目录
2.2.1 普通一组数据的没有期望，只有均值，因为不是随机变量
3.2 方差的原始基础公式1：已知数据的方差 / 抽样样本的方差
3.3 随机变量的方差基础公式，需要以P为权重(而不是1/n)
3.3.1 随机变量的方差公式，D(X) = Σpi* (X-E(X))^2 应该如下
（各种可能的错误，都是因为对“随机变量的”期望和方差的理解不够导致）
1 期望和均值（平均值）
1.1 期望的定义
期望的本质就是平均值
但是随机变量的期望，和普通平均值是有区别的
- 期望，是一种特殊的加权平均值，权重就是每个变量对应的概率。
- 随机变量的数学期望，不是简单的平均值，而是以概率为权重的加权平均值
- 离散的随机变量的平均值公式 E(X)= Σpi*xi
- 连续的随机变量的期望 E(X)= ∫ f(x)*dx
- 特殊分布的随机变量的期望
- 如几何分布，E(X)= 1/P
- 如二项分布，E(X)= n*p
- ...
1.2 期望怎么理解
1.2.1 数学期望是什么?
数学期望不是日常语言里的：某一个“期望结果” ，而是随机变量的所有可能结果的加权(权重=概率)平均值，这个平均值可能不是 各个可能结果的之中的任何1个，只是一个计算值。
1.2.2 数学期望的理解
数学期望，实际上可以看做是随机变量的一种加权平均值，用随机变量的所有可能取值 * 权重，而权重就是随机变量每个可能取值的概率。
数学期望，比一般的加权平均值更有意义的地方，就是其权重= 概率P是有意义的。
- 随机变量X，数学期望E= 随机变量X的加权平均值，权重=概率
- 因此X ={x1,x2...xn} （X是一个数组，数列）
- 而E(X)= ∑ Xi*Pi =X1*P1+X2*P2+ ..... Xn*Pn
- 所以 数学期望是一种 X的加权平均，对X这个数组每个xi 的值，用概率pi 进行，数学期望是一个把 随机变量的每个可能值，对应概率，全部压缩为一个数的一个高信息数值指标。
1.3 平均值（mean Value）是什么
- 前面已经些了详细的说明和比较，详见前文
- 算术平均值
- 几何平均值
- 调和平均数
- 平方平均值（均方根）
- 加权平均值
2 随机试验 和数学期望
理解期望和方差还是要回到随机试验本身
2.1 对随机试验的加深理解
2.1.1 数学期望是用来处理随机变量 这种不确定对象的！
案例1：固定的数值序列/ 数组
- 比如2个数字
- 集合就是{0,1}，集合内2个元素 ，数量确定
- 平均值就是0.5，确定不变
- 随机变量 x={0,1} 和 常数数组 {0,1} 是完全不同的2个概念
案例2：随机试验
- 但是，如果有个随机试验，50%概率0，50%概率1，那么也是只有两种事件（比如是正方面）--对应的随机变量0，1。但是，因为是随机的，也就是，试验可以做无限次，每次的结果都会随机变化，样本空间里包含无限个0，1
- 所以，样本空间也就是=集合=S= {0,1,1,1,0,1,0,1,1,0,0,1......} ，集合内无限个元素，但是因为要去重，实际上样本空间S={0，1} ，对应的随机变量 x={0,1}
- 随机变量 x={0,1} 和 常数数组 {0,1} 是完全不同的2个概念
- 虽然样本空间和随机变量的取值范围是{0,1}，是确定的，但是进行n 次试验的平均值却不能确定，为什么呢？
- 因为试验次数不同，均值可能不同，
- 不同轮的试验，试验结果可能是完全不同的序列
- 平均值不确定，因为试验次数不确定，可能有不同的S {0,1,1,1} ， {0,1,1,1,0,1,0,1,1,0}, 比如 {0,1,1,1} 平均值 0.75 ，{0,1,1,1,0,1,0,1,1,0} 平均值 0.6 ..... 那平均值就没法求了？
- 所以，数学期望就出现了
- E(x)=0*50%+1*50%=0.5 ，那这个代表什么意思呢？就是当试验次数n 足够多，样本空间足够大，接近无限，那么 数学期望会趋近 0.5
- 所以，数学期望，一般是针对随机变量的，而不是针对一个确定的 {0,1} 常数数组，数学期望只针对随机变量--背后是可以无限次试验--从而让概率接近真实概率p的随机试验！
- 所以两者区分就很明显了
- 样本数确定，可以直接求各种平均数，
- 样本数量不确定（无限），如随机变量，只能求数学期望 (样本越大越准确)
2.2 期望的公式
2.2.1 普通一组数据的没有期望，只有均值，因为不是随机变量
- 如果只是一组数据，可以直接求均值
- 这组确定数据的 算术均值期望 Σxi/n ( i=1,n)
2.2.2 统计数据的期望公式
- 虽然统计一般是对随机变量进行统计和验证
- 但是统计时一般把抽样时，设定为 平均概率
- 所以统计的随机变量的期望 E(X)= Σxi/n ( i=1,n)
2.2.3 随机变量的期望公式
- 每个随机变量xi 对应发生的概率 pi
- 所以随机变量的期望 E(X)= Σpi*xi ( i=1,n)
2.3 数学期望E的一些性质推论
- E(C) = C ,常数的期望= 本身，或者说 数学期望只针对随机变量，对常数无作用。
