公式整理(持续更新,至数学期望)_2021秋季《概率论与数理统计》
特殊的离散分布
二项分布 b ( n , p ) b(n,p) b(n,p)
binomial
P ( X = k ) = C n k p k ( 1 − p ) n − k P(X=k)=C_n^kp^k(1-p)^{n-k} P(X=k)=Cnkpk(1−p)n−k
可加性
相互独立的随机变量 X , Y X,Y X,Y满足 X ∼ b ( n , p ) , Y ∼ b ( m , p ) X\sim b(n,p),Y\sim b(m,p) X∼b(n,p),Y∼b(m,p),则 Z = X + Y ∼ b ( n + m , p ) Z=X+Y\sim b(n+m,p) Z=X+Y∼b(n+m,p).
多项分布
P ( X 1 = n 1 , ⋯ , X r = n r ) = { n ! p 1 n 1 ⋯ p r n r n 1 ! ⋯ n r ! , ∑ i = 1 r n i = n 0 , 其 他 P(X_1=n_1,\cdots,X_r=n_r)= \begin{cases} \frac{n! p_1^{n_1}\cdots p_r^{n_r}}{n_1!\cdots n_r!}, & \sum_{i=1}^r n_i=n \\ 0,& 其他 \end{cases} P(X1=n1,⋯,Xr=nr)={n1!⋯nr!n!p1n1⋯prnr,0,∑i=1rni=n其他
几何分布 G e ( p ) Ge(p) Ge(p)
geometric
P ( X = k ) = p ( 1 − p ) k − 1 P(X=k)=p(1-p)^{k-1} P(X=k)=p(1−p)k−1
- 无记忆性
负二项分布 N b ( r , p ) Nb(r,p) Nb(r,p)
negative binomial
P ( X = k ) = C k − 1 r − 1 p r ( 1 − p ) k − r P(X=k)=C_{k-1}^{r-1}p^r(1-p)^{k-r} P(X=k)=Ck−1r−1pr(1−p)k−r
泊松分布 P ( λ ) P(\lambda) P(λ)
poisson
P ( X = k ) = λ k k ! e − λ P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda} P(X=k)=k!λke−λ
当 n n n充分大、 p p p充分小、 0.1 ≤ n p ≤ 10 0.1\leq np\leq 10 0.1≤np≤10时,
C n k p k ( 1 − p ) n − k ≈ ( n p ) k k ! e − n p C_n^kp^k(1-p)^{n-k}\approx \frac{{(np)}^k}{k!}e^{-{np}} Cnkpk(1−p)n−k≈k!(np)ke−np
可加性
相互独立的随机变量 X , Y X,Y X,Y满足 X ∼ P ( λ 1 ) , Y ∼ P ( λ 2 ) X\sim P(\lambda_1),Y\sim P(\lambda_2) X∼P(λ1),Y∼P(λ2),则 Z = X + Y ∼ P ( λ 1 + λ 2 ) Z=X+Y\sim P(\lambda_1+\lambda_2) Z=X+Y∼P(λ1+λ2).
