作者：LogM
本文原载于 https://segmentfault.com/u/logm/articles，不允许转载~
文章中的数学公式若无法正确显示，请参见：正确显示数学公式的小技巧
本文为概率论与数理统计的笔记。
8. 第八周
-
8.1 期望
- 离散型：$E(X) = \sum_{k=1}^{+\infty} x_k p_k$
- 连续型：$E(X) = \int_{-\infty}^{+\infty} xf(x)dx$
-
若 $Y = g(X)$，则：
- 离散型：$E(Y) = E(g(X)) = \sum_{k=1}^{+\infty} g(x_k)p_k$
- 连续型：$E(Y) = E(g(X)) = \int_{-\infty}^{+\infty} g(x_k)p_k$
-
若 $Z = h(X,Y)$，则
- 二元离散型：$E(Z) = E(h(X,Y)) = \sum_{k=1}^{+\infty} h(x_i,y_j)p(x_i,y_j)$
- 二元连续型：$E(Z) = E(h(X,Y)) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} h(x,y)f(x,y)dxdy$
-
性质：
- $E(cX) = cE(X)$，$c$ 为常数
- $E(X+Y) = E(X) + E(Y)$
- $E(XY) = E(X)E(Y)$，当 $X$ 与 $Y$ 相互独立
-
8.2 方差
- 方差：$D(X) = Var(X) = E\{[X-E(X)]^2\}$
- 标准差（均方差）：$\sigma(X) = \sqrt{D(X)}$
- 离散型：$D(X) = \sum_{i=1}^{+\infty} [x_i – E(X)]^2 p_i$
- 连续型：$D(X) = \int_{-\infty}^{+\infty} [x-E(x)]^2 f(x)dx$
-
性质：
- $D(X) = E(X^2)-[E(X)]^2$
- $D(cX) = c^2D(X)$，$c$ 为常数
- $D(X+Y) = D(X) + D(Y) + 2E\{[X-E(X)][Y-E(Y)]\}$
- $D(X+Y) = D(X) + D(Y)$，当 $X$ 与 $Y$ 相互独立
9. 第九周
-
9.1 协方差
- $Cov(X,Y) = E\{[X-E(X)][Y-E(Y)]\} = E(XY)-E(X)E(Y)$
- 正相关：$Cov(X,Y)>0$；负相关：$Cov(X,Y)<0$；不相关：$Cov(X,Y)=0$
-
性质：
- $Cov(X,X) = D(X)$
- $Cov(aX,bY) = ab \cdot Cov(X,Y)$
- $Cov(X_1+X_2,Y) = Cov(X_1,Y) + Cov(X_2,Y)$
-
9.2 相关系数
- $\rho_{XY} = \frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}} \in [-1,1]$，没有量纲 $
- $X$ 与 $Y$ 独立，则它们肯定不相关；但不相关不一定是相互独立
-
不相关指的是线性关系上不相关；相互独立指的是一般关系上的独立
- 正态分布是特例，两个正态分布的不相关就代表它们相互独立
-
9.3 矩
- $k$ 阶原点矩：$E(X^k)$
- $k$ 阶中心矩：$E\{[X-E(X)]^k\}$
- $k+l$ 阶混合原点矩：$E(X^k Y^l)$
- $k+l$ 阶混合中心矩：$E\{[X-E(X)]^k[Y-E(Y)]^l\}$
- 9.4 协方差矩阵
-
9.5 $n$ 元正态随机变量
-
性质：
- 它的每一个分量，每一个子向量都服从正态分布
- 充要条件：各分量任意线性组合后仍服从正态分布
- 经过线性变换后依然满足正态分布
-
10. 第十周
- 10.1 切比雪夫不等式
- 10.2 大数定律
-
10.3 中心极限定理
- 由大量的相互独立的随机变量综合而成的分布近似服从正态分布