概率论基础 —— 8.数学期望、方差、协方差

我们在学习了离散型和连续型随机概率事件，以及它们的分布函数和密度概率函数之后。接下来我们要学习对概率事件进行评判的技术——期望、方差、协方差。
这些概念有什么用呢，举例来说，对于一次期末考试，如何评估同一个年级的不同班级的学生的学习状况差异，如何找出年级最优班级和最差班级呢，以及在两个班级整体状况都相差不大时，如何比较一个班级学生成绩情况比另一个班级更好呢？
如果还记得我们前面提到过的概率分布函数，那么就可以知道这一类样本的比较，其实属于对样本的分布规律的分析。

期望 (Expectation)

只要样本遵循一定的分布，比如说打靶落入靶上的落点就一定分布在靶心周围。又比如加工一批零件，比如笔记本上常见的m2螺丝，加工出来的螺丝精度一定在标准设计尺寸上轻微浮动。

对于数学期望来说，如果统计的事件样本它本身遵循一定分布规律，那么它必然有朝着某个值收敛的特征，着这就是期望。

计算数学期望的方法其实很简单，就是算概率均值，所以在一些数学统计库（程序）里，相关的函数名字可能叫mean（均值），或者expect（期望）。

它的计算方法，对于离散和连续基本是相似的，其数学表示符号是 $E(X)$：

离散型

$$E(X)=\sum x_i{p}_i$$

$x_i$，$k_i$分别表示样本值，和样本出现概率。

连续型

$$E(X)=\int xf(x)dx$$

$f(x)$学了之前的章节应该认识，它就是概率密度。

方差 (Variance / Square Difference)

我们用期望，计算样本通常收敛在什么值的范围，自然还需要关心样本之间的误差范围。以最开始用来举例的班级期末考试为例，学校需要知道某个年级的A，B，C，D四个班级成绩情况，如果计算期望后，发现它们都收敛在80分左右，那么就需要另外一个指标帮助判断各班级的学习情况

在期望都是80分的情况下，学生们的成绩越接近，说明班级同学的差异越少。反之，则说明班级里有学习特别好的人和特别差的人，对于成绩好的学生他们有可能有参加额外的课外补习，而成绩差的有可能放学后放羊的更多。

对于前一种情况，我们从学校的角度来看，说明该班级的负责老师，教育水平不错，管理能力也不错，学生们受到了足够且充分的教育。而后一种情况，既有可能是老师的水平不行，也有可能是班级同学间的家庭差异过大导致的异常。

那么从数学上，一眼看出两组样本在统计上的差异，通常就会用到所谓方差的概念。

Variance 的英文语义是值的样本差异，而方差则是国内根据样本计算方法给予的命名，即平方差，样本与期望之间差的平方，计算方式也大体上差不多。

离散型

$$D(X)=\sum (x_i-\mu {)}^2$$

连续型

$$D(X)=\int (x-\mu {)}^{2}f(x)dx$$

$\mu$ 在这里都表示期望。此外，我们有一个快速计算方差的公式：

$$D(X)=E(X^2)-E^2(X)$$

即：平方的期望减去期望的平方。

快速计算方差的公式 $D(X)=E(X^2)-E^2(X)$ 的推导过程其实是从方差的定义出发，通过简单的代数变换得到的。以下是详细的推导过程：

1. 方差的定义。方差 $D(X)$ 定义为随机变量 $X$ 与其期望 $E(X)$ 之间差异的平方的期望，即：
   $$D(X)=E[(X-E(X){)}^2]$$
2. 展开平方。我们首先对括号中的表达式进行展开：
   $$D(X)=E[X^2-2X\cdot E(X)+E(X{)}^2]$$
   这里用了平方的展开公式 $(a-b{)}^2=a^2-2ab+b^2$，其中 $a=X$ 和 $b=E(X)$。
3. 期望的线性性质。期望运算符 $E[\cdot ]$ 是线性的，因此我们可以将期望作用在每一项上：
   $$D(X)=E[X^2]-2E[X\cdot E(X)]+E[E(X{)}^2]$$
4. 简化表达式。接下来，我们对公式进行简化：
   对于第二项 $E[X\cdot E(X)]$，因为 $E(X)$ 是一个常数，可以将其提到期望运算符外：
   $$E[X\cdot E(X)]=E(X)\cdot E(X)=E(X{)}^2$$
   对于第三项 $E[E(X{)}^2]$，因为 $E(X)$ 是常数，因此其平方也是常数，可以直接简化为：
   $$E[E(X{)}^2]=E(X{)}^2$$
   将这些代入方差的表达式中，我们得到：
   $$D(X)=E[X^2]-2E(X{)}^2+E(X{)}^2$$
5. 合并项。我们合并同类项：
   $$D(X)=E[X^2]-E(X{)}^2$$
   因此，我们得到了快速计算方差的公式。

