数学期望和方差公式是什么?
方程D(X)=E{[X-E(X)]^2}=E(X^2) - [ E(X)]^2,其中 E(X)表示数学期望。
对于连续型随机变量X,若其定义域为(a,b),概率密度函数为f(x),连续型随机变量X方差计算公式:D(X)=(x-μ)^2 f(x) dx。
在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)为试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一。它反映随机变量平均取值的大小。
扩展资料:
设C为常数,则D(C) = 0(常数无波动);
D(CX )=C2D(X ) (常数平方提取,C为常数,X为随机变量);
证:特别地 D(-X ) = D(X ), D(-2X ) = 4D(X )(方差无负值)
若X 、Y 相互独立,则证:记则
前面两项恰为 D(X)和D(Y),第三项展开后为
当X、Y 相互独立时,
故第三项为零。
参考资料来源:百度百科-方差分布
数学期望和方差公式为:EX=npDX=np(1-p)、EX=1/PDX=p^2/q、DX=E(X)^2-(EX)^2。
绛旓細鏂圭▼D锛圶锛=E{[X-E锛圶锛塢^2}=E锛圶^2锛 - [ E锛圶锛塢^2锛屽叾涓 E锛圶锛夎〃绀鏁板鏈熸湜銆傝嫢x1,x2,x3...xn鐨勫钩鍧囨暟涓簃 鍒鏂瑰樊s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2]鏂瑰樊鍗冲亸绂诲钩鏂圭殑鍧囧硷紝绉颁负鏍囧噯宸垨鍧囨柟宸紝鏂瑰樊鎻忚堪娉㈠姩绋嬪害銆傚浜庤繛缁瀷闅忔満鍙橀噺X锛岃嫢鍏跺畾涔夊煙涓...
绛旓細D锛圶锛=E锛圶^2锛-[E(X)^2]^鏈熸湜鍙互鐢卞垎甯冨垪鏉ユ眰锛鏂瑰樊鏄鏈変釜鍏紡锛欴(X)=E[X-E(X)]^2 =E{X^2-2XE(X)+[E(X)]^2} =E(X^2)-2[E(X)]^2+[E(X)]^2 =E(X^2)-[E(X)]^2
绛旓細鏂瑰樊鐨勮绠鍏紡涓猴細绂绘暎鍨嬶細\(D(X) = \sum [x_i - E(X)]^2 p_i\)锛屽叾涓璡(x_i\)鏄疿鐨勫彲鑳藉彇鍊硷紝\(p_i\)鏄痋(x_i\)瀵瑰簲鐨勬鐜囷紝\(E(X)\)鏄疿鐨鏁板鏈熸湜銆傝繛缁瀷锛歕(D(X) = \int_{-\infty}^{\infty} [x - E(X)]^2 f(x) dx\)锛屽叾涓璡(f(x)\)鏄疿鐨勬鐜囧瘑搴...
绛旓細1. 灞曞紑鏂瑰樊鍏紡锛歏ar(X) = E(X^2 - 2XE(X) + (E(X))^2)2. 浣跨敤鏈熸湜鐨勭嚎鎬фц川锛歏ar(X) = E(X^2) - 2E(X)E(X) + (E(X))^2 3. 鍖栫畝寰楋細Var(X) = E(X^2) - (E(X))^2 閫氳繃涓婅堪鎺ㄥ锛屾垜浠彲浠ュ緱鍒鏁板鏈熸湜鍜屾柟宸鐨勫叕寮忋傝繖浜涘叕寮忓湪缁熻瀛﹀拰姒傜巼璁轰腑鏈夊箍娉涚殑搴旂敤...
绛旓細鏁板鏈熸湜ex鏂瑰樊dx鍏紡锛欴(X)=E[X-E(X)]^2=E{X^2-2XE(X)+[E(X)]^2}=E(X^2)-2[E(X)]^2+[E(X)]^2銆侱锛圶锛夋寚鏂瑰樊锛孍锛圶锛夋寚鏈熸湜銆鏂瑰樊鏄鍦ㄦ鐜囪鍜岀粺璁℃柟宸 閲忛殢鏈哄彉閲忥紝鎴栦竴缁勬暟鎹椂绂绘暎绋嬪害鐨勫害閲忋傛鐜囪涓柟宸敤鏉ュ害閲忛殢鏈哄彉閲忓拰鍏舵暟瀛︽湡鏈涳紙鍗冲潎鍊硷級涔嬮棿鐨勫亸绂荤▼搴︺傚湪...
