随机变量的数字特征
数学期望
定义:设X是一个随机变量,X的数学期望,记为E(X),定义为
E
(
X
)
=
{
∑
i
x
i
p
i
,
离
散
形
式
∫
−
∞
+
∞
x
f
(
x
)
d
x
,
连
续
情
形
E(X)=\begin{cases} \sum_{i}x_ip_i ,离散形式\\ \int_{-\infty}^{+\infty}xf(x)dx,连续情形 \end{cases}
E(X)={∑ixipi,离散形式∫−∞+∞xf(x)dx,连续情形
其中
p
i
=
P
{
X
=
x
i
}
p_i=P\{X=x_i\}
pi=P{X=xi},f(x)为密度函数
这里要求右式的级数或积分绝对收敛,即
∑
i
∣
x
i
∣
p
i
<
∞
,
离
散
情
形
∫
−
∞
+
∞
∣
x
∣
f
(
x
)
d
x
<
∞
,
连
续
情
形
\sum_i|x_i|p_i<\infty,离散情形\\ \int_{-\infty}^{+\infty}|x|f(x)dx<\infty,连续情形
i∑∣xi∣pi<∞,离散情形∫−∞+∞∣x∣f(x)dx<∞,连续情形
数学期望的性质
(1)设C是常数,则E©=C;
(2)若k是常数,则E(kX)=kE(X);
(3)E(E+Y)=E(X)+E(Y);
(4)设X,Y相互独立,则E(XY)=E(X)E(Y);
(5)若
X
≥
0
X \ge 0
X≥0,则
E
(
X
)
≥
0
E(X)\ge0
E(X)≥0;
(6)若
X
≥
Y
X \ge Y
X≥Y,则
E
(
X
)
≥
E
(
Y
)
E(X) \ge E(Y)
E(X)≥E(Y);
(3)的变形(3)’
E
(
∑
i
=
1
n
X
i
)
=
∑
i
=
1
n
E
(
X
i
)
E(\sum_{i=1}^{n}X_i)=\sum_{i=1}^{n}E(X_i)
E(∑i=1nXi)=∑i=1nE(Xi)
(4)的变形(4)'若
X
1
,
X
2
.
.
.
X
n
X_1,X_2...X_n
X1,X2...Xn相互独立,则
E
(
X
1
X
2
⋅
⋅
⋅
X
n
)
=
∏
i
=
1
n
E
(
X
i
)
E(X_1X_2\cdot\cdot\cdot X_n)=\prod_{i=1}^nE(X_i)
E(X1X2⋅⋅⋅Xn)=∏i=1nE(Xi)
柯西-施瓦茨不等式
设随机变量X,Y的数学期望及
E
(
X
2
)
,
E
(
Y
2
)
E(X^2),E(Y^2)
E(X2),E(Y2)都存在,则有
[
E
(
X
Y
)
]
2
≤
E
(
X
2
)
E
(
Y
2
)
[E(XY)]^2 \le E(X^2)E(Y^2)
[E(XY)]2≤E(X2)E(Y2)当且仅当存在实数C使P(Y=CX)=1上式等号成立
证:对任意实数
λ
\lambda
λ有:
E
(
λ
X
+
Y
)
2
=
λ
2
E
(
X
2
)
+
2
λ
E
(
X
Y
)
+
E
(
Y
2
)
E(\lambda X+Y)^2=\lambda^2 E(X^2)+2\lambda E(XY)+E(Y^2)
E(λX+Y)2=λ2E(X2)+2λE(XY)+E(Y2),由于对任意
λ
\lambda
λ恒有
E
(
λ
X
+
Y
)
2
≥
0
E(\lambda X+Y)^2 \ge 0
E(λX+Y)2≥0即关于
λ
\lambda
λ的一元二次方程恒为非负,所以判别式必小于0,即
4
[
E
(
X
Y
)
]
2
−
4
E
(
X
2
)
E
(
Y
2
)
≤
0
4[E(XY)]^2-4E(X^2)E(Y^2) \le 0
4[E(XY)]2−4E(X2)E(Y2)≤0,所以
[
E
(
X
Y
)
]
2
≤
E
(
X
2
)
E
(
Y
2
)
[E(XY)]^2 \le E(X^2)E(Y^2)
[E(XY)]2≤E(X2)E(Y2),显然等号成立时即判别式等于0,存在常数
λ
0
\lambda_0
λ0使得
E
[
(
λ
0
X
+
Y
)
2
]
=
0
E[(\lambda_0 X+Y)^2]=0
E[(λ0X+Y)2]=0,即
P
(
Y
=
−
λ
0
X
)
=
1
P(Y=-\lambda_0 X)=1
P(Y=−λ0X)=1
方差
定义:设随机变量X的
E
X
2
EX^2
