一、几个不等式
1.1 切比雪夫不等式
对于任何具有有限方差的随机变量
ξ
\xi
ξ,都有
P
{
∣
ξ
−
E
ξ
∣
≥
ε
}
≤
D
ξ
ε
2
(1)
P\{|\xi-E\xi|\ge \varepsilon\}\le\frac{D\xi}{\varepsilon^2}\tag1
P{∣ξ−Eξ∣≥ε}≤ε2Dξ(1)
其中
ε
\varepsilon
ε是任一正数。
证明:
D
ξ
=
∫
−
∞
∞
(
x
−
E
ξ
)
2
d
F
(
x
)
≥
∫
∣
x
−
E
ξ
≥
ε
∣
(
x
−
E
ξ
)
2
d
F
(
x
)
≥
∫
∣
x
−
E
ξ
≥
ε
∣
ε
2
d
F
(
x
)
D\xi=\int_{-\infty}^{\infty}(x-E\xi)^2\, dF(x)\ge\int_{|x-E\xi\ge\varepsilon|}(x-E\xi)^2\, dF(x)\ge\int_{|x-E\xi\ge\varepsilon|}\varepsilon^2\, dF(x)
Dξ=∫−∞∞(x−Eξ)2dF(x)≥∫∣x−Eξ≥ε∣(x−Eξ)2dF(x)≥∫∣x−Eξ≥ε∣ε2dF(x)。
根据上述不等式,我们可以得到 P { ∣ ξ − E ξ D ξ ∣ ≥ δ } ≤ 1 δ 2 (2) P\{|\frac{\xi-E\xi}{\sqrt{D\xi}}|\ge\delta\}\le\frac{1}{\delta^2}\tag2 P{∣Dξξ−Eξ∣≥δ}≤δ21(2)
切比雪夫不等式利用随机变量 ξ \xi ξ的数学期望 E ξ E\xi Eξ和方差 D ξ = σ 2 D\xi=\sigma^2 Dξ=σ2对 ξ \xi ξ的概率分布进行估计。比如式子 ( 2 ) (2) (2)断言不管 ξ \xi ξ的分布是什么, ξ \xi ξ落在 ( E ξ − σ δ , E ξ + σ δ ) (E\xi-\sigma\delta,E\xi+\sigma\delta) (Eξ−σδ,Eξ+σδ)中的概率均不小于 1 − 1 δ 2 1-\frac{1}{\delta^2} 1−δ21
1.2 Cauchy —Schwarz不等式
对任意的随机变量
ξ
,
η
\xi, \eta
ξ,η都有
∣
E
ξ
η
∣
2
≤
E
ξ
2
⋅
E
η
2
(3)
|E\xi\eta|^2\le E\xi^2\cdot E\eta^2\tag3
∣Eξη∣2≤Eξ2⋅Eη2(3)
等式成立当且仅当
P
{
η
=
t
0
ξ
}
=
1
P\{\eta=t_0\xi\}=1
P{η=t0ξ}=1,这里
t
0
t_0
t0是某一个常数。
证明:
对任意实数
t
t
t,定于
u
(
t
)
=
E
(
t
ξ
−
η
)
2
=
t
2
E
ξ
2
−
2
t
E
ξ
η
+
E
η
2
u(t)=E(t\xi-\eta)^2=t^2E\xi^2-2tE\xi\eta+E\eta^2
u(t)=E(tξ−η)2=t2Eξ2−2tEξη+Eη2,显然
u
(
t
)
≥
0
u(t)\ge0
u(t)≥0恒成立,所以根的判别式
∣
E
ξ
η
∣
2
−
E
ξ
2
⋅
E
η
2
≤
0
|E\xi\eta|^2 - E\xi^2\cdot E\eta^2\le0
∣Eξη∣2−Eξ2⋅Eη2≤0。
二、数字特征
2.1 期望
若随机变量 ξ \xi ξ的分布函数为 F ( x ) F(x) F(x),则定义 E ξ = ∫ − ∞ ∞ x d F ( x ) (4) E\xi=\int_{-\infty}^{\infty}x\,dF(x)\tag4 Eξ=∫−∞∞xdF(x)(4)为 ξ \xi ξ的数学期望,要求上述积分绝对收敛,否则数学期望不存在。
