连续随即变量的和与乘积的计算,如下图:
另外,关于二元函数的微分运算,可以用矩阵来考察,即离散型(或者连续型)期望值可分解为如下矩阵中各项之和的形式。
[ x 1 y 1 x 1 y 2 x 1 y 3 . . . x 1 y n x 2 y 1 x 2 y 2 x 2 y 3 . . . x 2 y n x 3 y 1 x 3 y 2 x 3 y 3 . . . x 3 y n . . . . . . . . . . . . . . . x m y 1 x m y 2 x m y 3 . . . x m y n ] \begin{bmatrix} x_1 y_1 & x_1y_2 &x_1y_3 & ... &x_1y_n\\ x_2y_1 & x_2y_2 & x_2y_3 & ... & x_2y_n \\ x_3y_1 & x_3y_2 & x_3y_3 & ... & x_3y_n \\ ... & ...& ...& ... & ... \\ x_my_1 & x_my_2 & x_my_3 & ... & x_my_n\\ \end{bmatrix} x1y1x2y1x3y1...xmy1x1y2x2y2x3y2...xmy2x1y3x2y3x3y3...xmy3...............x1ynx2ynx3yn...xmyn
比如相互独立的二维离散随机变量的期望值计算如下:
∑ i = i m ∑ j = 1 n x i y j P ( x i , y j ) = ∑ i = i m ∑ j = 1 n x i y j P ( x i ) P ( y j ) = ∑ i = i m [ x i P ( x i ) ∑ j = 1 n y j P ( y j ) ] = ( ∑ i = i m x i P ( x i ) ) ( ∑ j = 1 n y j P ( y j ) ) = E x E y \sum _{i=i}^m \sum_{j=1}^n x_i y_j P(x_i,y_j) = \sum _{i=i}^m \sum_{j=1}^n x_i y_j P(x_i)P(y_j) =\\ \sum _{i=i}^m \Biggl [ x_i P(x_i) \sum_{j=1}^n y_j P(y_j) \Biggr ] = \\ \biggl(\sum _{i=i}^m x_i P(x_i) \biggl ) \biggl(\sum_{j=1}^n y_j P(y_j) \biggr) = E_x E_y i=i∑mj=1∑nxiyjP(xi,yj)=i=i∑mj=1∑nxiyjP(xi)P(yj)=i=i∑m[xiP(xi)j=1∑nyjP(yj)]=(i=i∑mxiP(xi))(j=1∑nyjP(yj))=ExEy