🦀
WQU Guru - MScFE
/
📄
Quantitative-proficiency-test
/
📄
Probability-and-statistics
/
统计第1讲：概率基础 | Probability
🔴
入学要求
💯
能力测试
🛣️
课程安排
🕹️
研究资源
🎑
博客
🔍
⋮
搭建于📝
🔴
入学要求
💯
能力测试
🛣️
课程安排
🕹️
研究资源
1. 概率基础概念 1.1 概率的定义 2. 期望与方差 2.1 期望 (Expectation) 2.2 方差 (Variance) 3. 大数定律与蒙特卡洛方法 3.1 大数定律 (Law of Large Numbers, LLN) 3.2 蒙特卡洛近似 (Monte Carlo Approximation) 4. 联合分布与协方差 4.1 联合分布 (Joint Distribution) 4.2 协方差 (Covariance) 5. 条件分布与独立性 5.1 条件分布 (Conditional Distribution) 5.2 独立性 (Independence) 附：练习合集

统计第1讲：概率基础 | Probability

💡

查看全集：🎬概率与统计

1. 概率基础概念

1.1 概率的定义

lim⁡r→∞事件发生次数r\lim_{r \to \infty} \frac{\text{事件发生次数}}{r}

2. 期望与方差

2.1 期望 (Expectation)

离散型（质量函数）：

E(X)=∑i=1nxipiE(X) = \sum_{i=1}^n x_i p_i

连续型（密度函数）：

E(X)=∫−∞∞xf(x)dxE(X) = \int_{-\infty}^{\infty} x f(x) dx

函数期望：对任意函数 h(X)h(X)，

离散型：E{h(X)}=∑i=1nh(xi)piE\{h(X)\} = \sum_{i=1}^n h(x_i) p_i

连续型：E{h(X)}=∫−∞∞h(x)f(x)dxE\{h(X)\} = \int_{-\infty}^{\infty} h(x) f(x) dx

例子：

掷骰子的期望值计算

E(X)=1⋅16+2⋅16+⋯+6⋅16=3.5E(X) = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + \dots + 6 \cdot \frac{1}{6} = 3.5

2.2 方差 (Variance)

定义：

var(X)=E[(X−μ)2],μ=E(X)\text{var}(X) = E\left[(X - \mu)^2\right], \quad \mu = E(X)

标准差 (Standard Deviation)：

SD(X)=var(X)\text{SD}(X) = \sqrt{\text{var}(X)}

性质：

  1. var(X)=E(X2)−[E(X)]2\text{var}(X) = E(X^2) - [E(X)]^2
  1. E(X−μ)=0E(X - \mu) = 0

推导：

var(X)=E[(X−μ)2]=E(X2−2μX+μ2)=E(X2)−2μE(X)+μ2=E(X2)−μ2\begin{align*} \text{var}(X) &= E[(X - \mu)^2] \\ &= E(X^2 - 2\mu X + \mu^2) \\ &= E(X^2) - 2\mu E(X) + \mu^2 \\ &= E(X^2) - \mu^2 \end{align*}

3. 大数定律与蒙特卡洛方法

3.1 大数定律 (Law of Large Numbers, LLN)

对 rr 次独立实验的观测值 x1,…,xrx_1, \dots, x_r，定义：

样本均值：

xˉ=1r∑i=1rxi\bar{x} = \frac{1}{r} \sum_{i=1}^r x_i

样本方差：

v=1r∑i=1r(xi−xˉ)2v = \frac{1}{r} \sum_{i=1}^r (x_i - \bar{x})^2

LLN结论：当 r→∞r \to \infty 时，

xˉ→E(X),v→var(X)\bar{x} \to E(X), \quad v \to \text{var}(X)

3.2 蒙特卡洛近似 (Monte Carlo Approximation)

通过生成大量样本 x1,…,xrx_1, \dots, x_r 近似计算期望：

E{h(X)}≈1r∑i=1rh(xi)E\{h(X)\} \approx \frac{1}{r} \sum_{i=1}^r h(x_i)

学习建议：

尝试用 Python 模拟抛硬币实验，观察样本均值随实验次数增加收敛到真实概率 p=0.5p=0.5。

4. 联合分布与协方差

4.1 联合分布 (Joint Distribution)

P(X=xi,Y=yj)=pijP(X=x_i, Y=y_j) = p_{ij}
f(x,y)≥0,∫−∞∞∫−∞∞f(x,y)dxdy=1f(x,y) \geq 0, \quad \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x,y) dx dy = 1

函数期望：对 h:R2→Rh: \mathbb{R}^2 \to \mathbb{R}，

离散型：

E{h(X,Y)}=∑i=1I∑j=1Jh(xi,yj)pijE\{h(X,Y)\} = \sum_{i=1}^I \sum_{j=1}^J h(x_i,y_j) p_{ij}

连续型：

E{h(X,Y)}=∫−∞∞∫−∞∞h(x,y)f(x,y)dxdyE\{h(X,Y)\} = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} h(x,y) f(x,y) dx dy

4.2 协方差 (Covariance)

定义：

cov(X,Y)=E[(X−μX)(Y−μY)]\text{cov}(X,Y) = E[(X - \mu_X)(Y - \mu_Y)]

计算式：

cov(X,Y)=E(XY)−μXμY\text{cov}(X,Y) = E(XY) - \mu_X \mu_Y

性质：

  1. cov(X,Y)=cov(Y,X)\text{cov}(X,Y) = \text{cov}(Y,X)
  1. cov(X,X)=var(X)\text{cov}(X,X) = \text{var}(X)
  1. cov(W,aX+bY+c)=a⋅cov(W,X)+b⋅cov(W,Y)\text{cov}(W, aX + bY + c) = a \cdot \text{cov}(W,X) + b \cdot \text{cov}(W,Y)

组合方差：

var(aX+bY+c)=a2var(X)+b2var(Y)+2ab⋅cov(X,Y)\text{var}(aX + bY + c) = a^2 \text{var}(X) + b^2 \text{var}(Y) + 2ab \cdot \text{cov}(X,Y)

例子：

设股票A和B的收益率分别为 XX 和 YY，已知 cov(X,Y)=0.02\text{cov}(X,Y) = 0.02，计算投资组合 Z=0.6X+0.4YZ = 0.6X + 0.4Y 的方差。

5. 条件分布与独立性

5.1 条件分布 (Conditional Distribution)

f(x,y)=fX(x)⋅fY∣X(y∣x)=fY(y)⋅fX∣Y(x∣y) f(x,y) = f_X(x) \cdot f_{Y|X}(y|x) = f_Y(y) \cdot f_{X|Y}(x|y) 

其中 fY∣X(y∣x)f_{Y|X}(y|x) 是给定 X=xX=x 时 YY 的条件密度。

5.2 独立性 (Independence)

定义：XX 和 YY 独立当且仅当对任意 x,yx,y，

f(x,y)=fX(x)⋅fY(y)f(x,y) = f_X(x) \cdot f_Y(y)

推论：若独立，则

  1. E(XY)=E(X)E(Y)E(XY) = E(X)E(Y)
  1. cov(X,Y)=0\text{cov}(X,Y) = 0（但逆命题不成立！）

学习建议：

通过抛硬币和掷骰子的组合实验，验证独立事件的协方差是否为0。

附：练习合集

练习