2.2 方差
若 E ( ξ − E ξ ) 2 E(\xi-E\xi)^2 E(ξ−Eξ)2存在,则称它为随机变量 ξ \xi ξ的方差,记为 D ξ D\xi Dξ,易得 D ξ = E ξ 2 − ( E ξ ) 2 D\xi=E\xi^2-(E\xi)^2 Dξ=Eξ2−(Eξ)2
2.3 协方差
称 σ i j = c o v ( ξ i , ξ j ) = E [ ( ξ i − E ξ i ) ( ξ j − E ξ j ) ] \sigma_{ij}=cov(\xi_i, \xi_j)=E[(\xi_i-E\xi_i)(\xi_j-E\xi_j)] σij=cov(ξi,ξj)=E[(ξi−Eξi)(ξj−Eξj)]为随机变量 ξ i \xi_i ξi与 ξ j \xi_j ξj的协方差。
不难验算:
c
o
v
(
ξ
i
,
ξ
j
)
=
E
ξ
i
ξ
j
−
E
ξ
i
⋅
E
ξ
j
(5)
cov(\xi_i,\xi_j)=E\xi_i\xi_j-E\xi_i\cdot E\xi_j\tag5
cov(ξi,ξj)=Eξiξj−Eξi⋅Eξj(5)
D
(
∑
i
=
1
n
ξ
i
)
=
∑
i
=
1
n
D
ξ
i
+
2
∑
1
≤
i
<
j
≤
n
c
o
v
(
ξ
i
,
ξ
j
)
(6)
D(\sum\limits_{i=1}^n\xi_i)=\sum\limits_{i=1}^nD\xi_i+2\sum\limits_{1\le i\lt j\le n}cov(\xi_i,\xi_j)\tag6
D(i=1∑nξi)=i=1∑nDξi+21≤i<j≤n∑cov(ξi,ξj)(6)
2.4 相关系数
称 ρ i j = c o v ( ξ i , ξ j ) D ξ i D ξ j (7) \rho_{ij}=\frac{cov(\xi_i, \xi_j)}{\sqrt{D\xi_i}\sqrt{D\xi_j}}\tag7 ρij=DξiDξjcov(ξi,ξj)(7)为 ξ i , ξ j \xi_i, \xi_j ξi,ξj的相关系数。
当 ∣ ρ i j ∣ = 1 |\rho_{ij}|=1 ∣ρij∣=1时,两个随机变量完全相关,当 ∣ ρ i j ∣ = 0 |\rho_{ij}|=0 ∣ρij∣=0时,两个随机变量不相关。
性质:
如果
ξ
\xi
ξ和
η
\eta
η独立,那么它们不相关,但反之不一定成立。不过对于正态随机变量和二值随机变量,不相关性和独立性是等价的。
2.5 矩
对于正整数 k k k,称 m k = E ξ k m_k=E\xi_k mk=Eξk为 k k k阶原点矩, c k = E ( ξ − E ξ ) k c_k=E(\xi-E\xi)^k ck=E(ξ−Eξ)k为 k k k阶中心矩。
2.6 条件数学期望
在 ξ = x \xi=x ξ=x的条件下, η \eta η的条件数学期望为 E { η ∣ ξ = x } = ∫ − ∞ ∞ y p ( y ∣ x ) d y (8) E\{\eta |\xi=x\}=\int_{-\infty}^{\infty}yp(y|x)\,dy\tag8 E{η∣ξ=x}=∫−∞∞yp(y∣x)dy(8)
根据定义可以推导出重期望公式 E η = E [ E { η ∣ ξ } ] (9) E\eta=E[E\{\eta|\xi\}]\tag9 Eη=E[E{η∣ξ}](9)