当前位置：文档之家 › 常见分布的期望和方差

常见分布的期望和方差

  • 格式：doc
  • 大小：262.00 KB
  • 文档页数：5

下载文档原格式

  / 5

合集下载

常用分布的数学期望及方差

常用分布的数学期望及方差

方差的性质
方差具有可加性
对于两个独立的随机变量X和Y，有Var(X+Y) = Var(X) + Var(Y)。
方差具有对称性
对于一个常数a和随机变量X，有Var(aX) = |a|^2 * Var(X)。
方差具有非负性
对于随机变量X，有Var(X) >= 0，其中 Var(X) = 0当且仅当X是一个常数。
05 数学期望与方差的应用
在统计学中的应用
描述性统计
数学期望和方差用于描述一组数据的中心趋势和 离散程度，帮助我们了解数据的基本特征。
参数估计
通过样本数据的数学期望和方差，可以对总体参 数进行估计，如均值和方差的无偏估计。
假设检验
在假设检验中，数学期望和方差用于构建检验统 计量，判断原假设是否成立。
常见分布的数学期望
均匀分布的数学期望为
$E(X) = frac{a+b}{2}$，其中a和b是均匀分布的下限和上 限。
柯西分布的数学期望为
$E(X) = frac{pi}{beta} sinh(frac{1}{beta})$，其中β是柯西 分布的参数。
拉普拉斯分布的数学期望为
$E(X) = frac{beta}{pi} tan(frac{pi}{beta})$，其中β是拉普 拉斯分布的参数。
03
泊松分布
正态分布是一种常见的连续型随机变量 分布，其方差记作σ²。正态分布的方差 描述了随机变量取值的分散程度。
二项分布是一种离散型随机变量分布， 用于描述在n次独立重复的伯努利试验 中成功的次数。其方差记作σ²，且σ² = np(1-p)，其中n是试验次数，p是单次 试验成功的概率。
泊松分布是一种离散型随机变量分布， 用于描述在一段时间内随机事件发生的 次数。其方差记作σ²，且σ² = λ，其中 λ是随机事件发生的平均速率。

常见分布的期望和方差

常见分布的期望和方差

常见分布的期望和方差概率与数理统计重点摘要1、正态分布的计算：()()()X F x P X x μσ-=≤=Φ。

2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。

（参见P66～72）3、分布函数(,)(,)x yF x y f u v dudv -∞-∞=⎰⎰具有以下基本性质：⑴、是变量x ，y 的非降函数；⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续；⑷、对于任意的11221212(,),(,),,x y x y x x y y << ，有下述不等式成立：22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥4、一个重要的分布函数：1(,)(arctan )(arctan )23x y F x y πππ2=++22的概率密度为：22226(,)(,)(4)(9)f x y F x y x y x y π∂==∂∂++ 5、二维随机变量的边缘分布：边缘概率密度：()(,)()(,)X Y f x f x y dyf y f x y dx+∞-∞+∞-∞==⎰⎰边缘分布函数：()(,)[(,)]()(,)[(,)]xX yY F x F x f u y dy duF y F y f x v dx dv+∞-∞-∞+∞-∞-∞=+∞==+∞=⎰⎰⎰⎰二维正态分布的边缘分布为一维正态分布。

6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。

简称X 与Y 独立。

7、两个独立随机变量之和的概率密度：()()()()()Z X Y Y X f z f x f z x dx f y f z y dy +∞+∞-∞-∞=-=-⎰⎰其中Z ＝X ＋Y8、两个独立正态随机变量的线性组合仍服从正态分布，即22221212(,Z aX bY N a b a b μμσσ=+++) 。