EX2存在,则称偏差平方的数学期望
E
[
X
−
E
(
X
)
]
2
E[X-E(X)]^2
E[X−E(X)]2为随机变量X(或相应分布)的方差记为
V
a
r
(
X
)
=
E
[
X
−
E
(
X
)
]
2
Var(X)=E[X-E(X)]^2
Var(X)=E[X−E(X)]2
方差的性质
(1)常数的方差为0;
(2)
V
a
r
(
X
+
c
)
=
V
a
r
(
X
)
Var(X+c)=Var(X)
Var(X+c)=Var(X),这里c是常数;
(3)
V
a
r
(
c
X
)
=
c
2
V
a
r
(
X
)
Var(cX)=c^2Var(X)
Var(cX)=c2Var(X);
对于随机变量X,若它的数学期望E(X)及方差Var(X)都存在,而且Var(X)>0,则考虑标准化的随机变量
X
∗
=
X
−
E
(
X
)
V
a
r
(
X
)
X^*=\frac{X-E(X)}{\sqrt{Var(X)}}
X∗=Var(X)X−E(X)
显然
E
(
X
∗
)
=
0
,
V
a
r
(
X
∗
)
=
1
E(X^*)=0,Var(X^*)=1
E(X∗)=0,Var(X∗)=1这正是称
X
∗
X^*
X∗为标准化随机变量的理由
(4)若
c
≠
E
(
X
)
c\ne E(X)
c=E(X),则
V
a
r
(
X
)
<
E
(
X
−
c
)
2
Var(X)<E(X-c)^2
Var(X)<E(X−c)2
常用的离散分布期望与方差
0—1分布
0—1分布的期望
其概率分布为:
P
(
X
=
0
)
=
q
,
P
(
X
=
1
)
=
p
P(X=0)=q,P(X=1)=p
P(X=0)=q,P(X=1)=p
数学期望为:
E
(
X
)
=
∑
i
p
i
=
0
⋅
q
+
1
⋅
p
=
p
E(X)=\sum ip_i=0 \cdot q+1 \cdot p=p
E(X)=∑ipi=0⋅q+1⋅p=p
0—1分布的方差
E
(
X
2
)
=
1
2
⋅
p
+
0
2
⋅
(
1
−
p
)
=
p
E(X^2)=1^2\cdot p+0^2\cdot(1-p)=p
E(X2)=12⋅p+02⋅(1−p)=p,所以
V
a
r
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
)
=
p
−
p
2
=
p
q
Var(X)=E(X^2)-E(X)^2)=p-p^2=pq
Var(X)=E(X2)−E(X)2)=p−p2=pq
二项分布
二项分布的期望
X
X
X~
B
(
n
,
p
)
B(n,p)
B(n,p)其分布列为:
P
(
X
=
k
)
=
p
k
=
C
n
k
p
k
q
n
−
k
,
k
=
0
,
1
,
2
,
⋯
n
P(X=k)=p_k=C_n^kp^kq^{n-k},k=0,1,2,\cdots n
P(X=k)=pk=Cnkpkqn−k,k=0,1,2,⋯n
数学期望为:
E
(
X
)
=
∑
k
=
0
n
k
p
k
=
∑
k
=
0
n
k
C
n
k
p
k
q
n
−
k
=
n
p
∑
k
=
0
n
C
n
−
1
k
−
1
p
k
−
1
q
n
−
k
=
n
p
(
p
+
q
)
n
−
1
=
n
p
E(X)=\sum_{k=0}^{n}kp_k=\sum_{k=0}^n kC_n^kp^kq^{n-k}=np\sum_{k=0}^{n}C_{n-1}^{k-1}p^{k-1}q^{n-k}=np(p+q)^{n-1}=np
E(X)=∑k=0nkpk=∑k=0nkCnkpkqn−k=np∑k=0nCn−1k−1pk−1qn−k=np(p+q)n−1=np
二项分布的方差
E
(
X
2
)
=
∑
k
=
0
n
k
2
C
n
k
p
k
q
n
−
k
=
∑
k
=
1
n
k
(
k
−
1
+
1
)
C
n
k
p
k
(
1
−
p
)
n
−
k
=
∑
k
=
1
n
k
(
k
−
1
)
C
n
k
p
k
(
1
−
p
)
n
−
k
+
∑
k
=
1
n
k
C
n
k
p
k
(
1
−
p
)
n
−
k
=
∑
k
=
2
n
n
(
n
−
1
)
(
n
−
2
)
⋯
(
n
−
k
+
1
)
(
k
−
2
)
!
