3.1 数学期望

3.1.1 离散型数据的数学期望

  • $P(X=xk)= p_k,\sum^\infty{k=1}xkp_k,E(X)=\sum^\infty{k=1}x_kp_k$.
    注意:数学期望不一定均存在.

3.1.2 连续型数据的数学期望

  • X 的密度函数为 $f(x),\int{-\infty}^{\infty}xf(x)dx,Ex = \int{-\infty}^{\infty}xf(x)dx$

3.1.3 随机变量函数的期望

Y=g(X)

  • 离散 E(X)=xipi,Y=g(X)E(Y)=g(xi)pi

3.1.4 期望的性质

  • EC=C
  • E(C1X+C2)=C1EX+C2
  • X,Y 独立,则 E(XY)=E(X)E(Y)
  • E(X±Y)=EX±EY

3.2 方差

3.2.1 方差的定义

  • DX=E((XEX)2)
  • 离散型: DX=(XkEK)2pk
  • 连续型: DX=+(xEX)2f(x)dx

但是一般用 DX=E(X2)(EX)2 计算.

3.2.2 方差的性质

  • DC=0
  • D(C1X+C2)=C12DX
  • X,Y 独立D(X±Y)=D(X)+D(Y)

3.3 常见分布的期望和方差

3.3.1 常见离散型的期望与方差

1. 0-1分布

  • EX=p
  • DX=E(X2)(EX)2=pp2=p(1p)

2. 二项分布

  • 期望

    Xi={1,the i-th is failure 0,the i-th is success,

    则$E(Xi)=1 \times p+0 \times (1-p)=p,E(X)=E(\sum{i=1}^nXi)=np$

  • 方差
    DX=D(i=1nXi)=np(1p)

3. 几何分布

PX=k=(1p)k1p

EX=k=1nk(1p)k1p=1p运用级数求和

$DX=\sum{k=1}^nk^2(1-p)^{k-1}p=\frac{1-p}{p^2},\sum{k=1}^\infty k^2X^{k-1}=\sum{k=1}^\infty k \cdot kX^{k-1}=(\sum{k=1}^\infty kX^k)’=(X\sum_{k=1}^\infty kX^{k-1})’=(\frac{X}{(1-X)^2})’=\frac{1-x}{x^2}$

4. 泊松分布

PX=k=λkk!eλ,k=0,1,2,3,,λ>0,X~P(λ)

  • $EX=\sum{k=0}^\infty k\frac{\lambda^k}{k!}e^{- \lambda}=\sum{k=1}^\infty \frac{\lambda^k}{(k-1)!}e^{- \lambda}=\lambda \sum_{k=1}^\infty \frac{\lambda^{k-1}}{(k-1)!}e^{- \lambda}=\lambda \times 1=\lambda$(可以用概率和为1).
  • 方差 E(X2)=k=0k2λkk!eλ=k=1kλk(k1)!eλ=λk=1λk1(k1)!eλ+k=1(k1)λk(k1)!eλ=λ+k=2λk(k2)!eλ=λ+λ2k=2λk2(k2)!eλ=λ+λ2DX=λ+λ2λ2=λ

3.3.2 常见连续型的期望与方差

1. 均匀分布

  • f(x)={1ba,axb 0,else 

  • EX=abx1badx=a+b2

  • E(X2)=abx21badx=b2+ab+a23

DX=b2+ab+a23(a+b2)2=(ba)212

2. 指数分布

  • f(x)={1θe1θx,x>0 0,x0 
  • 期望
    EX=0x1θe1θxdx=θ

  • 方差
    D(X2)=0x21θe1θxdx=θ2

3. 正态分布

  • E(X)=μ,D(X)=σ2
    证明:
    Z=Xμσ,则 ZN(0,1)

    E(Z)=+x12πex22dx=0

    D(Z)=E(X2)(EX)2=1

    然后E(X)=E(σZ+μ)=μ,D(X)=D(σZ+μ)=σ2

3.4. 协方差和相关系数

3.4.1. 协方差

当随机变量X,Y 独立时, D(X+Y)=D(X)+D(Y).

当不独立的时候, D(X+Y)=E((X+Y)2)(E(X+Y))2, 化简可以得到定理:

D(X±Y)=D(X)+D(Y)±2E((XEX)(YEY)

其中协方差 Cov(X,Y)=E((XEX)(YEY))

推论: E(XY)E(X)E(Y)=Cov(X,Y)

Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z)

3.4.2. 相关系数

ρX,Y=Cov(X,Y)D(X)D(Y)

3.5 中心距和原点矩

  • k 阶原点矩: EXk. 例:EX 一阶原点矩.
  • k 阶中心距: E((XEK)k). 例: 一阶中心距:0; 二阶中心矩:E((XEX)2),即方差.