常见分布的期望与方差的计算知识分享

常见分布的期望与方差的计算知识分享
= np(1 − p)
3. 泊松分布
设 X ~ π(λ ), 且分布律为
P{ X = k} = λk e−λ , k = 0,1,2,", λ > 0.
k!
∑ ∑ 则有 E( X ) = ∞ k ⋅ λk e−λ = e−λ ∞ λk−1 ⋅ λ
k=0 k!
k=1 (k − 1)!
= λe−λ ⋅ eλ = λ
= np[ p + (1 − p)]n−1 = np
E( X 2 ) = E[ X ( X − 1) + X ] = E[ X ( X − 1)] + E( X )
∑ = n k(k − 1)⎜⎛ k ⎞⎟ pk (1 − p)n−k + np
k=0
⎝n⎠
∑ = n k(k − 1)n!pk (1 − p)n−k + np
(法二) X 的分布律为
P{ X = k} = ⎜⎛ n ⎞⎟ pk (1 − p)n−k ,(k = 0,1,2,", n),
⎝k⎠
∑ ∑ 则有 E( X ) = n k ⋅ P{ X = k} = n k⎜⎛ n ⎞⎟ pk (1 − p)n−k
k=0
k=0 ⎝ k ⎠
∑n
=
kn! pk (1 − p)n−k
E( X 2 ) = E[ X ( X − 1) + X ]
= E[ X ( X − 1)] + E( X )
∑ = +∞ k(k − 1) ⋅ λk e−λ + λ
k=0
k!
∑+∞
= λ2e−λ ⋅
λk − 2
+ λ = λ2e−λeλ + λ = λ2 + λ .

概率分布计算公式

概率分布计算公式

概率分布计算公式概率分布是概率论中重要的概念之一，它描述了随机变量在各个取值上的取值概率。

在实际问题中，我们常常需要计算概率分布以解决相关的概率统计问题。

本文将介绍几种常见的概率分布以及它们的计算公式。

一、二项分布(Binomial Distribution)二项分布是概率论中常用的离散型概率分布，它描述了在一定次数的独立重复试验中，成功事件发生的次数的概率分布。

其计算公式为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)其中，P(X=k)表示成功事件发生k次的概率，n表示试验次数，p表示每次试验成功的概率，C(n, k)表示组合数，可以使用n个数任取k个的方式计算。

二项分布的期望为E(X)=np，方差为Var(X)=np(1-p)。

二、泊松分布(Poisson Distribution)泊松分布是一种离散型概率分布，适用于描述单位时间(或单位空间)内随机事件发生的次数。

其计算公式为：P(X=k) = (λ^k * e^(-λ))/k!其中，P(X=k)表示事件发生k次的概率，λ表示单位时间(或单位空间)内事件发生的平均次数，e为自然对数的底。

泊松分布的期望为E(X)=λ，方差为Var(X)=λ。

三、正态分布(Normal Distribution)正态分布是概率论中最重要的连续型概率分布，也称为高斯分布。

它的形状呈钟型曲线，对称于均值。

正态分布在实际问题中得到广泛应用。

其概率密度函数的计算公式为：f(x) = (1 / (σ * √(2π))) * e^((-1/2)*((x-μ)/σ)^2)其中，f(x)表示随机变量X的概率密度函数，μ为均值，σ为标准差，π为数学常数3.14159。

正态分布的期望为E(X)=μ，方差为Var(X)=σ^2。

四、指数分布(Exponential Distribution)指数分布是一种连续型概率分布，其概率密度函数具有常数倍衰减的特点。

常见分布的数学期望和方差

常见分布的数学期望和方差

e x , x 0
f (x) 0, x0
E( X )
xf ( x)dx
x ex dx
0
x de x
0
xex
0
exdx
0
1
ex
0
1
.
14
2. 指数分布 X ~ E() .
E( X )
1
，D( X )
1
2
E( X 2 ) x 2 f ( x) dx x 2 ex dx
一、常见离散型分布的数学期望和方差
1. 0-1分布 X 0 1
P 1 p p
E( X ) 0(1 p) 1 p p . E( X 2 ) 02 (1 p) 12 p p ， D( X ) E( X 2 ) [E( X )]2 p p2 p(1 p) .
E( X ) p D( X ) p(1 p)
2
方 差
正态 分布
f (x)
1
e ， ( x )2 2 2
x
2
( 0)
2
例1
设X
~
N
(
1
,
2 1
)
，Y
~
N
(2ຫໍສະໝຸດ ,2 2)
，且X ,Y
相互
独立，则 E( XY )
， D( XY )
.
解 E( XY ) 12 ,
D( XY ) E[( XY )2 ] [E( XY )]2
[D( X ) (EX )2 ][D(Y ) (EY )2 ] (12 )2
D. D(2 X 1) 4np(1 p)
解选
例2 设(D随).机变量X ,Y 相互独立且分布相同，则 X Y
与 2X 的关系是则( ).

