概率论基础

1.概率论

1.1 随机事件与概率

1.1.1 基本概念

样本点(sample point): 称为试验 S S S的可能结果为样本点,用 ω \omega ω表示。

样本空间(sample space):称试验 S S S的样本点构成的集合为样本空间,用 Ω \Omega Ω表示。于是
Ω = { ω ∣ ω 是试验 S 的样本点 } \begin{aligned} \Omega = \{\omega|\omega是试验S的样本点\} \end {aligned} Ω={ωω是试验S的样本点}

事件(event): Ω \Omega Ω是试验 S S S的样本空间。当 Ω \Omega Ω中只有有限个样本点时,称 Ω \Omega Ω的子集为事件。当试验的样本点(试验结果) ω \omega ω落在 A A A中,称事件 A A A发生,否则称 A A A不发生。

​ 按照上述约定,子集符号 A ⊂ Ω A \subset \Omega AΩ表示 A A A是事件。通常用大写字母 A , B , C , D A,B,C,D A,B,C,D等表示事件。

​ 用 A ‾ = Ω − A \overline{A}=\Omega-A A=ΩA表示集合 A A A余集。则事件 A A A发生和样本点 ω ∈ A \omega \in A ωA是等价的,事件 A A A不发生和样本点 ω ∈ A ‾ \omega \in \overline{A} ωA是等价的。

​ 空集 ∅ \emptyset Ω \Omega Ω的子集,由于 ∅ \emptyset 中没有样本点,永远不会发生,所以称 ∅ \emptyset 不可能事件 Ω \Omega Ω也是样本空间 Ω \Omega Ω的子集,包含了所有的样本点,因而总会发生。我们称 Ω \Omega Ω必然事件

基本事件: 由一个样本点组成的子集。

1.1.2 事件间的关系和运算

1. 事件关系

事件关系概念表示
事件包含 A A A发生则 B B B必发生 A ⊂ B A \subset B AB,特别的, A ⊂ B A \subset B AB B ⊂ A B \subset A BA,则 A = B A=B A=B
事件的并 A A A B B B至少有一个发生 A ∪ B A \cup B AB
事件的交 A A A B B B同时发生 A ∩ B A \cap B AB A B AB AB
事件的差 A A A发生而 B B B不发生 A − B A - B AB
互斥事件 A A A B B B不能同时发生 A ∩ B = ∅ A \cap B=\emptyset AB= A B = ∅ AB=\emptyset AB=
对立事件 A A A B B B必有一个发生,且仅有一个, A A A的对立事件 A ‾ \overline{A} A A A ‾ = ∅ A\overline{A}=\emptyset AA= A ∪ A ‾ = Ω A \cup \overline{A}=\Omega AA=Ω

2. 运算规律

​ 交换律: A ∪ B = B ∪ A A \cup B=B \cup A AB=BA A ∩ B = B ∩ A A \cap B=B \cap A AB=BA

​ 结合律: ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) (A \cup B) \cup C=A \cup (B \cup C) (AB)C=A(BC) ( A ∩ B ) ∩ C = A ∩ ( B ∩ C ) (A \cap B) \cap C=A \cap (B \cap C) (AB)C=A(BC)

​ 分配律: A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) A \cap (B \cup C)=(A \cap B)\cup(A \cap C) A(BC)=(AB)(AC), A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) A \cup (B \cap C)=(A \cup B)\cap(A \cup C) A(BC)=(AB)(AC) A ( B − C ) = A B − A C A(B-C)=AB-AC A(BC)=ABAC

​ 吸收律:若 A ⊂ B A \subset B AB,则 A B = A , A ∪ B = B AB=A,A \cup B=B AB=A,AB=B

​ 德摩根律: A ∪ B ‾ = A ‾ ∩ B ‾ \overline{A \cup B}=\overline{A} \cap \overline{B} AB=AB, A ∩ B ‾ = A ‾ ∪ B ‾ \overline{A \cap B}=\overline{A} \cup \overline{B} AB=AB

​ 减法公式: A − B = A − A B = A B ‾ A-B=A-AB=A \overline{B} AB=AAB=AB

1.1.3 概率

频率: 相同条件下,进行 n n n次试验,事件 A A A发生的次数 k k k和试验总次数的比 k / n k/n k/n称为频率。频率是个有限次概念

概率: E E E是随机试验, S S S是他的样本空间,对于 E E E的每一事件 A A A赋予一个实数,记为 P ( A ) P(A) P(A),称为事件 A A A的频率

频率的性质:

​ 非负性: 0 ≤ P ( A ) ≤ 1 0 \le P(A) \le 1 0P(A)1

​ 规范性: P ( Ω ) = 1 , P ( ∅ ) = 0 P(\Omega)=1,P(\emptyset)=0 P(Ω)=1,P()=0

​ 可加可列性: A 1 , A 2 , . . . , A n A_{1},A_{2},...,A_{n} A1,A2,...,An两两互不相容(即 A i A j = ∅ A_{i}A_{j}=\emptyset AiAj=),有 P ( A 1 A 2 . . . A n ) = P ( A 1 ) + P ( A 2 ) + . . . + P ( A n ) P(A_{1}A_{2}...A_{n})=P(A_{1})+P(A_{2})+...+P(A_{n}) P(A1A2...An)=P(A1)+P(A2)+...+P(An)

1.1.4古典概型(等可能概型)

条件: 1)有限个样本点;2)等可能性
P ( A ) = A 所包含的样本点数 样本总数 = A n n \begin{aligned} P(A)=\frac{A所包含的样本点数}{样本总数}=\frac{A_{n}}{n} \end{aligned} P(A)=样本总数A所包含的样本点数=nAn

1.1.5 几何概型

条件: 1)无限样本点;2)等可能性
p ( A ) = μ A μ Ω , μ 表示几何大小的度量。 \begin{aligned} p(A)=\frac{\mu_{A}}{\mu_{\Omega}},\mu表示几何大小的度量。 \end{aligned} p(A)=μΩμA,μ表示几何大小的度量。

1.1.6 条件概率

P ( B ∣ A ) P(B|A) P(BA)表示在事件 A A A发生的条件下,事件 B B B发生的概率。
P ( B ∣ A ) = P ( A B ) P ( A ) ⇒ P ( A B ) = P ( A ) P ( B ∣ A ) \begin{aligned} P(B|A)=\frac{P(AB)}{P(A)} \Rightarrow P(AB)=P(A)P(B|A) \end{aligned} P(BA)=P(A)P(AB)P(AB)=P(A)P(BA)
​ 一些公式:
P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) − P ( B C ∣ A ) 当 B ∩ C = ∅ 时, P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) \begin{aligned} P(B \cup C|A)=P(B|A)+P(C|A)-P(BC|A)\\ 当B \cap C=\emptyset时,P(B \cup C|A)=P(B|A)+P(C|A) \end{aligned} P(BCA)=P(BA)+P(CA)P(BCA)BC=时,P(BCA)=P(BA)+P(CA)

P ( B − C ∣ A ) = P ( B ∣ A ) − P ( B C ∣ A ) \begin{aligned} P(B-C|A)=P(B|A)-P(BC|A) \end{aligned} P(BCA)=P(BA)P(BCA)

P ( B ‾ ∣ A ) = 1 − P ( B ∣ A ) \begin{aligned} P(\overline{B}|A)=1-P(B|A) \end{aligned} P(BA)=1P(BA)

1.1.7 重要公式

1. 五大公式:

​ 加法公式: P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A B ) P(A \cup B)=P(A)+P(B)-P(A B) P(AB)=P(A)+P(B)P(AB)

​ 减法公式: P ( A − B ) = P ( A ) − P ( A B ) P(A-B)=P(A)-P(A B) P(AB)=P(A)P(AB)

​ 乘法公式: P ( A B ) = P ( A ) P ( B ∣ A ) P(A B)=P(A) P(B \mid A) P(AB)=P(A)P(BA), P ( A B C ) = P ( C ∣ A B ) P ( B ∣ A ) P ( A ) P(ABC)=P(C|AB)P(B|A)P(A) P(ABC)=P(CAB)P(BA)P(A),

