【概率论与数理统计(研究生课程)】知识点总结4（随机变量的数字特征）

小吴不会敲代码吧

已于 2022-12-04 10:00:35 修改

阅读量649

点赞数

分类专栏：数学计算机基础文章标签：概率论算法

于 2022-10-21 21:00:26 首次发布

本文链接：https://blog.csdn.net/weixin_46334596/article/details/127453860

版权

计算机基础同时被 2 个专栏收录

13 篇文章 1 订阅

订阅专栏

数学

12 篇文章 1 订阅

订阅专栏

原文地址:【概率论与数理统计(研究生课程)】知识点总结4（随机变量的数字特征）

数学期望

$E(X)=\int_{-\infty}^{+\infty}xdF(x)$

离散型

$\sum_{k=1}^{\infty}x_kp_k$ 绝对收敛

$\sum\limits_{k=1}^{\infty}x_kp_k=E(X)$

连续型

$\int_{-\infty}^{+\infty}xp(x)dx$ 绝对收敛
$\int_{-\infty}^{+\infty}xp(x)dx=E(X)$

性质：

$E (C) = C, C$ 是常数
$E (k X) = k E (X), k$ 是常数
$E(X_1+X_2)=E(X_1)+E(X_2), \quad E(\sum\limits_{i=1}^{n} X_i)=\sum\limits_{i=1}^{n}E(X_i)$
若 $X 、 Y$ 独立 $\Longrightarrow E(XY)=E(X)E(Y)$

随机变量函数的期望

一维（ $Y = g (X)$ ）

$E(X)=\int_{-\infty}^{+\infty}g(x)dF(x)$

离散型

$E(Y)=E[g(X)]=\sum\limits_{k=1}^{\infty}g(x_k)p_k$

连续型

$E(Y)=E[g(X)]=\int_{-\infty}^{+\infty}g(x)p(x)dx$

$\sim N(0, \sigma^2),$ 求 $E(X^n)$ .

$n$ 为奇数： $E(X^n)=\sigma^n(n-1)!!,n$ 为偶数： $E(X^n)=0$

二维（ $Z = g (X, Y)$ ）

$E(Z)=E[g(X,Y)]=\int\limits_{-\infty}^{+\infty}\int\limits_{-\infty}^{+\infty}g(x,y)dF(x,y)$

离散型

$E(Z)=\sum_{i,j=1}^{\infty}g(x_i,y_j)p_{ij}$

连续型

$E(Z)=\int\limits_{-\infty}^{+\infty}\int\limits_{-\infty}^{+\infty}g(x,y)p(x,y)dxdy$

方差

$D(X)=E\{[X-E(X)]^2\}=E(X^2)-E^2(X)$

进一步推导得 $E(X^2)$ 的求法：
$E(X^2)=D(X)+E^2(X)$

*性质：

$D (C) = 0, C$ 为常数

$D(CX)=C^2D(X)$

$\begin{aligned}D(aX \pm bY)&=a^2D(X)+b^2D(Y) \pm 2abCov(X,Y) \\ &=a^2D(X)+b^2D(Y) \pm 2ab\rho_{XY}\sqrt{D(X)}\sqrt{D(Y)}\end{aligned}$

若 $X 、 Y$ 相互独立，则 $D(aX\pm bY)=a^2D(X)+b^2D(Y)$

$D(aX+b)=a^2D(X), \quad D(\sum\limits_{i=1}^{n} C_iX_i +b)=\sum\limits_{i=1}^{n}C_i^2D(X_i)$

$\Longleftrightarrow P\{X=c\}=1,c=E(X)$

常见分布的数学期望和方差

:::hljs-center

分布名称	数学期望 $E (X)$	方差 $D (X)$
0-1分布	$p$	$p (1 - p)$
二项分布	$n p$	$n p (1 - p)$
泊松分布	$\lambda$	$\lambda$
几何分布	$\frac{1}{p}$	$\frac{1-p}{p^2}$
均匀分布	$\frac{a+b}{2}$	$\frac{(b-a)^2}{12}$
指数分布	$\frac{1}{\lambda}$	$\frac{1}{\lambda^2}$
正态分布	$\mu$	$\sigma^2$
卡方分布	$n$	$2 n$
:::

协方差

$\begin{aligned} Cov(X,Y) &=E\{[X-E(X)][Y-E(Y)]\} \\ &=E(XY)-E(X)E(Y) \\ &=\rho_{XY}\sqrt{D(X)}\sqrt{D(Y)} \end{aligned}$

性质：

$C o v (X, Y) = C o v (Y, X)$
$C o v (X, X) = D (X)$
$C o v (a X, b Y) = a b C o v (X, Y)$
$C o v (X + Y, Z) = C o v (X, Z) + C o v (Y, Z)$

随机向量的期望和方差

设 $X=(X_1,X_2,\cdots,X_n)^{\top},E(X)=(EX_1,EX_2,\cdots,EX_n)^{\top}=a,DX=B,$ 对于 $Y=\sum\limits_{i=1}^{n}l_iX_i=l^\top X:$
$EY=l^\top a, DY=l^\top Bl$
设 $C_{(m\times n)}=(C_{ij}),$ 对 $Y = C X :$
$EY=Ca,DY=CBC^\top$

特征函数

$f(t)=E(e^{itX})=\int_{-\infty}^{+\infty}e^{itx}dF(x)$

离散型
$f(t)=\sum\limits_{i=1}^{n}e^{itX_i}p_i$
连续型

$f(t)=\int_{-\infty}^{+\infty}e^{itx}p(x)dx$

性质：

$f (0) = 1$
$f(-t)=\bar{f(t)}$
若 $a 、 b$ 是常数， $Y = a X + b$ ，则 $f_Y(t)=E(e^{it(aX+b)})=Ee^{itb}Ee^{itaX}=e^{itb}f_X(at)$
若 $X 、 Y$ 相互独立，则 $f_{X+Y}(t)=f_X(t)f_Y(t)$
$EX^k=(-i)^kf_X^{(k)}(0)$