常见分布的期望和方差.pdf

常见分布的期望和方差.pdf

x +
FX (x) = F(x, +) =
边缘分布函数：
[
− −
f (u, y)dy]du
y +
FY ( y) = F(+, y) =
[
− −
f (x, v)dx]dv
二维正态分布的边缘分布为一维正态分布。
6、随机变量的独立性：若 F(x, y) = FX (x)FY ( y) 则称随机变量 X，Y 相互独立。简称 X 与 Y 独立。
9、期望的性质：……（3）、 E(X +Y) = E(X ) + E(Y) ；（4）、若 X，Y 相互独立，则 E(XY) = E(X )E(Y) 。
10、方差： D(X ) = E(X 2 ) − (E( X ))2 。 若 X，Y 不相关，则 D(X +Y) = D(X ) + D(Y) ，否则 D(X +Y) = D(X ) + D(Y) + 2Cov(X ,Y) ，
分布类型
0-1 分布 B（1，p） 二项分布 B（n，p）
泊松分布 P(λ)
均匀分布 U（ a,b ） 正态分布 N（ , 2 ）
指数分布 E（λ）
2 分布， 2 (n)
t 分布， t(n)
常见分布的期望和方差
概率密度函数
pi = P X = i = Cni piqn−i (q =1− p),(i =1, 2,..., n)
⑵、 0 F(x, y) 1，对于任意固定的 x，y 有： F(−, y) = F(x, −) = 0 ；
⑶、 F(x, y) 关于 x 右连续，关于 y 右连续；
⑷、对于任意的 (x1, y1), (x2, y2 ), x1 x2, y1 y2 ，有下述不等式成立：

概率论各种分布的期望和方差

概率论各种分布的期望和方差

概率论各种分布的期望和方差
概率论是描述和研究不确定性现象的基础学科，而概率分布是统计中最基本的概念，其中包括期望和方差。

期望是描述抽样变量数据的一个重要的描述统计量，它反映了该变量的总体分布特征。

方差，也称样本方差，是围绕其期望计算的一个重要的统计量，它能够揭示该抽样变量的变异程度。

对常见的概率分布来说，它们的期望和方差都是可以计算的。

针对均匀分布，它具有特定的概率赋值范围，同时，数学期望采用其平均值作为衡量标准即可计算出，而方差则是概率变量的期望值在两个方向上偏离之和的1/2倍。

此外，对于二项分布来说，它是表示在抽样次数已知且抽样几率未发生变化的情况下，典型抽样变量发生成功事件的次数分布，而它的期望和方差都是根据其抽样概率和抽样次数计算出的，期望是抽样概率乘以抽样次数，而方差则是期望乘以其补数，再乘以抽样次数。

此外，高斯分布是最常用、有着重要作用的概率分布之一，它具有广泛的应用场景，例如在定量分析中，用来进行参数估计或数据拟合，而它的期望和方差的计算也是基于其均值和标准差的，期望就是均值，而方差则是标准差的平方。

此外，指数分布也是一种常用的概率分布，它会用来描述随机变量的行为，主要是其它类型的连续分布之一，其期望和方差也是可以计算的，其期望直接取常数α，而方差是取α²。

综上所述，期望和方差都是无偏抽样变量分析中重要的统计量，它们是针对常见概率分布可以实行计算的重要概念，可以帮助我们更好地理解数据的分布情况，从而使其可以更加准确地进行应用和分析。