P ( A 1 A 2 ⋯ A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) ⋯ P ( A n ∣ A 1 A 2 ⋯ A n − 1 ) P\left(A_1 A_2 \cdots A_n\right)=P\left(A_1\right) P\left(A_2 \mid A_1\right) \cdots P\left(A_n \mid A_1 A_2 \cdots A_{n-1}\right) P(A1A2An)=P(A1)P(A2A1)P(AnA1A2An1)

​ 全概率公式: P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B)=\sum_{i=1}^n P\left(A_i\right) P\left(B \mid A_i\right) P(B)=i=1nP(Ai)P(BAi)

​ 贝叶斯公式: P ( A i ∣ B ) = P ( A i B ) P ( B ) = P ( A i ) P ( B ∣ A i ) ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P\left(A_i \mid B\right)=\frac{P\left(A_i B\right)}{P(B)}=\frac{P\left(A_i\right) P\left(B \mid A_i\right)}{\sum_{i=1}^n P\left(A_i\right) P\left(B \mid A_i\right)} P(AiB)=P(B)P(AiB)=i=1nP(Ai)P(BAi)P(Ai)P(BAi)

A1
B
A2
A3
...
An

2. 独立: P ( A B ) = P ( A ) P ( B ) P(A B)=P(A) P(B) P(AB)=P(A)P(B)

3. 排列组合:

​ 排列 A n r = n ( n − 1 ) ⋯ ( n − r + 1 ) A_n^r=n(n-1) \cdots(n-r+1) Anr=n(n1)(nr+1)
​ 从 n n n 个不同的元素中任取 r r r 个, 按一定顺序排成一列组合 C n r = n ! ( n − r ) ! r ! = A n r r ! C_n^r=\frac{n !}{(n-r) ! r !}=\frac{A_n^r}{r !} Cnr=(nr)!r!n!=r!Anr
​ 从 n n n 个不同的元素中任取 r r r 个, 不计顺序排成一组

4. 伯努利试验: P ( X = k ) = C N K p k ( 1 − p ) n − k P(X=k)=C_N^K p^k(1-p)^{n-k} P(X=k)=CNKpk(1p)nk

1.1.8 常见分布

1. 0-1分布: X ∼ ( 1 0 P 1 − P ) \quad X \sim\left(\begin{array}{cc}1 & 0 \\ P & 1-P\end{array}\right) X(1P01P)

2. 二项分布:

​ 二项分布 { 1. 独立  2. P ( A ) = P 3. 只有  A , A ˉ , 非白即黑  \left\{\begin{array}{l}1 . \text { 独立 } \\ 2 . P(A)=P \\ 3 . \text { 只有 } A, \bar{A}, \text { 非白即黑 }\end{array}\right. 1. 独立 2.P(A)=P3. 只有 A,Aˉ, 非白即黑 
​ 记 X X X A A A 发生的次数, P { x = k } = C n k P k ( 1 − P ) n − k , k = 0 , 1 , ⋯ , n P\{x=k\}=C_n^k P^k(1-P)^{n-k}, k=0,1, \cdots, n P{x=k}=CnkPk(1P)nk,k=0,1,,n
⟹ X ∼ B ( n , P ) \Longrightarrow X \sim B(n, P) XB(n,P)
3. 几何分布: 几何分布 与几何无关, 首中即停止, 记 X X X 为试验次数 ⟹ P { x = k } = P 1 ( 1 − P ) k − 1 , k = 1 , 2 , ⋯ \Longrightarrow P\{x=k\}=P^1(1-P)^{k-1}, k=1,2, \cdots P{x=k}=P1(1P)k1,k=1,2,

4. 超几何分布: 超几何分布 古典概型, 设 N N N 件产品, M M M 、件正品, N − M N-M NM 件次品, 无放回取 n n n 次, 则 P { x = k } = C M k C N − M n − k C N n P\{x=k\}=\frac{C_M^k C_{N-M}^{n-k}}{C_N^n} P{x=k}=CNnCMkCNMnk

5. 泊松分布: 某时间段内, 某场合下, 源源不断的质点来流的个数, 也常用于描述稀有事件的 P P P
P { X = k } = λ k k ! e − λ , { λ − − 强度  k = 0 , 1 , ⋯ P\{X=k\}=\frac{\lambda^k}{k !} e^{-\lambda},\left\{\begin{array}{l} \lambda-- \text { 强度 } \\ k=0,1, \cdots \end{array}\right. P{X=k}=k!λkeλ,{λ 强度 k=0,1,
6. 均匀分布: 对比几何概型, 若 X ∼ f ( x ) = { 1 b − a , a ≤ x ≤ b 0 , 其他  X \sim f(x)=\left\{\begin{array}{l}\frac{1}{b-a}, a \leq x \leq b \\ 0, \text { 其他 }\end{array}\right. Xf(x)={ba1,axb0, 其他 , 称 X ∼ U [ a , b ] X \sim U[a, b] XU[a,b],

​ [注]高档次说法: “ X X X I I I 上的任意子区间取值的概率与该子区间长度成正比” → X ∼ U ( I ) \rightarrow X \sim U(I) XU(I)

7.指数分布 : X ∼ f ( x ) = { λ e − λ x , x > 0 0 , x ≤ 0 X \sim f(x)=\left\{\begin{array}{l}\lambda e^{-\lambda x}, x>0 \\ 0, x \leq 0\end{array}\right. Xf(x)={λeλx,x>00,x0, 称 X ∼ E ( λ ) , λ − X \sim E(\lambda), \lambda- XE(λ),λ-失效率
[注]:无记忆性: P { X ≥ t + s ∣ X ≥ t } = P { x ≥ s } P\{X \geq t+s \mid X \geq t\}=P\{x \geq s\} P{Xt+sXt}=P{xs}
F ( x ) = P { X ≤ x } = ∫ − ∞ x f ( t ) d t = { 1 − e − λ x , x ≥ 0 0 , x < 0 F(x)=P\{X \leq x\}=\int_{-\infty}^x f(t) d t=\left\{\begin{array}{l} 1-e^{-\lambda x}, x \geq 0 \\ 0, x<0 \end{array}\right. F(x)=P{Xx}=xf(t)dt={1eλx,x00,x<0
{ 几何分布, 离散性等待分布  指数分布, 连续性等待分布  \left\{\begin{array}{l}\text { 几何分布, 离散性等待分布 } \\ \text { 指数分布, 连续性等待分布 }\end{array}\right. { 几何分布离散性等待分布  指数分布连续性等待分布 
8. 正态分布: X ∼ f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , − ∞ < x < + ∞ X \sim f(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^2}{2 \sigma^2}},-\infty<x<+\infty Xf(x)=2π σ1e2σ2(xμ)2,<x<+

​ [注]: 若 μ = 0 , σ 2 = 1 ⟹ X ∼ N ( 0 , 1 ) 若\mu=0, \sigma^2=1 \Longrightarrow X \sim N(0,1) μ=0,σ2=1XN(0,1)
X ∼ φ ( x ) = 1 2 π e − x 2 2 X ∼ Φ ( x ) = ∫ − ∞ x 1 2 π e − t 2 2 d t \begin{aligned} & X \sim \varphi(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^2}{2}} \\ & X \sim \Phi(x)=\int_{-\infty}^x \frac{1}{\sqrt{2 \pi}} e^{-\frac{t^2}{2}} d t \end{aligned} Xφ(x)=2π 1e2x2XΦ(x)=x2π 1e2t2dt