$$$$
超几何分布 h ( n , N , M ) h(n,N,M) h(n,N,M)
hypergeometric
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)=CNnCMkCN−Mn−k
多维超几何分布
P ( X 1 = n 1 , ⋯ , X r = n r ) = { C N 1 n 1 ⋯ C N r n r C N n , ∑ i = 1 r n i = n 0 , 其 他 P(X_1=n_1,\cdots,X_r=n_r)= \begin{cases} \frac{C_{N_1}^{n_1}\cdots C_{N_r}^{n_r}}{C_N^n}, & \sum_{i=1}^r n_i=n \\ 0,& 其他 \end{cases} P(X1=n1,⋯,Xr=nr)={CNnCN1n1⋯CNrnr,0,∑i=1rni=n其他
特殊的连续分布
正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2)
Normal
p ( x ) = 1 2 π σ e x p { − ( x − μ ) 2 2 σ 2 } , − ∞ < x < ∞ p(x)=\frac{1}{\sqrt{2\pi}\sigma}{\rm exp}\{-\frac{(x-\mu)^2}{2\sigma^2}\},-\infin<x<\infin p(x)=2π σ1exp{−2σ2(x−μ)2},−∞<x<∞
标准正态分布
N ( 0 , 1 ) N(0,1) N(0,1)
概率密度函数
ϕ ( x ) = 1 2 π e − x 2 / 2 \phi(x)=\frac{1}{\sqrt{2\pi}}e^{-x^2/2} ϕ(x)=2π 1e−x2/2
分布函数
Φ ( x ) \Phi(x) Φ(x)
性质
线性不变性
若 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2),则当 a ≠ 0 a\ne 0 a=0时,
Y = a X + b ∼ N ( a μ + b , a 2 σ 2 ) Y=aX+b\sim N(a\mu+b,a^2\sigma^2) Y=aX+b∼N(aμ+b,a2σ2)
有限个相互独立的正态随机变量的线性组合仍然服从正态分布。特殊地,若相互独立的随机变量 X i ∼ N ( μ i , σ i 2 ) , i = 1 , ⋯ , n X_i\sim N(\mu_i,\sigma_i^2),i=1,\cdots ,n Xi∼N(μi,σi2),i=1,⋯,n,则
Z = ∑ i = 1 n a i X i ∼ N ( ∑ i = 1 n a i μ i , ∑ i = 1 n a i 2 σ i 2 ) Z=\sum_{i=1}^n a_i X_i \sim N(\sum_{i=1}^n a_i\mu_i,\sum_{i=1}^n a_i^2\sigma_i^2) Z=i=1∑naiXi∼N(i=1∑naiμi,i=1∑nai2σi2)特殊地,若 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2),则
Y = X − μ σ ∼ N ( 0 , 1 ) , F ( y ) = Φ ( x − μ σ ) Y=\frac{X-\mu}{\sigma}\sim N(0,1),\quad F(y)=\Phi(\frac{x-\mu}{\sigma}) Y=σX−μ∼N(0,1),F(y)=Φ(σx−μ)
二维正态分布 N ( μ 1 , σ 1 2 ; μ 2 , σ 2 2 ; ρ ) N(\mu_1,\sigma_1^2;\mu_2,\sigma_2^2;\rho) N(μ1,σ12;μ2,σ22;ρ)
p ( x , y ) = 1 2 π σ 1 σ 2 c e x p { − 1 2 c 2 ( a 2 + b 2 − 2 ρ a b ) } , − ∞ < x , y < ∞ p(x,y)=\frac{1}{2\pi \sigma_1\sigma_2 c}{\rm exp}\{-\frac{1}{2c^2}(a^2+b^2-2\rho ab)\},\quad -\infin<x,y<\infin p(x,y)=2πσ1σ2c1exp{−2c21(a2+b2−2ρab)},−∞<x,y<∞
其中
a = x − μ 1 σ 1 , b = y − μ 2 σ 2 , c = 1 − ρ 2 a=\frac{x-\mu_1}{\sigma_1},b=\frac{y-\mu_2}{\sigma_2},c=\sqrt{1-\rho^2} a=σ1x−μ1,b=σ2y−μ2,c=1−ρ2
若 ρ = 0 \rho=0 ρ=0,则 X , Y X,Y X,Y相互独立。
若随机变量 ( X , Y ) (X,Y) (X,Y)满足上述二维正态分布,则
Z = X + Y ∼ N ( μ 1 + μ 2 , σ 1 2 + σ 2 2 + 2 ρ σ 1 σ 2 ) Z=X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2+2\rho\sigma_1\sigma_2) Z=X+Y∼N(μ1+μ2,σ12+σ22+2ρσ1σ2)