4-3常见分布随机变量的数学期望和方差

4-3常见分布随机变量的数学期望和方差

解
EX
06 2
3,
DX
(6 0)2 12
3 ， EY
1 0.5
2,
DY
1 0.52
4，
所以
EX
DX 3
3 6．
EY DY 2 4
例 3.2 设随机变量 X ~ P(1) ，求 P{X E( X 2 )} ．
解 因为 X ~ P(1) ，所以 EX 1, DX 1，因此 E( X 2 ) DX (EX )2 2 ，
故 Z ~ N(5,9) ， 因此 Z 的密度函数为
fZ (z)
1
( z5)2
e 29
1
( z5)2
e 18 ,
z ．
2 3
3 2
•5
又由题意知 X1 与 X 2 相互独立，且 X1 ~ B(1 , 0.3) ， X2 ~ B(1, 0.1) ，则有
EX EX1 EX 2 0.3 0.1 0.4 ， DX DX1 DX2 0.3 0.7 0.1 0.9 0.3 ．
•4
例 3.4 设随机变量 X 与Y 独立，且 X ~ N (1, 2) ，Y ~ N(0,1).
试求 Z 2X Y 3的密度函数 fZ (z) ． 解 由于 Z 为独立正态随机变量 X 与Y 的非零线性组合，
由第三章结论 7.3⑴和第二章结论 4.1 正态分布的性质知，
Z 服从正态分布．
又因为 EX 1, EY 0, DX 2, DY 1，所以
EZ 2EX EY 3 21 0 3 5 ， DZ 22 DX DY 4 2 1 9 ，
np
X ~ B(n, p)
k 0,1,L , n.
泊松分布
X ~ P()
P{X k} k e

常见分布的期望和方差

常见分布的期望和方差

欢迎下载 2概率与数理统计重点摘要1、正态分布的计算：()()()X F x P X x μσ-=≤=Φ。

2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。

（参见P66～72）3、分布函数(,)(,)x yF x y f u v dudv -∞-∞=⎰⎰具有以下基本性质：⑴、是变量x ，y 的非降函数；⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=；⑶、(,)F x y 关于x 右连续，关于y 右连续；⑷、对于任意的11221212(,),(,),,x y x y x x y y << ，有下述不等式成立：22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥4、一个重要的分布函数：1(,)(arctan )(arctan )23x y F x y πππ2=++22的概率密度为：22226(,)(,)(4)(9)f x y F x y x y x y π∂==∂∂++5、二维随机变量的边缘分布：边缘概率密度：()(,)()(,)X Y f x f x y dy f y f x y dx+∞-∞+∞-∞==⎰⎰边缘分布函数：()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy duF y F y f x v dx dv+∞-∞-∞+∞-∞-∞=+∞==+∞=⎰⎰⎰⎰ 二维正态分布的边缘分布为一维正态分布。

6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。

简称X 与Y 独立。

欢迎下载 37、两个独立随机变量之和的概率密度：()()()()()Z X Y Y X f z f x f z x dx f y f z y dy +∞+∞-∞-∞=-=-⎰⎰其中Z ＝X ＋Y8、两个独立正态随机变量的线性组合仍服从正态分布，即22221212(,Z aX bY N a b a b μμσσ=+++):。

常见分布的数学期望和方差

常见分布的数学期望和方差

分布
k!
数
k 0,1,2,
pq
npq
学 期
均匀 分布
f (x)
1 b
a
,
a
x
b
0 , else
望 与
指数 分布
f
(
x)
e x
0,
,
x0 else
( 0)
ab 2 1
(b a)2 12 1
2
方 差
正态 分布
f (x)
1
e ，
(
x) 2 2
2
x
2
( 0)
2
例1
设X
~
N
(
1
,
2 1
E( X i ) p , D( X i ) p(1 p) ,
而 X= X1+X2+…+Xn ， Xi 相互独立，
n
n
所以 E( X ) E( X i ) E( X i ) np .
i 1
i 1
n
n
D( X ) D( X i ) D( X i ) np(1 p) .
i 1
i 1
所以 D( X ) np(np p 1) (np)2 np(1 p) .
4
下面利用期望和方差的性质重新求二项分布的
数学期望和方差.
设 X ~ B ( n, p )，X表示n重伯努利试验中的成功次数.
设
1 X i 0
如第i次试验成功 如第i次试验失败
i=1,2,…,n
则
Xi
P
10
p 1 p
与 2X 的关系是则( ).
A.有相同的分布
B.数学期望相等
C.方差相等
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

