期望值、方差和标准差分别描述了什么?

这篇具有很好参考价值的文章主要介绍了期望值、方差和标准差分别描述了什么?。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

补充:
《程序员的数学2概率统计》一书中1.3章节。
将概率问题比喻成了一个个平行世界的组合,使用希腊字母小写 ω \omega ω表示具体每一个世界,使用希腊字母大写 Ω \Omega Ω表示所有平行世界组成的大集合。
Ω \Omega Ω的子集A(如果不习惯这个词,可以理解为 Ω \Omega Ω中的区域A)的面积将由 P ( A ) P(A) P(A)表示。

期望值

简单来说,对于取值不确定的随机值,将其可能的平均值称为期望值,值的分散情况称为方差

随机变量记为 X X X,期望值记为 E [ X ] E[X] E[X]

假设有A、B、C三种情况,概率分别 1 6 \dfrac{1}{6} 61 1 3 \dfrac{1}{3} 31 1 2 \dfrac{1}{2} 21,三种情况的概率之和为1(实际全部情况的概率之和为1),现在将ABC三种情况理解为一个正方形中的三个区域。不同的概率分别是各自的面积大小,而正方形整体的面积为1。
假设A区域的随机数=5,B区域的随机数=2,A区域的随机数=1,将每个区域出现的值作为高度绘图,就可以得到如下快状体。
期望值、方差和标准差分别描述了什么?
将上图右侧块状体的体积称为期望值,记为 E [ X ] E[X] E[X]。则期望值的计算过程如下

E [ X ] = 5 ∗ 1 6 + 2 ∗ 1 3 + 1 ∗ 1 2 = 2 E[X] = 5*\dfrac{1}{6}+2*\dfrac{1}{3}+1*\dfrac{1}{2} = 2 E[X]=561+231+121=2

将期望值理解为所有平行世界的平均值。通过雪国的故事或许可以帮助读者理解这个概念。假设 Ω \Omega Ω国有A、B、C三个省份,各省的面积分别为 1 6 \dfrac{1}{6} 61 1 3 \dfrac{1}{3} 31 1 2 \dfrac{1}{2} 21,全国的总面积为1。某一天, Ω \Omega Ω国下雪了,A、B、C省的积雪分别是5m、3m、1m。现在想要计算全国的平均积雪情况。也就是说,如果将学铺满整个国家后积雪将有多深呢?答案是 E ( X ) E(X) E(X),则 E ( X ) E(X) E(X)的计算如下

E [ X ] = 5 ∗ 1 6 + 2 ∗ 1 3 + 1 ∗ 1 2 1 = 2 E[X] = \dfrac{5*\dfrac{1}{6}+2*\dfrac{1}{3}+1*\dfrac{1}{2}}{1} = 2 E[X]=1561+231+121=2

方差和标准差

方差即“期望值离散程度”的期望值

假设随机变量 X X X的期望值 E [ X ] = μ E[X]=\mu E[X]=μ。习惯上,随机值 X X X以大写字母表示,它的期望值 μ \mu μ是一个定值,因此用小写字母表示。

由于 X X X是个一个随机变量,因此即使它的期望值为 μ \mu μ,也不表示它的值就一定等于 μ \mu μ。为此,需要计算它的实际取值 x x x μ \mu μ的差距。
测量的方式有很多。 ∣ x − μ ∣ |x-\mu| xμ可能是最为直观的方法,但是在实际计算时,绝对值的存在会带来诸多不便。于是人们通常使用偏差的平方 ( x − μ ) 2 (x-\mu)^2 (xμ)2而非绝对值来解决这个问题。

  • 如果 X X X的取值正巧为 μ \mu μ ( x − μ ) 2 (x-\mu)^2 (xμ)2=2
  • 否则 ( x − μ ) 2 > 0 (x-\mu)^2>0 (xμ)2>0
  • x x x μ \mu μ的偏差越大, ( x − μ ) 2 (x-\mu)^2 (xμ)2的值也越大,即数据也就越分散。

这些性质非常否和离散的程度。
不过,由于 X X X是一个随机值,直接计算 ( x − μ ) 2 (x-\mu)^2 (xμ)2得到的也将是一个随机值,而我们希望得到的是一种固定指标,因此需要进一步计算它的期望值 E [ ( x − μ ) 2 ] E[(x-\mu)^2] E[(xμ)2],来消除随机性。用这种方式得到的“离散程度的期望值”称为方差(variance),记为 V [ X ] V[X] V[X] V a r [ X ] Var[X] Var[X]

方差用于衡量随机变量的离散程度。 V [ X ] V[X] V[X]的值越大,随机变量的值就越分散, 值越小,随机变量的值就越集中。但是对于 V [ X ] = 25 V[X]=25 V[X]=25 V [ X ] = 100 V[X]=100 V[X]=100,是否能够想象其分散的程度呢?方差结果相差4倍,但是二者实际的分散程度是4倍吗?

