当前位置：文档库 › 常见分布的期望和方差

常见分布的期望和方差

1、正态分布的计算：F(x) P(X X)(-—)。

2、随机变量函数的概率密度:

3、分布函数F (x,

⑴

、

⑵

、

⑶

、

⑷

、概率与数理统计重点摘要

X是服从某种分布的随机变量，求丫f(X)的概率密度：f Y(y)

f x(x)[h(y)]

f (u,v)dudv具有以下基本性

质:

是变量x，y的非降函数;

0 F(x, y) 1，对于任意固定的x, y 有：F( , y) F(x, ) 0;

F(x, y)关于x右连续，关于y右连续;

对于任意的(x i, y i), (X2,

y2),

X1 X2,y1 y2，有下述不等式成立:

F(X2,y2)F(X i,y2)F(X2,y i) F(x,, y i) 0

h'(y)。 (参见P66?72)

1 4、一个重要的分布函数：F(x, y)-

(一arctan—)(—

arctan

—)的概率密度为：f (x, y)

—F(x, y)

x y

2 2 2

(x 4)( y 9)

5、二维随机变量的边缘分布:

f x(X) f (x,y)dy

f Y(y) f (x, y)dx

F X(X) X

F(x,) [

f (u, y)dy]du

F Y(y)

F( ,y) [

f (x,

v)dx]dv

边缘概率密度:

边缘分布函数:

若F(x, y) F X(x)F Y(y)则称随机变量X, 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: Y相互独立。简称X与丫独立。

7、两个独立随机变量之和的概率密度: f z(Z) f x(x) f Y(z x)dx f Y(y)f x(z y)dy 其中Z = X + 丫

8、两个独立正态随机变量的线性组合仍服从正态分布，即Z aX bY : N(a 1 b 2,a21 b22。

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(X2) (E(X))2。不相关，则D(X Y) D(X) D(Y)，否则D(X Y) D(X) D(Y) 2Cov(X,Y),

D(X Y) D(X) D(Y) 2Cov(X, Y)

11、协方差：Cov(X,Y) E[(X E(X))(Y E(Y))]，若X , Y独立，则Cov(X, Y) 0,此时称：X与丫不相关。

12、相关系数：XY

Cov(X,Y) Cov(X, Y)

(X) (Y) J D(X)7D■币，XY

1，当且仅当X与丫存在线性关系时

1，且

当b>0;

当

bvO。

13、k阶原点矩：V k

E(X ) , k阶中心矩: k E[(X

E(X))]。

14、切比雪夫不等式: P X E(X) E(X) 1 。贝努利大数定律:

15、独立同分布序列的切比雪夫大数定律: 「X i 1 2，所以lim P 1 n

因p 一X i

n i 1 n n 0n i 1 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X i 的分布近似于正态分布N(n ,

n 2)。

(2)、对于X1,X2,...X n 的平均值X — X i , n i 1 有E(X) ，D(X) D(X i) ，即独立同分布的随机

b (b)

(a) P a Z n b (b)

(a)。

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 ,

(2)、当n 充分大时, m

近似服从正态分布,

变量的均值当n 充分大时,

近似服从正态分布 N( ——)。

(1)、当n 充分大时, lim

m 近似服从正态分布,

m np v npq

(X)，其中 q 1 P 。

N(np npq)。

⑶、由上可知：lim P a Z n

17、棣莫弗一拉普拉斯中心极限定理：设

18、参数的矩估计和似然估计: 19、正态总体参数的区间估计:

N(p 単)。

精选文库

未知

20、关于正态总值均值及方差的假设检验，参见P243 和

P248。s 2 F耳1

厂 2 2

S2 2

2 2

2 / 2

(完整word版)常见分布的期望和方差

常见分布的期望和方差 x n (0,1) N()

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。 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。

常见分布的期望和方差

常见分布得期望与方差 ?概率与数理统计重点摘要 1、正态分布得计算:。 2、随机变量函数得概率密度:就是服从某种分布得随机变量,求得概率密度:。(参见P66～72) 3、分布函数具有以下基本性质: ⑴、就是变量x,y得非降函数; ⑵、,对于任意固定得ｘ,y有:; ⑶、关于x右连续,关于y右连续; ⑷、对于任意得,有下述不等式成立: ４、一个重要得分布函数:得概率密度为: ５、二维随机变量得边缘分布: 边缘概率密度: 边缘分布函数:二维正态分布得边缘分布为一维正态分布、 6、随机变量得独立性:若则称随机变量Ｘ,Y相互独立、简称X与Y独立。 7、两个独立随机变量之与得概率密度:其中Z=X+Y

8、两个独立正态随机变量得线性组合仍服从正态分布,即。 9、期望得性质:……(３)、;(4)、若X,Y 相互独立,则。 10、方差: 。若X,Y 不相关,则,否则, 11、协方差:,若Ｘ,Y 独立,则,此时称:X 与Y 不相关。 1２、相关系数:,,当且仅当X 与Ｙ存在线性关系时,且 13、k 阶原点矩:,k 阶中心矩:。 1４、切比雪夫不等式:{} {}2 2 () () (),()1D X D X P X E X P X E X εεε ε -≥≤ -<≤- 或、贝努利大数定律:。 15、独立同分布序列得切比雪夫大数定律:因,所以。 1６、独立同分布序列得中心极限定理: (1)、当n 充分大时,独立同分布得随机变量之与得分布近似于正态分布。 (2)、对于得平均值,有,,即独立同分布得随机变量得均值当n 充分大时,近似服从正态分布、 (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就是ｎ次独立重复试验中事件A 发生得次数,p 就是事件A 发生得概率,则对任意, , 其中。 (1)、当n 充分大时,m 近似服从正态分布,。 (2)、当ｎ充分大时,近似服从正态分布,。１８、参数得矩估计与似然估计:(参见P ２00) 19 20、关于正态总值均值及方差得假设检验,参见Ｐ243与P ２48。

