這是一個機率的入門課程，著重的是教授機率基本概念。另外我們的作業將搭配臺大電機系所開發的多人競技線上遊戲方式，讓同學在遊戲中快樂的學習，快速培養同學們對於機率的洞察力與應用能力。
6-2.c：期望值 I (下)
Loading...
En provenance du cours de National Taiwan University
頑想學概率：機率二 (Probability (2))
41 notes
Explore Related Videos
At Coursera, you will find the best lectures in the world. Here are some of our personalized recommendations for you
À partir de la leçon
WEEK 6
本週我們將延續上週還沒說完的連續機率分布，並介紹離散的隨機變數期望值。
Rencontrer les enseignants
葉丙成教授 (Professor)
電機工程學系 (Department of Electrical Engineering)
好 那在概率上来讲呢
Variance呢是个非常重要的东西 好
那 Variance呢 通常在概率上面 我们用的符号
通常用σx^2来表示它 σx^2表示它
那它呢 其实就是 跟大家讲就是 x-μx 的平方
这一个大X的函数 它的期望值
那大家注意一下 有时候 在考试的时候 老师看到这个就蛮伤脑筋的
很多同学σ都写这幅德性
那你写这幅德性我根本分不出来 你这个到底是6还是σ
所以这个很伤脑筋啊 所以同学在写σ的时候
那个时候 你这样子写 很多时候就很容易混淆了
那一个比较好的写法就是 欸 从里面写出来 这样子比较好
好 写出来就比较好
好 OK 像这个就很好
所以σ 你就要写σ 要注意啊 不要写成这个
很难看 要写就写成这个样子 有没有
一个漂亮的σ要像这样
长得很像什么 很像樱桃小丸子里面那个花轮 有没有
所以σ这个写得像 画的像花轮一样的话
就水（漂亮）啦 好 你这个就很漂亮啦
OK 好 这个σ要好好写
那Variance为什么很重要呢
因为Variance 通常它隐含着一个
关于随机变量多乱的这个方面的资讯
在这个 Variance里面
怎么说呢 我们来看一下这个例子 好
假设你现在有一个PMF 那这个PMF有三个可能发生
有三个可能的值 所以有三个概率
那这三个值假如说 欸 这三个值呢还蛮接近
这三个可能发生的x还蛮接近 所以 它的μx在这附近
μx 好就是 应该就是在这三个的中间的某个地方
好 那你看看 因为这三个呢非常非常靠近
所以呢 你这个PMF非常非常靠近 所以我问你
老师问你 这个PMF如果长这样的话 这个x的值乱不乱
不会很乱啦 因为它们都在这个 μx它的附近而已
它的值呢就在μx附近 变化不会太大
所以这个不会 没有很乱的东西
那我问你 它的Variance呢 怎么样呢
你看看 因为它们三个很靠近 所以μ呢
也会跟它们 就是说 三个可能的值都很靠近
所以你看这个x-μx 这个值就会很小
它的平方 也是很小 对不对
所以呢 取期望值之后 这个量呢 就不会太大
好 所以呢 当你的这个Variance很小的时候
其实就隐含着告诉你就是说
欸 你这个x可能发生的值呢 很多都在μx附近
好那代表说 你这个random variable呢 它的行为不会太乱
因为它可能的值都落在μx附近 好
那给另外一个例子 如果你现在PMF看起来长这个样子呢
哇 这个X可能发生的值是 是散布在一个还蛮大的一个范围
这个X乱不乱 很乱啦
它从这么小的这个X值 到这么大的都有可能
好 那分布范围这么大 所以呢是一个蛮乱的一个X
好 蛮乱的一个random variable
那它的 μx 也是somewhere？ somewhere在这个中间
可能它这个μx也是差不多在这个中间的某个地方
好 那你看看呢 因为这个X呢 很乱
它落在一个范围呢 相对来讲就比较大
这个时候呢 你跟x-μx的值呢 是大或小
诶 有些x呢 像这个x的话 离μx还蛮接近
这两个 离μx还蛮接近 他可能减掉μx 的平方就还蛮小
可是呢 因为它落的范围很广 所以它也有那种离μx很远的
像这个点 有没有 还有这个点呢离μx也是很远
