kking_edc的博客

1 伯努利大数定律定理 4.3.1 伯努利大数定律 设sns_nsn​为n重伯努利试验中事件A发生的次数，p为

1 多维随机变量2 联合分布函数3 联合分布列4 联合密度函数待补充 156

1 随机变量的概念若此产品的不合格率为ppp，则XXX取各种值的概率可列表如下：X0123p(1−p)3(1-p)^3(1−p)33p(1−p)23p(1-p)^23p(1−p)23p2(1−p)3p^2(1-p)3p2(1−p)p3p^3p3下面给出随机变量的一般定义。定义2.1.1 定义在样本空间Ω\OmegaΩ上的实值函数X=X(ω)X=X(\omega)X=X(ω)称为随机变量，常用大写字母X,Y,ZX,Y,ZX,Y,Z等表示随机变量，其取值用

类似于一维随机变量的特征数，多维随机变量也有特征数，除了各个分量的期望、方差、标准差以外，还有两个随机变量间的关联程度，即协方差与相关系数，这是一种反映两个随机变量相依关系的特征数，需要特别注意。1 多维随机变量函数的数学期望为了简单起见，我们用二维随机变量叙述此定理，而对n维随机变量的结论是类似的。定理3.4.1 若二维随机变量(X,Y)(X,Y)(X,Y)的分布用联合分布列P(X=xi,Y=yi)P(X=x_i,Y=y_i)P(X=xi​,Y=yi​)或用联合密度函数p(x,y)p(x,y)p(

1 随机事件及其运算1.1 随机现象在一定的条件下，并不总是出现相同结果的现象称为随机现象，随机现象有两个特点：结果不止一个哪一个结果出现，人们事先并不知道1.2 样本空间随机现象的一切可能基本结果组成的集合称为样本空间，记为Ω={ω}\Omega=\{\omega\}Ω={ω}，其中ω\omegaω表示基本结果，又称为样本点。需要注意的是：样本空间中的元素可以是数也可以不是数样本空间至少有两个样本点我们将样本点的个数为有限个或可列个的称为离散样本空间。将样本点的个数为不可列或无限

一、假设检验注意样本S的分母代表自由度，因此分母为4

一、协方差矩阵1.1 从方差/协方差到协方差矩阵根据方差的定义，给定ddd个随机变量xk,i=1,2,...,dx_k,i=1,2,...,dxk​,i=1,2,...,d，则这些随机变量的方差为：σ(xk,xk)=1n−1∑i=in(xki−x‾k)2\sigma(x_k,x_k)={1\over n-1}\sum_{i=i}^n(x_{ki}-\overline{x}_k)^2σ(xk​,xk​)=n−11​∑i=in​(xki​−xk​)2其中xkix_{ki}xki​表示随机变量xkx_kx

公式P(A‾B‾)=1−P(A)−P(B)+P(AB)P(\overline{A} \overline{B})=1-P(A)-P(B)+P(AB)P(AB)=1−P(A)−P(B)+P(AB)

一、多元高斯分布：一元高斯分布的概率密度函数如下所示：p(x)=1σ2π⋅e−12(x−μσ)2(1)p(x)={1\over\sigma\sqrt{2\pi}}\centerdot e^{-{1\over2}({x-\mu\over\sigma})^2}\quad\quad\quad(1)p(x)=σ2π​1​⋅e−21​(σx−μ​)2(1)而如果我们对随机变量X进行标准化，用Z=X−μσZ={X-\mu\over\sigma}Z=σX−μ​对上式进行换元，可得：x(z)=z⋅σ+μx(z)=z

一、中心极限定理1.1 独立同分布的中心极限定理1.1.1 定理设X1,X2,...,Xn为相互独立、服从同一分布的随机变量序列，且E(Xi)=μ,D(Xi)=σ2≠0(i=1,2,...n)，则对于任意x，有：设X_1,X_2,...,X_n为相互独立、服从同一分布的随机变量序列，且E(X_i)=\mu,D(X_i)=\sigma^2\ne0(i=1,2,...n)，则对于任意x，有：设X1​,X2​,...,Xn​为相互独立、服从同一分布的随机变量序列，且E(Xi​)=μ,D(Xi​)=σ2​=

一、均值离散情况：X‾=∑i=1nXin\overline{X}={\sum_{i=1}^nX_i\over n}X=n∑i=1n​Xi​​二、标准差S=∑i=1n(xi−X‾)2n−1S=\sqrt{{\sum_{i=1}^n(x_i-\overline{X})^2\over n-1}}S=n−1∑i=1n​(xi​−X)2​​三、方差S2=∑i=1n(xi−X‾)2n−1S^2={\sum_{i=1}^n(x_i-\overline{X})^2\over n-1}S2=n−1∑i=1n​(x