分布名称  记号  期望  方差  矩估计  极大似然估  计  0-1分布  B ( 1 , p ) p p q p ^ M = X ˉ p ^ L = X ˉ 泊松分布  P o i s ( λ ) λ λ λ ^ M = X ˉ λ ^ L = X ˉ 几何分布  G e o ( p ) 1 / p q / p 2 p ^ M = 1 / X ˉ p ^ L = 1 / X ˉ 均匀分布  U [ a , b ] ( a + b ) / 2 ( b − a ) 2 / 12 a ^ M = X ˉ − 3 S n a ^ L = X ( 1 ) b ^ M = X ˉ + 3 S n b ^ L = X ( n ) 指数分布  E x p ( λ ) 1 / λ 1 / λ 2 λ ^ M = 1 / X ˉ λ ^ L = 1 / X ˉ 正态分布  N ( μ , σ 2 ) μ σ 2 μ ^ M = X ˉ μ ^ L = X ˉ σ ^ M 2 = S n 2 σ ^ L 2 = S n 2 \begin{equation} \begin{array}{llllll} \hline \text { 分布名称 } & \text { 记号 } & \text { 期望 } & \text { 方差 } & \text { 矩估计 } & \begin{array}{l} \text { 极大似然估 } \\ \text { 计 } \end{array} \\ \hline \text { 0-1分布 } & B(1, p) & p & p q & \hat{p}_M=\bar{X} & \hat{p}_L=\bar{X} \\ \hline \text { 泊松分布 } & P o i s(\lambda) & \lambda & \lambda & \hat{\lambda}_M=\bar{X} & \hat{\lambda}_L=\bar{X} \\ \hline \text { 几何分布 } & G e o(p) & 1 / p & q / p^2 & \hat{p}_M=1 / \bar{X} & \hat{p}_L=1 / \bar{X} \\ \hline \text { 均匀分布 } & \mathbb{U}[a, b] & (a+b) / 2 & (b-a)^2 / 12 & \hat{a}_M=\bar{X}-\sqrt{3} S_n & \hat{a}_L=X_{(1)} \\ \hline & & & \hat{b}_M=\bar{X}+\sqrt{3} S_n & \hat{b}_L=X_{(n)} \\ \hline \text { 指数分布 } & E x p(\lambda) & 1 / \lambda & 1 / \lambda^2 & \hat{\lambda}_M=1 / \bar{X} & \hat{\lambda}_L=1 / \bar{X} \\ \hline \text { 正态分布 } & N\left(\mu, \sigma^2\right) & \mu & \sigma^2 & \hat{\mu}_M=\bar{X} & \hat{\mu}_L=\bar{X} \\ \hline & & & & \hat{\sigma}_M^2=S_n^2 & \hat{\sigma}_L^2=S_n^2 \end{array} \end{equation}  分布名称  0-1分布  泊松分布  几何分布  均匀分布  指数分布  正态分布  记号 B(1,p)Pois(λ)Geo(p)U[a,b]Exp(λ)N(μ,σ2) 期望 pλ1/p(a+b)/21/λμ 方差 pqλq/p2(ba)2/12b^M=Xˉ+3 Sn1/λ2σ2 矩估计 p^M=Xˉλ^M=Xˉp^M=1/Xˉa^M=Xˉ3 Snb^L=X(n)λ^M=1/Xˉμ^M=Xˉσ^M2=Sn2 极大似然估   p^L=Xˉλ^L=Xˉp^L=1/Xˉa^L=X(1)λ^L=1/Xˉμ^L=Xˉσ^L2=Sn2

1.2 一维随机变量及其分布

1.2.1 随机变量及其分布函数

1.随机变量: E E E是随机试验, Ω \Omega Ω是其样本空间,如果对于每一个样本点 ω ∈ Ω \omega \in \Omega ωΩ,都有一个确定的实数 X ( ω ) X(\omega) X(ω)与之对应,则称样本空间上的实质函数 X ( ω ) X(\omega) X(ω)为随机变量,简记 X X X

2.随机变量的分布函数: X X X是一个随机变量, x x x是任意实数,称 F ( x ) = P { X ≤ x } , − ∞ < x < ∞ F(x)=P\{X \le x\},-\infty <x<\infty F(x)=P{Xx},<x< X X X的分布函数。

​ 性质:1) F ( x ) F(x) F(x)单调不减;

​ 2) 0 ≤ F ( x ) ≤ 1 , 且 F ( − ∞ ) = lim ⁡ x → − ∞ F ( x ) = 0 , F ( ∞ ) = lim ⁡ x → ∞ F ( x ) = 1 0 \le F(x) \le1,且F(-\infty)=\lim\limits_{x \to -\infty}F(x)=0,F(\infty)=\lim\limits_{x \to \infty}F(x)=1 0F(x)1,F()=xlimF(x)=0,F()=xlimF(x)=1

​ 3) F ( x ) F(x) F(x)为右连续,即 F ( x 0 + 0 ) = lim ⁡ x → x 0 + 0 F ( x ) = F ( x 0 ) F(x_{0}+0)=\lim\limits_{x \to x_{0}+0}F(x)=F(x_{0}) F(x0+0)=xx0+0limF(x)=F(x0)

​ 公式:1) P { a < x ≤ b } = P { x ≤ b } − P { x ≤ a } = F ( b ) − F ( a ) P\{a<x \le b\}=P\{x \le b\}-P\{x \le a\}=F(b)-F(a) P{a<xb}=P{xb}P{xa}=F(b)F(a);

​ 2) P { x > b } = 1 − P { x ≤ b } = 1 − F ( b ) P\{x>b\}=1-P\{x \le b\}=1-F(b) P{x>b}=1P{xb}=1F(b)

​ 3) P { x ≥ b } = 1 − P { x < b } = 1 − F ( b − 0 ) P\{x \ge b\}=1-P\{x < b\}=1-F(b-0) P{xb}=1P{x<b}=1F(b0).

x ∈ D x \in D xD为一随机事件,则其概率为 P ( x ∈ D ) = ∫ D f ( x ) d x P(x \in D)=\int_{D}{f(x)dx} P(xD)=Df(x)dx.

1.2.2 离散型随机变量及其分布

离散型随机变量: 全部可能取到的值有限或无限可列,这种随机变量称为离散型随机变量。

离散型随机变量的分布律: 设离散型随机变量 X X X所有可能的取值为 x i ( i = 1 , 2 , . . . ) x_{i}(i=1,2,...) xi(i=1,2,...), X X X取各个可能值得概率,即事件 { X = x i } \{X=x_{i}\} {X=xi}的概率为 P { X = x i } = p i , i = 1 , 2 , . . . P\{X=x_{i}\}=p_{i},i=1,2,... P{X=xi}=pi,i=1,2,...;称 P { X = x i } = p i , i = 1 , 2 , . . . P\{X=x_{i}\}=p_{i},i=1,2,... P{X=xi}=pi,i=1,2,...为离散型随机变量 X X X的分布律,分布律可用矩阵或表格表示。

X X X x 1 x_{1} x1 x 2 x_{2} x2 x n x_{n} xn
P i P_{i} Pi p 1 p_{1} p1 p 2 p_{2} p2 p n p_{n} pn

离散型随机变量的分布函数: X X X是一个随机变量, x x x是任意实数,函数 F ( x ) = P { X ≤ x } = P { ω ∣ X ( ω ) ≤ x } , − ∞ < x < ∞ F(x)=P\{X \le x\}=P\{\omega | X(\omega) \le x\},-\infty <x<\infty F(x)=P{Xx}=P{ωX(ω)x}<x<称为 X X X的分布函数。

**性质:**1)归一性: ∑ i = 1 n p i = 1 \sum_{i=1}^{n}{p_{i}}=1 i=1npi=1;

​ 2)非负性: p i ≥ 0 , i = 1 , 2 , . . . p_{i} \ge 0,i=1,2,... pi0,i=1,2,...;

​ 3)一点区间: P { x = a } = F ( a ) − F ( a − 0 ) P\{x=a\}=F(a)-F(a-0) P{x=a}=F(a)F(a0), P { x ∈ B } = ∑ x i ∈ B p i P\{x \in B\}=\displaystyle\sum_{x_{i} \in B}{p_{i}} P{xB}=xiBpi

