离散均匀分布的期望和方差(均值和方差的性质)

总结一下概统用到的各种分布,以及其期望和方差。

大家好,又见面了,我是你们的朋友全栈君。

预备定义

数学期望

定义

E [ g ( x ) ] = { ∑ i g ( x i ) p ( x i ) , 离散场合 ∫ − ∞ ∞ g ( x ) p ( x ) d x , 连续场合 E[g(x)]=\begin{cases}\sum\limits_ig(x_i)p(x_i),&\text{离散场合} \\ \\ \int_{-\infty}^\infty{g(x)p(x)\mathrm{d}x},&\text{连续场合}\end{cases} E[g(x)]=ig(xi)p(xi),g(x)p(x)dx,离散场合连续场合

性质

  1. 常数期望为其自身;
  2. E ( a X + b ) = a E ( X ) + b E(aX+b)=aE(X)+b E(aX+b)=aE(X)+b;
  3. 多维随机变量亦满足线性性质;
  4. 级数(积分)收敛,则期望存在;反之不存在,如Cauchy分布。

方差

定义

方差: D ( X ) = E [ X − E ( X ) ] 2 = E ( X 2 ) − [ E ( X ) ] 2 D(X)=E[X-E(X)]^2=E(X^2)-[E(X)]^2 D(X)=E[XE(X)]2=E(X2)[E(X)]2,

标准差: D X \sqrt{DX} DX
,

标准化的随机变量: X − E X D X \frac{X-EX}{\sqrt{DX}} DX
XEX
.

性质

  1. 常数方差为零;
  2. D ( a X + b ) = a 2 D ( X ) D(aX+b)=a^2D(X) D(aX+b)=a2D(X)
  3. 极值性质:若 c ≠ E ( X ) c\neq E(X) c=E(X), 则 D ( X ) = E [ X − E ( X ) 2 ] = E ( X − c ) 2 − ( c − E X ) 2 < E ( X − c ) 2 ; D(X)=E[X-E(X)^2]=E(X-c)^2-(c-EX)^2<E(X-c)^2; D(X)=E[XE(X)2]=E(Xc)2(cEX)2<E(Xc)2;
  4. 切比雪夫不等式(描述随机变量的变化情况): P { ∣ X − E X ∣ ⩾ ε } ⩽ D X ε 2 P\{|X-EX|\geqslant\varepsilon\}\leqslant\frac{DX}{\varepsilon^2} P{
    X
    EXε}ε2DX
    ,或表示为 P { ∣ X − E X ∣ < ε } ⩾ 1 − D X ε 2 P\{|X-EX|<\varepsilon\}\geqslant1-\frac{DX}{\varepsilon^2} P{
    X
    EX<ε}1ε2DX
    .

协方差&相关系数

协方差

  • c o v ( X ,   Y ) = E [ ( X − E X ) ( Y − E Y ) ] = E ( X Y ) − E X ⋅ E Y \mathrm{cov}(X, \ Y) = E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY cov(X, Y)=E[(XEX)(YEY)]=E(XY)EXEY.

  • D ( X + Y ) = D ( X ) + D ( Y ) + 2 c o v ( X ,   Y ) D(X+Y)=D(X)+D(Y)+2\mathrm{cov}(X,\ Y) D(X+Y)=D(X)+D(Y)+2cov(X, Y).

相关系数

  • r i j = c o v ( X ,   Y ) D X ⋅ D Y r_{ij}=\frac{\mathrm{cov}(X,\ Y)}{\sqrt{DX}\cdot \sqrt{DY}} rij=DX
    DY
    cov(X, Y)
    ,

  • 显然,相关系数也是标准化的两随机变量 X − E X D X \frac{X-EX}{\sqrt{DX}} DX
    XEX
    Y − E Y D Y \frac{Y-EY}{\sqrt{DY}} DY
    YEY
    的协方差;

  • 定义常数与任何随机变量的相关系数为 0 0 0.