有没有 好
所以你看 两端的比较远的点
欸 它这个时候就会出现 有可能会有出现
比较乱的X 就有出现 有可能出现
离μx比较远的 这些x的值
那这个时候x减掉μx的平方 再取期望值的时候
就比较可能出现一些比较大的 这个项在这里面
所以整个Variance就会变得比较大
好 所以呢 Variance大或小 某种程度呢 就给我们一些
关于这个random variable多乱 分布多广
多 散布的多广多乱 的一些 一些一些资讯
一些情报在这里面 好 所以这是为什么 我们在看期望值的时候
有时候会特别 也会 我们也会特别看Variance
因为对我们来讲 是有重要的意义 好
那Variance呢 如果你把它开根号的话 通常就是我们所谓的标准差
也就是standard deviation 好
那standard deviation你看 本来是 Variance呢是 σ square
也就是σ的平方 所以要记住噢
在表示Variance的时候 这个平方不能漏掉噢 平方一定要有
好 它开根号以后 就是什么 就剩下σx
那这个σx一定是大于等于0的
好 那σx呢 就是我们所谓的标准差 也就是根号的variance
好 那这个呢 也是我们通常 用来统计的一个重要的一个指标
比如说 我们经常在这个班上同学的成绩
这个同学成绩呢它的标准差 它的成绩分布的标准差
大或小 就代表这个班的成绩 学生学习的这个程度差异
欸 是小或大
所以 标准差在我们来讲就是说很重要的一个指标
那它其实就是variance开根号 所以两个是互通的
OK 好
好 那variance这么重要 那variance怎么算呢
那你说那老师你讲的这是什么笑话 不就是按照这个定义吗
x减掉μx 它的平方取期望值
那不就是等于它呢 去summation
好比如说x-μx 的平方乘上PMF
然后把x呢 从负无穷大 summation到无穷大
不是就照着这个定义去算吗
好 那当然呢 你这个乖宝宝这样子算是可以的啦
好 但是问题是说 有的时候是 还蛮麻烦的
好所以当我们算variance的时候 我们通常是用另外一个比较容易的算法
好 怎么算呢 好 是这样子算的
好 欸 我们就先怎么样 你是x减去μx的平方嘛
然后在括号里面取期望值 所以我们就先把你这里面的就把它乘开来
x减掉μx的平方乘开来就变成这个样子
X平方减掉2*μ*x 加上μx的平方
好记住 μx是什么
μx是x的期望值 那x的期望值是什么
是常数 还是随机变量
是常数 是正 是不变的还是会变的
任何一个random variable 前面老师都讲过
任何一个random variable的期望值 都是常数
所以呢要记住 在这边这个μx 都是常数
好 那 刚刚讲过 诶 这个期望值运算的这个性质原理
就是欸你有好几个东西 凑在一起 加在一起 再取期望值
跟分别取期望值再相加是一样的
好 就跟那个alpha g of x 加上HO
加上beta h of x取期望值那个性质 还记得吗
所以 刚才是2个 但是这个是三个 三个可以拆啊
你可以拆开啊 所以呢三个呢就变成是第一项
x呢就变成x平方的期望值
第二项是 -2*μ*X 那就变成-2*μ*X的期望值
啊跟这个X平方的期望值相加
还有一个是什么 μx平方的期望值 那就是μx平方的期望值
好 那刚才老师讲过 μx是常数 那μx的平方是什么 也是常数
那一个常数的期望值是什么
啊就是它自己 已经是常数了你还期望它变什么
好对不对 好这个μx应该拉到外面来 对不对
啊那这个呢 -2*μ*X -2*μ是什么 是个常数的系数
常数的系数怎么样 刚才讲过也是可以拉到外面来
对不对 好
所以我们给它整理一下呢 你有没有发现就是说
诶 那这个X平方的期望值呢还是维持X平方的期望值
不要变动 但是-2*μ呢 被拉到外面来 这就是-2*μ在外面
里面就剩下一个x 所以就是这个E[x]
那E[x]就是x的期望值 E的x不就是μx么 所以这边就变成什么
-2*μx再乘上μx 就变成什么 -2*μx的平方啦
OK 好
那后面这一项呢 μx的平方刚才讲说 μx平方是个常数
所以它的期望值就还是μx的平方
所以 前面这边就有一个 -2*μx平方加上μx平方
两个消项以后就等于什么 变成-μx的平方
对不对 所以最后呢 我们发现最后的结果就等于这个
