机器学习|数学期望（随机变量、随机变量函数）+k阶原点矩、中心矩|15mins入门|概统学习笔记（八）

数学期望

1.随机变量的数学期望

• 背景：如果知道了随机变量X的概率分布，那么X的全部概率特征也就都知道了，但是在实际问题中，概率分布一般是比较难确定的，因此人们并不需要知道随机变量的一切概率性质，只要知道它的某些数字特征（期望和方差）就够了。

• 离散型随机变量的数学期望

  设X是离散型随机变量，它的概率函数是$P(X=X_k)=p_k,k=1,2,...$

  如果${\sum }_{k=1}^{\infty }|x_k|p_k$有限，定义X的数学期望为：
  $$E(X)=\sum _{k=1}^{\infty }{x}_k{p}_k$$
  也就是说，离散型随机变量的数学期望是一个绝对收敛的级数的和

• 连续型随机变量的数学期望

  设X是连续型随机变量，其密度函数为$f(x)$，在数轴上取很密的分点$x_0<x_1<x_2<...,$则X落在小区间$[x_i,x_{i+1}$的概率是
  $${\int }_{x_i}^{x_{i+1}}f(x)dx\approx f(x_i)(x_{i+1}-x_i)=f(x_i)\Delta x_i$$

​ 如果${\int }_{-\infty }^{\infty }|x|f(x)dx$有限，定义X的数学期望为：
$$E(X)={\int }_{-\infty }^{\infty }xf(x)dx$$
​ 也就是说，连续型随机变量的数学期望是一个绝对收敛的积分

• 由随机变量数学期望的定义，不难计算得：

  • 若X服从参数为$\lambda$的泊松分布，则
    $$E(X)=\lambda$$

  • 若$X$~$U(a,b)$,即X服从(a,b)上的均匀分布，则
    $$E(X)=\frac{a+b}{2}$$

  • 若X服从$N(\mu ,{\sigma }^2)$，则
    $$E(X)=\mu$$

2.随机变量函数的数学期望

• 背景：设已知随机变量X的分布，需要计算的不是X的期望，而是X的某个函数的期望，比如说是g(X)的期望，该如何计算呢？

  因为$g(X)$也是随机变量，故应有概率分布，它的分布可以由已知的X的分布求出来，一旦知道了$g(X)$的分布，就可以按照期望的定义把$E[g(X)]$计算出来，但是这种方法一般比较复杂。

• 引入$E(X)$的推理，可得如下的基本公式：

  设X是一个随机变量，$Y=g(X)$,则
  $$E(Y)=E[g(X)]=\{\begin{array}{l}{\sum }_{k=1}^{\infty }g(x_k)p_k,X为离散型\\ {\int }_{-\infty }^{\infty }g(x)f(x)dx,X为连续型\end{array}$$
  当X为离散型时，$P(X=x_k)=p_k$

  当X为连续型时，X的密度函数为$f(x)$

  因此，求 $E[g(X)]$时，就不必知道$g(X)$的分布，而只需知道X的分布就可以计算$g(X)$的数学期望

• 将$g(X)$特殊化，可得到各种数字特征：

  • k阶原点矩 $E(X^k)$
  • k阶中心距 $E([X-E(X){]}^k)$
  • k阶绝对原点矩 $E(|X{|}^k)$
  • k阶绝对中心矩 $E(|X-E(X){|}^k)$

  其中k是正整数。

3.数学期望的性质

1. 设C是常数，则$E(C)=C$

2. 若k是常数，则$E(kX)=kE(X)$

3. $E(X_1+X_2)=E(X_1)+E(X_2)$

   推广：$E[{\sum }_{i=1}^n{X}_i]={\sum }_{i=1}^{n}E(X_i)$

4. 设X、Y独立，则$E(XY)=E(X)E(Y)$，反过来不一定成立

   推广：$E[{\prod }_{i=1}^n{X}_i]={\prod }_{i=1}^{n}E(X_i)(诸X_i独立时)$