均匀分布 U ( a , b ) U(a,b) U(a,b)
uniform
p ( x ) = { 1 b − a , a ≤ x ≤ b 0 , x < a 或 x > b p(x)= \begin{cases} \frac{1}{b-a}, & a\leq x\leq b \\ 0, & x<a或x>b \end{cases} p(x)={b−a1,0,a≤x≤bx<a或x>b
二维均匀分布 U ( D ) U(D) U(D)
D ⊂ R 2 D\subset R^2 D⊂R2且 0 < ∬ D d x d y < ∞ 0<\iint_D {\rm d}x{\rm d}y<\infin 0<∬Ddxdy<∞
p ( x , y ) = { 1 S D , ( x , y ) ∈ D 0 , 其 他 p(x,y)= \begin{cases} \frac{1}{S_D}, & (x,y)\in D \\ 0,& 其他 \end{cases} p(x,y)={SD1,0,(x,y)∈D其他
G a m m a {\rm Gamma} Gamma分布 G a ( α , λ ) Ga(\alpha,\lambda) Ga(α,λ)
指数分布 E x p ( λ ) Exp(\lambda) Exp(λ)
p ( x ) = { λ e − λ x , x > 0 0 , x ≤ 0 p(x)= \begin{cases} \lambda e^{-\lambda x}, & x>0 \\ 0,& x\leq 0 \end{cases} p(x)={λe−λx,0,x>0x≤0
- 无记忆性
离散型随机变量函数的分布
Z = g ( x , y ) Z=g(x,y) Z=g(x,y)
P ( Z = z k ) = ∑ ( i , j ) : g ( x i , y j ) = z k p i j P(Z=z_k)=\sum_{(i,j):g(x_i,y_j)=z_k} p_{ij} P(Z=zk)=(i,j):g(xi,yj)=zk∑pij
卷积公式
随机变量 Z = X + Y Z=X+Y Z=X+Y的分布列为
P ( Z = z k ) = ∑ i P ( X = x i , Y = z k − x i ) = ∑ j P ( X = z k − y j , Y = y j ) P(Z=z_k)=\sum_i P(X=x_i,Y=z_k-x_i)=\sum_j P(X=z_k-y_j,Y=y_j) P(Z=zk)=i∑P(X=xi,Y=zk−xi)=j∑P(X=zk−yj,Y=yj)
连续型随机变量函数的分布
设 y = f ( x ) y=f(x) y=f(x)严格单调递增,且其反函数 x = h ( y ) x=h(y) x=h(y)有连续的导函数,则 Y = f ( X ) Y=f(X) Y=f(X)的概率密度函数为
p Y ( y ) = { p X ( h ( y ) ) ∣ h ′ ( y ) ∣ , a < y < b 0 , 其 他 p_Y(y)= \begin{cases} p_X(h(y))|h'(y)|, & a<y<b \\ 0, & 其他 \end{cases} pY(y)={pX(h(y))∣h′(y)∣,0,a<y<b其他
其中 a = m i n { f ( ∞ ) , f ( − ∞ ) } , b = m a x { f ( ∞ ) , f ( − ∞ ) } a={\rm min}\{f(\infin),f(-\infin)\},b={\rm max}\{f(\infin),f(-\infin)\} a=min{f(∞),f(−∞)},b=max{f(∞),f(−∞)}
卷积公式( Z = X + Y Z=X+Y Z=X+Y)
Z = X + Y Z=X+Y Z=X+Y的概率密度函数
p Z ( z ) = ∫ − ∞ ∞ p ( x , z − x ) d x = ∫ − ∞ ∞ p ( z − y , y ) d y p_Z(z)=\int_{-\infin}^{\infin} p(x,z-x){\rm d}x=\int_{-\infin}^{\infin}p(z-y,y){\rm d}y pZ(z)=∫−∞∞p(x,z−x)dx=∫−∞∞p(z−y,y)dy
Z = Y X , Z = X Y Z=\frac{Y}{X},Z=XY Z=XY,Z=XY
p Y / X ( z ) = ∫ − ∞ ∞ ∣ x ∣ p ( x , x z ) d x p_{Y/X}(z)=\int_{-\infin}^{\infin}|x|p(x,xz){\rm d}x pY/X(z)=∫−∞∞∣x∣p(x,xz)dx
p X Y ( z ) = ∫ − ∞ ∞ 1 ∣ x ∣ p ( x , z x ) d x p_{XY}(z)=\int_{-\infin}^{\infin}\frac{1}{|x|}p(x,\frac{z}{x}){\rm d}x pXY(z)=∫−∞∞∣x∣1p(x,xz)dx
