AI笔记: 数学基础之数字特征-期望与方差
关于 3 σ 3\sigma 3σ法则
- 3 σ 3\sigma 3σ法则: 3 σ 3\sigma 3σ之外的数据可认为异常数据
期望
- 期望(mean): 也就是均值, 是概率加权下的"平均值",是每次可能结果的概率乘以其结果的总和, 反映的是随机变量平均取值大小, 常用符号 μ \mu μ表示
- 连续型: E ( X ) = ∫ − ∞ ∞ x f ( x ) d x E(X) = \int_{-\infty}^{\infty} xf(x) dx E(X)=∫−∞∞xf(x)dx
- 离散型: E ( X ) = ∑ i x i p i E(X) = \sum_i x_i p_i E(X)=∑ixipi
计算期望
- 每次数据为X,相关发生概率为P(x),数据如下:
- X: 2, 4, 6, 8, 10
- P(x): 0.2, 0.2, 0.2, 0.2, 0.2
- 则 E ( X ) = ∑ i x i p i = 2 ∗ 0.2 + 4 ∗ 0.2 + 6 ∗ 0.2 + 8 ∗ 0.2 + 10 ∗ 0.2 = 6 E(X) = \sum_i x_i p_i = 2*0.2 + 4*0.2 + 6*0.2 + 8*0.2 + 10*0.2 = 6 E(X)=∑ixipi=2∗0.2+4∗0.2+6∗0.2+8∗0.2+10∗0.2=6
期望性质
- 假设C为一个常数,X和Y是两个随机变量,那么期望有如下性质
- E© = C
- E(CX) = CE(X)
- E(X+Y) = E(X) + E(Y)
- 如果X和Y相互独立,那么E(XY) = E(X)E(Y)
- 如果E(XY) = E(X)E(Y), 那么X和Y不相关
例1
- 甲乙两人赌博,假设两人获胜的概率相等,比赛规则是先胜三局者为赢家,可以获得100元的奖励。当比赛进行三局的时候,其中甲剩了2局,乙生了一句,这时候由于一些原因终止了比赛,请问如何分配这100元才比较公平?
- 分析
- P ( 甲 ) = P ( 乙 ) = 1 2 P(甲) = P(乙) = \frac{1}{2} P(甲)=P(乙)=21
- P ( 甲 赢 ) = P ( 赢 4 ) + P ( 赢 5 , 输 4 ) = 1 2 + 1 2 ∗ ( 1 − 1 2 ) = 3 4 P(甲赢) = P(赢4) + P(赢5,输4) = \frac{1}{2} + \frac{1}{2} * (1-\frac{1}{2}) = \frac{3}{4} P(甲赢)=P(赢4)+P(赢5,输4)=21+21∗(1−21)=43
- P ( 乙 赢 ) = P ( 赢 5 , 赢 4 ) = 1 2 ∗ 1 2 = 1 4 P(乙赢) = P(赢5, 赢4) = \frac{1}{2} * \frac{1}{2} = \frac{1}{4} P(乙赢)=P(赢5,赢4)=21∗21=41
- E ( 甲 ) = 100 ∗ P ( 甲 赢 ) = 100 ∗ 3 4 = 75 E(甲) = 100 * P(甲赢) = 100 * \frac{3}{4} = 75 E(甲)=100∗P(甲赢)=100∗43=75
- E ( 乙 ) = 100 ∗ P ( 乙 赢 ) = 100 ∗ 1 4 = 25 E(乙) = 100 * P(乙赢) = 100 * \frac{1}{4} = 25 E(乙)=100∗P(乙赢)=100∗41=25
例2
- 某城市有10万个家庭,没有孩子的家庭有1000个, 有一个孩子的有9万个,有两个孩子的家庭有6000个, 有三个孩子的家庭有3000个, 问次城市一个家庭平均有小孩多少个?
- 分析
- X: 0, 1, 2, 3
- P: 0.01, 0.9, 0.06, 0.03
- E ( X ) = ∑ i = 0 3 x i p ( x i ) = 0 ∗ 0.01 + 1 ∗ 0.9 + 2 ∗ 0.06 + 3 ∗ 0.03 = 1.11 E(X) = \sum_{i=0}^3 x_i p(x_i) = 0 * 0.01 + 1 * 0.9 + 2 * 0.06 + 3 * 0.03 = 1.11 E(X)=∑i=03xip(xi)=0∗0.01+1∗0.9+2∗0.06+3∗0.03=1.11
例3
- 甲乙两人射击,他们的射击水平由下表给出
- X:甲击中的环数,Y:乙击中的环数
- 甲:
- X: 8, 9, 10
- P: 0.1, 0.3, 0.6
- 乙:
- X: 8, 9, 10
- P: 0.2, 0.5, 0.3
- 试问哪个人射击的水平较高?