性质
  1. ∣ r ∣ ⩽ 1 |r|\leqslant1 r1;
  2. r = 0 r=0 r=0,不相关;
  3. 以下四个条件等价:
  • c o v ( X ,   Y ) = 0 \mathrm{cov}(X,\ Y)=0 cov(X, Y)=0;
  • X X X Y Y Y不相关;
  • E ( X Y ) = E X ⋅ E Y E(XY)=EX\cdot EY E(XY)=EXEY;
  • D ( X + Y ) = D X + D Y D(X+Y)=DX+DY D(X+Y)=DX+DY.
  1. X X X Y Y Y独立,则 X X X Y Y Y不相关,反之不成立;
  2. 二元正态分布的不相关性与独立性等价。

离散分布期望、方差

分布名称 密度函数 p ( x ) p(x) p(x) 数学期望 E ( X ) E(X) E(X) 方差 D ( X ) D(X) D(X)
退化分布(单点分布) p c = 1 p_c=1 pc=1 c c c 0 0 0
伯努利分布(两点分布) p k = p k ( 1 − p ) 1 − k ,   k = 0 ,   1 p_k=p^{k}(1-p)^{1-k},\ k=0,\ 1 pk=pk(1p)1k, k=0, 1 p p p p ( 1 − p ) p(1-p) p(1p)
二项分布 b ( k ;   n ,   p ) = ( n k ) p k ( 1 − p ) n − k b(k;\ n,\ p)=\binom{n}{k}p^k(1-p)^{n-k} b(k; n, p)=(kn)pk(1p)nk n p np np n p ( 1 − p ) np(1-p) np(1p)
泊松分布 p ( k ;   λ ) = λ k k ! e − λ p(k;\ \lambda)=\frac{\lambda^k}{k!}\mathrm{e}^{-\lambda} p(k; λ)=k!λkeλ λ \lambda λ λ \lambda λ
几何分布 g ( k ;   p ) = ( 1 − p ) k − 1 p g(k;\ p)=(1-p)^{k-1}p g(k; p)=(1p)k1p 1 / p 1/p 1/p ( 1 − p ) / p 2 (1-p)/p^2 (1p)/p2
超几何分布 p k = ( M k ) ( N − M n − k ) ( N n ) p_k=\frac{\binom{M}{k}\binom{N-M}{n-k}}{\binom{N}{n}} pk=(nN)(kM)(nkNM) n M N \frac{nM}{N} NnM n M N ( 1 − M N ) ⋅ N − n N − 1 \frac{nM}{N}\left(1-\frac MN\right)\cdot \frac{N-n}{N-1} NnM(1NM)N1Nn
帕斯卡分布 p k = ( k − 1 r − 1 ) p r ( 1 − p ) k − r ,   k = r , r + 1 , ⋯ p_k=\binom{k-1}{r-1}p^r(1-p)^{k-r},\ k=r,r+1,\cdots pk=(r1k1)pr(1p)kr, k=r,r+1, r p \frac rp pr r ( 1 − p ) p 2 \frac{r(1-p)}{p^2} p2r(1p)
负二项分布 p k = ( − r k ) p r ( p − 1 ) k ,   k = 0 , 1 , 2 , ⋯ p_k=\binom{-r}{k}p^r(p-1)^k,\ k=0,1,2,\cdots pk=(kr)pr(p1)k, k=0,1,2, r ( 1 − p ) p \frac {r(1-p)}p pr(1p) r ( 1 − p ) p 2 \frac{r(1-p)}{p^2} p2r(1p)