M = m a x { X , Y } , N = m i n { X , Y } M={\rm max}\{X,Y\},N={\rm min}\{X,Y\} M=max{X,Y},N=min{X,Y}
若== X , Y X,Y X,Y相互独立==,则
F m a x ( z ) = F X ( z ) F Y ( z ) F_{\rm max}(z)=F_X(z)F_Y(z) Fmax(z)=FX(z)FY(z)
F m i n ( z ) = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_{\rm min}(z)=1-[1-F_X(z)][1-F_Y(z)] Fmin(z)=1−[1−FX(z)][1−FY(z)]
推广到 n n n个相互独立的随机变量情况,
F m a x ( z ) = ∏ i F X i ( z ) F_{\rm max}(z)=\prod_{i}F_{X_i}(z) Fmax(z)=i∏FXi(z)
F m i n ( z ) = 1 − ∏ i ( 1 − F X i ( z ) ) F_{\rm min}(z)=1-\prod_{i}(1-F_{X_i}(z)) Fmin(z)=1−i∏(1−FXi(z))
相关证明见该博客
数学期望
E ( X ) = ∑ k = 1 + ∞ x k p k E(X)=\sum_{k=1}^{+\infin}x_k p_k E(X)=k=1∑+∞xkpk
E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x E(X)=\int_{-\infin}^{+\infin} xf(x){\rm d}x E(X)=∫−∞+∞xf(x)dx
性质
- E ( C ) = C E(C)=C E(C)=C
- E ( C X ) = C E ( X ) E(CX)=CE(X) E(CX)=CE(X)
- E ( X + Y ) = E ( X ) + E ( Y ) E(X+Y)=E(X)+E(Y) E(X+Y)=E(X)+E(Y)(有限个)
- X , Y X,Y X,Y独立, E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)(有限个)
特殊的期望
二项分布
E ( X ) = n p E(X)=np E(X)=np
指数分布
E ( X ) = 1 λ E(X)=\frac{1}{\lambda} E(X)=λ1
正态分布
X ∼ N ( 0 , 1 ) X\sim N(0,1) X∼N(0,1)
奇偶性
E ( Y ) = 0 E(Y)=0 E(Y)=0
E ( ∣ Y ∣ ) = 2 π E(|Y|)=\sqrt{\frac{2}{\pi}} E(∣Y∣)=π2
X ∼ ( 0 , σ 2 ) X\sim(0,\sigma^2) X∼(0,σ2)
线性关系
E ( ∣ X ∣ ) = σ 2 π E(|X|)=\sigma \sqrt{\frac{2}{\pi}} E(∣X∣)=σπ2
X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2)
线性关系
E ( Y ) = μ E(Y)=\mu E(Y)=μ
随机变量的函数
一维
E ( X ) = ∑ k = 1 + ∞ g ( x k ) p k E(X)=\sum_{k=1}^{+\infin}g(x_k) p_k E(X)=k=1∑+∞g(xk)pk
E ( X ) = ∫ − ∞ + ∞ g ( x ) f ( x ) d x E(X)=\int_{-\infin}^{+\infin} g(x)f(x){\rm d}x E(X)=∫−∞+∞g(x)f(x)dx
二维
E ( Z ) = E ( g ( X , Y ) ) = ∑ i = 1 + ∞ ∑ j = 1 + ∞ g ( x i , y j ) p i j E(Z)=E(g(X,Y))=\sum_{i=1}^{+\infin}\sum_{j=1}^{+\infin} g(x_i,y_j)p_{ij} E(Z)=E(g(X,Y))=i=1∑+∞j=1∑+∞g(xi,yj)pij
E ( Z ) = E ( g ( X , Y ) ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y E(Z)=E(g(X,Y))=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}g(x,y)f(x,y){\rm d}x{\rm d}y E(Z)=E(g(X,Y))=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
公式整理(持续更新,至数学期望)_2021秋季《概率论与数理统计》相关推荐
- Java自学视频整理(持续更新中...)
1.Java基础视频 <张孝祥JAVA视频教程>完整版[RMVB](东西网) 历经5年锤炼(史上最适合初学者入门的Java基础视频)(传智播客) 张孝祥2010年贺岁视频:Java高新技术 ...
