第二章 随机变量及其分布
第三节 连续型随机变量及其分布
泊松分布
公式如下:
其中npn = λ ,λ > 0
泊松分布其实就是二项分布的极限分布,即n趋于无穷时
均匀分布
指数分布
小于0的部分直接为0.
积分后易得其分布函数F(x).
正态分布
其中,u决定对称轴,宁一个决定胖瘦(符号打不出来),thigama越小,则瘦高,反之,胖矮。
第四章 随机变量的数字特征
数学期望
公式:
性质:
- 设C是常数,则有E(C) = C
- 设X是一个随机变量,C是一个常数,则有E(CX) = CE(X)
- 设X和Y是两个随机变量,则有E(X + Y) = E(X) + E(Y)
- 设X和Y是相互独立的随机变量,则E(XY) = E(X) × E(Y)
常见数学期望:
- 0-1分布:p
- 二项分布:np
- 泊松分布:λ (因为np = λ)
- 均匀分布:(a + b) / 2
- 指数分布:θ
- 正态分布:μ
方差
D(X) = E{[X - E(X)]2}
计算公式: D(X) = E(X2) - E(X)2
性质:
- 设C是常数,则有D(C) = 0
- 设X是一个随机变量,C是常数,则有:D(CX) = C2D(X)
- 设X和Y是两个相互独立的随机变量,则有D(X ± Y) = D(X) ± D(Y)
- D(X) = 0 的充要条件是P{X = C} = 1
常见分布的方差
- 0-1分布:p(1-p)
- 二项分布:np(1-p)
- 泊松分布:λ
(lambda) - 均匀分布:(a + b)2 / 12
- 指数分布:θ2
(theta) - 标准正态分布:σ2
(xigema)
协方差
为了便于理解协方差的具体含义
参考链接: 如何通俗易懂地解释「协方差」与「相关系数」的概念?.
定义:设X, Y为随机变量,若E[(X - EX)(Y - EY)]存在,则称其为X与Y的协方差,记为Cov(X, Y)
- 正相关:Cov(X, Y) > 0
- 负相关:Cov(X, Y) < 0
- 不相关:Cov(X, Y) = 0
常用计算公式:
- Cov(X, Y) = E(XY) - E(X)E(Y)
- D(X ± Y) = D(X) + D(Y) ± Cov(X, Y)
性质:
- Cov(X, X) = D(X)
- Cov(X, Y) = Cov(Y, X)
- Cov(aX, bY) = abCov(X, Y)
- Cov(X1 + X2, Y) = Cov(X1, Y) + Cov(X2, Y)
- 若X与Y相互独立,则Cov(X, Y) = 0
相关系数:
其中σx是变量X的标准差(条件是其不为0,σy同理)
相关系数的性质:
- |ρxy| ≤ 1
- |ρxy| = 1 则意味着X与Y之间存在线性关系,
即存在常数a,b使P(Y = a + bX) = 1
矩
定义:
第七章 参数估计
矩估计法
大致含义就是用原本该有的值,等于样本估计出来的值来进行解方程。