均方差（Mean Variance / Mean Square）

此外，从方差还引申出均方差的概念，也就是对方差算平均值，在随机下降算法中被应用在评判模型与观测值的误差程度。

$$D(\bar{X})=\frac{D(X)}{n}$$

标准差（Standard Deviation）

方差的开根号形式，记得好像中学教材中用的挺多，但是对于科研和实际工作中因为其形式就是方差的开根号形式，所以反而不常用。数学符号通常用 $\sigma$表示，方差的数学符号通常用 ${\sigma }^2$，均方差在传统的数学论文中不怎么常见，所以印象中好像没有专门的符号表示，而在AI领域的论文中通常以简写MSE（Mean Square Equation）或者（Mean Square Error）即均方差误差，形式表示。

另外补充一点，在算法、数据挖掘、AI等领域中，PDF不是指那个看文件的软件，通常指概率密度函数（ Probability Density Function）。你看，没用的知识点是不是又增加了一点？

$$\sigma =\sqrt{D(X)}=\sqrt{{\sigma }^2}$$

关于期望、方差数学符号表示需要注意的一点

另外多说一点，就是在一些论文或者之前提到过的《五种重要的概率分布模型》 中，期望有时候又被写成 $\lambda$， 而方差一般习惯性用 ${\sigma }^2$ 进行表示，因此对于标准差，就是 $\sigma$ 了。

苏联体系、英美体系在很多科学技术上符号的应用上很多没有得到有效的统一（这不仅仅在数学，物理学，电学等诸学科里都有所体现），或者形成个统一的世界规范。这对于做科研，比如在阅读文献的时候会造成一定的混淆。

所以，这要求我们在学习这些知识时，一定要理解公式背后的数学含义。而不能简简单单的死记公式。

协方差(Covariance / Correlation Coefficient)

方差是协方差的一种，不过协方差更多的是表示两个变量的变化趋势是否一致。也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

协方差的计算公式为：

$Cov(X,Y)=E[(X-{\mu }_x)(Y-{\mu }_y)]$

或者

$Cov(X,Y)=E[(X-E(X))(Y-E(Y))]$ 也就是X和Y分别与它的期望的差的积。

而从协方差中会得到引申，就是关联系数，即：

$$\rho =\frac{Cov(X,Y)}{{\sigma }_x{\sigma }_y}$$

这里的 $\sigma$ 是标准差的意思，还有另外的一个表达形式：

$$\rho =\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$$

这里都是一个意思，只是表达形式上的差异。它有几个等式，其实非常容易推导并证明，你只要把这几个符号代表的函数式代入就能得到了。

1. $Cov(X,Y)=Cov(Y,X)$
2. $Cov(X,X)=D(X)$
3. $D(X+Y)=D(X)+D(Y)+2Cov(X,Y)$
4. $Cov(X,Y)=E(XY)-E(X)E(Y)$

最后，来做一点题吧

例题

例1

设一电路中电流 $I(A)$ 与电阻 $R(\Omega )$ 是两个相互独立的随机变量，其概率密度分别为：
$$g(i)=\{\begin{array}{cc}2i& 0\le i\le 1\\ 0& else\end{array}$$
$$h(r)=\{\begin{array}{cc}\frac{r^2}{9}& 0\le r\le 3\\ 0& else\end{array}$$
试求电压V=IR的均值。

解

扯一点题外话，这类问题在电路中比较常见，比如说直流纹波。比如电路是通过交流电转直流后，经过交变直电路后，多少会存在纹波现象。此外，电路中因为电磁干扰，信号电路也会产生纹波现象。还有，电阻通电后，由于温度、电压变化，也会出现其伏安特性的变化。

这题比较简单，总的来说就是求期望值/均值。只要我们记得对于连续型随机变量，其均值/期望值是如何求解的公式，就能比较容易做出这道题了。

$$E(V)=E(IR)=\int ig(i)di\cdot \int rh(r)dr$$

带入题干给出的密度公式，和积分范围：

$$E(V)=\frac{2}{3}{i}^3{|}_0^1\cdot \frac{1}{36}{r}^4{|}_0^3=(\frac{2}{3})(\frac{9}{4})=\frac{3}{2}V$$

例2

随机变量 $X$ 的分布律如下：

X	0	1	2
P	0.4	0.3	0.2

求
(1) $E(X)$;
(2) $Y=X^2$， 求 E(Y);
(3) D(X)

解（1）， 第一题很简单，直接带入离散型的期望公式

$$E(X)=\sum x_i{p}_i=0\ast 0.4+1\ast 0.3+2\ast 0.2=0.7$$

解（2），这题跟我们之前做离散型的分布律是一样的，先写出Y的分布律

X	0	1	2
Y	0	1	4
P	0.4	0.3	0.3

所以

$$E(Y)=0\ast 0.4+1\ast 0.3+4\ast 0.3=1.5$$

解（3），我们直接引用公式 $D(X)=E(X^2)-E^2(X)$，所以有：

$$D(X)=1.5-0.7^2=1.01$$

常用分布的数学期望和方差

再就是这个别人总结的常用数学期望和方差表

还有就是期望和方差的一些计算公式，如果记不住也没关系，可以直接用公式快速的推导。

另外，关于协方差涉及到一些其他知识点，我们在下一章里再见！