【笔记】概统论与数理统计第四章知识点总结

最新推荐文章于 2022-11-26 23:04:06 发布

Dorothy30

最新推荐文章于 2022-11-26 23:04:06 发布

阅读量2.4k

点赞数 1

分类专栏：概统文章标签：统计学概率论

本文链接：https://blog.csdn.net/weixin_44835327/article/details/118247489

版权

8 篇文章 4 订阅

订阅专栏

1. 离散型随机变量的数学期望

2. 连续型随机变量的数学期望： $\mathrm{E}(\mathrm{X})=\int_{-\infty}^{+\infty} x f(x) d x$

3. 随机变量函数的数学期望

一维随机变量：
- 离散型：X 为离散型随机变量，其分布律为，k = 1, 2, ..., y = g(x) 是 x 的 (分段) 连续函数或单调函数，且级数绝对收敛，则对Y = g(X），我们有
  - 公式的意义：求E(Y)时，不必算出的分布律或概率密度，而只要利用X的分布律或概率密度就可以了
- 连续型：若X为连续型的，其密度函数为f(x)，且反常积分 $\int_{-\infty}^{+\infty} g(x) f(x) d x$ 绝对收敛，则有
二维随机变量：设 (X, Y) 是二维随机变量
- 离散型：若 (X, Y) 是离散型，二维概率分布律为 $\mathrm{p}_{\mathrm{jk}}=\mathrm{P}\left(\mathrm{X}=\mathrm{x}_{\mathrm{j}}, \mathrm{Y}=\mathrm{y}_{\mathrm{k}}\right), \quad \mathrm{j}, \mathrm{k}=1,2, \ldots$ 。g(x, y) 是分片连续函数，且级数 $\sum_{\mathrm{j}, k} g\left(x_{j}, y_{k}\right) p_{j k}$ 绝对收敛，则有
- 连续型：若(X, Y)为连续型，其二维密度函数为f(x, y)，且反常积分 $\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} g(x, y) f(x, y) d x d y$ 绝对收敛，则有

4. 数学期望的性质

E(C) = C
E(CX) = CE(X)
E(aX + bY) = aE(X) + bE(Y)
$\mathrm{E}\left(\sum_{i=1}^{\mathrm{n}} C_{i} X_{i}+\mathrm{b}\right)=\sum_{i=1}^{n} C_{i} E\left(X_{i}\right)+b$
若 X 和 Y 独立，E(XY) = E(X) E(Y)
- g(X) 和 h(Y) 也是独立的随机变量，E(g(X)h(Y)) = E(g(X))E(h(Y))

1. 方差的定义及计算

2. 方差的性质

D(C) = 0
D(aX+b) = $a^2D(X)$
若X与Y独立，则
- 随机变量 $X_1,X_2,...,X_n$ 相互独立， $C_1, C_2,...,C_n$ 是n个常数，则
- D(X) = 0 等价于 P(X = E(X)) = 1
  - 此时X 服从退化分布

3. 变异系数、原点矩及中心距

变异系数：在比较两个随机变量的取值集中程度时消除方差和标准差的量纲，衡量了 X 取值在 E(X) 周围的相对集中程度（越小越集中）
定义：若随机变量 X 的期望、方差均存在, 且 E(X) ≠ 0, 则
随机变量的原点矩和中心距：是非负整数
- X 的 k 阶原点矩： $m_k=E(X^k)$
- X 的 k 阶中心矩： $\mu_k=E(X-E(X))^k$
- $E(X) = m_1, D(X) = \mu_2$
- 中心距可以用原点矩表示： $\mu_{\mathrm{k}}=\sum_{r=0}^{k} C_{k}^{r} m_{r}\left(-m_{1}\right)^{k-r}$

1. 协方差

2. 相关系数

协方差反映随机变量 X 与 Y 的线性相关关系, 但它受量纲的影响：Cov(aX, bY) = ab Cov(X, Y)。我们将根据协方差定义出一个不受量纲影响的相关系数
定义：
- R(X, Y) = 0 时， X 和 Y不相关
- R(X, Y) > 0 时，X 和 Y正相关
- R(X, Y) < 0 时，X 和 Y负相关
- R(X, Y) = ±1 时, X 和 Y 为完全的线性关系
  - R(X, Y) = 1 时，X 和 Y 完全正相关
  - R(X, Y) = −1 时，X 和 Y 完全负相关
- 注意：独立性蕴含不相关性, 反之未必
性质
- R(X,Y)=R(Y,X)
- |R(X,Y)|≤1
- |R(X, Y)| = 1 的充要条件为：存在常数 a, b, 且 a = 0，使得 P(Y = aX + b) = 1
  - (X与Y线性相关)

关注