p
2
p
k
−
2
(
1
−
p
)
n
−
k
+
n
p
=
n
(
n
−
1
)
p
2
+
n
p
E(X^2)=\sum_{k=0}^{n}k^2C_n^kp^kq^{n-k}=\sum_{k=1}^nk(k-1+1)C_n^kp^k(1-p)^{n-k}=\sum_{k=1}^nk(k-1)C_n^kp^k(1-p)^{n-k}+\sum_{k=1}^nkC_n^kp^k(1-p)^{n-k}=\sum_{k=2}^nn(n-1)\frac{(n-2)\cdots (n-k+1)}{(k-2)!} p^2p^{k-2}(1-p)^{n-k}+np=n(n-1)p^2+np
E(X2)=∑k=0nk2Cnkpkqn−k=∑k=1nk(k−1+1)Cnkpk(1−p)n−k=∑k=1nk(k−1)Cnkpk(1−p)n−k+∑k=1nkCnkpk(1−p)n−k=∑k=2nn(n−1)(k−2)!(n−2)⋯(n−k+1)p2pk−2(1−p)n−k+np=n(n−1)p2+np,
V
a
r
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
=
n
2
p
2
−
n
p
2
+
n
p
−
n
2
p
2
=
n
p
(
1
−
p
)
=
n
p
q
Var(X)=E(X^2)-E(X)^2=n^2p^2-np^2+np-n^2p^2=np(1-p)=npq
Var(X)=E(X2)−E(X)2=n2p2−np2+np−n2p2=np(1−p)=npq
泊松分布
泊松分布的期望
X
X
X~
P
(
λ
)
P(\lambda)
P(λ)其概率分布为:
P
(
X
=
k
)
=
p
k
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=p_k=\frac{\lambda^k}{k!}e^{-\lambda},k=0,1,2,\cdots
P(X=k)=pk=k!λke−λ,k=0,1,2,⋯
数学期望为:
E
(
X
)
=
∑
k
=
0
∞
k
p
k
=
∑
k
=
0
∞
k
λ
k
k
!
e
−
λ
=
λ
e
−
λ
∑
k
=
1
∞
λ
k
−
1
(
k
−
1
)
!
=
λ
e
−
λ
e
λ
=
λ
E(X)=\sum_{k=0}^{\infty}kp_k=\sum_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda}=\lambda e^{-\lambda}\sum_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}=\lambda e^{-\lambda}e^{\lambda}=\lambda
E(X)=∑k=0∞kpk=∑k=0∞kk!λke−λ=λe−λ∑k=1∞(k−1)!λk−1=λe−λeλ=λ
泊松分布的方差
E
(
X
2
)
=
∑
k
=
0
∞
k
2
p
k
=
∑
k
=
0
+
∞
k
2
λ
k
k
!
e
−
λ
=
∑
k
=
1
+
∞
k
λ
k
(
k
−
1
)
!
e
−
λ
=
∑
k
=
1
+
∞
[
(
k
−
1
)
+
1
]
λ
k
(
k
−
1
)
!
e
−
λ
=
λ
2
e
−
λ
∑
k
=
2
+
∞
λ
k
−
2
(
k
−
2
)
!
+
λ
e
−
λ
∑
k
=
1
+
∞
λ
k
−
1
(
k
−
1
)
!
