第一章:
-
互斥不等于独立 独立的圈圈图A B也有∩ “互斥不独立,独立不互斥”是在事件 [公式] 与事件 [公式] 发生的概率都不为0的情况下才有的结论
-
-
0概率事件 1概率事件与任何事件独立
-
不可能事件与任何事件独立且互斥
-
“在期望存在的情况下,独立必不相关,不相关不一定独立”
不相关的随机变量间不存在线性关系。
相互独立的随机变量间不存在任何关系。
没有线性关系,可以有别的关系,因而不相关不一定独立。
第二章
离散分布
二项分布
泊松定理
λ
=
n
p
n
在
n
↦
∞
\lambda = np_n 在n \mapsto\infty
λ=npn在n↦∞
可见
p
n
p_n
pn一定很小时才符合,一般当n大于等于20,p<=0.05时采用泊松分布来近似二项分布较好。
期望值:
λ
\lambda
λ
方差:
λ
\lambda
λ
偏度:
λ
−
1
/
2
\lambda^{-1/2}
λ−1/2
偏度(三阶矩)分为两种:
负偏态或左偏态:左侧的尾部更长,分布的主体集中在右侧。
正偏态或右偏态:右侧的尾部更长,分布的主体集中在左侧。
如果分布对称,那么平均值=中位数,偏度为零(此外,如果分布为单峰分布,那么平均值=中位数=众数)。
峰度:
λ
−
1
\lambda^{-1}
λ−1
峰度(四阶矩):
峰度(Kurtosis),亦称尖度,在统计学中衡量实数随机变量概率分布的峰态。峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的。
连续分布
均匀分布
指数分布:
λ
\lambda
λ在这里指的是单位时间内的事件发生的个数
指数分布与泊松分布的关系:
泊松分布描述的是数量,通过泊松过程让数量等于零可以得出描述时间间隔的指数分布
指数分布详解
期望值:
λ
−
1
\lambda^{-1}
λ−1
方差:
λ
−
2
\lambda^{-2}
λ−2
正态分布:
方差
在统计学中,方差是用来度量单个随机变量的离散程度,而协方差则一般用来刻画两个随机变量的相似程度
为什么样本方差(sample variance)的分母是 n-1
因为如果用 a ^ \hat{a} a^来估计 σ \sigma σ会偏小,毕竟 a ^ \hat{a} a^是完美拟合样本的均值,只要 a ^ \hat{a} a^稍微不等于 a ^ \hat{a} a^算出来的 σ \sigma σ就会偏小,所以可以计算一下小了多少,公式见Google = n-1
协方差
定义:
协方差矩阵
定义: 对于n个随机变量而言
任何一个协方差矩阵都是线性变化的结果
方差 / 协方差矩阵 / 协方差矩阵分解