预备定义
- 数学期望
- - 定义
  - 性质
- 方差
- - 定义
  - 性质
  - 协方差&相关系数
  - - 协方差
    - 相关系数
    - - 性质
离散分布期望、方差
连续分布期望、方差

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)]=⎩⎪⎪⎨⎪⎪⎧i∑g(xi)p(xi),∫−∞∞g(x)p(x)dx,离散场合连续场合

性质

常数期望为其自身；
E ( a X + b ) = a E ( X ) + b E(aX+b)=aE(X)+b E(aX+b)=aE(X)+b;
多维随机变量亦满足线性性质；
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[X−E(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 X−EX.

性质

常数方差为零；
D ( a X + b ) = a 2 D ( X ) D(aX+b)=a^2D(X) D(aX+b)=a2D(X)；
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[X−E(X)2]=E(X−c)2−(c−EX)2<E(X−c)2;
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−EX∣⩾ε}⩽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}⩾1−ε2DX.

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[(X−EX)(Y−EY)]=E(XY)−EX⋅EY.
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).

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(1−p)1−k, k=0, 1	p p p	p ( 1 − p ) p(1-p) p(1−p)
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(1−p)n−k	n p np np	n p ( 1 − p ) np(1-p) np(1−p)
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!λke−λ	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)=(1−p)k−1p	1 / p 1/p 1/p	( 1 − p ) / p 2 (1-p)/p^2 (1−p)/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)(n−kN−M)	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(1−NM)⋅N−1N−n
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=(r−1k−1)pr(1−p)k−r, k=r,r+1,⋯	r p \frac rp pr	r ( 1 − p ) p 2 \frac{r(1-p)}{p^2} p2r(1−p)
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=(k−r)pr(p−1)k, k=0,1,2,⋯	r ( 1 − p ) p \frac {r(1-p)}p pr(1−p)	r ( 1 − p ) p 2 \frac{r(1-p)}{p^2} p2r(1−p)

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)=⎩⎨⎧b−a1,0,a⩽x⩽b其他	a + b 2 \frac{a+b}2 2a+b	( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)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 1e−2σ2(x−μ)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)={λe−λx,0,x⩾0x<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)λrxr−1e−λx,0,x⩾0x<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)1x2n−1e−2x,0,x⩾0x<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)=π1⋅λ2+(x−μ)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) n−2n (n>2)

常用离散、连续分布及期望、方差总结相关推荐

利用级数求和推导泊松分布的期望方差
利用级数求和推导泊松分布的期望方差 @(概率论) 闲来无事,动手推导一个常见的泊松分布的表达式相关的数字特征: EX,DX.并通过这个过程思考级数求和的注意事项. 回顾泊松分布: 设变量X服从λ\la ...
概率统计极简入门：通俗理解微积分/期望方差/正态分布前世今生(23修订版)
原标题:数据挖掘中所需的概率论与数理统计知识(12年首次发布,23年重编公式且反复改进) 修订背景本文初稿发布于12年年底,十年后的22年底/23年初ChatGPT大火,在写ChatGPT通俗笔记的 ...
二项分布的期望方差证明
二项分布的期望方差证明 P(X=k)=(nk)pkqn−k,k=0,1,2,..,n,q=1−pEX=∑k=0nk(nk)pkqn−k=∑k=1nk(nk)pkqn−k=∑k=1nkn!k!(n−k) ...
分段函数的期望和方差_导数排列组合期望方差.doc
每日练习导数大题证明期望方差 1．已知函数,. (1)当时,求函数的最大值: (2)若,且对任意的恒成立,求实数的取值范围. 2．已知函数f(x)=,g(x)=ex+m,其中e=2.718-． ...
概率论-2.4 常用离散分布(待补充期望方差证明)
伯努利试验(Bernoulli experiment):在同样的条件下重复地.相互独立地进行的一种随机试验,其特点是该随机试验只有两种可能结果:发生或者不发生无记忆性:前m次试验不影响后n次试验 0 ...
数理基础（概率论）------离散型和连续型分布期望方差公式
概率论 —— 相关分布以及期望方差的求法汇总
离散型 1. 两点分布(伯努利分布) 在一次试验中,事bai件A出现的概du率为P,事件A不出现的概率为q=l -p,若以X记一次试zhi验中A出现的次数,则X仅取0.I两个值. 两点分布是试验次数为 ...
多元统计分析-概率,期望,方差,正态分布
概率,期望,方差只有一个变量时 F(x<=a) = ∫-∞af(x)dx 当区间取负无穷到正无穷时积分为1 推广到多元之后: 同理,当区间取满整个空间时,积分为1 f被称为概率密度函数边缘分 ...
二项分布的期望方差证明_关于二项分布
2007-01-07 二项分布和正态分布的期望与方差EX=n 我介绍一个较繁但易懂的方法. 先证kC(n,k)*p^k*q^(n-k)=np*[C(n-1,k-1)*p^(k-1)q^(n-k)] 过 ...

常用离散、连续分布及期望、方差总结

预备定义

数学期望

定义

性质

方差

定义

性质

协方差&相关系数

协方差

相关系数

性质

离散分布期望、方差

连续分布期望、方差

常用离散、连续分布及期望、方差总结相关推荐

最新文章

热门文章