=
λ
2
+
λ
E(X^2)=\sum_{k=0}^{\infty}k^2p_k=\sum_{k=0}^{+\infty}k^2\frac{\lambda^k}{k!}e^{-\lambda}=\sum_{k=1}^{+\infty}k\frac{\lambda^k}{(k-1)!}e^{-\lambda}=\sum_{k=1}^{+\infty}[(k-1)+1]\frac{\lambda^k}{(k-1)!}e^{-\lambda}=\lambda^2e^{-\lambda}\sum_{k=2}^{+\infty}\frac{\lambda^{k-2}}{(k-2)!}+\lambda e^{-\lambda}\sum_{k=1}^{+\infty}\frac{\lambda^{k-1}}{(k-1)!}=\lambda^2+\lambda
E(X2)=∑k=0∞k2pk=∑k=0+∞k2k!λke−λ=∑k=1+∞k(k−1)!λke−λ=∑k=1+∞[(k−1)+1](k−1)!λke−λ=λ2e−λ∑k=2+∞(k−2)!λk−2+λe−λ∑k=1+∞(k−1)!λk−1=λ2+λ,
V
a
r
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
=
λ
2
+
λ
−
λ
2
=
λ
Var(X)=E(X^2)-E(X)^2=\lambda^2+\lambda-\lambda^2=\lambda
Var(X)=E(X2)−E(X)2=λ2+λ−λ2=λ
几何分布
几何分布的期望
其概率分布为:
P
(
X
=
k
)
=
p
k
=
q
k
−
1
p
,
k
=
1
,
2
,
⋯
P(X=k)=p_k=q^{k-1}p,k=1,2,\cdots
P(X=k)=pk=qk−1p,k=1,2,⋯
数学期望为:
E
(
X
)
=
∑
k
=
1
∞
k
p
k
=
∑
k
=
1
∞
k
q
k
−
1
p
=
p
(
1
+
2
q
+
3
q
2
+
⋯
)
=
p
(
q
+
q
2
+
q
3
+
⋯
)
′
=
p
(
q
1
−
q
)
′
=
p
1
(
1
−
q
)
2
=
1
p
E(X)=\sum_{k=1}^{\infty}kp_k=\sum_{k=1}^{\infty}kq^{k-1}p=p(1+2q+3q^2+\cdots)=p(q+q^2+q^3+\cdots)^{'}=p(\frac{q}{1-q})^{'}=p\frac{1}{(1-q)^2}=\frac{1}{p}
E(X)=∑k=1∞kpk=∑k=1∞kqk−1p=p(1+2q+3q2+⋯)=p(q+q2+q3+⋯)′=p(1−qq)′=p(1−q)21=p1
几何分布的方差
E
(
X
2
)
=
∑
k
=
1
+
∞
k
2
p
q
k
−
1
=
p
[
∑
k
=
1
+
∞
k
(
k
−
1
)
q
k
−
1
+
∑
k
=
1
+
∞
k
q
k
−
1
]
=
p
q
∑
k
=
1
+
∞
k
(
k
−
1
)
q
k
−
2
+
1
p
=
p
q
d
2
d
q
2
(
∑
k
=
0
+
∞
q
k
)
+
1
p
=
p
q
d
2
d
q
2
(
1
1
−
q
)
+
1
p
=
p
q
2
(
1
−
p
)
3
+
1
p
=
2
q
p
2
+
1
p
E(X^2)=\sum_{k=1}^{+\infty}k^2pq^{k-1}=p[\sum_{k=1}^{+\infty}k(k-1)q^{k-1}+\sum_{k=1}^{+\infty}kq^{k-1}]=pq\sum_{k=1}^{+\infty}k(k-1)q^{k-2}+\frac{1}{p}=pq\frac{\mathrm{d^2}}{\mathrm{dq^2}}(\sum_{k=0}^{+\infty}q^k)+\frac{1}{p}=pq\frac{\mathrm{d^2}}{\mathrm{dq^2}}(\frac{1}{1-q})+\frac{1}{p}=pq\frac{2}{(1-p)^3}+\frac{1}{p}=\frac{2q}{p^2}+\frac{1}{p}
E(X2)=∑k=1+∞k2pqk−1=p[∑k=1+∞k(k−1)qk−1+∑k=1+∞kqk−1]=pq∑k=1+∞k(k−1)qk−2+p1=pqdq2d2(∑k=0+∞qk)+p1=pqdq2d2(1−q1)+p1=pq(1−p)32+p1=p22q+p1,
V
a
r
