随机变量的数字特征：量化随机现象的核心指标

引言

数字特征是概率论的‘语言翻译器’——它将复杂的随机分布浓缩为数学期望、方差、协方差等直观数字。这些指标如同随机变量的‘DNA’，揭示其最核心的统计规律。本章将带你掌握这些关键工具，实现从概率分布到现实决策的跨越。

4 随机变量的数字特征

4.1 数学期望：分布的中心位置

定义（加权平均值）

类型	公式
离散型	$E(X)={\sum }_k{x}_k{p}_k$
连续型	$E(X)={\int }_{-\infty }^{\infty }xf(x)dx$

定理

设 $Y=g(X)$，其中 $g(\cdot )$ 是一个实值函数，$X$ 是一个随机变量。则 $Y$ 的期望可直接通过 $X$ 的分布来计算，无需先求 $Y$ 的分布。

• 若 $X$ 为离散型随机变量，则：

$$E(Y)=E(g(X))=\sum _{k}g(x_k)p_k$$

• 若 $X$ 为连续型随机变量，其概率密度函数为 $f(x)$，则：

$$E(Y)=E(g(X))={\int }_{-\infty }^{\infty }g(x)f(x)dx$$

推广

设 $X$、$Y$ 是两个随机变量，具有联合概率分布。设 $g(x,y)$ 是一个实值函数，定义新的随机变量：
$$Z=g(X,Y)$$

• 若 $(X,Y)$ 是二维离散型随机变量，其联合概率质量函数为：

$$p_{ij}=P(X=x_i,Y=y_j)$$
则：
$$E(Z)=E(g(X,Y))=\sum _i\sum _{j}g(x_i,y_j)p_{ij}$$

---

• 若 $(X,Y)$ 是二维连续型随机变量，其联合概率密度函数为 $f(x,y)$，则：

$$E(Z)=E(g(X,Y))={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }g(x,y)f(x,y)dxdy$$

注：以上级数或积分要求绝对收敛，即 $E(|X|)<\infty$，否则期望不存在。

性质

1. $E(c)=c$ （常数期望为自身）
2. $E(aX+b)=aE(X)+b$
3. $E(X+Y)=E(X)+E(Y)$
4. 独立性特例：若$X,Y$独立，则$E(XY)=E(X)E(Y)$

---

4.2 方差：分布的离散程度

定义（偏离期望的平方均值）

$$D(X)=E\left[(X-E(X){)}^2\right]$$

计算公式（更实用的形式）

$$D(X)=E(X^2)-[E(X){]}^2$$

性质

1. $D(c)=0$ （常数方差为0）

2. $D(aX+b)=a^{2}D(X)$

3. 设 $X$、$Y$ 是两个随机变量，且期望存在，方差也存在。则 $X+Y$ 的方差为：
   $$D(X+Y)=D(X)+D(Y)+2\text{Cov}(X,Y)$$
   其中，$\text{Cov}(X,Y)$ 是 $X$ 与 $Y$ 的协方差，定义为：
   $$\text{Cov}(X,Y)=E\left[(X-E(X))(Y-E(Y))\right]=E(XY)-E(X)E(Y)$$
   若X，Y相互独立，则
   $$D(X+Y)=D(X)+D(Y)$$

4. 推广到线性组合：对任意常数 $ a, b $，有：
   $$D(aX+bY)=a^{2}D(X)+b^{2}D(Y)+2ab\text{Cov}(X,Y)$$

5. $D(X)=0\leftrightarrow P(X=E(X))=1$

• 含义：如果一个随机变量的方差为 0，那它就不是一个“真正的随机变量”，而是一个确定性的常数。

标准差

$$\sigma (X)=\sqrt{D(X)}$$

常见分布期望方差：

分布类型	参数	期望公式	方差公式
二项分布	$B(n,p)$	$E(X)=np$	$D(X)=np(1-p)$
泊松分布	$\pi (\lambda )$	$E(X)=\lambda$	$D(X)=\lambda$
均匀分布	$U(a,b)$	$E(X)=\frac{a+b}{2}$	$D(X)=\frac{(b-a{)}^2}{12}$
正态分布	$N(\mu ,{\sigma }^2)$	$E(X)=\mu$	$D(X)={\sigma }^2$
指数分布	$Exp(\lambda )$	$E(X)=\frac{1}{\lambda }$	$D(X)=\frac{1}{{\lambda }^2}$