随机变量的数学期望与方差

第9讲随机变量的数学期望与方差教学目的：1.掌握随机变量的数学期望及方差的定义。 2.熟练能计算随机变量的数学期望与方差。教学重点： 1．随机变量的数学期望 For personal use only in study and research; not for commercial use 2．随机变量函数的数学期望 3．数学期望的性质 4．方差的定义 For personal use only in study and research; not for commercial use 5．方差的性质教学难点：数学期望与方差的统计意义。教学学时：2学时。 For personal use only in study and research; not for commercial use 教学过程：第三章随机变量的数字特征 §3.1 数学期望 For personal use only in study and research; not for commercial use 在前面的课程中，我们讨论了随机变量及其分布，如果知道了随机变量X的概率分布，那么X的全部概率特征也就知道了。然而，在实际问题中，概率分布一般是较难确定的，而在一些实际应用中，人们并不需要知道随机变量的一切概率性质，只要知道它的某些数字特征就够了。因此，在对随机变量的研究中，确定其某些数字特征是重要的，而在这些数字特征中，最常用的是随机变量的数学期望和方差。

1．离散随机变量的数学期望我们来看一个问题：某车间对工人的生产情况进行考察。车工小张每天生产的废品数X 是一个随机变量，如何定义X 取值的平均值呢？若统计100天，32天没有出废品，30天每天出一件废品，17天每天出两件废品， 21天每天出三件废品。这样可以得到这100天中每天的平均废品数为 27.1100 213100172100301100320=?+?+?+? 这个数能作为X 取值的平均值吗？可以想象，若另外统计100天，车工小张不出废品，出一件、二件、三件废品的天数与前面的100天一般不会完全相同，这另外100天每天的平均废品数也不一定是 1.27。对于一个随机变量X ，若它全部可能取的值是 ,,21x x ，相应的概率为 ,,21P P ，则对X 作一系列观察(试验)所得X 的试验值的平均值是随机的。但是，如果试验次数很大，出现k x 的频率会接近于K P ，于是试验值的平均值应接近 ∑∞=1k k k p x 由此引入离散随机变量数学期望的定义。定义1 设X 是离散随机变量，它的概率函数是 ,2 ,1,)()(====k P x X P x p K K k 如果 ∑∞ =1||k k k p x 收敛，定义X 的数学期望为 ∑∞ ==1)(k k k p x X E 也就是说,离散随机变量的数学期望是一个绝对收敛的级数的和。例1 某人的一串钥匙上有n 把钥匙，其中只有一把能打开自己的家门，他随意地试用这串钥匙中的某一把去开门。若每把钥匙试开一次后除去，求打开门时试开次数的数学期望。

常见分布的期望和方差

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。

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 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：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。

常见分布的期望和方差78835

常见分布的期望和方差 5

概率期望与方差的计算和性质

概率与统计知识点一：常见的概率类型与概率计算公式；类型一：古典概型； 1、古典概型的基本特点：（1）基本事件数有限多个；（2）每个基本事件之间互斥且等可能；2、概率计算公式： A事件发生的概率 () A P A= 事件所包含的基本事件数总的基本事件数。类型二：几何概型； 1、几何概型的基本特点：（1）基本事件数有无限多个；（2）每个基本事件之间互斥且等可能； 2、概率计算公式： A事件发生的概率 () A P A= 构成事件的区域长度（或面积或体积或角度）总的区域长度（或面积或体积或角度）；注意：究竟是长度比还是面积比还是体积比，关键是看表达该概率问题需要几个变量，如果需要一个变量，则应该是长度比或者角度比；若需要两个变量则应该是面积比；当然如果是必须要三个变量则必为体积比；b5E2RGbCAP （2）如果是用一个变量，到底是角度问题还是长度问题，关键是看谁是变化的主体，哪一个是等可能的；

例如：等腰ABC ?中，角C=23π ，则：（1）若点M 是线段AB 上一点，求使得AM AC ≤的概率；（2）若射线CA 绕着点C 向射线CB 旋转，且射线CA 与线段AB 始终相交且交点是M ，求使得AM AC ≤的概率；解读：第一问中明确M 为AB 上动点，即点M 是在AB 上均匀分布，所以这一问应该是长度之比，所求概率： 13P = 。而第二问中真正变化的主体是射线的转动，所以角度的变化是均匀的，所以这一问应该是角度之比的问题，所以所求的概率： 2755 = = 1208P ?；p1EanqFDPw 知识点二：常见的概率计算性质；类型一：事件间的关系与运算； A+B<和事件）：表示A 、B 两个事件至少有一个发生； A B ?<积事件）：表示A 、B 两个事件同时发生； A <对立事件）：表示事件A 的对立事件；类型二：复杂事件的概率计算公式； 1、和事件的概率： ()=()()()P A B P A P B P A B ++-? <1）特别的，若A 与B 为互斥事件，则： ()=()()P A B P A P B ++ <2）对立事件的概率公式： ()1()P A P A =-

常见分布的期望和方差

常见分布的期望和方差文件排版存档编号：[UYTR-OUPT28-KBNTL98-UYNN208]

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： 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。