各種分佈
①:01分佈 B(Binary)
二項分佈
X∼B(n,p)
E(X)=np
D(X)=np(1−p)
②:泊松分佈 P(Poisson)
X∼P(λ)
E(X)=D(X)=λ
p{x=k}=k!λke−λ
理解
因爲概率和爲1
k=0∑∞k!λke−λ=1
所以:
k=0∑∞k!λk=eλ
其實是eλ的泰勒展開變形
③:均勻分佈 U(Uniform)
X∼U(a,b)
E(X)=2a+b
D(X)=12(b−a)2
④:指數分佈 E(Exponential)
X∼E(λ)
E(X)=λ1
D(X)=λ21
X∼f(x)={λe−λx,x>00,x≤0
要背一哈積分
px>t=∫t+∞λe−λtdt=e−λt
無記憶性
px>t+s∣x>s=p(x>s)p(x>t+s , x>s)=p(x>s)p(x>t+s)=e−λse−λ(t+s)=e−λt
⑤: 正態分佈 N(Normal)
X∼N(μ,σ2)
E(X)=μ
D(X)=σ2
X∼f(x)=2πσ1e−2σ2(x−μ)2
標準正態
X∼N(0,1)
用φ(x)來表示
φ(x)2π1e−2x2
分佈函數
用ϕ來表示
有個對稱性的性質:
ϕ(x)=1−ϕ(−x)
一.獨立事件
1
①:
A∪B=Aˉ∩Bˉ
②:
A∩B=Aˉ∪Bˉ
③:
A−B=Aˉ∪B
這個感覺有點少見
2
①:
p(B∣A)=p(B∣Aˉ)=p(B)
證明:
p(B∣A)=p(A)p(AB)=p(A)p(A)p(B)=p(B)
p(B∣Aˉ)同理
②:
p(A∣B)=1−p(Aˉ∣Bˉ)
這個怎麼來的???
二.複合概率密度函數
X∼f(x),Y∼g(f(x))
定義法
fY(y)=FY′(y)
而
FY(y)=p(Y≤y)=p(g(x)≤y)=∫g(x)≤yfx(x)dy
一個結論
根據王式安老師說的,好像是個定理,要研究生的課才上
如果:
X∼f(x),F(x)
並且有Y=F(X)這個代換,那麼
Y∼U(0,1)
簡略理解證明
Y∼FY(y)=p(Y≤y)=p(F(X)≤y)=p(X≤F−1(y))=F(F−1(y))=y
fx(x),fX(x),fx(X),fX(X)
協方差
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}=E(XY)−E(X)E(Y)
協方差的性質
①:
Cov(aX,bY)=abCov(X,Y)
②:
Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
用協方差來計算和的方差
D(X±Y)=D(X)±2Cov(X,Y)+D(Y)
相關係數
ρXY=D(X)D(Y)Cov(X,Y)
大數定理 中心定理
切比雪夫不等式
p(∣X−E(X)∣≥ε)≤ε2D(X)
切比雪夫大數定理 辛欽大數定理
大數定理這一節,截個王式安老師的圖:
伯努利大數定理可以看成是上面兩個的特殊情況
反正就是求期望就完事了~
中心定理
意思就是說加起來近似正態分佈
樣本及抽樣分佈
樣本均值
X=n1i=1∑nXi
樣本方差
S2=n−11i−1∑n(Xi−X)2
樣本方差闊以化爲兩種形狀:
①:
n−11i−1∑n(Xi−X)2=n−11[i=1∑nXi2−nX2]
過程:
S2=n−11i−1∑n(Xi−X)2=n−11i−1∑n(Xi2−2XiX+X2)=n−11[i−1∑nXi2−2Xi=1∑nXi+i=1∑nX2]=n−11[i−1∑nXi2−2X⋅nX+i=1∑nX2]=n−11(i−1∑nXi2−nX2)
②:
n−11i−1∑n(Xi−X)2=i=1∑n(Xi−μ)2−n(X−μ)2
過程:
n−11i−1∑n(Xi−X)2=n−11i−1∑n[(Xi−μ)−(X−μ)]2=n−11i−1∑n[(Xi−μ)2−2(Xi−μ)(X−μ)+(X−μ)2]=i=1∑n[(Xi−μ)2−(X−μ)2]=i=1∑n(Xi−μ)2−n(X−μ)2
這兒有篇蘇劍林寫的關於無偏估計的:爲啥是n-1
E(X)=E(n1i=1∑nXi)=i=1∑nE(n1Xi)=i=1∑nn1μ=μ
D(X)=D(n1i=1∑nXi)=i=1∑nD(n1Xi)=i=1∑nn21D(Xi)=i=1∑nn21σ2=nσ2
E(S2)=n−11[i=1∑nE(Xi2)−nE(X2)]=n−11[i=1∑n(D(Xi)+E2(Xi))−n(D(X)+E2(X))]=n−11[i=1∑n(σ2+μ2)−n(nσ2+μ2)]=n−11[nσ2+nμ2−σ2−nμ2]=n−11[(n−1)σ2]=σ2
開方分佈
X∼χ2(n)
E(X)=n
D(X)=2n
還有一個關於 開方分佈 與 樣本方差 的一個定理,感覺經常用,但是證明很麻煩,是書上P143,證明在章末附錄
σ2(n−1)S2∼χ2(n−1)
t分佈
X∼N(0,1)Y∼χ2(n)
T=Y/nX
t1−α(n)=−tα(n)
關於 t分佈 與 樣本方差 的一個定理
T=S2/nX−μ∼t(n−1)
正態總體的樣本均值與樣本方差的分佈
①:
X∼N(μ,nσ2),σ2/nX−μ∼N(0,1)
②:
X與S2相互獨立,且σ2(n−1)S2∼χ2(n−1)
③:
T=S2/nX−μ∼t(n−1)
背一個積分
∫0∞xne−xdx=n!