• 常用数学点回顾


    【 1. 期望/均值 】

    设离散型随机变量 X 的概率分布为
    P ( X = x i ) = p i , i = 1 , 2 , . . . , P(X=x_i)=p_i ,i=1,2,..., P(X=xi)=pii=1,2,...,
    如果级数 ∑ i = 1 ∞ x i p i \sum_{i=1}^{∞}x_ip_i i=1xipi 绝对收敛,则定义 X 的 数学期望(又称均值)
    E ( X ) = ∑ i = 1 ∞ x i p i E(X)=\sum_{i=1}^{∞}x_ip_i E(X)=i=1xipi

    • 样本均值
      样本均值: X ‾ = 1 n ∑ i = 1 n X i 样本均值: \overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_i 样本均值:X=n1i=1nXi

    【 2. 方差、标准差 】

    • 定义
      设 X 是一个随机变量,若 E [ x − E ( x ) ] 2 E[x-E(x)]^2 E[xE(x)]2 存在,则称它为 X 的 方差,记为
      D ( X ) = E ( [ x − E ( x ) ] 2 ) D(X)=E([x-E(x)]^2) D(X)=E([xE(x)]2)
      方差刻画了随机变量 X 的取值与数学期望的偏离程度,可以衡量随机变量取值的稳定性。
    • 离散型随机变量 的方差
      若 X 为离散型随机变量,且其概率分布为: P ( X = x i ) = p i , i = 1 , 2 , . . . , P(X=x_i)=p_i ,i=1,2,..., P(X=xi)=pii=1,2,..., 则方差为
      D ( X ) = ∑ i = 1 ∞ [ x i − E ( X ) ] 2 p i D(X)=\sum_{i=1}^{∞}[x_i-E(X)]^2p_i D(X)=i=1[xiE(X)]2pi
    • 连续型随机变量 的方差
      若 X 为连续型随机变量,且其概率密度为 f(x),则方差为
      D ( X ) = ∫ − ∞ + ∞ [ x − E ( X ) ] 2 f ( x ) d x D(X)=\int_{-∞}^{+∞}[x-E(X)]^2f(x)dx D(X)=+[xE(X)]2f(x)dx
    • 样本方差
      S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 = 1 n − 1 [ ( ∑ i = 1 n X i 2 ) − n X ‾ 2 ] S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\overline{X})^2=\frac{1}{n-1}[(\sum_{i=1}^{n}X_i^2)-n\overline{X}^2] S2=n11i=1n(XiX)2=n11[(i=1nXi2)nX2]
    • 样本标准差
      S = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 S=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\overline{X})^2} S=n11i=1n(XiX)2

    【 3. 协方差 】

    • 定义
      c o v ( X , Y ) = E ( [ X − E ( X ) ] [ Y − E ( Y ) ] ) cov(X,Y)=E( [X-E(X)] [Y-E(Y)] ) cov(X,Y)=E([XE(X)][YE(Y)])
      当 X、Y 相互独立时,cov(X,Y)=0。

    【 4. 均方值、有效值 】

    • 定义
      随机变量 x(t) 的平方的均值称为 均方值,记为 E [ x 2 ( t ) ] E[x^2(t)] E[x2(t)] ,在工程上表示信号的 平均功率
      均方值: E [ x 2 ( t ) ] = 1 T ∫ 0 T x 2 ( t ) d t 均方值:E[x^2(t)]=\frac{1}{T}\int_{0}^{T}x^2(t)dt 均方值:E[x2(t)]=T10Tx2(t)dt
    • 能量等式
      E [ x 2 ( n ) ] = m x 2 + σ x 2 ,即:平均功率 = 直流功率 + 交流功率 E[x^2(n)]=m_x^2+σ_x^2,即:平均功率=直流功率+交流功率 E[x2(n)]=mx2+σx2,即:平均功率=直流功率+交流功率
      m x 代表均值, σ x 2 代表方差 m_x代表均值,σ_x^2代表方差 mx代表均值,σx2代表方差
    • 有效值
      均方值的平方根称 有效值
      有效值: U r m s = E [ x 2 ( t ) ] = 1 T ∫ 0 T x 2 ( t ) d t 有效值:Urms=\sqrt{E[x^2(t)]}=\sqrt{\frac{1}{T}\int_{0}^{T}x^2(t)dt} 有效值:Urms=E[x2(t)] =T10Tx2(t)dt

