概率 期望与方差

一、期望

1、定义

对随机变量可能取值的加权平均,其中权重是每个可能取值的概率。用E表示,如x是随机变量,则该期望为EX

2、离散型随机变量的期望

对于离散随机变量 X ,其可能的取值为 x1,x2,...,xn,对应的概率为 E(X)=( * )的累计之和。

例如1:三个人的体重分别为150、165、180,求体重的期望值

EX = 1/3 * 150 + 1/3 * 165 +1/3 *180 = 165

例如2:学校举行歌唱比赛,假设给一个参赛选手打分,专业评委打分90,老师打分100,学生打分80,专业评委分数权重为0.9,老师权重为0.09,学生权重为0.01,求给该选手的打分期望值。

解:设x为打分值,则p(x) 为对应权重

则 EX=90*0.9 + 100*0.09+80*0.01 = 90.8

3、离散型随机变量函数的期望

同离散型随机变量的期望一样,将x取值变更为y的取值(即 从x=1 变成y=3(y=3x)这样),EY=( * )的累计之和。

例如:假设X的概率分布表如下,Y=4X+1,求Y的期望:

X 0 1 2
P 0.1 0.6 0.3

解:EX=(4x+1)*p(x) = (4*0+1)*0.1 +(4*1+1)*0.6+(4*2+1)*0.3 = 0.1+3+2.7=5.8

4、连续型随机变量的期望

连续随机变量 X ,其概率密度函数为 f(x) ,则 X 的数学期望定义为:E(X)=∫ x*f(x) dx

例如:已知概率密度函数,求期望值

解:EX= ∫ x * 2x dx = 2/3 * =2/3

5、连续型随机变量函数的期望

同上面例子,EY=∫ Y*f(x) dx = ∫ g(x)*f(x) dx。

例如:假设密度函数,函数Y=4X+1,求Y的期望

解:带入公式 EY==∫ Y*f(x) dx = ∫ g(x)*f(x) dx = (4X+1)*1/2 dx = +1/2*x = 5

6、二维离散型随机变量函数的期望

同(3)定义,令Z=g(X,Y) ,概率变为 P(X=,Y=)= ,那么期望公式就变成了 EZ=(g(x,y) * )的累计之和。

例如:

假设X、Y联合概率分布表如下,求 Z=-Y 的期望

X\y 0 1 2
1 0.1 0.1 0.2
2 0.2 0.2 jie解:代入公式 EZ=(g(x,y) * ++) = ( -Y) * = (1*1-0) *0.1 +(2*2-0) *0.2+(1*1-1) *0.1+(2*2-1) *0.2+(1*1-2) *0.2+(2*2-2) *0.2 =0.1+0.8+0+0.6-0.2+0.4=1.7

7、二维连续型随机变量函数的期望

同(5)定义,令Z=g(X,Y),那么z的期望就是z的值乘上(x,y)的联合密度函数(概率)f(x,y)的累计之和,EZ=∫∫ z * f(x,y) dx dy = ∫∫ g(x,y) * f(x,y) dx dy

例如: 假设X、Y的联合密度函数 ,求z=xy的期望

解:带入公式EZ=∫∫ z * f(x,y) dx dy = ∫∫ g(x,y) * f(x,y) dx dy = xy * (x+y) dx dy = + dx = + dx = = 1/3

8、期望的公式定理

常数的期望等于常数,EC=C

E(X+C)=EX+C

E(CX)=C*EX;可将常数*变量的期望可以变成 常数*只有变量期望

E(kX+b)=k*EX+b ;同上面两个结合,常数不影响期望的计算

E(X±Y)=EX+EY (任何时候都成立 )

X、Y独立,E(XY)=EX*EY;

二、方差

1、定义

衡量随机变量或一组数据的离散程度,反映了数据点与其平均值之间的偏离程度(方差越大,数据点越分散;方差越小,数据点越集中)。 DX=E[]=E()-

方差 DX ,平均差 二次根号DX

2、离散型随机变量的方差

离散型随机变量 X,方差可以表示为 DX=( *P ) 的累计之和。

例如:假设存在随机变量的x的分布表如下,求DX:

X -2 0 2
P 0.4 0.3 0.3

解:EX=-2*0.4 + 0*0.3 +2*0.3 = -0.2

E = -2 *-2 *0.4 +0*0*0.3 +2*2*0.3 = 1.6+0+1.2=2.8

DX = E()- = 2.8-(-0.2)*(-0.2)=2.76

3、连续型随机变量的方差

连续型随机变量 X,方差可以表示为: ∫ ⋅f(x) dx

例如:假设密度函数: ,求方差DX:

解:EX = ∫ x * f(x)dx = x *2x dx = 2/3

E = ∫ * f(x)dx = *2x dx = 1/2

DX = E()- = 1/2 - (2/3 * 2/3) =1/18

4、方差的公式定理

DC = 0;

D(X+C) = DX;

D(CX) =DX;

D(kX+b) = DX;

X、Y独立,D(X±Y) = DX+DY

X、Y不独立,D(X±Y) = DX+DY±2Cov(X,Y); Cov(X,Y) 是协方差

三、常见离散型的期望与方差

1、 0-1分布

X 0 1
p 1-p p

EX=p;

DX = E-= p-= p *(1-p)

2、 二项分布

P(x=k) = ,k=0,1,......n

E(X)=n⋅p

DX=n⋅p⋅(1−p)

3 几何分布

P(x=k) = * p ,k=1,2,......

EX = 1/P

DX = (1-p)/

4 泊松分布

EX = λ

DX=λ

四、常见连续型的期望与方差

1、 均匀分布

EX = x * (1/(b-a) ) dx = (a+b)/2

DX = /12

2、 指数分布

EX = 1/λ

DX = 1/λ*λ

3、 正态分布

EX = u

DX = σ^2

五、协方差

1、定义

对于两个随机变量 X 和 Y ,协方差定义为 Cov(X,Y)=E[(X−EX)(Y−EY)] =E(XY)−EXEY 。

2、性质

Cov(X,Y) = Cov(Y,X);

Cov(aX,bY) = abCov(X,Y);

Cov(+,Y) = Cov(,Y)+Cov(,Y);

Cov(C,X) = 0;

X、Y独立,Cov(X,Y) = 0;

3、相关系数

定义 ρ=Cov(X,Y) / = * ,相关系数的值在 -1 和 1 之间, -1 表示完全负相关,1 表示完全正相关,0 表示没有线性关系

正相关:如果相关系数为正,表明当一个变量的值增加时,另一个变量的值也倾向于增加。

负相关:如果相关系数为负,表明当一个变量的值增加时,另一个变量的值倾向于减少。

无相关:如果相关系数为零,表明两个变量之间没有线性关系。

相关推荐
whaosoft-1433 分钟前
51c自动驾驶~合集15
人工智能
花楸树3 分钟前
前端搭建 MCP Client(Web版)+ Server + Agent 实践
前端·人工智能
用户876128290737413 分钟前
前端ai对话框架semi-design-vue
前端·人工智能
量子位14 分钟前
稚晖君刚挖来的 90 后机器人大牛:逆袭履历堪比爽文男主
人工智能·llm
量子位19 分钟前
200 亿机器人独角兽被曝爆雷,官方回应来了
人工智能·llm
机器之心22 分钟前
细节厘米级还原、实时渲染,MTGS方法突破自动驾驶场景重建瓶颈
人工智能
arbboter38 分钟前
【AI插件开发】Notepad++ AI插件开发实践:从Dock窗口集成到功能菜单实现
人工智能·notepad++·动态菜单·notepad++插件开发·dock窗口集成·ai代码辅助工具·ai对话窗口
jndingxin1 小时前
OpenCV 图形API(或称G-API)(1)
人工智能·opencv·计算机视觉
神马行空2 小时前
一文解读DeepSeek大模型在政府工作中具体的场景应用
人工智能·大模型·数字化转型·deepseek·政务应用
合合技术团队2 小时前
实测对比|法国 AI 独角兽公司发布的“最强 OCR”,实测效果如何?
大数据·人工智能·图像识别