1.2.3 连续型随机变量及其分布

连续型随机变量: 连续不可分的随机变量称为连续型随机变量;

连续型随机变量的概率密度函数: F ( x ) F(x) F(x)是连续随机变量 X X X的分布函数,若存在非负函数 f ( x ) f(x) f(x),对任意实数 x x x,有 F ( x ) = ∫ − ∞ x f ( x ) d x F(x)=\int_{-\infty}^{x}{f(x)dx} F(x)=xf(x)dx,则称 f ( x ) f(x) f(x) X X X的概率密度函数(概率密度函数为分布函数的导数)。

连续型随机变量的分布函数: F ( x ) = ∫ − ∞ x f ( x ) d x , − ∞ < x < ∞ F(x)=\int_{-\infty}^{x}{f(x)dx},-\infty<x<\infty F(x)=xf(x)dx,<x<

**性质:**1)归一性: ∫ − ∞ ∞ f ( x ) d x = 1 \int_{-\infty}^{\infty}{f(x)dx}=1 f(x)dx=1;

​ 2)非负性: f ( x ) ≥ 0 f(x) \ge 0 f(x)0;

​ 3)一点区间: P { x = a } = F ( a ) − F ( a − 0 ) P\{x=a\}=F(a)-F(a-0) P{x=a}=F(a)F(a0), P { x ∈ B } = ∫ B f ( x ) d x P\{x \in B\}=\int_{B}{f(x)dx} P{xB}=Bf(x)dx

1.2.4 随机变量函数的分布

1. 离散型到离散型:

X X X为离散型随机变量,其概率分布为 p i = P { X = x i } ( i = 1 , 2 , . . . ) p_{i}=P\{X=x_{i}\}(i=1,2,...) pi=P{X=xi}(i=1,2,...),则 X X X的函数 Y = g ( X ) Y=g(X) Y=g(X)也是离散型随机变量,其概率分布为 P { Y = g ( x i ) } ( i = 1 , 2 , . . . ) P\{Y=g(x_{i})\}(i=1,2,...) P{Y=g(xi)}(i=1,2,...),即
B ∼ ( g ( x 1 ) g ( x 2 ) . . . p 1 p 2 . . . ) B \sim \begin{pmatrix} g(x_{1}) & g(x_{2}) & ...\\ p_{1} & p_{2} & ... \end{pmatrix} B(g(x1)p1g(x2)p2......)
如果有若干个 g ( x i ) g(x_{i}) g(xi)值相同,则合并诸项为一项 g ( x k ) g(x_{k}) g(xk),并讲相应概率相加作为 Y Y Y g ( x k ) g(x_{k}) g(xk)值的概率。

2. 连续型到连续型(混合型):

X X X为离散型随机变量,其分布函数、概率密度分别为 F X ( x ) F_{X}(x) FX(x) f X ( x ) f_{X}(x) fX(x),随机变量 Y = g ( X ) Y=g(X) Y=g(X) X X X的函数,则 Y Y Y的分布函数和概率密度可用分布函数法求得.
F Y ( y ) = P { Y ≤ y } = P { g ( X ) ≤ y } = ∫ g ( X ) ≤ y f X ( x ) d x \begin{aligned} F_{Y}(y) = P\{Y \le y\}=P\{g(X) \le y\}=\int_{g(X) \le y}{f_{X}(x)dx} \end{aligned} FY(y)=P{Yy}=P{g(X)y}=g(X)yfX(x)dx
如果 F Y ( y ) F_{Y}(y) FY(y)连续,且除有限个点外, F Y ′ ( y ) F^{\prime}_{Y}(y) FY(y)存在且连续,则 Y Y Y的概率密度 f Y ( y ) = F Y ′ ( y ) f_{Y}(y)=F^{\prime}_{Y}(y) fY(y)=FY(y)

1.3 多元随机变量及其分布

1.3.1 联合分布函数及密度函数

联合分布函数: 对任意 n n n个实数 x 1 , x 2 , . . . , x n x_{1},x_{2},...,x_{n} x1,x2,...,xn,称 n n n元函数
F ( x 1 , x 2 , . . . , x n ) = P { X 1 ≤ x 1 , X 2 ≤ x 2 , . . . , X n ≤ x n } \begin{aligned} F(x_{1},x_{2},...,x_{n})=P\{X_{1} \le x_{1},X_{2} \le x_{2},...,X_{n} \le x_{n}\} \end{aligned} F(x1,x2,...,xn)=P{X1x1,X2x2,...,Xnxn}
n n n维随机变量 ( X 1 , X 2 , . . . , X n ) (X_{1},X_{2},...,X_{n}) (X1,X2,...,Xn)的联合分布函数。

特别的,当 n = 2 n=2 n=2时,则对任意的实数 x , y x,y x,y,称二元函数
F ( x , y ) = P { X ≤ x , Y ≤ y } \begin{aligned} F(x,y)=P\{X \le x,Y \le y\} \end{aligned} F(x,y)=P{Xx,Yy}
为二维随机变量 ( X , Y ) (X,Y) (X,Y)的联合分布函数,简称分布函数,记为 ( X , Y ) ∼ F ( x , y ) (X,Y) \sim F(x,y) (X,Y)F(x,y)

性质:
1)单调性: F ( x , y ) F(x,y) F(x,y) x , y x,y x,y的单调不减函数:

​ 对任意固定的 y y y,当 x 1 < x 2 x_{1}<x_{2} x1<x2时, F ( x 1 , y ) ≤ F ( x 2 , y ) F(x_{1},y) \le F(x_{2},y) F(x1,y)F(x2,y);

​ 对任意固定的 x x x,当 y 1 < y 2 y_{1}<y_{2} y1<y2时, F ( x , y 1 ) ≤ F ( x , y 2 ) F(x,y_{1}) \le F(x,y_{2}) F(x,y1)F(x,y2);

​ 2)右连续: F ( x , y ) F(x,y) F(x,y) x , y x,y x,y的右连续函数:

lim ⁡ x → x + F ( x , y ) = F ( x 0 + 0 , y ) = F ( x 0 , y ) \lim\limits_{x \to x^{+}}{F(x,y)}=F(x_{0}+0,y)=F(x_{0},y) xx+limF(x,y)=F(x0+0,y)=F(x0,y);

lim ⁡ y → y + F ( x , y ) = F ( x , y 0 + 0 ) = F ( x , y 0 ) \lim\limits_{y \to y^{+}}{F(x,y)}=F(x,y_{0}+0)=F(x,y_{0}) yy+limF(x,y)=F(x,y0+0)=F(x,y0)

​ 3)有界性: F ( − ∞ , y ) = F ( x , − ∞ ) = F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 F(-\infty,y)=F(x,-\infty)=F(-\infty,-\infty)=0,F(+\infty,+\infty)=1 F(,y)=F(x,)=F(,)=0,F(+,+)=1

​ 4)非负性:对任意 x 1 < x 2 , y 1 < y 2 x_{1}<x_{2},y_{1}<y_{2} x1<x2y1<y2,有

P { x 1 < X ≤ x 2 , y 1 < Y < y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) ≥ 0 P\{x_{1} <X \le x_{2},y_{1}< Y< y_{2}\}=F(x_{2},y_{2})-F(x_{2},y_{1})-F(x_{1},y_{2})+F(x_{1},y_{1}) \ge 0 P{x1<Xx2,y1<Y<y2}=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)0

1.3.2 边缘分布函数

边缘分布函数: 设二维随机变量 ( X , Y ) (X,Y) (X,Y)的联合分布函数为 F ( x , y ) F(x,y) F(x,y),随机变量 X X X Y Y Y的分布函数 F X ( x ) F_{X}(x) FX(x) F Y ( y ) F_{Y}(y) FY(y)分别称为 ( X , Y ) (X,Y) (X,Y)关于 X X X和关于 Y Y Y的边缘分布函数,由概率性质得
F X ( x ) = P { X ≤ x } = P { X ≤ x , Y < + ∞ } = lim ⁡ y → + ∞ P { X ≤ x , Y ≤ y } = lim ⁡ y → + ∞ F ( x , y ) = F ( x , + ∞ ) . 同理,有 F Y ( y ) = F ( + ∞ , y ) . \begin{aligned} F_{X}(x)=P\{X \le x\}=P\{X \le x,Y < +\infty\}\\ = \lim\limits_{y \to +\infty}{P\{X \le x,Y \le y\}}\\ =\lim\limits_{y \to +\infty}{F( x,y)}=F(x,+\infty).\\ 同理,有F_{Y}(y)=F(+\infty,y). \end{aligned} FX(x)=P{Xx}=P{Xx,Y<+}=y+limP{Xx,Yy}=y+limF(x,y)=F(x,+).同理,有FY(y)=F(+,y).