4.3 协方差与相关系数：联合分布的关系度量

协方差

$$\text{Cov}(X,Y)=E[(X-E(X))(Y-E(Y))]$$
计算式：$\text{Cov}(X,Y)=E(XY)-E(X)E(Y)$

性质

性质	描述	统计意义
对称性	$\text{Cov}(X,Y)=\text{Cov}(Y,X)$	表明协方差不依赖变量顺序，反映两个变量之间的双向线性相关性
自协方差	$\text{Cov}(X,X)=D(X)$	协方差退化为方差，表示变量自身的波动程度
线性性	$\text{Cov}(aX+b,cY+d)=ac\cdot \text{Cov}(X,Y)$	常数平移不影响协方差，缩放只与系数乘积有关，体现线性变换下的稳定性
可加性	$\text{Cov}(X+Y,Z)=\text{Cov}(X,Z)+\text{Cov}(Y,Z)$	表明协方差在多个变量共同作用下具有可分解性，便于多变量相关性分析

相关系数（标准化协方差）

$${\rho }_{XY}=\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}(-1\le \rho \le 1)$$

性质与意义

指标	性质	统计意义
${\rho }_{XY}=0$	称为不相关	无线性关联（注意：未必独立）
${\rho }_{XY}=1$	完全正相关	$Y=aX+b(a>0)$
${\rho }_{XY}=-1$	完全负相关	$Y=aX+b(a<0)$

关键区别：

• 独立 ⇒ 不相关（$\rho =0$）
• 不相关 ⇏ 独立（除非是正态分布）

---

4.4 矩：分布形态的全面描述

矩的定义

• k阶原点矩：${\mu }_k^{\prime }=E(X^k)$
• k阶中心矩：${\mu }_k=E\left[(X-E(X){)}^k\right]$
• k+l阶混合矩：${\mu }_{k,l}^{\prime }=E(X^k{Y}^l)$
• k+l阶中心混合矩：${\mu }_{k,l}=E\left[(X-E(X){)}^k(Y-E(Y){)}^l\right]$

常用矩的统计意义

阶数	名称	意义
一阶原点矩	期望	分布中心位置
二阶中心矩	方差	数据离散程度
二阶混合中心矩	协方差	X 和 Y 之间的线性相关性
三阶中心矩	偏度	分布对称性（左偏<0，右偏>0）
四阶中心矩	峰度	分布陡峭度（越大越陡峭）

---

4.5 协方差矩阵：多维随机变量的数字特征

定义（以二维为例）

$$\mathbf{\Sigma }=\left[\begin{array}{cc}D(X)& \text{Cov}(X,Y)\\ \text{Cov}(Y,X)& D(Y)\end{array}\right]$$

性质

1. 对称性：$\text{Cov}(X,Y)=\text{Cov}(Y,X)$
2. 半正定性：对任意向量$\mathbf{a}$，有${\mathbf{a}}^T\mathbf{\Sigma a}\ge 0$

应用场景：

• 投资组合风险分析
• 多元正态分布的参数表示

---

4.6 切比雪夫不等式：方差的实际应用

定理（概率边界估计）

$$P(|X-E(X)|\ge \epsilon )\le \frac{D(X)}{{\epsilon }^2}$$

应用示例：
已知某零件寿命$E(X)=5$年，$D(X)=1$年²，则：
$$P(|X-5|\ge 2)\le \frac{1}{4}=25\%$$
→ 至少有75%的零件寿命在3-7年之间