from now on 我要开始做一些改变,概率的日常回顾我会比较简洁高效,更加追求效率和速度(因为之前回顾繁琐地写了一大堆,期中复习的时候也是大致看看,而且很多现在看来很简单没必要,所以决定从一开始就做好简洁)
一些随机变量的数学期望
离散型
简而言之——取值*其相应的概率
要求绝对收敛(希望你还会🥚🥚🥚)——给期望加上绝对值,观察是否仍然收敛
不满足绝对收敛的话,说明期望不存在
泊松分布
直接记结论—— 期望是λ
泊松分布是离散型的
二项分布
中学时学过
连续型
同样要求绝对收敛
取值 * 相应的概率
均匀分布
均匀分布的期望是区间中点
其实,这些特殊的分布的期望没记住也没什么关系,因为可以根据连续(离散)型分布的期望计算公式推导出来,最多就是做题稍微慢一点(但毕竟大学不似高中有那么多刷题时间,这还不是专业课)
随机变量函数的数学期望
将Y换成带x的函数代入——before:xf(x),present:g(x)f(x)
二维
二维同理
当然以上,都有一个premise:绝对收敛
性质
第4条是充分条件(不是必要)
方差
注意划线部分,不要会公式之后,就不记得原式的表达
表示偏移程度,每个x-E(x)的平方,再求期望
计算
利用公式计算用得很少
用得多是用公式计算
—— 平方的期望-期望的平方
特殊的
性质
- 没有乘法的
- 看看第3点
- 第4点不是第1点的逆—— 因为在连续型中,单个常数的概率是1。也好理解,当D(x)=0时,每个x相对期望的偏移=0,consequently,a=E(x)
- E(x)是常数—— E(x)得到的结果与x无关
正态分布的性质
相互之间:加法
切比雪夫不等式
如果知道确切的分布,就不必这样估算概率了
当概率分布未知,已知期望和方差,可以用切比雪夫不等式来估计取值随机点与期望的偏差 即距离 超过的概率
练习
一维乘以二维,求期望
这道题主要是注意随机变量函数是二维,但是所求期望是一维时,也是直接将一维*二维
求方差
这道题,求方差处,不应该用D(X+Y)=D(X)+D(Y)+2E……的方法(这样会多算几个方差,更难写)个人认为:应该要题目中给出相互独立的条件,才会用到D(X+Y)=D(X)+D(Y)的性质,不然基本上都会让算式更加复杂