• 概率统计:数学期望、方差、协方差、相关系数、矩


    1:数学期望

    数学期望是随机变量的重要特征之一,随机变量X的数学期望记为E(X),E(X)是X的算术平均的近似值,数学期望表示了X的平均值大小。

    • 当X为离散型随机变量时,并且其分布律为 P(X=xk) = pk   ,其中k=1,2,…,n;则数学期望image(要求绝对收敛).
    • 当X为连续型随机变量时,设其概率密度为f(x),则数学期望为image(要求绝对收敛).

    2:  方差

    数学期望给出了随机变量的平均大小,现实生活中我们还经常关心随机变量的取值在均值周围的散布程度,而方差就是这样的一个数字特征。

    设X是随机变量,并且E{[X-E(X)2]}存在,则称它为X的方差,记为D(X)。

    • 当X为离散型时,D(x) = image.
    • 当X为连续型时,D(x) = image.

    方差的算术平方根image为X的标准差。

    另外,D(X) = E{[X-E(X)2]} 经过化解可得 D(X) = E(X2) – [E(X)]2  .我们一般计算的时候常用这个式子。

    3: 协方差

    对于二维的随机变量(X,Y),我们还要讨论它们的相互关系,协方差就是一个这样的数字特征。

    因为E{[X-E(X)][Y-E[Y]]} = E(XY) – E(X)E(Y).

    又当X,Y相互独立的时候E(XY) = E(X)E(Y).这意味着若E{[X-E(X)][Y-E[Y]]} ≠ 0 ,则X与Y是存在一定关系的。

    我们把E{[X-E(X)][Y-E[Y]]} 称为随机变量X与Y的协方差。记为Cov(X,Y).

    即:Cov(X,Y) = E{[X-E(X)][Y-E[Y]]}

    4:相关系数

    协方差在某种意义上是表示了两个随机变量间的关系,但是Cov(X,Y)的取值大小与X,Y的量纲有关,不方便分析,所以为了避免这一点,我们用X,Y的标准化随机变量来讨论。

    我们称image为随机变量X与Y的相关系数,记为image(无量纲)。

    其中image为X,Y的协方差即Cov(X,Y),D(X),D(Y)分别是X,Y的方差且D(X)>0,D(Y)>0。

    关于相关系数,我们有下面的性质:

    • |image| ≤ 1
    • |image| = 1 的充要条件是X 与 Y 以概率 1 存在线性关系,即 P{Y = a +bX} = 1, a,b是常数。
    • image = 0,则说明X,Y不相关并且X与Y不存在线性关系。
    • 若随机变量X,Y相互独立,则image = 0,即X,Y不相关。

    注意:两个不相关的随机变量,不一定相互独立,有一特殊情况是,当随机变量X,Y服从二维正态分布的时候,独立与不相关等价

    • 不相关只能说明X与Y不存在线性关系
    • 独立说明X与Y既不存在线性关系,也不存在非线性关系

    5:矩

    矩(moment)是最广泛的一种数字特征,常用的矩有两种:原点矩和中心矩。

    原点矩

    对于正整数k,称随机变量X的k次幂的数学期望为X的k阶原点矩:即  E(Xk) ,k=1,2,…n.

    数学期望就是一阶原点矩。

    中心矩:

    对于正整数k,称随机变量X与E(X)差的k次幂的数学期望为X的k阶中心矩:即 E{X-E[XK]},K=1,2,…n.

    方差就是二阶中心矩。

  • 相关阅读:
    var type = $('#<%=DropDownListRateType.ClientID %>').val();DropDownListRateType.ClientID是什么意思
    通过代码理解Asp.net4中的几种ClientIDMode设置.
    left join right join inner join 详解
    T-SQL查询处理执行顺序(一)
    Tsql查询执行顺序(二)
    【转】"超时时间已到。在操作完成之前超时时间已过或服务器未响应"的解决方法
    【转】ibatis 中使用select top #pagesize# * from tablename
    最近找到的一些分页优化的方法
    看懂SqlServer查询计划
    java中的数据结构
  • 原文地址:https://www.cnblogs.com/nanyangzp/p/3670805.html
Copyright © 2020-2023  润新知