概率论: 随机事件、统计量、常见分布、基本定理
参考资料: 百度文档
随机变量定义
- 若对随机试验的每一种可能结果 ω \omega ω ∈ \in ∈ Ω \Omega Ω 都有一个唯一的实数 ξ \xi ξ( ω \omega ω) 与之对应, 则称数值为随机变量. 实际上, 随机变量是将试验的结果映射到实数空间中. 比如男女分别为1, 0.$
- 随机变量可以是离散是连续的
随机变量的数字特征 概率分布
分为离散型分布:
p
(
x
i
)
p(x_{i})
p(xi)
连续类型分布:
p
(
x
)
p(x)
p(x)
累计分布函数为:
F
(
x
)
=
∫
∞
x
p
(
ξ
)
d
ξ
F(x)= \int_\infty^x{p(\xi)d\xi}
F(x)=∫∞xp(ξ)dξ
其积分求和为0.
使用抛硬币来说
p
(
0
)
=
0.5
;
p
(
1
)
=
0.5
p(0)=0.5;p(1)=0.5
p(0)=0.5;p(1)=0.5
随机变量数字特征 期望
数字特征:用以刻画随机变量某方面特征的量,称为随机变量的数字特征
常用的数字特征:数学期望, 方差, 矩, 众数, 中位数, 协方差, 相关系数
离散类型期望:
设离散型随机变量
X
X
X的概率分布为:
P
(
X
=
x
i
)
=
p
i
,
i
=
1
,
2
,
3
,
.
.
.
.
P(X=x_i)=p_i,~~~ i=1, 2, 3,....
P(X=xi)=pi, i=1,2,3,....
若
∑
i
=
1
∞
x
i
p
i
\sum_{i=1}^\infty{x_ip_i}
∑i=1∞xipi绝对收敛, 则称
∑
i
=
1
∞
x
i
p
i
\sum_{i=1}^\infty{x_ip_i}
∑i=1∞xipi为随机变量X的期望或均值, 记为
E
X
EX
EX, 即
E
X
=
∑
i
=
1
∞
x
i
p
i
EX = \sum_{i=1}^\infty{x_ip_i}
EX=i=1∑∞xipi
注:
- E X EX EX度量了随机变量X的加权平均
- p i ( i = 1 , 2 , 3... ) p_i(i=1, 2, 3...) pi(i=1,2,3...)为权重 $
连续型随机变量的期望:
定义:设随机变量X的密度函数为 f ( x ) f(x) f(x), 若 ∫ − ∞ + ∞ x f ( x ) d x \int_{-\infty}^{+\infty}{xf(x)dx} ∫−∞+∞xf(x)dx绝对收敛, 则称 ∫ − ∞ + ∞ x f ( x ) d x \int_{-\infty}^{+\infty}{xf(x)dx} ∫−∞+∞xf(x)dx为随机变量 X X X的期望或均值, 记为 E X EX EX.
随机变量函数的数学期望:
定义:设$ X $为随机变量, $ y=g(x) $为实函数
- 设
X
X
X为离散型随机变量, 概率分布为
P
(
X
=
x
i
)
=
p
i
,
i
=
1
,
2
,
3
,
.
.
.
P(X=x_i)=p_i, ~~i=1, 2, 3, ...
P(X=xi)=pi, i=1,2,3,...,若
∑
i
=
1
∞
g
(
x
)
p
i
\sum_{i=1}^\infty{g(x)p_i}
∑i=1∞g(x)pi 绝对收敛, 则
E
[
g
(
x
)
]
E[g(x)]
E[g(x)]存在,且
E [ g ( x ) ] = ∑ i = 1 ∞ g ( x ) p i E[g(x)]=\sum_{i=1}^\infty{g(x)p_i} E[g(x)]=i=1∑∞g(x)pi - 设
X
X
X为连续型随机变量, 密度函数为
f
(
x
)
f(x)
f(x), 若
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
\int_{-\infty}^{+\infty}{g(x)f(x)dx}
∫−∞+∞g(x)f(x)dx绝对收敛, 则
E
[
g
(
x
)
]
E[g(x)]
E[g(x)]存在, 且
E [ g ( x ) ] = ∫ − ∞ + ∞ g ( x ) f ( x ) d x E[g(x)]=\int_{-\infty}^{+\infty}{g(x)f(x)dx} E[g(x)]=∫−∞+∞g(x)f(x)dx
例: 设随机变量的概率分布为:
$ X $ | 0 | 1 | 2 |
---|---|---|---|
$ P $ | 0.1 | 0.6 | 0.3 |
求
E
[
x
−
E
X
]
2
E[x-EX]^2
E[x−EX]2 .
