随机变量的数字特征
离散随机变量数学特征
数学期望
一维离散随机变量得数学期望定义:数学期望即所有值乘以其发生概率之和
其中P(i)
为概率;Value(i)
为值
统计意义:反映了随机变量所有取值的中心位置
性质
- 对于常数 c,E(c) = c,因为默认常数概率为 1,故 E(c) = 1xc = c
- 对于随机变量 X,E(cX) = cE(X),其中 C 为常数
对于随机变量函数f
,在得到概率分布表后按照同一步骤(即值、概率相乘求和)求出数学期望
举个栗子
抓住代价:在这里是检测数量,方案一固定为100次,方案二不固定,五人一检,阳性则每人依次检测,阴性则略过
明确取值:在方案二中,每组检测次数取值可能为1或6,根据题目已给条件求出各自概率,再按比例扩大范围
这里有一个分组的问题,一开始没想到
方差和标准差
方差:差距的平方的期望
方差开根即为标准差
先求出一维概率分布的数学期望,用
(xi-期望)的平方
作为新的值,xi
的概率作为这个值的概率,组成一个新的一维概率分布这个新概率分布的数学期望即为原概率的方差,记为
D(X)
方差体现了随机变量围绕期望的偏离程度,方差越小,说明分布越集中,越大说明分布越分散(常用于判断产品优劣)
性质
- 常数的方差为0,即
D(c) = 0
,毫不偏差(常数拥有概率为1,偏差为0的特点) D(cX) = c²D(X)
,常数开出来要平方D(X+Y) = D(X)+D(Y)
,和变量的方差等于变量的方差和,前提是变量X,Y
相互独立
常见概率分布的方差
分布 | 参数 | 数学期望 | 方差 |
---|---|---|---|
两点分布 | 0<p<1 | p | p(1-p) |
二项分布 | n>=1, 0<p<1 | np | np(1-p) |
泊松分布 | λ>0 | λ | λ |
几何分布 | 0<p<1 | 1/p | (1-p)/p² |
随机变量函数的数学期望
对于一维随机变量 X,已知
X | -2 | 0 | 1 | 3 |
---|---|---|---|---|
P | 1/3 | 1/2 | 1/12 | 1/12 |
对于二维随机变量 X/Y,已知
X/Y | 0 | 1 |
---|---|---|
0 | (1-p)^2 | p(1-p) |
1 | p(1-p) | p^2 |
求得E(X+Y)
,将f(X+Y)
的概率分布表列出,用一维的办法解即可
f | 0 | 1 | 2 |
---|---|---|---|
P | (1-p)^2 | 2p(1-p) | p^2 |
连续随机变量数字特征
数学期望
回忆以下离散型随机变量的数学期望:概率和值的乘积的和
连续型随机变量的数学期望
即对xp(x)
在实数范围内积分,这很合理,就是值*概率
的和,若该积分不为正无穷,则称离散型随机变量数学期望存在,为这个积分结果
常见连续型随机变量的数学期望:
1、均匀分布X~U(a,b)
的数学期望为(a+b)/2
(区间中间)
2、指数分布
X~N(u,v^2)
对于普通函数f(x)
,将其自变量换为一个连续型随机变量Z
,那么f(Z)
的数学期望为:∫(-∞,+∞) f(x)p(x)dx
- 只改变值,概率不变,所以只将积分项中
x
换为f(x)
二维连续型随机变量函数的数学期望:
性质:基本与离散型随机变量期望性质一致
- 当随机变量取值有限,必有期望,且期望大于下限小于上线
- 常数的期望为常数自身
E(k1X+k2Y) = k1*E(X)+k2*E(Y)
,其中k1,k1
为实数,X,Y
为连续型随机变量- 若连续型随机变量
X,Y
相互独立,则E(XY) = E(X)E(Y)
方差
计算:D(X)=E((X-EX)^2)
在这里构造一个函数:
用求连续型随机变量函数的方法求方差
即
分布 | 参数 | 期望 | 方差 |
---|---|---|---|
两点分布 | 0<p<1 | p | p(1-p) |
二项分布 | n>=1,0<p<1 | np | np(1-p) |
泊松分布 | λ>0 | λ | λ |
几何分布 | 0<p<1 | 1/p | (1-p)/p^2 |
均匀分布 | a<b | (a+b)/2 | (b-a)^2/12 |
指数分布 | λ>0 | 1/λ | 1/λ^2 |
正态分布 | u,v>0 | u | v^2 |
性质
- 常数的方差为0
D(cX) = c^2 D(X)
- 对于相互独立的随机变量
X,Y
,D(X+Y) = D(X)+D(Y)
切比雪夫不等式
之前也提到过,方差越大,一般来说数据离期望会较远,方差越小则反之
切比雪夫不等式使用严格的数学公式规范这种直觉,设随机变量X
期望为E(X)=u
,方差D(X)
存在,则
其中ε
为任意正数
协方差与相关系数
对于二维随机变量(u,v)
,协方差反应u,v
之间的联系
定义协方差为
交换律:
Cov(u,v) = Cov(v,u)
数乘:
Cov(au,bv) = abCov(u,v)
分配律:
Cov(u1+u2,v) = Cov(u1,v)+Cov(u2,v)
和方差的关系:
D(u+v) = D(u)+2Cov(u,v)+D(v)
,当u,v
独立时,Cov(u,v)=0
,自然D(u+v)=D(u)+D(v)
相关系数
- 相关系数是随机变量间线性关系强弱的一个量度,当
|p|
越大,两随机变量线性关系较密切,|p|
越小,线性相关程度较差,当p=0
,二者线性无关 - 值域为
[-1,1]
- 当
p=1
,两个随机变量正线性相关,当p=-1
,二者负线性相关
协方差也可以表示为