1.3.3 条件分布函数

条件分布函数: 设二维随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度函数为 f ( x , y ) f(x,y) f(x,y) ( X , Y ) (X,Y) (X,Y)关于 Y Y Y的边缘概率密度为 f Y ( y ) f_{Y}(y) fY(y),若对固定的 y y y, f Y ( y ) > 0 f_{Y}(y)>0 fY(y)>0,则称 f ( x , y ) f Y ( y ) \frac{f(x,y)}{f_{Y}(y)} fY(y)f(x,y)为在 Y = y Y=y Y=y的条件下 X X X的条件概率密度,记为
f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) \begin{aligned} f_{X|Y}(x|y)=\frac{f(x,y)}{f_{Y}(y)} \end{aligned} fXY(xy)=fY(y)f(x,y)
∫ − ∞ x f X ∣ Y ( x ∣ y ) d x = ∫ − ∞ x f ( x , y ) f Y ( y ) d x \int_{-\infty}^{x}{f_{X|Y}(x|y)dx}=\int_{-\infty}^{x}{\frac{f(x,y)}{f_{Y}(y)}dx} xfXY(xy)dx=xfY(y)f(x,y)dx为在 Y = y Y=y Y=y的条件下 X X X的条件分布函数,记为 P { X ≤ x ∣ Y = y } P\{X \le x|Y=y\} P{XxY=y} F X ∣ Y ( x ∣ y ) F_{X|Y}(x|y) FXY(xy),即
F X ∣ Y ( x ∣ y ) = P { X ≤ x ∣ Y = y } = ∫ − ∞ x f ( x , y ) f Y ( y ) d x \begin{aligned} F_{X|Y}(x|y)=P\{X \le x | Y = y\}=\int_{-\infty}^{x}{\frac{f(x,y)}{f_{Y}(y)}dx} \end{aligned} FXY(xy)=P{XxY=y}=xfY(y)f(x,y)dx
同理,可以定义 f Y ∣ X ( y ∣ x ) = f ( x , y ) f X ( x ) f_{Y|X}(y|x)=\frac{f(x,y)}{f_{X}(x)} fYX(yx)=fX(x)f(x,y) F Y ∣ X ( y ∣ x ) = ∫ − ∞ y f ( x , y ) f X ( x ) d y F_{Y|X}(y|x)=\int_{-\infty}^{y}{\frac{f(x,y)}{f_{X}(x)}dy} FYX(yx)=yfX(x)f(x,y)dy

1.3.4 二维随机变量

1.离散型: ( X , Y ) ∼ P i j (X, Y) \sim P_{i j} (X,Y)Pij (联合分布律 ) ) )
条件分布为 P ( X = x i ∣ Y = y i ) = P ( X = x i , Y = y j ) P ( Y = y j ) = P i j P ⋅ j P\left(X=x_i \mid Y=y_i\right)=\frac{P\left(X=x_i, Y=y_j\right)}{P\left(Y=y_j\right)}=\frac{P_{i j}}{P_{\cdot j}} P(X=xiY=yi)=P(Y=yj)P(X=xi,Y=yj)=PjPij
P ( X = 1 ∣ Y = 0 ) = P 21 P ⋅ 1 条件 = 联合  边缘  P(X=1 \mid Y=0)=\frac{P_{21}}{P_{\cdot 1}}\\ \text{条件}=\frac{\text { 联合 }}{\text { 边缘 }} P(X=1Y=0)=P1P21条件= 边缘  联合 

  1. 连续型: ( X , Y ) ∼ f ( x , y ) (X, Y) \sim f(x, y) (X,Y)f(x,y) (联合概率密度)

    边缘分布函数 F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( u , v ) d v ] d u F_{X}(x)=F(x,+\infty)=\int_{-\infty}^{x}[\int_{-\infty}^{+\infty}{f(u,v)dv}]du FX(x)=F(x,+)=x[+f(u,v)dv]du,边缘密度 f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y , f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_X(x)=\int_{-\infty}^{+\infty} f(x, y) d y, f_Y(y)=\int_{-\infty}^{+\infty} f(x, y) d x fX(x)=+f(x,y)dy,fY(y)=+f(x,y)dx

​ 联合分布函数 F ( x , y ) = P { X ≤ x , Y ≤ y } = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x,y)=P\{X \le x,Y \le y\}=\int_{-\infty}^{y}\int_{-\infty}^{x}{f(u,v)dudv} F(x,y)=P{Xx,Yy}=yxf(u,v)dudv,且联合密度 f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y)=\frac{\partial^{2}F(x,y)}{\partial x \partial y} f(x,y)=xy2F(x,y)

​ 条件分布函数 F X ∣ Y = ∫ − ∞ x f X ∣ Y ( x ∣ y ) d x = ∫ − ∞ x f ( x , y ) f Y ( y ) d x F_{X|Y}=\int_{-\infty}^{x}{f_{X|Y}(x|y)dx}=\int_{-\infty}^{x}{\frac{f(x, y)}{f_Y(y)}dx} FXY=xfXY(xy)dx=xfY(y)f(x,y)dx,条件密度 f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X \mid Y}(x \mid y)=\frac{f(x, y)}{f_Y(y)} fXY(xy)=fY(y)f(x,y)
​ 无论离散还是连续, 条件 = 联合  边缘  \text{条件}=\frac{\text { 联合 }}{\text { 边缘 }} 条件= 边缘  联合 

  1. 独立性: ( X , Y ) , X , Y (X, Y), X, Y (X,Y),X,Y 独立 ⟺ F ( x , y ) = F X ( x ) ⋅ F Y ( y ) \Longleftrightarrow F(x, y)=F_X(x) \cdot F_Y(y) F(x,y)=FX(x)FY(y)

⟺ P i j = P i ⋅ ⋅ P ⋅ j , ∀ i , j ⟺ f ( x , y ) = f X ( x ) ⋅ f Y ( y ) \begin{aligned} & \Longleftrightarrow P_{i j}=P_{i \cdot} \cdot P_{\cdot j}, \forall i, j \\ & \Longleftrightarrow f(x, y)=f_X(x) \cdot f_Y(y) \end{aligned} Pij=PiPj,i,jf(x,y)=fX(x)fY(y)

  1. 两个分布

    (1)均匀分布 ( X , Y ) ∼ f ( x , y ) = { 1 S D , ( x , y ) ∈ D 0 , ( x , y ) ∉ D (X, Y) \sim f(x, y)=\left\{\begin{array}{l}\frac{1}{S_D},(x, y) \in D \\ 0,(x, y) \notin D\end{array}\right. (X,Y)f(x,y)={SD1,(x,y)D0,(x,y)/D
    (2)正态分布 ( X , Y ) ∼ N ( μ 1 , μ 2 , σ 1 2 , σ 2 2 , ρ ) (X, Y) \sim N\left(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho\right) (X,Y)N(μ1,μ2,σ12,σ22,ρ)
    其中 E ( X ) = μ 1 , E ( Y ) = μ 2 , D ( X ) = σ 1 2 , D ( Y ) = σ 2 2 , e x y = ρ E (X)=\mu_1, E (Y)=\mu_2, D (X)=\sigma_1^2, D (Y)=\sigma_2^2, e_{x y}=\rho E(X)=μ1,E(Y)=μ2,D(X)=σ12,D(Y)=σ22,exy=ρ