    【 5. 分布函数 】

    • 连续型随机变量 的分布函数
      设 X 是一个随机变量,称
      F ( x ) = P ( X ≤ x ) , ( − ∞ ≤ x + ∞ ) F(x)=P(X≤x) ,(-∞≤x+∞) F(x)=P(Xx)(x+)
      为 X 的分布函数,记作 X~F(x) 或 F X ( x ) F_X(x) FX(x)
    • 离散型随机变量 的分布函数
      设 X 是一个离散型变量,其概率分布为
    X x 1 x_1 x1 x 2 x_2 x2 x n x_n xn
    p i p_i pi p 1 p_1 p1 p 2 p_2 p2 . . . ... ... p n p_n pn

    则 X 的分布函数为
    F ( x ) = P ( X ≤ x ) = ∑ x i ≤ x P ( X = x i ) = ∑ x i ≤ x p i F(x)=P(X≤x) =\sum_{x_i≤x}P(X=x_i)=\sum_{x_i≤x}p_i F(x)=P(Xx)=xixP(X=xi)=xixpi

    【 6. 概率密度函数 】

    如果对随机变量 X 的分布函数 F(x) ,存在非负可积函数 f(x),使得对于任意实数 x,有
    F ( x ) = P ( X ≤ x ) = ∫ − ∞ x f ( t ) 2 d t F(x)=P(X≤x)=\int_{-∞}^{x}f(t)^2dt F(x)=P(Xx)=xf(t)2dt
    则称 X 为连续型随机变量,f(x) 为 X 的 概率密度函数,简称为 概率密度密度函数

    【 7. 内积和外积 】

    内积(点乘/数量积)

    • 运算结果是标量。
    • a ⃗ = ( x 1 , y 1 , z 1 , . . . ) , b ⃗ = ( x 2 , y 2 , z 2 , . . . ) \vec{a}=(x_1,y_1,z_1,...) , \vec{b}=(x_2,y_2,z_2,...) a =(x1,y1,z1,...)b =(x2,y2,z2,...)
      a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ c o s θ = x 1 x 2 + y 1 y 2 + z 1 z 2 + . . . \vec{a}\cdot \vec{b}=|\vec{a}| |\vec{b}|cosθ=x_1x_2+y_1y_2+z_1z_2+... a b =a ∣∣b cosθ=x1x2+y1y2+z1z2+...
    • 使用矩阵乘法并把(列)向量 A 和 B 当作n×1 矩阵,点积还可以写为: A ⋅ B = A T × B A·B=A^T\times B AB=AT×B

    外积(叉乘 / 叉积 / 向量积)

    • 运算结果是向量,且该结果的方向与这两个向量组成的坐标平面垂直。
    • 右手定则: a → × b → a^\rightarrow × b^\rightarrow a×b 则用右手拇指指向叉乘左边的方向即a的方向,食指指向叉乘右边的方向即b的方向,将拇指和食指视作在同一平面内,再伸出中指,中指所指的方向为运算结果的方向。
    • a ⃗ × b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ s i n θ \vec{a}\times \vec{b}= |\vec{a}| |\vec{b}|sinθ a ×b =a ∣∣b sinθ
  • 相关阅读:
    学术英语写作(更新中)
    【操作系统】 2.2 调度概念以及调度算法
    渲染引擎什么情况下才会为特定的节点创建新的图层
    机器学习之集成学习
    flex布局实现 内容区域高度自适应
    备战秋招--redis篇
    【数据结构】链表详解
    .NET WebAPI 采用 IDistributedCache 实现分布式缓存过滤器 Redis 模式
    node-gyp rebuild error【npm install时报错】python
    Java进阶(九)日志框架
  • 原文地址:https://blog.csdn.net/qq_44431690/article/details/126705796