x平方的期望值减掉μx平方的期望值 好所以
当然你可以按照定义 用这样算 σx这样算也是可以
但是呢 我们通常发现说用这样子算 现在框起来这一个
这个算法会比较好算
因为通常在算期望值得时候你已经有μx了
这个负μx的平方你已经知道了 所以接下来你只需要算x平方的期望值
也就是刚才讲的 2nd moment 就很好算了
好 所以这就是我们通常常用的一个公式
所以 σx square 等于μx
σx square 等于x平方的期望值加上μx的平方
你把μx 的平方移过去以后你就会发现有另外一个公式就是什么
就是X平方的期望值就是2nd moment
会等于 这个σx square 就是variance
加上μx square 加上期望的平方
好这个东西只要记住的话 以后你就很好算variance啦
好 那我们现在来看一些常见的离散随机变量的它们的这个期望值
跟这个方差 这个variance
好 其中呢 第一个我们就来看这个Bernuoli(p)
Bernuoli(p)的话就是什么 它等于1的概率是p
等于0的概率是1-p 对不对
好 那所以 μx就是什么 μx就是来 把你这个可能的值
就是1乘上对应的概率就是p
另外一个可能的值就是0 对应的概率是1-p
乘出来呢 最后就是什么 就是1*p 就是p啦
好所以μx就是p
Bernuoli random variable它的期望值呢 就是p
好 那variance呢 好如果你还记得刚才讲
我们刚才不是才算了吗 variance应该等于什么
等于x平方的期望值减掉μx的平方 这是好算的算法
那这有什么好处呢 因为μx呢 我们已经知道是多少
就是p啦 前面已经算出来
所以μx的平方就是p平方
所以我们现在只需要算X平方的期望值是多少
就是X的2nd moment ?
好那x平方 x平方是个x的函数的话
所以就把所有可能的x带到这个函数里面去 对不对
所以就是summation 的x平方乘上这个PMF
好 然后再把summation写下来 对不对
X平方乘上PMF的summation写下来 就是X平方的这个 期望值
减掉 不要忘记 还有一个μx的平方 好就是前面这个μx的平方
不要忘记 还在这边
好 X平方的期望值也是这样
X呢 要么就是 不是等于0就是等于1
那就一个一个带进去嘛对不对
就是等于什么 欸 x有可能等于1
x如果等于1的话就是1的平方乘上等于1的概率 就是p
对不对 好那另外呢 x有可能等于多少 X有可能等于0
所以X平方就是x平方
就是等于0的平方 乘上等于0的概率就是1-p
好所以你处理一下发现是什么 诶
1平方乘以p 加上0平方乘以1-p 那还是
那就是p啊 对不对
好所以就变成p 再减掉p平方
那你把它整理一下 就变成是p乘上1-p
好所以 这是Bernuoli的p的variance是p乘上1-p
好 那binomial呢 Binomial(n, p)
就是Binomial(n, p)的话 如果你还记得Binomial(n, p)的话
它的μx是多少 它的μx就是等于np
好 那它的σx square 等于np*(1-p) OK 好
那 这个东西为什么这个样子呢 这个后面我们如果介绍这个
(听不清）的时候
哦 这个推导就很容易 但是 这个呢也可以直接去推
用PMF去推 那这一次 老师把它当成一个作业
因为 我认为这个推导非常非常重要
这个 我们除了会用数学之外
但是 很多一些数学的推导
这些东西我们要试着 要能够建立这样的能力
好 那Binomial(n, p) 等下老师会教你一个Poisson的这个 期望值怎么求
那你就用这个观念 这个方法 这个同样的精神去求binomial这样的一个np
你如果这个能够求出来 诶 那老师就是觉得是 你应该就是还蛮不错的
好这个 推导上的这个 这个能力就建立起来了
它的binomial np它的mean就是等于n乘上p
好那variance呢就会等于 np(1-p)
好 那这个东西你观察一下 你会发现说诶
你如果观察binomial的mean跟variance 跟bernuoli的mean跟variance
你发现有什么行为
你看着噢 bernuoli的mean是什么 是p
可是binomial的mean是什么 是np
bernuoli的variance是p(1-p)