[注]:求谁不积谁,不积分先定限,限内画条线,先交写下限,后交写上限。

1.4 数字特征

1.4.1 一维随机变量的数字特征

1.数学期望:

​ 1)一维随机变量的数学期望: E ( X ) { X ∼ P i ⟹ E ( X ) = ∑ i x i P i X ∼ f ( x ) ⟹ E ( X ) = ∫ − ∞ + ∞ f ( x ) d x E (X)\left\{\begin{array}{l}X \sim P_i \Longrightarrow E (X)=\sum_i x_i P_i \\ X \sim f(x) \Longrightarrow E (X)=\int_{-\infty}^{+\infty} f(x) d x\end{array}\right. E(X){XPiE(X)=ixiPiXf(x)E(X)=+f(x)dx

​ 2)一维随机变量函数的数学期望: E ( Y ) { X ∼ p i , Y = g ( X ) ⟹ E ( Y ) = ∑ i g ( x i ) p i X ∼ f ( x ) , Y = g ( X ) ⟹ E ( Y ) = ∫ − ∞ + ∞ g ( x ) f ( x ) d x E (Y)\left\{\begin{array}{l} X \sim p_i, Y=g(X) \Longrightarrow E (Y)=\sum_i g\left(x_i\right) p_i \\X \sim f(x), Y=g(X) \Longrightarrow E (Y)=\int_{-\infty}^{+\infty} g(x) f(x) d x \end{array}\right. E(Y){Xpi,Y=g(X)E(Y)=ig(xi)piXf(x),Y=g(X)E(Y)=+g(x)f(x)dx

2.方差、标准差:
D ( X ) = E [ ( X − E ( X ) ) 2 ] \begin{aligned} D (X)=E\left[(X-E (X))^2\right] \end{aligned} D(X)=E[(XE(X))2]
​ 1)定义法: { X ∼ p i ⟹ D ( X ) = E [ ( X − E ( X ) ) 2 ] = ∑ i ( x i − E ( X ) ) 2 p i X ∼ f ( x ) ⟹ D ( X ) = E [ ( X − E ( X ) ) 2 ] = ∫ − ∞ + ∞ ( x − E ( X ) ) 2 f ( x ) d x \left\{\begin{array}{l}X \sim p_i \Longrightarrow D (X)=E\left[(X-E (X))^2\right]=\sum_i\left(x_i-E (X)\right)^2 p_i \\ X \sim f(x) \Longrightarrow D (X)=E\left[(X-E (X))^2\right]=\int_{-\infty}^{+\infty}(x-E (X))^2 f(x) d x\end{array}\right. {XpiD(X)=E[(XE(X))2]=i(xiE(X))2piXf(x)D(X)=E[(XE(X))2]=+(xE(X))2f(x)dx

​ 2)公式法: D ( X ) = E [ ( X − E ( X ) ) 2 ] = E [ X 2 − 2 ⋅ X ⋅ E X + ( E ( X ) ) 2 ] = E ( X 2 ) − 2 ⋅ E ( X ) ⋅ E ( X ) + ( E X ) 2 ] \left.D (X)=E\left[(X-E (X))^2\right]=E\left[X^2-2 \cdot X \cdot E X+(E (X))^2\right]=E\left(X^2\right)-2 \cdot E (X) \cdot E (X)+(E X)^2\right] D(X)=E[(XE(X))2]=E[X22XEX+(E(X))2]=E(X2)2E(X)E(X)+(EX)2] ,即 D X = E ( X 2 ) − ( E X ) 2 D X=E\left(X^2\right)-(E X)^2 DX=E(X2)(EX)2

3.性质:

​ (1) E a = a , E ( E ( X ) = E ( X ) E a=a, E(E (X)=E (X) Ea=a,E(E(X)=E(X)
​ (2) E ( a X + b Y ) = a E ( X ) + b E ( Y ) , E ( ∑ i = 1 n a i X i ) = ∑ i = 1 n a i E ( X i ) E(a X+b Y)=a E (X)+b E (Y), E\left(\sum_{i=1}^n a_i X_i\right)=\sum_{i=1}^n a_i E (X_i) E(aX+bY)=aE(X)+bE(Y),E(i=1naiXi)=i=1naiE(Xi) (无条件)
​ (3) 若 X , Y X, Y X,Y 相互独立, 则 E ( X Y ) = E ( X ) E ( Y ) E(X Y)=E (X) E (Y) E(XY)=E(X)E(Y)
​ (4) D a = 0 , D ( E ( X ) = 0 , D ( D ( X ) = 0 D a=0, D(E (X)=0, D(D (X)=0 Da=0,D(E(X)=0,D(D(X)=0
​ (5) 若 X , Y X, Y X,Y 相互独立, 则 D ( X ± Y ) = D X + D Y D(X \pm Y)=D X+D Y D(X±Y)=DX+DY
​ (6) D ( a X + b ) = a 2 D X , E ( a X + b ) = a E X + b D(a X+b)=a^2 D X, E(a X+b)=a E X+b D(aX+b)=a2DX,E(aX+b)=aEX+b
​ (7)一般, D ( X ± Y ) = D ( X ) + D ( Y ) ± 2 Cov ⁡ ( X , Y ) D(X \pm Y)=D (X)+D (Y) \pm 2 \operatorname{Cov}(X, Y) D(X±Y)=D(X)+D(Y)±2Cov(X,Y)
D ( ∑ i = 1 n X i ) = ∑ i = 1 n D X i + 2 ∑ 1 ≤ i < j ≤ n Cov ⁡ ( x i , x j ) D\left(\sum_{i=1}^n X_i\right)=\sum_{i=1}^n D X_i+2 \sum_{1 \leq i<j \leq n} \operatorname{Cov}\left(x_i, x_j\right) D(i=1nXi)=i=1nDXi+21i<jnCov(xi,xj)
[注] 1. 0 − 1 0-1 01 分布, E X = p , D X = p − p 2 = ( 1 − p ) p , X ∼ ( 1 0 p 1 − p ) E X=p, D X=p-p^2=(1-p) p, X \sim\left(\begin{array}{cc}1 & 0 \\ p & 1-p\end{array}\right) EX=p,DX=pp2=(1p)p,X(1p01p)

  1. X ∼ B ( n , p ) , E X = n p , D X = n p ( 1 − p ) X \sim B(n, p), E X=n p, D X=n p(1-p) XB(n,p),EX=np,DX=np(1p)
  2. X ∼ P ( λ ) , E X = λ , D X = λ X \sim P(\lambda), E X=\lambda, D X=\lambda XP(λ),EX=λ,DX=λ
  3. X ∼ G e ( p ) , E X = 1 p , D X = 1 − p p 2 X \sim G e(p), E X=\frac{1}{p}, D X=\frac{1-p}{p^2} XGe(p),EX=p1,DX=p21p
  4. X ∼ U [ a , b ] , E X = a + b 2 , D X = ( b − a ) 2 12 X \sim U[a, b], E X=\frac{a+b}{2}, D X=\frac{(b-a)^2}{12} XU[a,b],EX=2a+b,DX=12(ba)2
  5. X ∼ E X ( λ ) , E X = 1 λ , D X = 1 λ 2 X \sim E_X(\lambda), E X=\frac{1}{\lambda}, D X=\frac{1}{\lambda^2} XEX(λ),EX=λ1,DX=λ21
  6. X ∼ N ( μ , σ 2 ) , E X = μ , D X = σ 2 X \sim N\left(\mu, \sigma^2\right), E X=\mu, D X=\sigma^2 XN(μ,σ2),EX=μ,DX=σ2
  7. X ∼ χ 2 ( n ) , E X = n , D X = 2 n X \sim \chi^2(n), E X=n, D X=2 n Xχ2(n),EX=n,DX=2n