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
=
2
q
p
2
+
1
p
−
1
p
2
=
1
−
p
p
2
Var(X)=E(X^2)-E(X)^2=\frac{2q}{p^2}+\frac{1}{p}-\frac{1}{p^2}=\frac{1-p}{p^2}
Var(X)=E(X2)−E(X)2=p22q+p1−p21=p21−p
常用连续分布期望与方差
均匀分布
均匀分布的期望
其密度函数为:
p
(
x
)
=
{
1
b
−
a
,
a
<
x
<
b
0
,
其
他
p(x)=\begin{cases} \frac{1}{b-a},a<x<b \\ 0,其他 \end{cases}
p(x)={b−a1,a<x<b0,其他
其数学期望为:
E
(
X
)
=
∫
a
b
x
b
−
a
d
x
=
b
2
−
a
2
2
(
b
−
a
)
=
a
+
b
2
E(X)=\int_a^b\frac{x}{b-a}\mathrm{dx}=\frac{b^2-a^2}{2(b-a)}=\frac{a+b}{2}
E(X)=∫abb−axdx=2(b−a)b2−a2=2a+b
均匀分布的方差
E
(
X
2
)
=
∫
a
b
x
2
b
−
a
d
x
=
b
3
−
a
3
3
(
b
−
a
)
=
a
2
+
a
b
+
b
2
3
E(X^2)=\int_a^b\frac{x^2}{b-a}\mathrm{dx}=\frac{b^3-a^3}{3(b-a)}=\frac{a^2+ab+b^2}{3}
E(X2)=∫abb−ax2dx=3(b−a)b3−a3=3a2+ab+b2,
V
a
r
(
X
)
=
E
(
X
2
)
−
E
(
X
)
2
=
a
2
+
a
b
+
b
2
3
−
(
a
+
b
)
2
4
=
(
b
−
a
)
2
12
Var(X)=E(X^2)-E(X)^2=\frac{a^2+ab+b^2}{3}-\frac{(a+b)^2}{4}=\frac{(b-a)^2}{12}
Var(X)=E(X2)−E(X)2=3a2+ab+b2−4(a+b)2=12(b−a)2
正态分布
正态分布的期望
其密度函数为:
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}
f(x)=2πσ1e−2σ2(x−μ)2
其数学期望为:
E
(
X
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
=
∫
−
∞
+
∞
x
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
d
x
=
1
2
π
∫
−
∞
+
∞
(
σ
z
+
μ
)
e
−
z
2
2
d
z
=
μ
2
π
∫
−
∞
+
∞
e
−
z
2
2
d
z
=
μ
E(X)=\int_{-\infty}^{+\infty}xf(x)\mathrm{dx}=\int_{-\infty}^{+\infty}x\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm{dx}=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{+\infty}(\sigma z+\mu)e^{-\frac{z^2}{2}}\mathrm{dz}=\frac{\mu}{\sqrt{2\pi}}\int_{-\infty}^{+\infty}e^{-\frac{z^2}{2}}\mathrm{dz}=\mu
E(X)=∫−∞+∞xf(x)dx=∫−∞+∞x2πσ1e−2σ2(x−μ)2dx=2π1∫−∞+∞(σz+μ)e−2z2dz=2πμ∫−∞+∞e−2z2dz=μ
正态分布的方差
根据方差的定义:
V
a
r
(
X
)
=
∫
−
∞
+
∞
(
x
−
μ
)
2
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
d
x
=
σ
2
2
π
∫
−
∞
+
∞
z
2
e
−
z
2
2
d
z
=
σ
2
2
π
[
(
−
z
e
−
z
2
2
)
∣
−
∞
+
∞
+
∫
−
∞
+
∞
e
−
z
2
2
d
z
]
=
σ
2
2
π
2
π
=
σ
2