连续分布期望、方差

分布名称 密度函数 p ( x ) p(x) p(x) 数学期望 E ( X ) E(X) E(X) 方差 D ( X ) D(X) D(X)
均匀分布 p ( x ) = { 1 b − a , a ⩽ x ⩽ b 0 , 其他 p(x)=\begin{cases}\dfrac1{b-a},&a\leqslant x \leqslant b\\0,&\text{其他}\end{cases} p(x)=ba1,0,axb其他 a + b 2 \frac{a+b}2 2a+b ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(ba)2
正态分布(Gauss分布) p ( x ) = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 p(x)=\dfrac{1}{\sqrt{2\pi\sigma^2}}\mathrm{e}^{-\frac{(x-\mu)^2}{2\sigma^2}} p(x)=2πσ2
1
e2σ2(xμ)2
μ \mu μ σ 2 \sigma^2 σ2
指数分布 p ( x ) = { λ e − λ x , x ⩾ 0 0 , x < 0 p(x)=\begin{cases}\lambda\mathrm{e}^{-\lambda x},& x \geqslant 0\\0,&x<0\end{cases} p(x)={
λeλx,0,x0x<0
1 λ \frac1\lambda λ1 1 λ 2 \frac1{\lambda^2} λ21
伽玛分布( Γ \Gamma Γ分布) p ( x ) = { λ r Γ ( r ) x r − 1 e − λ x , x ⩾ 0 0 , x < 0 p(x)=\begin{cases}\dfrac{\lambda^r}{\Gamma{(r)}}x^{r-1}\mathrm{e}^{-\lambda x},& x \geqslant 0\\0,&x<0\end{cases} p(x)=Γ(r)λrxr1eλx,0,x0x<0 r λ \frac r\lambda λr r λ 2 \frac{r}{\lambda^2} λ2r
卡方分布( χ 2 \chi^2 χ2分布) p ( x ) = { 1 2 n / 2 Γ ( n 2 ) x n 2 − 1 e − x 2 , x ⩾ 0 0 , x < 0 p(x)=\begin{cases}\dfrac{1}{2^{n/2}\Gamma{(\frac n2)}}x^{\frac n2-1}\mathrm{e}^{-\frac x 2},& x \geqslant 0\\0,&x<0\end{cases} p(x)=2n/2Γ(2n)1x2n1e2x,0,x0x<0 n n n 2 n 2n 2n
柯西分布 p ( x ) = 1 π ⋅ λ λ 2 + ( x − μ ) 2 p(x)=\dfrac1\pi\cdot\dfrac{\lambda}{\lambda^2+(x-\mu)^2} p(x)=π1λ2+(xμ)2λ 不存在 不存在
t t t分布 p ( x ) = Γ ( n + 1 2 ) n π Γ ( n 2 ) ( 1 + x 2 n ) − n + 1 2 p(x)=\dfrac{\Gamma\left(\frac {n+1}2\right)}{\sqrt{n\pi}\Gamma\left(\frac n2\right)}\left(1+\dfrac{x^2}{n}\right)^{-\frac{n+1}{2}} p(x)=nπ
Γ(2n)
Γ(2n+1)
(1+nx2)2n+1
0   ( n > 1 ) 0\ (n>1) 0 (n>1) n n − 2   ( n > 2 ) \frac n{n-2}\ (n>2) n2n (n>2)
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/128769.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • Perl 正则表达式小结

    Perl 正则表达式小结Perl正则表达式小结1.m定界符“/****/”斜杠为默认定界符,若更改“/”,则须m定界符说明,m{****}2.g全局匹配3.i大小写不敏感4.s用于替换操作5.e求表达式值6.\d 匹配单个数字7.\D匹配非数字字符

  • Mac查看隐藏文件夹_不压缩文件夹设置密码

    Mac查看隐藏文件夹_不压缩文件夹设置密码一、查看隐藏文件夹:可以直接在终端执行open~/文件夹名称如:open~/.ssh二、查看隐藏文件:在Finder下进入你想要操作的文件夹,按快捷键Command+F调出搜索窗

  • a4如何打印双面小册子_a4如何打印双面小册子[通俗易懂]

    a4如何打印双面小册子_a4如何打印双面小册子[通俗易懂]展开全部1、在Word中打开一篇文档,点击“文件”——“打印”菜单项,准备开始打印工作。2、弹出“32313133353236313431303231363533e4b893e5b19e31333433623230打印”对话框,在“打印机”名称框的左侧,点击“属性”按钮,点击此按钮,开始设置小册子打印。3、弹出打印机属性对话框,在“双面打印”部分,点击下拉菜单,选择“双面打印,短边“装订。(目…

  • 缺陷报告-模板_质量缺陷报告

    缺陷报告-模板_质量缺陷报告1.定义概述:标识并描述发现的缺陷,具有清晰、完整和可重现问题所需的信息的文档。理解:测试人员发现缺陷,将缺陷记录在《缺陷报告》中,通过缺陷报告将缺陷告知给开发人员,并对缺陷进行跟踪和管理。缺陷报告是测试人员与开发人员之间重要的沟通方式。2.什么是缺陷软件缺陷就是通常说的Bug,它是指在软件中(包括文档和程序)存在的影响软件正常运行的问题。软件未达到产品说明书标明的功能,如一个即时通讯App不能聊天。 软件出现了产品说明书指明不会出现的错误,如高考不带身份证。 软件功能超出产品说明书指明

  • 2016技术展望:虚拟化仍是IT投资和迁移的重点「建议收藏」

    2016技术展望:虚拟化仍是IT投资和迁移的重点

  • Pandas笔记_python总结笔记

    Pandas笔记_python总结笔记创建数据随机数据创建一个Series,pandas可以生成一个默认的索引s=pd.Series([1,3,5,np.nan,6,8])通过numpy创建DataFrame,包含一个日期索引,以及标记的列dates=pd.date_range(‘20170101’,periods=6)df=pd.DataFrame(np.random.randn(6,…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号