解:
E
X
=
0
∗
0.1
+
1
∗
0.6
+
2
∗
0.3
=
1.2
EX=0*0.1+1*0.6+2*0.3=1.2
EX=0∗0.1+1∗0.6+2∗0.3=1.2
E
[
X
−
E
X
]
2
=
(
0
−
1.2
)
2
×
0.1
+
(
1
−
1.2
)
2
×
0.6
+
(
2
−
1.2
)
2
×
0.3
=
0.36
E[X-EX]^2=(0-1.2)^2\times 0.1+(1-1.2)^2\times 0.6+(2-1.2)^2\times 0.3=0.36
E[X−EX]2=(0−1.2)2×0.1+(1−1.2)2×0.6+(2−1.2)2×0.3=0.36
随机变量的方差
对随机变量
X
X
X,知道了它的数学期望
E
X
EX
EX, 虽然对该随机变量有了一定了解, 但还不够.
例: 为评估一批灯泡的好坏, 从某种途径了解到其平均寿命为1000h, 即
E
X
=
1000
EX=1000
EX=1000, 但不能完全肯定其质量的好坏.
- 有可能产品的寿命平均集中在950~1050h, 质量稳定!
- 有可能一半寿命为700小时, 另一半寿命为1300小时, 质量相对不稳定!
故需要找一个值, 能够度量随机变量 X X X与 E X EX EX的偏离程度.
- X − E X X-EX X−EX---->不能! X − E X X-EX X−EX是随机变量
- E ( X − E X ) E(X-EX) E(X−EX)---->不能! E ( X − E X ) = E X − E X = 0 E(X-EX)=EX-EX=0 E(X−EX)=EX−EX=0(正负偏差相互抵消)
-
E
∣
X
−
E
X
∣
E|X-EX|
E∣X−EX∣---->不便于计算
得: E ( X − E X ) 2 E(X-EX)^2 E(X−EX)2
定义:设随机变量
X
X
X的数学期望为
E
X
EX
EX, 则称
E
(
X
−
E
X
)
2
E(X-EX)^2
E(X−EX)2 为随机变量
X
X
X的方差, 记为
D
(
X
)
D(X)
D(X), 或
V
a
r
(
X
)
Var(X)
Var(X) ,并称
D
(
X
)
\sqrt{D(X)}
D(X)为
X
X
X的标准差.
方差的计算:
考虑到方差实际上是随机变量函数的数学期望:
g
(
X
)
(
X
−
E
X
)
2
g(X)(X-EX)^2
g(X)(X−EX)2, 因此
若
X
X
X为离散型随心变量, 概念分布为
p
i
=
P
(
X
=
x
i
)
,
i
=
1
,
2
,
3...
p_i=P(X=x_i), ~~i=1,2,3...
pi=P(X=xi), i=1,2,3...则
D
(
X
)
=
E
(
X
−
E
X
)
2
=
∑
i
=
1
∞
(
x
i
−
E
X
)
2
p
i
D(X)=E(X-EX)^2=\sum_{i=1}^\infty{(x_i-EX)^2p_i}
D(X)=E(X−EX)2=i=1∑∞(xi−EX)2pi
若
X
X
X为连续型随机变量, 概率密度为f(x), 则:
D
(
X
)
=
E
(
X
−
E
X
)
2
=
∫
−
∞
+
∞
(
x
i
−
E
X
)
2
f
(
x
)
d
x
D(X)=E(X-EX)^2=\int_{-\infty}^{+\infty}{(x_i-EX)^2f(x)dx}
D(X)=E(X−EX)2=∫−∞+∞(xi−EX)2f(x)dx
有如下公式:
D
(
X
)
=
E
(
X
2
)
−
(
E
X
)
2
D(X)=E(X^2)-(EX)^2
D(X)=E(X2)−(EX)2
证1:
D
(
X
)
=
E
(
X
−
E
X
)
2
=
E
(
X
2
−
2
X
∗
E
X
+
(
E
X
)
2
)
D(X)=E(X-EX)^2 = E(X^2 -2X*EX+(EX)^2)
D(X)=E(X−EX)2=E(X2−2X∗EX+(EX)2)
=
E
(
X
2
)
−
2
(
E
X
)
2
+
(
E
X
)
2
=E(X^2)-2(EX)^2+(EX)^2
=E(X2)−2(EX)2+(EX)2
=
E
(
X
2
)
−
(
E
X
)
2
=E(X^2)-(EX)^2
=E(X2)−(EX)2
方差的性质:
- D ( C ) = 0 C 为 常 数 D(C)=0~~C为常数 D(C)=0 C为常数
- D ( X + C ) = D ( X ) D(X+C)=D(X) D(X+C)=D(X)
- D ( C X ) = C 2 D ( X ) D(CX)=C^2D(X) D(CX)=C2D(X)
协方差
在概率论和统计学中,协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。
C
o
v
(
X
,
Y
)
=
E
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
Cov(X,Y)=E[(X-EX)(Y-EY)]
Cov(X,Y)=E[(X−EX)(Y−EY)]
=
E
(
X
Y
)
−
2
E
(
X
)
E
(
Y
)
+
E
(
X
)
E
(
Y
)
=E(XY)-2E(X)E(Y)+E(X)E(Y)
=E(XY)−2E(X)E(Y)+E(X)E(Y)
=
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
=E(XY)-E(X)E(Y)
=E(XY)−E(X)E(Y)
从直观上来看,协方差表示的是两个变量总体误差的期望。
根据【随机变量函数的数学期望】计算。 ↩︎