
协
方
差
:
表
示
两
个
变
量
总
体
的
误
差
协方差:表示两个变量总体的误差
协方差:表示两个变量总体的误差
对
于
随
机
变
量
X
,
Y
,
如
果
E
[
X
−
E
(
X
)
]
E
[
Y
−
E
(
Y
)
]
存
在
,
对于随机变量X,Y,如果E[X-E(X)]E[Y-E(Y)]存在,
对于随机变量X,Y,如果E[X−E(X)]E[Y−E(Y)]存在,
则
称
之
为
X
和
Y
的
协
方
差
,
记
作
C
o
v
(
X
,
Y
)
,
即
则称之为X和Y的协方差,记作Cov(X,Y),即
则称之为X和Y的协方差,记作Cov(X,Y),即
C
o
v
(
X
,
Y
)
=
E
[
X
−
E
(
X
)
]
E
[
Y
−
E
(
Y
)
]
=
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
Cov(X,Y)=E[X-E(X)]E[Y-E(Y)]=E(XY)-E(X)E(Y)
Cov(X,Y)=E[X−E(X)]E[Y−E(Y)]=E(XY)−E(X)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), 若 ρ x y = 0 , 则 X , Y 不 相 关 , 即 X , Y 无 线 性 关 系 若\rho_{xy}=0,则X,Y不相关,即X,Y无线性关系 若ρxy=0,则X,Y不相关,即X,Y无线性关系
协方差性质
- C o v ( X , Y ) = C o v ( Y , X ) Cov(X,Y)=Cov(Y,X) Cov(X,Y)=Cov(Y,X)
- C o v ( a X , b Y ) = a b C o v ( X , Y ) Cov(aX,bY)=abCov(X,Y) Cov(aX,bY)=abCov(X,Y)
- C o v ( X 1 + X 2 , Y ) = C o v ( X 1 , X ) + C o v ( X 2 , Y ) Cov(X_1+X_2,Y)=Cov(X_1,X)+Cov(X_2,Y) Cov(X1+X2,Y)=Cov(X1,X)+Cov(X2,Y)
- ∣ ρ x y ∣ ⩽ 1 |\rho_{xy} |\leqslant 1 ∣ρxy∣⩽1
-
∣
ρ
x
y
∣
=
1
的
充
要
条
件
是
存
在
常
数
a
,
b
,
a
≠
0
,
使
得
|\rho_{xy} |=1的充要条件是存在常数a,b,a\neq 0,使得
∣ρxy∣=1的充要条件是存在常数a,b,a=0,使得
P { Y = a X + b } = 1 P\left \{ Y=aX+b \right \}=1 P{Y=aX+b}=1 - 独 立 ⇒ 不 相 关 独立\Rightarrow不相关 独立⇒不相关 , 不 相 关 ⇏ 独 立 ,不相关\nRightarrow独立 ,不相关⇏独立
-
对
于
二
维
正
态
随
机
变
量
(
X
,
Y
)
来
说
,
对于二维正态随机变量(X,Y)来说,
对于二维正态随机变量(X,Y)来说,
当 ρ = 0 , X , Y 独 立 ⇌ X , Y 不 相 关 当\rho=0,X,Y独立\rightleftharpoons X,Y不相关 当ρ=0,X,Y独立⇌X,Y不相关