数学期望
- 泊松分布的期望为λ
- 指数分布的期望为1/λ
随机变量函数的数学期望
E
(
Y
)
=
E
(
g
(
X
)
)
=
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
E(Y)=E(g(X))=\int_{-\infty}^{+\infty}g(x)f(x)dx
E(Y)=E(g(X))=∫−∞+∞g(x)f(x)dx
重要意义在于，求Y的期望时只需要利用X的分布律和概率密度函数即可
数学期望的特性
- E ( a X + b Y + c ) = a E ( X ) + b E ( Y ) + c E(aX+bY+c) = aE(X)+bE(Y)+c E(aX+bY+c)=aE(X)+bE(Y)+c
- 若X,Y相互独立，则有 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)
方差
定义：
V
a
r
(
X
)
=
E
(
[
X
−
E
(
X
)
]
2
)
Var(X)=E([X-E(X)]^2)
Var(X)=E([X−E(X)]2)
对于连续型随机变量有
V
a
r
(
X
)
=
∫
−
∞
+
∞
[
X
−
E
(
X
)
]
2
f
(
x
)
d
x
Var(X)=\int_{-\infty}^{+\infty}[X-E(X)]^2f(x)dx
Var(X)=∫−∞+∞[X−E(X)]2f(x)dx
简便计算公式：
V
a
r
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
2
]
Var(X) = E(X^2)-[E(X)^2]
Var(X)=E(X2)−[E(X)2]
方差的性质
随机变量独立时有
V
a
r
(
a
X
+
b
Y
+
C
)
=
a
2
V
a
r
(
X
)
+
b
2
V
a
r
(
Y
)
Var(aX+bY+C)=a^2Var(X)+b^2Var(Y)
Var(aX+bY+C)=a2Var(X)+b2Var(Y)
常见分布的期望与方差
定理：独立地n个正态变量的线性组合仍然服从正态分布
协方差与相关系数
协方差
协方差的定义：
C
o
v
(
X
,
Y
)
=
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
Cov(X,Y)=E\{ [X-E(X)][Y-E(Y)]\}
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}
协方差的计算公式：
C
o
v
(
X
,
Y
)
=
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
Cov(X,Y)=E(XY)-E(X)E(Y)
Cov(X,Y)=E(XY)−E(X)E(Y)
方差性质的补充：
V
a
r
(
X
+
Y
)
=
V
a
r
(
X
)
+
V
a
r
(
Y
)
+
2
C
o
v
(
X
,
Y
)
Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
协方差的性质
- C o v ( a X , b Y ) = a b C o v ( X , Y ) Cov(aX,bY)=abCov(X,Y) Cov(aX,bY)=abCov(X,Y)
- C o v ( X 1 + X 2 , Y ) = C o v ( X 1 , Y ) + C o v ( X 2 , Y ) Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
相关系数
称为X与Y的相关系数
注意：
- 当X,Y为完全线性关系是ρ=1
- 对于二元正态变量(X,Y)来说，X和Y不相关 ⇔ \Leftrightarrow ⇔X与Y相互独立（但是对于其他分布来说不一定）
其他数字特征
k阶矩，k阶中心距，k+l阶混合矩，k+l阶混合中心距…
多元随机变量的数字特征
n元随机变量X的数学期望：
E
(
X
)
=
(
E
(
X
1
)
,
E
(
X
2
)
,
.
.
.
E
(
X
n
)
)
T
E(X)=(E(X_1),E(X_2),...E(X_n))^T
E(X)=(E(X1),E(X2),...E(Xn))T
n元随机变量的协方差矩阵：
n元正态变量的重要性质：
- 若X1,X2…Xn都是正态变量且相互独立则（X1,X2…Xn）是n元正态变量
- （X1,X2…Xn）服从n元正态分布 ⇔ \Leftrightarrow ⇔X1,X2…Xn的任意线性组合服从正态分布
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