Var(X)=\int_{-\infty}^{+\infty}(x-\mu)^2\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm{dx}=\frac{\sigma^2}{\sqrt{2\pi}}\int_{-\infty}^{+\infty}z^2e^{-\frac{z^2}{2}}\mathrm{dz}=\frac{\sigma^2}{\sqrt{2\pi}}[(-ze^{-\frac{z^2}{2}})|_{-\infty}^{+\infty}+\int_{-\infty}^{+\infty}e^{-\frac{z^2}{2}}\mathrm{dz}]=\frac{\sigma^2}{\sqrt{2\pi}}\sqrt{2\pi}=\sigma^2
Var(X)=∫−∞+∞(x−μ)22πσ1e−2σ2(x−μ)2dx=2πσ2∫−∞+∞z2e−2z2dz=2πσ2[(−ze−2z2)∣−∞+∞+∫−∞+∞e−2z2dz]=2πσ22π=σ2
指数分布
指数分布的期望
其密度函数为:
f
(
x
)
=
{
λ
e
−
λ
x
,
0
≤
x
<
∞
0
,
其
他
f(x)= \begin{cases} \lambda e^{-\lambda x},0 \le x< \infty \\ 0,其他 \end{cases}
f(x)={λe−λx,0≤x<∞0,其他
其数学期望为:
E
(
X
)
=
∫
0
+
∞
x
f
(
x
)
d
x
=
∫
0
+
∞
x
λ
e
−
λ
x
d
x
=
1
λ
∫
0
+
∞
u
e
−
u
d
u
=
1
λ
E(X)=\int_0^{+\infty}xf(x)\mathrm{dx}=\int_0^{+\infty}x\lambda e^{-\lambda x}\mathrm{dx}=\frac{1}{\lambda}\int_0^{+\infty}ue^{-u}\mathrm{du}=\frac{1}{\lambda}
E(X)=∫0+∞xf(x)dx=∫0+∞xλe−λxdx=λ1∫0+∞ue−udu=λ1
指数分布的方差
E
(
X
2
)
=
∫
0
+
∞
x
2
λ
e
−
λ
x
d
x
=
∫
0
+
∞
x
2
d
(
−
e
−
λ
x
)
=
−
x
2
e
−
λ
x
∣
0
+
∞
+
2
∫
0
+
∞
x
e
−
λ
x
d
x
=
2
λ
2
E(X^2)=\int_0^{+\infty}x^2\lambda e^{-\lambda x}\mathrm{dx}=\int_0^{+\infty}x^2\mathrm{d(-e^{-\lambda x})}=-x^2e^{-\lambda x}|_0^{+\infty}+2\int_0^{+\infty}xe^{-\lambda x}\mathrm{dx}=\frac{2}{\lambda^2}
E(X2)=∫0+∞x2λe−λxdx=∫0+∞x2d(−e−λx)=−x2e−λx∣0+∞+2∫0+∞xe−λxdx=λ22,
V a r ( X ) = E ( X 2 ) − E ( X ) 2 = 2 λ 2 − 1 λ 2 = 1 λ 2 Var(X)=E(X^2)-E(X)^2=\frac{2}{\lambda^2}-\frac{1}{\lambda^2}=\frac{1}{\lambda^2} Var(X)=E(X2)−E(X)2=λ22−λ21=λ21
切比雪夫不等式
对于任何具有有限方差的随机变量X,都有
P
{
∣
X
−
E
(
X
)
∣
≥
ϵ
}
≤
V
a
r
(
X
)
ϵ
2
P\{|X-E(X)|\geq\epsilon\}\leq\frac{Var(X)}{\epsilon^2}
P{∣X−E(X)∣≥ϵ}≤ϵ2Var(X)
其中
ϵ
\epsilon
ϵ是任一正数
证:若F(x)是X的分布函数,则显然有
V
a
r
(
X
)
=
∫
−
∞
+
∞
(
x
=
E
(
X
)
2
d
F
(
x
)
≥
∫
∣
x
−
E
(
X
)
∣
≥
ε
(
x
−
E
(
X
)
)
2
d
F
(
x
)
≥
∫
∣
x
−
E
(
X
)
∣
≥
ε
ε
2
d
F
(
x
)
=
ε
2
P
{
∣
X
−
E
(
x
)
∣
≥
ε
}
Var(X)=\int_{-\infty}^{+\infty}(x=E(X)^2{\rm d}F(x) \ge \int_{|x-E(X)| \ge \varepsilon}(x-E(X))^2dF(x) \ge \int_{|x-E(X)| \ge \varepsilon} \varepsilon^2dF(x)= \varepsilon^2P\{|X-E(x)| \ge \varepsilon\}