5
5
概率与数理统计重点摘要
1、正态分布的计算：()()(
)X F x P X x μ
σ
-=≤=Φ。

2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。

（参见P66～72）
3、分布函数(,)(,)x y
F x y f u v dudv -∞-∞
=
⎰⎰
具有以下基本性质：
⑴、是变量x ，y 的非降函数；
⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续；
⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　
　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥
4、一个重要的分布函数：1(,)(arctan )(arctan )23
x y
F x y πππ2=++22的概率密度为：2222
6(,)(,)(4)(9)f x y F x y x y x y π∂==∂∂++ 5、二维随机变量的边缘分布：
边缘概率密度：
()(,)()(,)X Y f x f x y dy
f y f x y dx
+∞
-∞+∞
-∞
==⎰⎰
边缘分布函数：
()(,)[(,)]()(,)[(,)]x
X y
Y F x F x f u y dy du
F y F y f x v dx dv
+∞
-∞-∞+∞
-∞
-∞
=+∞==+∞=⎰⎰
⎰⎰
二维正态分布的边缘分布为一维正态分布。

5
6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。

简称X 与Y 独立。

7、两个独立随机变量之和的概率密度：()()()()()Z X Y Y X f z f x f z x dx f y f z y dy +∞
+∞
-∞
-∞
=
-=-⎰
⎰
其中Z ＝X ＋Y
8、两个独立正态随机变量的线性组合仍服从正态分布，即2222
1212(,Z aX bY
N a b a b μμσσ=+++)。

9、期望的性质：……（3）、()()()E X Y E X E Y +=+；（4）、若X ，Y 相互独立，则()()()E XY E X E Y =。

10、方差： 2
2
()()(())D X E X E X =-。

若X ，Y 不相关，则()()()D X Y D X D Y +=+，否则()()()2(,)D X Y D X D Y Cov X Y +=++，
()()()2(,)D X Y D X D Y Cov X Y -=+-
11、协方差：(,)[(())(())]Cov X Y E X E X Y E Y =--，若X ，Y 独立，则(,)0Cov X Y =，此时称：X 与Y 不相关。

12
、相关系数：(,)
()()
XY Cov X Y X Y ρσσ=
=
1XY ρ≤，当且仅当X 与Y 存在线性关系时1XY ρ=，且1,b>0;1,b<0XY ρ⎧=⎨-⎩
　当 当。

13、k 阶原点矩：()k k v E X =，k 阶中心矩：[(())]k
k E X E X μ=-。

14、切比雪夫不等式：{}
{}2
2
()
()
(),()1D X D X P X E X P X E X εεεε-≥≤
-<≤-
或。

贝努利大数定律：0
lim 1n m P p n ε→⎧⎫
-<=⎨
⎬⎩⎭。

15、独立同分布序列的切比雪夫大数定律：因2111n i i P X n n σμεε2
=⎧⎫-<≥-⎨⎬⎩⎭∑，所以011lim 1n i n i P X n με→=⎧⎫-<=⎨⎬⎩⎭
∑　。

16、独立同分布序列的中心极限定理：
(1)、当n 充分大时，独立同分布的随机变量之和1
n
n i
i Z X
==
∑的分布近似于正态分布2
(,)N n n μσ。

5
(2)、对于12,,...n X X X 的平均值11n i i X X n ==∑，有11()()n i i n E X E X n n
μ
μ===
=∑，221
1()()n
i i n D X D X n n n σσ22
====∑，即独立同分布的随机变量的均值当n 充分大时，近似服从正态分布()N n
σμ2
,。

(3)、由上可知：{}{}lim ()()()()n n n P a Z b b a P a Z b b a →∞
<≤=Φ-Φ⇒<≤≈Φ-Φ。

17、棣莫弗—拉普拉斯中心极限定理：设m 是n 次独立重复试验中事件A 发生的次数，p 是事件A 发生的概率，则对任意x
,
lim ()n P x x →∞
⎧⎫⎪
≤=Φ⎬⎪⎭
， 其中1q p =-。

(1)、当n 充分大时，m 近似服从正态分布，()N np npq ,。

(2)、当n 充分大时，
m
n
近似服从正态分布，(,)pq N p n 。

18、参数的矩估计和似然估计：(参见P200)
19
20、关于正态总值均值及方差的假设检验，参见P243和P248。

5。