single

single Random
Random Veriable
Veriable
Distribution
Distribution
林昕沛
 Expected value of
Random Veriable

期望值(平均值)
舉例：擲骰子 次數 1 2 3 4 5

點數x 1 1 5 6 6
i=1 1 x1
標籤
i=2 2 x2

i=3 3 x3

i=4 4 x4

i=5 5 x5

i=6 6 x6

不連續 連續
Y=g(x) 次數 1 2 3 4 5

點數x 1 1 5 6 6
舉例：擲骰子
標籤
i=1 1 x1
1 1 25 36 36
i=2 2 x2

i=3 3 x3

i=4 4 x4

i=5 5 x5

i=6 6 x6

相同事件,只是貼上不同數字,所以機率不變 X機率=Y機率
證明

微分定義

代回

無交集,機率相加(和分)

令一個新的變數n

要算期望值時,只需要算x pdf就好了,不用特別算y pdf

期望值/變異數特性
1
對常數取平均,還是常數

2
常數可以提出來

3
N個隨機變數,全加起來再取期望值=個別期望值相加
continue distribution

期望值例題
Example
Example 高斯分布1

0 (odd)
2
Example 高斯分布2

e =0
-
discreat distribution

期望值例題
Example binomial分布

1
Example possion分布
 Moments
Central moment
moment定義
第r階的moment X = random variable

如果是不連續

Motivation
有兩個r.v, 在平均值是相同的,但標準差不同。
要描述一個pmf(pdf)分布,必須要知道高階期望值
Central moment定義
和moment不同的地方是多減一個平均值 X = random variable

如果是不連續

2階的central moment是變異數

展開r階
Central moment 例題
Moment-Generating
Function
Moment-Generating Function
生成moment (和moment比較多了t)
X = random variable

目的
(1)容易計算X的moment (3)它可以用來解決涉及計算r.v總和
(2)要了解一個pdf分布,我們會計算很 的問題。
多高維度的期望值(很多moment),它可 (4)是重要的分析儀器，可用於論證
以用來生成moment,最後得到f(x) 中心極限定理等基本結果。
Moment-Generating Function
X是實驗結果,我們可以把實驗
結果取平均得到E[X]或把實驗結
果平方後再取平均得E[X²]...最後
合併得到Generating Function

如果有展開式,需要k次方就微分k次方,之後把t代0 舉例：

__________
計算pdf

假設取到n = 100,我們就有101項,代回taylor展開式
高斯分布代進Moment-Generating Function
binomial代進Moment-Generating Function

用之前方法算算很久
Characteristic Functions
Characteristic Functions
把t換成jw

和Moment-Generating Function性質一樣,區別在pdf原來是L.T,現在變成F.T

如果pdf不好算也可以用inverse
舉例

用Characteristic Functions：
Conditional Expectations
區別：fx變成有條件的

_____
_____
舉例

B
第1種 第2種
| | | |
x a a x 0
cdf 無交集
對x作微分,a為const.
微分
0
(pdf)
Chebyshev’s inequality
給定
上限
- | | +

提出

移項同上式
變形公式 原公式：

- | | +

最多有67%的電阻會被淘汰
只要給定平均值和變異數就可求解