- 分析
- 甲乙的平均环数为:
- E X = 8 ∗ 0.1 + 9 ∗ 0.3 + 10 ∗ 0.6 = 9.5 EX = 8*0.1 + 9*0.3 + 10*0.6 = 9.5 EX=8∗0.1+9∗0.3+10∗0.6=9.5
- E Y = 8 ∗ 0.2 + 9 ∗ 0.5 + 10 ∗ 0.3 = 9.1 EY = 8*0.2 + 9*0.5 + 10*0.3 = 9.1 EY=8∗0.2+9∗0.5+10∗0.3=9.1
- 所以,从平均环数上看,甲的射击水平要比乙的好
- 甲乙的平均环数为:
方差
- 方差(variance)是衡量随机变量或一组数据时离散程度的度量,是用来度量随机变量和其数学期望之间的偏离程度。即方差是衡量数据源数据和期望均值相差的度量值。
- V a r ( X ) = D ( X ) = σ 2 = ∑ ( X − μ ) 2 N Var(X) = D(X) = \sigma^2 = \frac{\sum (X - \mu)^2}{N} Var(X)=D(X)=σ2=N∑(X−μ)2
- D ( X ) = ∑ i = 1 n p i ⋅ ( x i − u ) 2 D(X) = \sum_{i=1}^n p_i · (x_i - u)^2 D(X)=∑i=1npi⋅(xi−u)2
- D ( X ) = ∫ a b ( x − μ ) 2 f ( x ) d x D(X) = \int_a^b (x - \mu)^2 f(x) dx D(X)=∫ab(x−μ)2f(x)dx
- 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
计算一组数据的方差
- X: 2, 4, 6, 8, 10
- P(x): 0.2, 0.2, 0.2, 0.2
- 分析
- E ( X ) = 6 E(X) = 6 E(X)=6
- E ( X 2 ) = 44 E(X^2) = 44 E(X2)=44
- D ( X ) = E ( X 2 ) − ( E ( X ) ) 2 = 44 − 6 2 = 8 D(X) = E(X^2) - (E(X))^2 = 44 - 6^2 = 8 D(X)=E(X2)−(E(X))2=44−62=8
例1
- 甲乙两人射击,他们的射击水平由下表给出:
- X: 甲击中的环数,Y: 乙击中的环数
- 甲
- X: 8, 9, 10
- P: 0.3, 0.2, 0.5
- 乙
- X: 8, 9, 10
- P: 0.2, 0.4, 0.4
- 试问哪个人的射击水平较高?
- 分析
- 比较两个人的平均环数
- 甲的平均环数:EX = 80.3 + 90.2 + 10*0.5 = 9.2
- 乙的平均环数:EY = 80.2 + 90.4 + 10*0.4 = 9.2
- 因此,从平均环数来看,甲乙两人的射击水平是一样的,但两人射击环数的方差分别为:
- D X = ( 8 − 9.2 ) 2 ∗ 0.3 + ( 9 − 9.2 ) 2 ∗ 0.2 + ( 10 − 9.2 ) 2 ∗ 0.5 = 0.76 DX = (8-9.2)^2 * 0.3 + (9-9.2)^2 * 0.2 + (10-9.2)^2 * 0.5 = 0.76 DX=(8−9.2)2∗0.3+(9−9.2)2∗0.2+(10−9.2)2∗0.5=0.76
- D Y = ( 8 − 9.2 ) 2 ∗ 0.2 + ( 9 − 9.2 ) 2 ∗ 0.4 + ( 10 − 9.2 ) 2 ∗ 0.4 = 0.624 DY = (8-9.2)^2 * 0.2 + (9-9.2)^2 * 0.4 + (10-9.2)^2 * 0.4 = 0.624 DY=(8−9.2)2∗0.2+(9−9.2)2∗0.4+(10−9.2)2∗0.4=0.624
- 由于DY < DX,表明乙的射击水平比甲稳定
方差性质
- 假设C为一个常数,X和Y两个随机变量,那么方差有以下性质
- D ( C ) = 0 D(C) = 0 D(C)=0
- D ( C X ) = C 2 D ( X ) D(CX) = C^2D(X) D(CX)=C2D(X)
- D ( C + X ) = D ( X ) D(C+X) = D(X) D(C+X)=D(X)
- D ( X ± Y ) = D ( X ) + D ( Y ) ± 2 C o v ( X , Y ) D(X \pm Y) = D(X) + D(Y) \pm 2Cov(X,Y) D(X±Y)=D(X)+D(Y)±2Cov(X,Y)
- 协方差 C o v ( X , Y ) = E { ( X − E ( X ) ) ⋅ ( Y − E ( Y ) ) } Cov(X,Y) = E\{ (X - E(X)) · (Y - E(Y)) \} Cov(X,Y)=E{(X−E(X))⋅(Y−E(Y))}
- 如果X和Y不相关, 那么KaTeX parse error: Undefined control sequence: \pmY at position 4: D(X\̲p̲m̲Y̲) = D(X) + D(Y)
常见分布
AI笔记: 数学基础之数字特征-期望与方差相关推荐
- AI笔记: 数学基础之数字特征-标准差、协方差、相关系数、中心矩、原点矩、峰度、偏度
标准差 标准差(Standard Deviation)是离均值平方的算术平均数的平方根,用符号 σ \sigma σ 表示,其实标准差就是方差的算术平方根 标准差和方差都是测量离散趋势的最重要.最常见 ...