- E(CX) = C *E(X)
- E(X+Y) = E(X) + E(Y)
- 如果X和Y互相独立， E(X*Y) = E(X)*E(Y)
2.4 EXCEL的期望公式
- 直接用连乘公式可以解决
- sumproduct(数列1，数列2)
EXCEL都有对应的公式
- AVERAGE()
- GEOMEAN()
- HARMEAN()
3 方差
3.1 什么是方差
- 方差就是衡量每个变量与 总体均值 之间的差异，但是因为每个变量与总体均值的差异都不一样，因此牛人们就发明了一个总量值。
- 也就是把所有每个变量与 总体均值 之间的差异的平方值求和 = 方差。
- 用这个来描述，总体每个值与均值差异的大小！
3.2 方差的原始基础公式1：已知数据的方差 / 抽样样本的方差
3.2.1 常见的方差定义：数据的方差
比如下面这种定义
- 这种方差公式，并不适用于随机变量，只是适用于1个数列（有限的数列吧），这种情况下
- 数列的均值，和方差可以综合反映数据的集中趋势，离散程度等
- 公式里，方差的定义，带平方就是为了消除，有的数据比平均值大有的小，造成差值有正有负的影响。
- 标准差也跟着去掉了这种影响
3.2.2 常见的方差定义：统计的方差
- 因为即使是随机变量的方差
- 再统计时，因为得到的只是少数样本，而这些样本是已知的，如果要计算这些已知样本的期望和方差，计算方差就和随机变量的不一样，一般假设为平均概率的，也就是
- 统计的期望 E(X) =Σxi/n
- 统计的期望
- D(X) =((x1-u)^2+(x1-u)^2+...+(xn-u)^2)/n
- D(X) =Σ(xi-u)^2/n
3.3 随机变量的方差基础公式，需要以P为权重(而不是1/n)
- 方差： D(X) = Σpi* (X-E(X))^2
- 因为 E(X)=Σpi* xi 和 E(X^2)=Σpi* xi^2
- 方差： D(X) =E(X−E(X)) ^2 =E(X^2)−E(X)^2= Σpi* xi^2 - (Σpi* xi )^2
- 标准差： σ ( x ) = 开根号 D ( X )
(以概率为权重的) 加权平均公式
3.3.1 随机变量的方差公式，D(X) = Σpi* (X-E(X))^2 应该如下
- 按加权平均值的算法思路，推导
- S^2 =(X1-u)^2*P1+ (X2-u)^2*P1+ ... +(Xn-u)^2*Pn /(P1+P2+...+Pn)
- S^2 =(X1-u)^2*P1+ (X2-u)^2*P1+ ... +(Xn-u)^2*Pn /1
- S^2 =(X1-u)^2*P1+ (X2-u)^2*P1+ ... +(Xn-u)^2*Pn
3.3.2 随机变量的数学期望计算
- step1 首先，要有一个完整的样本空间（包含所有样本点）
- setp2 然后对样本点进行去重，归纳
- setp3 ∑ 随机变量 * 对应概率 就可以计算数学期望了
- 并且可以做，pmf / pdf 和 cdf
3.3.3 勘误：
（各种可能的错误，都是因为对“随机变量的”期望和方差的理解不够导致）
例题：样本空间有2个事件，A发生概率80%，B发生概率20%
- 正确算法
- (1-0.8)^2*0.8+(0-0.8)^2*0.2 /(0.8+0.2) = (1-0.8)^2*0.8+(0-0.8)^2*0.2
- 为什么这个才是正确的
- 因为 期望E，本身就是对随机变量x的各个取值 x1..xi的一种加权平均，所以，方差要检查的就是每个 xi 和E 之间的差距，再*概率
- 错误算法
- (1-0.8)^2*1+(0-0.8)^2*1 /2 ------乘1不对，而应该乘概率，/概率之和，这才是合适的权重
- (0.8-0.5)^2*1+(0.2-0.5)^2 /2 ------这么算是 纯概率的方差，不涉及样本值本身，概率纯算术均值= （0.8+0.2）/2 =0.5
- (0.8-0.8)^2*1+(0.2-0.8)^2 /2 ------混乱错误，概率 - 期望值，无法计算
3.4 方差公式3 : 方差与期望的关系式
- 方差和期望是存在关系的
- D(x)=E(x^2)-[E(x)]^2
- 样本矩，中心矩
推导过程
推导过程中，将E(x)视为常数即可。
D(X)=E{[X-E(x)]^2}/1
=E{[X-E(x)]^2}
=E{X^2-2XE(x)+[E(x)]^2}
=E(x^2)-2E(x)*E(x)+[E(x)]^2
=E(x^2)-E(x)^2
4 EXCEL的方差公式
- 总体方差 VAR.P()
- 样本方差 VAR.S()
- 总体标准差 STDEV.P()
- 样本标准差 STDEV.S()
- 或者自己用方差的定义公式来算 （前提是，数据序列不太多。。。）
- SUM((X1-u)^2+...+(Xn-u)^2)/10
5 协方差
- 协方差，是用来衡量两个变量之间的关系
- 当2个变量相同时，协方差 = 方差
795
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