binomial的variance是什么 是n倍的p乘(1-p)
所以你发现说诶 binomial的mean跟variance需不需要背
啊太好记啦 你只要知道Bernuoli(p)的mean跟variance的话
你把它乘上n倍就是binomial(n, p)的mean跟variance了
超好记的 对不对
那你说这个Bernuoli(p)的mean跟variance 要不要背
要背也是可以的 如果不会的话
1乘上p加上0乘上(1-p) 这么好算的
直接去算就好了啦 对不对
好 所以 bernuoli跟binomial这个mean跟variance要记起来就不是问题啦
好 那我举个例子
如果你今天是一个Binomial(5, 0.2)的话
好也就是你的n 这是你的n 是等于5
p 是等于0.2
好 那你的μx是等于多少
那μx就是等于np啊 就是5乘上0.2啊 就是1啊对不对 好
好 那你的variance等于多少
variance就是5乘上p乘上1-p
就是5就是n嘛好 就是5乘上p乘上1-p
好你算一算 发现说 诶 它就是什么 就等于0.8
OK 好
好 那另外呢 还有一个什么 Geometry(p)
这也是我们 之前看到一个 常见的一个离散的随机变量的概率
好μx是什么
μx就是把x乘上它这个Px 好把它 这个PMF 把它 summation起来
那PMF如果你还记得是什么
就是1-p的x-1次方 乘上p 对不对好
这就是它的PMF
那PMF还要什么 还要乘上x 然后再summation起来
好那 所有可能的x是什么 要不要从负无穷大
不用啊 因为这个Geometry(p)只有在x大于等于0的时候才有值啊
所以 这个就没什么 那同学会说
诶 那这个不是 大x不是大于等于1吗 怎么会有0呢
没关系 这个summation不会有问题因为什么
因为当x=0的时候 这一项刚好消失
好 所以你这个summation从1开始写跟从0开始写都可以
好 那这个东西呢 等于多少
你看看啊 这其实是一个 这边长得像是一个1-p的x-1次方
这个x一直随着x的增加而增加
好所以这看起来是一个等比级数 对不对
但是前面有一个x 有一个公差在那边
所以这是一个 等差又等比的级数
那这个计算的话 其实高中的话应该都有算过这怎么算
老师就不再赘言了
好 基本上你能推导出来它是等于p分之1
好 那variance呢
还是利用刚刚那一招 x平方的期望值减去μx的平方
好 如果你去算的话也是一样 这个数列 你去处理它
你会发现说它等于p平方分之一乘以1-p好
老师也是非常强烈建议 你这两个
μx跟σx的平方你要去推导出来
好 这都不难 那老师写给你看也没有意义
因为写给你看的话 终究还不是你自己的
你这个能力还没有建立起来
好所以这个地方 老师把答案给你
但是呢 老师等下后面会教你怎么推导
拿poisson当例子让你来推导一下
好 同样的 Paskal(k, p)的话 你会发现说
同样的μx呢等于p分之k σx square呢
variance等于p平方分之k乘上1-p 好p平方分之k乘1-p
好 那你看看 again你再比较一下这两个
Geometry(p)的期望值是什么 是p分之1
可是呢 paskal的期望值是什么 是p分之k
欸 差几倍 差k倍
geometry的variance是什么 是p平方分之1-p
可是paskal是什么 p平方分之1-p再怎么 再乘上k
也是k倍
好 所以你看看 欸 这是不是巧合呢
跟刚才那个binomial的case类似 不是巧合
好 以后我们会证明这件事情
好 但是 欸 这个就告诉我们一个很好的方式来记啊
好这个Paskal(k, p)的 这个mean跟variance你需不需要背
不用背啊 geometry记起来就好啦
对不对 好
所以呢这个性质也是要记住
这是为什么老是把geometry跟paskal配对放在这边的一个原因
好
Explorer notre catalogue
Rejoignez-nous gratuitement et obtenez des recommendations, des mises à jour et des offres personnalisées.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