1.4.2 二维随机变量的数字特征

1.数学期望:

​ 1)离散型: ( X , Y ) ∼ p i j , Z = g ( X , Y ) ⟹ E Z = ∑ i ∑ j g ( x i , y i ) p i j (X, Y) \sim p_{i j}, Z=g(X, Y) \Longrightarrow E Z=\sum_i \sum_j g\left(x_i, y_i\right) p_{i j} (X,Y)pij,Z=g(X,Y)EZ=ijg(xi,yi)pij

​ 2)连续型: ( X , Y ) ∼ f ( x , y ) , Z = g ( X , Y ) ⟹ E Z = ∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y (X, Y) \sim f(x, y), Z=g(X, Y) \Longrightarrow E Z=\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} g(x, y) f(x, y) d x d y (X,Y)f(x,y),Z=g(X,Y)EZ=++g(x,y)f(x,y)dxdy

2.协方差和相关系数:

Cov ⁡ ( X , Y ) = E [ X − E ( X ) ) ( Y − E ( Y ) ) ] , Cov ⁡ ( X , X ) = E [ ( X − E ( X ) ) ( X − E ( X ) ) ] = E [ ( X − E X ) 2 ] = D ( X ) \operatorname{Cov}(X, Y)=E[X-E (X))(Y-E (Y))], \operatorname{Cov}(X, X)=E[(X-E (X))(X-E (X))]=E\left[(X-E X)^2\right]=D (X) Cov(X,Y)=E[XE(X))(YE(Y))],Cov(X,X)=E[(XE(X))(XE(X))]=E[(XEX)2]=D(X)

  1. 定义法:

{ ( X , Y ) ∼ p i j ⟹ Cov ⁡ ( X , Y ) = ∑ i ∑ j ( x i − E ( X ) ) ( u i − E ( Y ) ) p i j ( X , Y ) ∼ f ( x , y ) ⟹ Cov ⁡ ( X , Y ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ ( x − E ( X ) ) ( y − E ( Y ) ) f ( x , y ) d x d y \left\{\begin{array}{l} (X, Y) \sim p_{i j} \Longrightarrow \operatorname{Cov}(X, Y)=\sum_i \sum_j\left(x_i-E (X)\right)\left(u_i-E (Y)\right) p_{i j} \\ (X, Y) \sim f(x, y) \Longrightarrow \operatorname{Cov}(X, Y)=\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty}(x-E (X))(y-E (Y)) f(x, y) d x d y \end{array}\right. {(X,Y)pijCov(X,Y)=ij(xiE(X))(uiE(Y))pij(X,Y)f(x,y)Cov(X,Y)=++(xE(X))(yE(Y))f(x,y)dxdy

  1. 公式法:

Cov ⁡ ( X , Y ) = E ( X Y − X ⋅ E ( Y ) − E ( X ) ⋅ Y + E ( X ) ⋅ E ( Y ) ) = E ( X Y ) − E ( X ) ⋅ E ( Y ) − E ( X ) ⋅ E ( Y ) + E ( X ) ⋅ E ( Y ) = E ( X Y ) − E ( X ) E ( Y ) \begin{aligned} & \operatorname{Cov}(X, Y)=E(X Y-X \cdot E (Y)-E (X) \cdot Y+E (X) \cdot E (Y)) \\ & =E(X Y)-E (X) \cdot E (Y)-E (X) \cdot E (Y)+E (X) \cdot E (Y)=E(X Y)-E (X) E (Y) \end{aligned} Cov(X,Y)=E(XYXE(Y)E(X)Y+E(X)E(Y))=E(XY)E(X)E(Y)E(X)E(Y)+E(X)E(Y)=E(XY)E(X)E(Y)

3.  ρ X Y = Cov ⁡ ( X , Y ) D X D Y { = 0 ⟺ X , Y 不相关  ≠ 0 ⟺ X , Y 相关  \text { 3. } \rho_{X Y}=\frac{\operatorname{Cov}(X, Y)}{\sqrt{D X} \sqrt{D Y}}\left\{\begin{array}{l} =0 \Longleftrightarrow X, Y \text { 不相关 } \\ \neq 0 \Longleftrightarrow X, Y \text { 相关 } \end{array}\right.  3. ρXY=DX DY Cov(X,Y){=0X,Y 不相关 =0X,Y 相关 

3.性质:

  1. Cov ⁡ ( X , Y ) = Cov ⁡ ( Y , X ) \operatorname{Cov}(X, Y)=\operatorname{Cov}(Y, X) Cov(X,Y)=Cov(Y,X)

  2. Cov ⁡ ( a X , b Y ) = a b Cov ⁡ ( X , Y ) \operatorname{Cov}(a X, b Y)=a b \operatorname{Cov}(X, Y) Cov(aX,bY)=abCov(X,Y)

  3. Cov ⁡ ( X 1 + X 2 , Y ) = Cov ⁡ ( X 1 , Y ) + Cov ⁡ ( X 2 , Y ) \operatorname{Cov}\left(X_1+X_2, Y\right)=\operatorname{Cov}\left(X_1, Y\right)+\operatorname{Cov}\left(X_2, Y\right) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)

  4. ∣ ρ X Y ∣ ≤ 1 \left|\rho_{X Y}\right| \leq 1 ρXY1

5.  ρ X Y = 1 ⟺ P { Y = a X + b } = 1 ( a > 0 ) , ρ X Y = − 1 ⟺ P { Y = a X + b } = 1 ( a < 0 ) \text { 5. } \rho_{X Y}=1 \Longleftrightarrow P\{Y=a X+b\}=1(a>0), \rho_{X Y}=-1 \Longleftrightarrow P\{Y=a X+b\}=1(a<0)  5. ρXY=1P{Y=aX+b}=1(a>0),ρXY=1P{Y=aX+b}=1(a<0)

考试时: Y = a X + b , a > 0 ⟹ ρ X Y = 1 , Y = a X + b , a < 0 ⟹ ρ X Y = − 1 Y=a X+b, a>0 \Longrightarrow \rho_{X Y}=1, Y=a X+b, a<0 \Longrightarrow \rho_{X Y}=-1 Y=aX+b,a>0ρXY=1,Y=aX+b,a<0ρXY=1
小结:五个充要条件
ρ X Y = 0 ⟺ { Cov ⁡ ( X , Y ) = 0 E ( X Y ) = E ( X ) ⋅ E ( Y ) D ( X + Y ) = D ( X ) + D ( Y ) D ( X − Y ) = D ( X ) + D ( Y ) \begin{aligned} & \rho_{X Y}=0 \Longleftrightarrow\left\{\begin{array}{l} \operatorname{Cov}(X, Y)=0 \\ E(X Y)=E (X) \cdot E (Y) \\ D(X+Y)=D (X)+D (Y) \\ D(X-Y)=D (X)+D (Y) \end{array}\right. \\ \end{aligned} ρXY=0 Cov(X,Y)=0E(XY)=E(X)E(Y)D(X+Y)=D(X)+D(Y)D(XY)=D(X)+D(Y)

1.4.3 独立性和相关性的判定

X , Y 独立  ⟹ ρ X Y = 0 若  ( X , Y ) ∼ N ( μ , σ 2 ) , 则  X , Y 独立  ⟺ X , Y 不相关  ( ρ X Y = 0 ) \begin{aligned} & X, Y \text { 独立 } \Longrightarrow \rho_{X Y}=0 \\ & \text { 若 }(X, Y) \sim N\left(\mu, \sigma^2\right), \text { 则 } X, Y \text { 独立 } \Longleftrightarrow X, Y \text { 不相关 }\left(\rho_{X Y}=0\right) \end{aligned} X,Y 独立 ρXY=0  (X,Y)N(μ,σ2),  X,Y 独立 X,Y 不相关 (ρXY=0)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/589640.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

