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：docx
  • 大小：948.35 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=+++) 。

理解概率分布函数常见分布公式详解

理解概率分布函数常见分布公式详解

理解概率分布函数常见分布公式详解概率分布函数（Probability Distribution Function，简称PDF）是描述随机变量取值概率分布的函数，常用于统计学和概率论中。

在统计学中，常见的概率分布函数有众多的公式。

本文将详细解释几种常见的概率分布函数公式，包括均匀分布、正态分布、指数分布和泊松分布。

一、均匀分布均匀分布是最简单的概率分布函数之一，它在一个有限区间内的取值是均匀分布的。

均匀分布的概率密度函数公式为：f(x) = 1 / (b - a)，a ≤ x ≤ b其中，a和b分别是区间的上下界。

均匀分布的期望值（均值）为（a + b）/ 2，方差为（b - a）^2 / 12。

二、正态分布正态分布是自然界和社会现象中常见的概率分布函数。

它在统计学中有着重要的地位。

正态分布的概率密度函数（Probability Density Function，简称PDF）公式为：f(x) = (1 / (σ * √(2π))) * exp(-((x - μ)^2/(2σ^2)))其中，μ是期望值（均值），σ是标准差。

正态分布的期望值和方差分别为μ和σ^2。

三、指数分布指数分布是描述事件发生的时间间隔的概率分布函数，常用于可靠性工程和排队论中。

指数分布的概率密度函数公式为：f(x) = λ * exp(-λx)，x ≥ 0其中，λ是事件发生率。

指数分布的期望值为1 / λ，方差为1 / λ^2。

四、泊松分布泊松分布是描述单位时间或空间内事件发生次数的概率分布函数，常用于描述稀有事件的发生情况。

泊松分布的概率质量函数（Probability Mass Function，简称PMF）公式为：P(X = k) = (λ^k * exp(-λ)) / k!其中，λ是单位时间或空间内事件的平均发生率。

泊松分布的期望值和方差均为λ。

以上是几种常见的概率分布函数公式的详细解释。

这些概率分布函数在不同领域的应用非常广泛，能够描述和解释各种随机现象的概率分布情况。

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 .

常见分布期望和方差推导

常见分布期望和方差推导

) ( ) (1) (1) 2 (1) 1 0.6826
P{| X | 3 } P{ 3 X 3 }
2 (3) 1 0.9974 因此，对于正态随机变量来说，它的值落在区间 内几乎是肯定的。
( n 1)! np p k 1q n 1( k 1) ( k 1)! ( n 1 ( k 1))! 返回主目录 k 1

n
第十三章 随机变量的数字特征
EX np

k 1
n k 0
n
k 1 k 1 n 1 ( k 1) Cn q np 1 p

i 0
n 1
§3
几种期望与方差
i i n 1 i Cn p q 1
np ( p q) n 1 np
EX
2

k
n
n
2
C p q
k n k
nk
n! p k p k 1 q n k ( k 1)! ( n k )! k 1

n! k pk qnk k!( n k )! k 0

t2 tde 2

e
dt 2
返回主目录
第十三章 随机变量的数字特征
P{| X | } P{ X }
(
§3
几种期望与方差
P{| X | 2 } P{ 2 X 2 }
2 ( 2) 1 0.9544


n
n ( n 1) p 2 ( p q) n 2 np n 2 p 2 np 2 np
DX EX 2 ( EX ) 2 n 2 p 2 n p 2 np n 2 p 2 np (1 p ) npq

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。

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)。

常见分布的期望和方差 Last updated on the afternoon of January 3, 2021
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
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： 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：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 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。

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
22221212(,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：22()()(())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：{}{}22()
()(),()1D X D X P X E X P X E X εεεε-≥≤-<≤-或。

贝努利大数定律：0lim 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1n
n i i Z X ==∑的分布近似于正态
分布2(,)N n n μσ。

(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
μμ====∑，2211()()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、正态总体参数的区间估计：
20、关于正态总值均值及方差的假设检验，参见P243和P248。

相关主题