- 概率 | 【提神醒脑】自用笔记串联二 —— 数字特征、大数定律、统计量
本文总结参考于 kira 2023概率提神醒脑技巧班. 笔记均为自用整理.加油!ヾ(◍°∇°◍)ノ゙ 第一部分笔记详见 概率 | [提神醒脑]自用笔记串联一 -- 事件.随机变量及其分布_西皮呦的博客 ...
- 机器学习的数学基础(一)—— 期望、方差、协方差与相关系数
0. 期望与方差 期望: E[aX+bY]=aE[X]+bE[Y] E[aX+bY]=aE[X]+bE[Y] 方差: D(aX+bY)=D(aX)+D(bY)+2cov(aX,bY)=a2D(X)+b ...
- AI笔记: 数学基础之联合概率、条件概率与全概率公式
联合概率 表示两个事件共同发生的概率,事件A和事件B的共同概率记为:P(AB).P(A,B)P(AB).P(A,B)P(AB).P(A,B) 或者P(A∩B)P(A \cap B)P(A∩B), 记为 ...
- AI笔记: 数学基础之向量组的线性表示与线性相关
向量组 向量组:有限个相同维度的行向量或列向量组合成的一个集合就叫做向量组A 如果是行向量,那么表示为:A=(a1⃗a2⃗a3⃗⋮an⃗⋮)A = \left (\begin{array}{cccc} ...
- AI笔记: 数学基础之概率与统计
概率 1 )概率与频率 概率是一个稳定的数值,也就是某件事发生或不发生的概率是多少. 频率是在一定数量的某件事情上面,发生的数与总数的比值. 假设事件A的概率是0.3,在100次中发生28次,那么它的 ...
- AI笔记: 数学基础之函数的导数应用及求导公式
关于导数 导数是数学中非常重要的概念,它能反应出速度变化的快慢,尤其在AI的算法分析,优化以及数据挖掘中用到很多 导数的引出 引例1 变速直线运动的速度 s是距离,t是时间,v是速度 设描述指点运动的 ...
- AI笔记: 数学基础之二项分布与二项式定理
概率试验 1.投掷一个骰子投掷5次 2.某人射击1次,击中目标的概率是0.8, 他射击10次: 3.一个盒子中装有5个球(3红2白),有放回依次从中抽取5个球 4.生产一种零件,出现次品的概率是0.0 ...
- AI笔记: 数学基础之正交矩阵与矩阵的QR分解
正交矩阵 若n阶方阵A满足ATA=EA^TA = EATA=E, 则称A为正交矩阵, 简称正交阵 (复数域上称为酉矩阵) A是正交阵的充要条件:A的列(行)向量都是单位向量,且两两正交. 若A为正交矩 ...
最新文章
- apache ab压力测试报错
- vue项目中vue-echarts讲解及常用图表方案实现
- C#面向对象基础(四) 静态成员与实例成员
- 安装恩智浦IDE与配置SDK和烧录程序
- Python_随笔笔记_Python基础1
- pythonfind usage_Python实现简单Linux find命令
- 18.10 汇编语句
- PPT:华为数字化转型实践分享(附下载)
- linux vsftpd 配置及使用详解
- 设计模式之软件设计原则
- Abaqus2022安装教程
- 程序员需要建立的对技术、业务、行业、管理、投资的认知
- java 拼音_GitHub - promeG/TinyPinyin: 适用于Java和Android的快速、低内存占用的汉字转拼音库。...
- 指数计算机在线使用,ffmi(在线ffmi指数计算器)
- 第五章 软件项目成本管理
- 人鱼之伤的怪物原型=克苏鲁的deep one
- TCP连接建立三握手
- nosql包括的数据库
- 互联网 Web 技术发展史
- DCM4CHE实现DICOM的C-STORE --STORESCP
热门文章
- mysql fetch语句_SQL Fetch语句
- 在uniapp上使用不了FormData对象的问题解决
- 公司组织的攻防演练 设计的实现方案(脱敏版)
- linux xmanager端口,Xmanager远程连接Linux系统图形界面详解-Go语言中文社区
- Flutter之事件处理
- SSH框架下 ajax 实现异步加载的案例
- TypeError: In order to allow non-dict objects to be serialized set the safe parameter to False.
- JVM探究:全面解析OOM异常,都在这了,java面试问题大全及答案大全word
- 学校机房电脑经常中病毒,有什么方法可以解决?
- javascript 函数的回调和递归