Author:张一极
全文5020字,仅供参考
20201128-8:35
同分布样本均值的期望等于总体的期望
离散型随机变量的期望,代表了在这个体系下,会得到一个什么水准的一个数值,使用他的概率,乘以所代表的的值:
其对应运算法则如下:
反映一个数据列的波动情况:
表达方式是用实际情况减去期望,再取平方后的期望均值
即
方差同时也是标准差的平方,即为这个数据列的标准差
一些性质:
在相互独立的前提下:
两个不同的变量之间的波动情况:
联合期望:
相关系数:
为0,则不相关(线性相关),非0,则两者有或多或少的线性关系
性质:
如果原本的数据即存在线性关系:
关于证明:
- 本证明只是一个不严谨版本的证明,为帮助串联起概率密度函数和期望的定义等一系列知识点,所作总结
证明如下:
- 假定X服从于某个分布,依据我们所达成的共识,即其概率值大于0
假设完毕后,首先,有一个名为Markov不等式的规律是这样描述随机变量期望和变量本身与随机常数(a)之间的关系的:,如果要证明切比雪夫,我们先来看Markov不等式的证明,我们知道一个随机变量X大于或者小于某个值的概率,就是对概率密度函数在相应范围内做积分,客观上,我们对整个定义域(正无穷到负无穷)做积分,得到的就是1,即这个随机变量的所有事件发生的概率值之和,一定为1,接着我们需要知道期望的定义:
1.离散条件下,就是X乘以其对应概率的和
2.连续条件下,就是在正无穷到负无穷对x乘以概率密度函数积分,就是把被积函数换成,即:
因为概率值不会出现小于0,则
那么现在,我们暂且假设概率密度函数图像如下:
- 有一个性质需要知道,假设绿色部分覆盖代表的概率为,而红色部分为,那么有(绿色覆盖面积较大,覆盖到的概率密度越大,代表的其概率更大,这是概率密度函数的特点),所以期望也一定较大。
所以一定有:
以上是切比雪夫的前提,进一步,把,中的X代换成,即可得到,两侧取平方:
其中,即得到:
如果a取一个常数,即得到下式,至此,证毕。
参数:
参数范围:
密度函数:
参数意义:
这两个子分布依然是正态分布:
但是如果和服从,其联合分布,未必是正态分布
二维随机变量正态分布的条件下,XY相互独立的充要条件是
两个XY的线性组合依然服从正态分布:
X服从正态分布,服从(0,1/n)的正态分布
任意的, Y是一个随机变量序列,a是一个常数,一个随机变量序列和一个常数的差小于某个大于0的数,在随着序列不断增长其差小于这个数的概率越发趋近于1的情况
即为:.
如果随机变量相互独立,并且其方差有界,, 则序列均值,即依概率收敛于.
主要应用形式:
一.相互独立
二.方差有界
一个n重独立重复实验中,事件发生的频率逼近其概率,其数学描述:
假设为事件1发生的概率,是每次事件1发生的概率,则
还是n个随机变量相互独立,服从同一分布,且具有相同的数学期望,对任意正数而言,都有
不难看出,如果每个事件概率相同,则变成了伯努利大数定律的场景,所以我们知道,伯努利大数定律是辛钦定理的一个特殊情况(n重独立实验)
一.独立
二.同分布
三.期望存在
中心极限定理阐述了一件事情:
同分布,其方差和期望:,其变量之和记为,有服从参数为的正态分布,即~
即: 均值方差为的独立同分布的随机变量之和,其分布在n充分大的时候,分布近似看做
随机变量服从二项分布,(n,p),那么正态分布是二项分布的极限分布。当n充分大时,可以利用正态分布来计算二项分布的概率。
Reference :
[1] http://www.huaxiaozhuan.com/数学基础/chapters/2_probability.html
[2] https://zh.wikipedia.org/wiki/正态分布
[3] https://www.shuxuele.com/data/standard-normal-distribution.html
20:37-20201128
晚安~