- 【资源帖】漏洞平台(国内外)+企业SRC整理-持续更新
前言 不挖洞的安服工程师不是一个合格的白帽子,整理一波各大SRC平台的名单,欢迎评论补充,共同学习. 更新记录 3月6日 新增企业SRC 字节跳动安全中心 综合SRC平台-国内 漏洞银行 漏洞盒子 ...
- 工作中php遇到的问题以及常用函数整理(持续更新)
说明 以下整理的文档是本人2017年从事php开发到目前遇到的问题的部分整理,因为上家公司有改错本这个东西,偶然间翻开,整理了一部分,后续遇到问题会持续更新,最新更新的内容会放到最前面. php开启错 ...
- TC数据库相关整理(持续更新)
TC数据库相关整理 1.常用的查找表的方法 2.用到过的表 3.使用过的语句 1.分类相关 2.创建视图 3.创建package 4.BOM相关 4.写在后面 1.常用的查找表的方法 在bmide中, ...
- 小样本学习元学习经典论文整理||持续更新
本文整理了近些年来有关小样本学习的经典文章,并附上了原文下载链接以及论文解读链接.关注公众号"深视",回复"小样本学习",可以打包下载全部文章.该文我会持续 ...
- Redis4.0、5.0、6.0、7.0特性整理(持续更新)
最近研究研究新版本redis的新特性,网上查了查资料,这里记录一下. 0. Redis的版本迭代和里程碑 Redis从发布至今,已经有十余年的时光了,一直遵循着自己的命名规则: 版本号第二位如果是奇数 ...
- 图片特征提取整理(持续更新....)
这篇文章写的比较匆忙,还有很多算法没有写进去,而且也有很多算法没有写完整,大家可以先看看我下面放的参考文献,也可以先收藏我的文章,我在后续的学习中还会更新完善这篇文章.谢谢大家的支持- 目录 Harr ...
- iOS 知识点整理 (持续更新...)
整理了些iOS相关的基础问题,每个问题可能会再写些扩展,需要具体了解可以看题目下方的链接 如有错漏,欢迎指出,谢谢 一.Swift 1.给一个数组,要求写一个函数,交换数组中的两个元素(swift可用 ...
- 前端25k+面试题及大白话答案整理(持续更新)
1.构造函数,实例,原型对象三者的关系 每一个构造函数都会有一个原型对象,通过构造函数的prototype指向原型对象 原型对象里也有一个属性叫做constructor ,它又重新指回了构造函数 这是 ...
- AxMath使用教程+常用符号与公式(持续更新中)
前言 这两天学了学Latex,主要是为了以后写毕业论文做铺垫,而且Latex在数学公式这一方面,要比Word方便许多,于是我就下载了一款国产的公式编辑器--AxMath.永久会员不贵,只要36元,而且 ...
最新文章
- 如何在多线程中调用winform窗体控件2——实例篇
- 金陵科技学院c语言测试,金陵科技学院C语言实验册.doc
- java.lang.IllegalArgumentException: Can not set XXX to com.sun.proxy.$Proxy28
- android鸿洋布局,Android基础ConstrainLayout约束布局的介绍和使用
- fullcalendar next 不变化_让不懂编程的人爱上iPhone开发(2017秋iOS11+Swift4+Xcode9版)-第3篇...
- python 网络爬虫 第一天
- 把token放入请求头
- 2014 年度 Git@OSC【非GitHub】 最热门的 50 个项目
- Visual Paradigm 里什么是复合结构图?
- 华为android系统通知栏怎么关闭,华为通知栏怎么设置?三招帮你禁止华为通知栏消息...
- 微信小程序评论/留言功能,附:前端+后端代码+视频讲解!
- 高并发系统设计:消息队列的三大作用:削峰填谷、异步处理、模块解耦
- rabbitMQ实例(java)
- 真实案例详述:丢手机太危险了
- 第九周 任务一
- NFT 笔记:我的加密艺术品投资逻辑
- (转载) android项目大全,总有你所需的
- mysql数据库出现幻读_MySQL中幻读和幻读存在的问题
- ubuntu22.04安装惠普激光打印机m30w记录
- stata最大值最小值命令_听说会Stata的人,数学不会太差?