R语言【CoordinateCleaner】——cc_gbif(): 根据通过 method 参数定义的方法,删除或标记地理空间中异常值的记录。

cc_gbif()是R语言包coordinatecleaner中的一个函数&#xff0c;用于清理GBIF&#xff08;全球生物多样性信息设施&#xff09;数据集的地理坐标。该函数可以识别潜在的坐标错误&#xff0c;并对其进行修正或删除。 以下是cc_gbifl()函数的一般用法和主要参数&#xff1a; cc_…

把form表单数据转为json,并传给父页面

阻止form表单提交&#xff0c;表单数据转为json字符串&#xff0c;并传给父页面 // 获取表单元素var form document.getElementById(myForm);// 监听表单提交事件form.addEventListener(submit, function(event) {// 在这里处理表单提交的逻辑var rental_id $("#c-id&q…

gem5学习(8):创建一个简单的缓存对象--Creating a simple cache object

目录 一、SimpleCache SimObject 二、Implementing the SimpleCache 1、getSlavePort() 2、handleRequest() 3、AccessEvent() 4、accessTiming() &#xff08;1&#xff09;缓存命中&#xff1a;sendResponse() &#xff08;2&#xff09;缓存未命中&#xff1a; 三、…

实现3x3卷积的手写FIFO

例子来自米联科例程&#xff0c; 因为不同平台之间调IP会变麻烦&#xff0c;重新阅读手册太花时间了&#xff08;虽然我觉得fifo这种常用IP尽量掌握为好&#xff09;&#xff0c;使用手写的FIFO可以节约开发的流程。 通过这个例子也可以优化自己所使用的手写FIFO。 // by C…

matlab概率论例子

高斯概率模型&#xff1a; [f,xi] ksdensity(x): returns a probability density estimate, f, for the sample in the vector x. The estimate is based on a normal kernel function, and is evaluated at 100 equally spaced points, xi, that cover the range of the da…

Mybatis行为配置之Ⅰ—缓存

专栏精选 引入Mybatis Mybatis的快速入门 Mybatis的增删改查扩展功能说明 mapper映射的参数和结果 Mybatis复杂类型的结果映射 Mybatis基于注解的结果映射 Mybatis枚举类型处理和类型处理器 再谈动态SQL Mybatis配置入门 Mybatis行为配置之Ⅰ—缓存 Mybatis行为配置…

读书笔记1-C++ Primer Plus

C是在C语言基础上开发的一种集面向对象编程&#xff08;OOP&#xff09;、通用编程和传统的过程化编程于一体的编程语言。本书是根据2003年的ISO/ANSI C标准编写的&#xff0c;通过大量短小精悍的程序详细而全面地阐述了C的基本概念和技术。 全书分17章和10个附录&#xff0c;分…

我的2024

我的2024 前言 今天是2024年的第一天&#xff0c;2024年是我人生中比较有意义的一年吧&#xff0c;从一个无忧无虑的大学生到一位社会工作人事&#xff0c;从一个不需要考虑任何事情&#xff0c;可以每天自自在在的做自己想做的事情到即将为了自己的工作&#xff0c;父母的身…

使用WAZUH检测LD_PRELAOD劫持、SQL注入、主动响应防御

目录 1、检查后门 使用工具检测后门 1.chkrootkit 2.rkhunter 手动检查文件 检查ld.so.preload文件 2、检测LD_PRELOAD ubuntu配置 wazuh配置 3、检测SQL注入 ubuntu配置 攻击模拟 4、主动响应 wauzh的安装以及设置代理可以参考本篇&#xff1a;WAZUH的安装、设置…

代码随想录算法训练营第二十天 | 654.最大二叉树、617.合并二叉树、700.二叉搜索树中的搜索、 98.验证二叉搜索树

654.最大二叉树 题目链接&#xff1a;654.最大二叉树 给定一个不重复的整数数组 nums 。 最大二叉树 可以用下面的算法从 nums 递归地构建: 创建一个根节点&#xff0c;其值为 nums 中的最大值。递归地在最大值 左边 的 子数组前缀上 构建左子树。递归地在最大值 右边 的 子…

Apache Flink连载(二十三):Flink HA - Flink基于Yarn HA

🏡 个人主页:IT贫道_大数据OLAP体系技术栈,Apache Doris,Clickhouse 技术-CSDN博客 🚩 私聊博主:加入大数据技术讨论群聊,获取更多大数据资料。 🔔 博主个人B栈地址:豹哥教你大数据的个人空间-豹哥教你大数据个人主页-哔哩哔哩视频 目录 1. Yarn HA配置 ​​​​…

Cache替换算法

由于Cache很小&#xff0c;主存很大&#xff0c;Cache很容易装满&#xff0c;Cache满了怎么办&#xff1f; ——采用替换算法。 全相联映射&#xff1a;Cache完全满了才需要替换&#xff0c;需要在全局中选择替换哪一块。直接映射&#xff1a;如果对应位置非空&#xff0c;则…

linux线程与进程

简要 在Linux系统中&#xff0c;进程&#xff08;Process&#xff09;和线程&#xff08;Thread&#xff09;是操作系统中两个重要的概念&#xff0c;它们都是用于执行程序的执行单元&#xff0c;但有一些关键的区别。 在Linux系统中&#xff0c;可以使用fork系统调用创建新…

Vue3-30-路由-嵌套路由的基本使用

什么是嵌套路由 嵌套路由 &#xff1a;就是一个组件内部还希望展示其他的组件&#xff0c;使用嵌套的方式实现页面组件的渲染。 就像 根组件 通过路由渲染 普通组件一样&#xff0c;嵌套路由也是一样的道理。 嵌套路由的相关关键配置 1、<router-view> 标签 声明 被嵌套组…

在 Spring 中操作 Redis

&#x1f9f8;欢迎来到dream_ready的博客&#xff0c;&#x1f4dc;相信您对博主首页也很感兴趣o (ˉ▽ˉ&#xff1b;) &#x1f4dc;redis和缓存及相关问题和解决办法 什么是缓存预热、缓存穿透、缓存雪崩、缓存击穿 目录 1、引入依赖 2、对 Redis 的配置文件进行书写 3、S…

kivy PageLayout 的说明及例子

PageLayout 是 Kivy GUI 框架中的一个布局管理器&#xff0c;它允许开发者在同一个窗口中放置多个页面&#xff0c;用户可以通过滑动来浏览这些页面。PageLayout 的工作方式类似于一个可以滑动的标签页&#xff08;TabbedPanel&#xff09;&#xff0c;但其页面可以自由调整大小…

【Python_PySide2学习笔记(二十二)】进度对话框QProgressDialog类的基本用法

进度对话框QProgressDialog类的基本用法 进度对话框QProgressDialog类的基本用法前言一、QProgressDialog 的常用方法1、创建进度对话框2、进度对话框设置窗口标题3、进度对话框隐藏"最大化"、"最小化"、"关闭"4、进度对话框设置是否自动关闭5、…

Atlas Hook 导入 Hive 元数据

Atlas 部署之后就可以导入 Hive 元数据&#xff0c;这部分工作由 Atlas 组件 Hook 来完成。初次导入 Hive 元数据需要通过执行 shell 脚本来完成&#xff0c;然后&#xff0c;Atlas 就可以自动同步增量元数据信息了。下面我介绍一下如何完成这些工作。 初次导入 Hive 元数据 …

LLM、AGI、多模态AI 篇一:开源大语言模型简记

文章目录 系列开源大模型LlamaChinese-LLaMA-AlpacaLlama2-ChineseLinlyYaYiChatGLMtransformersGPT-3(未完全开源)BERTT5QwenBELLEMossBaichuan

使用Py2neo进行Neo4j图数据库的增删改查操作

使用Py2neo进行Neo4j图数据库的增删改查操作 Neo4j 是一个高效的图形数据库管理系统&#xff0c;它将数据结构存储为图形而非表格。Py2neo 是一个客户端库&#xff0c;用于使用 Python 语言与 Neo4j 交互。它提供了一系列简单易用的 API&#xff0c;使得在 Python 中进行图形数…