Var(X)=∫−∞+∞(x=E(X)2dF(x)≥∫∣x−E(X)∣≥ε(x−E(X))2dF(x)≥∫∣x−E(X)∣≥εε2dF(x)=ε2P{∣X−E(x)∣≥ε}
有时改写成
P
{
∣
X
−
E
(
X
)
∣
<
ϵ
}
≥
1
−
V
a
r
(
X
)
ε
2
P\lbrace|X-E(X)|<\epsilon\rbrace \ge 1-\frac{Var(X)}{\varepsilon^2}
P{∣X−E(X)∣<ϵ}≥1−ε2Var(X)或
P
∣
X
−
E
(
X
)
V
a
r
(
X
)
∣
≥
δ
P{|\frac{X-E(X)}{\sqrt{Var(X)}}| \ge \delta}
P∣Var(X)X−E(X)∣≥δ其中
δ
\delta
δ是任一正数
分布 | 分布函数 | 期望 | 方差 |
---|---|---|---|
0—1分布 | p k = p k ( 1 − p ) 1 − k , k = 0 , 1. p_k=p^k(1-p)^{1-k},k=0,1. pk=pk(1−p)1−k,k=0,1. | p p p | p ( 1 − p ) p(1-p) p(1−p) |
二项分布 b ( n , p ) b(n,p) b(n,p) | p k = C n k p k ( 1 − p ) n − k , k = 0 , 1 , ⋯ , n p_k=C_n^kp^k(1-p)^{n-k},k=0,1,\cdots,n pk=Cnkpk(1−p)n−k,k=0,1,⋯,n | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
泊松分布 P ( λ ) P(\lambda) P(λ) | p k = λ k k ! e − λ , k = 0 , 1 , ⋯ p_k=\frac{\lambda^k}{k!}e^{-\lambda},k=0,1,\cdots pk=k!λke−λ,k=0,1,⋯ | λ \lambda λ | λ \lambda λ |
几何分布 G e ( p ) Ge(p) Ge(p) | p k = ( 1 − p ) k − 1 p , k = 1 , 2 , ⋯ p_k=(1-p)^{k-1}p,k=1,2,\cdots pk=(1−p)k−1p,k=1,2,⋯ | 1 p \frac{1}{p} p1 | 1 − p p 2 \frac{1-p}{p^2} p21−p |
正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) | p ( x ) = 1 2 π σ e x p { − ( x − μ ) 2 2 σ 2 } , − ∞ < x < + ∞ p(x)=\frac{1}{\sqrt{2\pi}\sigma}exp\lbrace -\frac{(x-\mu)^2}{2\sigma^2} \rbrace,-\infty<x<+\infty p(x)=2πσ1exp{−2σ2(x−μ)2},−∞<x<+∞ | μ \mu μ | σ 2 \sigma^2 σ2 |
均匀分布 U ( a , b ) U(a,b) U(a,b) | p ( x ) = 1 b − a , a < x < b p(x)=\frac{1}{b-a},a<x<b p(x)=b−a1,a<x<b | a + b 2 \frac{a+b}{2} 2a+b | ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2 |
指数分布 E x p ( λ ) Exp(\lambda) Exp(λ) | p ( x ) = λ e − λ x , x ≥ 0 p(x)=\lambda e^{-\lambda x},x \ge 0 p(x)=λe−λx,x≥0 | 1 λ \frac{1}{\lambda} λ1 | 1 λ 2 \frac{1}{\lambda^2} λ21 |
伽马分布 G a ( α , λ ) Ga(\alpha,\lambda) Ga(α,λ) | p ( x ) = λ α Γ ( α ) x α − 1 e − λ x , x ≥ 0 p(x)=\frac{\lambda^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x},x \ge 0 p(x)=Γ(α)λαxα−1e−λx,x≥0 | α λ \frac{\alpha}{\lambda} λα | α λ 2 \frac{\alpha}{\lambda^2} λ2α |