绛旓細宸茬煡鏈熸湜姹鏂瑰樊鍏紡鏄鏂瑰樊=[(b-a)^2]/2锛屾柟宸槸鍦ㄦ鐜囪鍜岀粺璁℃柟宸 閲忛殢鏈哄彉閲忔垨涓缁勬暟鎹椂绂绘暎绋嬪害鐨勫害閲忋傛鐜囪涓柟宸敤鏉ュ害閲忛殢鏈哄彉閲忓拰鍏鏁板鏈熸湜锛堝嵆鍧囧硷級涔嬮棿鐨勫亸绂荤▼搴︺傜粺璁′腑鐨勬柟宸紙鏍锋湰鏂瑰樊锛夋槸姣忎釜鏍锋湰鍊间笌鍏ㄤ綋鏍锋湰鍊肩殑骞冲潎鏁颁箣宸殑骞虫柟鍊肩殑骞冲潎鏁般傚湪璁稿瀹為檯闂涓紝鐮旂┒鏂瑰樊鍗冲亸绂...
绛旓細鏂瑰樊=E(x²)-E(x)²锛孍(X)鏄鏁板鏈熸湜銆傚湪姒傜巼璁哄拰缁熻瀛︿腑锛屾暟瀛︽湡鏈(mean)锛堟垨鍧囧硷紝浜︾畝绉版湡鏈涳級鏄瘯楠屼腑姣忔鍙兘缁撴灉鐨勬鐜囦箻浠ュ叾缁撴灉鐨勬诲拰锛屾槸鏈鍩烘湰鐨勬暟瀛︾壒寰佷箣涓銆傚畠鍙嶆槧闅忔満鍙橀噺骞冲潎鍙栧肩殑澶у皬銆傛柟宸湪姒傜巼璁哄拰缁熻瀛︿腑锛屼竴涓殢鏈哄彉閲忕殑鏂瑰樊鎻忚堪鐨勬槸瀹冪殑绂绘暎绋嬪害锛屼篃灏辨槸璇...
绛旓細棣栧厛浣犻渶瑕佺煡閬鏁板鏈熸湜鐨勫畾涔変负EX=鈭玿f(x)dx鍦0鍒版鏃犵┓涓婇潰鐨勫畾绉垎锛屽叾涓璮锛坸锛夎〃绀虹殑鏄鐜囧瘑搴﹀嚱鏁帮紙杩欐槸瀵硅繛缁殑锛夈備箣鍚庝綘瑕佺煡閬撲竴涓叕寮忓氨鏄鏂瑰樊鍏紡D(X)=E{[X-E(X)]^2}=E(X^2)-[E(X)]^2 鏍规嵁1涓殑鍏紡璁$畻E(X^2)銆乕E(X)]^2灏卞彲浠ユ眰鍑烘潵浜嗐4.濡傛灉瑕佹槸鍦ㄧ粺璁″涓...
绛旓細鍘熷鏁版嵁锛歺1,x2,...,xn x 鐨鏁板鏈熸湜锛欵x = [鈭(i=1->n) xi] / n (1)x 鐨鏂瑰樊 锛欴(x) = [鈭(i=1->n) (xi - Ex)²] / n (2)x 鐨勬柟宸細D(x)杩樼瓑浜庯細D(x)=x鐨勫潎鏂瑰 - x鐨勫潎鍊糆x鐨勫钩鏂(Ex)²锛屽嵆锛欴(x) = [鈭(i=1->n) (xi)...
绛旓細E锛2x锛夌瓑浜2Ex E锛圶锛+E锛圷锛=E锛圶+Y锛塂X=E锛圶^2锛-(EX)^2