通过方差的计算 ( x − μ ) 2 (x-\mu)^2 (xμ)2可以得知,方差是平方后的结果,假设 X X X表示的是长度,方差 V [ X ] V[X] V[X]表示的是长度的平方,并不是长度,因此二者无法直接比较。

我们通常通过平方根运算将方差还原成长度。诸如此类的方差的平方根称为标准差(standard deviation),通常记为 σ \sigma σ s s s


《程序员的数学2概率统计》笔记文章来源地址https://www.toymoban.com/news/detail-431981.html

到了这里,关于期望值、方差和标准差分别描述了什么?的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 概论第6章_正态总体的抽样分布_样本均值的期望与样本方差的期望__方差的期望

    下面的定理给出 样本均值的期望, 方差的期望, 样本方差的期望 , 它 不依赖于总体的分布形式。 假设有总体X, 均值 μ mu μ , E(X)= μ mu μ , 有方差 σ 2 sigma^2 σ 2 ,   space   D(X) = σ 2 sigma^2 σ 2 + ∞ +infty + ∞ 。 X 1 , X 2 , . . . X n X_1, X_2, ... X_n X 1 ​ , X 2 ​ , ... X n ​ 为来自

    2024年02月01日
    浏览(51)
  • 2、有序链表的维护【问题描述】编写一个程序,根据从标准输入接收的指令来维护和操作排序的链表(C语言、java和Python分别实现)

    【问题描述】 编写一个程序,根据从标准输入接收的指令来维护和操作排序的链表。链表是按顺 序维护的,这意味着链表中的数据在每次操作后都以递增的数字顺序存储。 请注意,在创建新节点时,需要使用malloc为它们分配空间;一旦不再需要任何已 分配的空间,就应该使

    2024年02月09日
    浏览(45)
  • 概率论--数学期望与方差--协方差(详解)

    目录 数学期望与方差 离散型随机变量的数学期望 注意 连续型随机变量的数学期望          方差 常用随机变量服从的分布  二项分布 正态分布 随机向量与随机变量的独立性 随机向量 随机变量的独立性 协方差 协方差的定义 协方差的意义 协方差矩阵 离散型随机变量的

    2024年02月11日
    浏览(37)
  • 【应用统计学】随机变量的概率分布,数学期望和方差及协方差

     【例4-5】某厂对一批产品进行抽检,该批产品含有10件正品及3件次品。设每次抽取时,各件产品被抽到的可能性相等。一件一件抽取产品进行检验,每次抽取的产品都不放回该批产品中,求直到抽得正品为止所需次数X的分布律。 解: 由于每次抽取的产品不再放回,因此离散型

    2024年02月05日
    浏览(53)
  • 概率论之 多维随机变量的期望,协方差矩阵

    上一次写了一维随机变量的期望,方差,协方差。本次来记录多维随机变量的期望和协方差矩阵。这一块内容由浅入深,因此会有更新。 假设系统状态有多个分量 x 1 , x 2 , … , x n x_1,x_2,dots,x_n x 1 ​ , x 2 ​ , … , x n ​ ,则将其表示为向量的形式 X = ( x 1 , x 2 , … , x n ) T X=

    2024年02月04日
    浏览(46)
  • 概率论中二项分布期望与方差的详细推导

    二项分布的期望和方差表达式非常简洁,但推导过程却很灵活,我们做如下推导: 概率论中,离散型随机变量期望的定义为 二项分布概率公式为 : 则其期望为 : 我们记   则 因为 所以 根据二项式展开定理,有 所以原式 概率论中,方差的定义为 因为上文已经得到E(X),所以

    2024年02月21日
    浏览(42)
  • 概率论与数理统计(3)--指数分布函数及其期望、方差

    设随机变量X具有如下形式的密度函数,那么则称X服从参数为θ的指数分布, 记为X~EXP(θ).  指数分布的分布函数为: ①数学期望 如果X 服从参数为λ (λ0)的指数分布,那么指数分布X~EXP(θ)的数学期望: λ  ②方差 设X 服从参数为λ (λ0)的指数分布, 指数分布X~EXP(θ)的方差:λ^2。

    2024年02月11日
    浏览(45)
  • 二维随机向量的数学期望E与协方差σ

    目录 1. 二维随机向量(X,Y)的数学期望EX, EY 2. 二维随机向量函数z=g(X,Y)的数学期望EZ 3. 二维随机向量(X,Y)的方差DX, DY 4. 二维随机向量的性质(和、积的数学期望E与方差D) 5. 二维随机向量的协方差COV和相关系数ρ 5.1 协方差COV定义 5.2 协方差COV的性质  5.3 相关系数ρ 离散形式 和

    2024年02月02日
    浏览(43)
  • 概率论的学习和整理17:EXCEL的各种期望,方差的公式

    目录 1 总结 1.1 本文目标总结方法 1.2 总结一些中间关键函数 2 均值和期望 2.1 求均值的公式 2.2 求随机变量期望的公式 2.3 求随机变量期望的朴素公式 3 方差 3.1 确定数的方差 3.2 统计数的方差公式 3.3 随机变量的方差公式 3.4 EXCEL提供的直接计算方差的公式 4  期望 和方差的公

    2024年02月16日
    浏览(41)
  • 求“二维随机变量的期望E(X)与方差D(X)”例题(一)

      设随机变量(X,Y)的联合分布律为 XY 0 1 0 0.1 0.2 1 0.3 0.4 先求x的边缘分布律,表格里x=0的概率为0.1+0.2,于是我们可得 X 0 1 P 0.3 0.7 直接求E(X)即可,得到结果 直接x与y相乘就行。 记得别乘多了,别的算了又算遍。  和上面一样,x与y相加就行。 已知随机变量(X,Y)的概率密度 。

    2024年02月05日
    浏览(27)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包