χ 2 ( n ) \chi^2(n) χ2(n)分布 | p ( x ) = x n / 2 − 1 e − x / 2 Γ ( n / 2 ) 2 n / 2 p(x)=\frac{x^{n/2-1}e^{-x/2}}{\Gamma(n/2)2^{n/2}} p(x)=Γ(n/2)2n/2xn/2−1e−x/2 | n n n | 2 n 2n 2n |
贝塔分布 B e ( a , b ) Be(a,b) Be(a,b) | p ( x ) = Γ ( a + b ) Γ ( a ) Γ ( b ) x a − 1 ( 1 − x ) b − 1 , 0 < x < 1 p(x)=\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}x^{a-1}(1-x)^{b-1},0<x<1 p(x)=Γ(a)Γ(b)Γ(a+b)xa−1(1−x)b−1,0<x<1 | a a + b \frac{a}{a+b} a+ba | a b ( a + b ) 2 ( a + b + 1 ) \frac{ab}{(a+b)^2(a+b+1)} (a+b)2(a+b+1)ab |
其他特征数
k阶矩
-
设 X X X为随机变量, k k k为正整数.如果以下的数学期望都存在,则称
μ k = E ( X k ) \mu_k=E(X^k) μk=E(Xk)
为 X X X的 k k k阶原点矩,称
γ k = E ( X − E ( X ) ) k \gamma_k=E(X-E(X))^k γk=E(X−E(X))k
为 X X X的 k k k阶中心矩.
变异系数
-
设随机变量 X X X的二阶矩存在,则称比值
C υ ( X ) = V a r ( X ) E ( X ) = σ ( X ) E ( X ) C_\upsilon(X)=\frac{\sqrt{Var(X)}}{E(X)}=\frac{\sigma(X)}{E(X)} Cυ(X)=E(X)Var(X)=E(X)σ(X)
为 X X X的变异系数.
分位数
-
设连续随机变量 X X X的分布函数为 F ( x ) F(x) F(x),密度函数为 p ( x ) p(x) p(x),对任意 p ∈ ( 0 , 1 ) p \in (0,1) p∈(0,1),称满足条件
F ( x p ) = ∫ − ∞ x p p ( x ) d x = p F(x_p)=\int_{-\infty}^{x_p}p(x) \mathrm{dx}=p F(xp)=∫−∞xpp(x)dx=p
的 x p x_p xp为此分布的 p p p分位数,又称下侧 p p p分位数.
同样,满足条件
1 − F ( x p ′ ) = ∫ x p ′ + ∞ p ( x ) d x = p 1-F(x_{p}^{'})=\int_{x_p^{'}}^{+\infty}p(x)\mathrm{dx}=p 1−F(xp′)=∫xp′+∞p(x)dx=p
中位数
-
设连续随机变量 X X X的分布函数为 F ( x ) F(x) F(x),密度函数为 p ( x ) p(x) p(x).称 p = 0.5 p=0.5 p=0.5时的 p p p分位数 x 0.5 x_{0.5} x0.5为此分布的中位数,即 x 0.5 x_{0.5} x0.5满足
F ( x 0.5 ) = ∫ − ∞ x 0.5 p ( x ) d x = 0.5 F(x_{0.5})=\int_{-\infty}^{x_{0.5}}p(x)\mathrm{dx}=0.5 F(x0.5)=∫−∞x0.5p(x)dx=0.5
偏度系数
-
设随机变量 X X X的三阶矩存在,则称比值
β 1 = E ( X − E ( X ) ) 3 [ E ( X − E ( X ) ) 2 ] 3 / 2 = υ 3 ( υ 2 ) 3 / 2 \beta_1=\frac{E(X-E(X))^3}{[E(X-E(X))^2]^{3/2}}=\frac{\upsilon_3}{(\upsilon_2)^{3/2}} β1=[E(X−E(X))2]3/2E(X−E(X))3=(υ2)3/2υ3
为 X X X的分布的偏度系数,简称偏度