概率论: 随机事件、统计量、常见分布、基本定理
@
参考资料：百度文档
随机变量定义
- 若对随机试验的每一种可能结果 (omega) (in) (Omega) 都有一个唯一的实数 (xi)((omega)) 与之对应, 则称数值为随机变量. 实际上, 随机变量是将试验的结果映射到实数空间中. 比如男女分别为1, 0.$
- 随机变量可以是离散是连续的
随机变量的数字特征 概率分布
分为离散型分布:
连续类型分布:
累计分布函数为:
其积分求和为0.
使用抛硬币来说 (p(0)=0.5;p(1)=0.5)
随机变量数字特征 期望
数字特征：用以刻画随机变量某方面特征的量，称为随机变量的数字特征
常用的数字特征:数学期望, 方差, 矩, 众数, 中位数, 协方差, 相关系数
离散类型期望：
设离散型随机变量(X)的概率分布为:
若(sum_{i=1}^infty{x_ip_i})绝对收敛, 则称(sum_{i=1}^infty{x_ip_i})为随机变量X的期望或均值, 记为(EX), 即
注:
- (EX)度量了随机变量X的加权平均
- (p_i(i=1, 2, 3...))为权重 $
连续型随机变量的期望:
定义:设随机变量X的密度函数为(f(x)), 若(int_{-infty}^{+infty}{xf(x)dx})绝对收敛, 则称(int_{-infty}^{+infty}{xf(x)dx})为随机变量(X)的期望或均值, 记为(EX).
随机变量函数的数学期望:
定义:设$ X $为随机变量, $ y=g(x) $为实函数
- 设(X)为离散型随机变量, 概率分布为(P(X=x_i)=p_i, ~~i=1, 2, 3, ...),若(sum_{i=1}^infty{g(x)p_i}) 绝对收敛, 则(E[g(x)])存在,且
- 设(X)为连续型随机变量, 密度函数为(f(x)), 若(int_{-infty}^{+infty}{g(x)f(x)dx})绝对收敛, 则(E[g(x)])存在, 且
例: 设随机变量的概率分布为:
| $ X $ | 0 | 1 | 2 |
|---|---|---|---|
| $ P $ | 0.1 | 0.6 | 0.3 |
求(E[x-EX]^2) .
解:
(EX=0*0.1+1*0.6+2*0.3=1.2)
(E[X-EX]^2=(0-1.2)^2 imes 0.1+(1-1.2)^2 imes 0.6+(2-1.2)^2 imes 0.3=0.36)
随机变量的方差
对随机变量(X),知道了它的数学期望(EX), 虽然对该随机变量有了一定了解, 但还不够.
例: 为评估一批灯泡的好坏, 从某种途径了解到其平均寿命为1000h, 即(EX=1000), 但不能完全肯定其质量的好坏.
- 有可能产品的寿命平均集中在950~1050h, 质量稳定!
- 有可能一半寿命为700小时, 另一半寿命为1300小时, 质量相对不稳定!
故需要找一个值， 能够度量随机变量(X)与(EX)的偏离程度.
- (X-EX)---->不能!(X-EX)是随机变量
- (E(X-EX))---->不能!(E(X-EX)=EX-EX=0)(正负偏差相互抵消)
- (E|X-EX|)---->不便于计算
得:(E(X-EX)^2)
定义:设随机变量(X)的数学期望为(EX), 则称(E(X-EX)^2) 为随机变量(X)的方差, 记为(D(X)), 或(Var(X)) ,并称(sqrt{D(X)})为(X)的标准差.
方差的计算:
考虑到方差实际上是随机变量函数的数学期望:(g(X)(X-EX)^2), 因此
若(X)为离散型随心变量, 概念分布为(p_i=P(X=x_i), ~~i=1,2,3...)则
若(X)为连续型随机变量, 概率密度为f(x), 则:
有如下公式:
证[1]:
方差的性质:
- (D(C)=0~~C为常数)
- (D(X+C)=D(X))
- (D(CX)=C^2D(X))
协方差
在概率论和统计学中，协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。
(Cov(X,Y)=E[(X-EX)(Y-EY)])
(=E(XY)-2E(X)E(Y)+E(X)E(Y))
(=E(XY)-E(X)E(Y))
从直观上来看，协方差表示的是两个变量总体误差的期望。
根据【随机变量函数的数学期望】计算。 ↩︎