-
随机变量的数学期望(加权平均)
定义:
E ( x ) = { ∑ i = 1 ∞ x i ⋅ P ( X = x i ) , X 为 离 散 型 随 机 变 量 ∫ − ∞ + ∞ x f ( x ) d x , X 为 连 续 型 随 机 变 量 E(x)= \left\{ \begin{array}{rcl} & \displaystyle \sum_{i=1}^{\infty} x_i \cdot P(X=x_i), X为离散型随机变量\\ & \displaystyle \int_{-\infty}^{+\infty}xf(x)dx,X为连续型随机变量 \end{array} \right. E(x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧i=1∑∞xi⋅P(X=xi),X为离散型随机变量∫−∞+∞xf(x)dx,X为连续型随机变量
性质:
E ( c ) = c E ( c X ) = c E ( X ) E ( X + Y ) = E ( X ) + E ( Y ) E ( X 1 + X 2 + ⋯ + X n ) = E ( X 1 ) + E ( X 2 ) + ⋯ + E ( X n ) E ( g 1 ( X ) + g 2 ( X ) ) = E ( g 1 ( x ) ) + E ( g 2 ( X ) ) \begin{aligned} E(c) & =c\\ E(cX)&=cE(X)\\ E(X+Y)& =E(X)+E(Y)\\ E(X_1+X_2+\dots+X_n) &=E(X_1)+E(X_2)+\dots+E(X_n)\\ E(g_1(X)+g_2(X)) & =E(g_1(x))+E(g_2(X)) \end{aligned} E(c)E(cX)E(X+Y)E(X1+X2+⋯+Xn)E(g1(X)+g2(X))=c=cE(X)=E(X)+E(Y)=E(X1)+E(X2)+⋯+E(Xn)=E(g1(x))+E(g2(X)) -
随机变量的方差
定义: V a r ( X ) = E ( ( X − E ( X ) ) 2 ) Var(X)= E((X-E(X))^2) Var(X)=E((X−E(X))2)
计算常用: V a r ( x ) = E ( X 2 ) − E ( X ) 2 Var(x)=E(X^2)-E(X)^2 Var(x)=E(X2)−E(X)2
性质: V a r ( a X + b ) = a 2 V a r ( X ) , V a r ( X + Y ) ≠ V a r ( X ) + V a r ( Y ) Var(aX+b)=a^2Var(X),\ \ \ Var(X+Y) \neq Var(X)+ Var(Y) Var(aX+b)=a2Var(X), Var(X+Y)=Var(X)+Var(Y)
-
原点矩与中心矩
E ( X n ) E(X^n) E(Xn):X的n阶原点矩
E ( ( X − E ( X ) ) n ) E((X-E(X))^n) E((X−E(X))n):X的n阶中心矩
期望和方差都是特殊的矩。
-
补充:
期望的最小二乘性质:c=E(X)时, E ( ( X − c ) 2 ) E((X-c)^2) E((X−c)2)最小。
切比雪夫不等式:对任意 ε > 0 \varepsilon >0 ε>0, P ( ∣ X − E ( X ) ∣ ≥ ε ) ≤ V a r ( X ) ε 2 \displaystyle P(|X-E(X)| \geq \varepsilon) \leq \frac{Var(X)}{\varepsilon ^2} P(∣X−E(X)∣≥ε)≤ε2Var(X)
五、随机变量的数字特征:期望、方差、矩
最新推荐文章于 2022-09-15 23:48:42 发布