1. 期望
定义
设
P
(
x
)
P(x)
P(x)是一个离散概率分布函数,自变量的取值范围为
{
x
1
,
x
2
,
⋯
,
x
n
}
\{x_1, x_2, \cdots, x_n\}
{x1,x2,⋯,xn}。其期望被定义为:
E ( x ) = ∑ k = 1 n x k P ( x k ) E(x)=\sum_{k=1}^n{x_kP(x_k)} E(x)=k=1∑nxkP(xk)
设 p ( x ) p(x) p(x)是一个连续概率密度函数。其期望为:
E ( x ) = ∫ − ∞ + ∞ x p ( x ) d x E(x)=\int_{-\infty}^{+\infty}{xp(x)dx} E(x)=∫−∞+∞xp(x)dx
性质
1.1 线性运算规则
期望服从线性性质(可以很容易从期望的定义公式中导出)。因此线性运算的期望等于期望的线性运算:
E ( a x + b y + c ) = a E ( x ) + b E ( y ) + c E(ax+by+c)=aE(x)+bE(y)+c E(ax+by+c)=aE(x)+bE(y)+c
这个性质可以推广到任意一般情况:
E ( ∑ k = 1 n a i x i + c ) = ∑ k = 1 n a i E ( x i ) + c E(\sum_{k=1}^{n}{a_ix_i}+c)=\sum_{k=1}^{n}{a_iE(x_i)}+c E(k=1∑naixi+c)=k=1∑naiE(xi)+c
1.2 函数的期望
设 f ( x ) f(x) f(x)为x的函数,则 f ( x ) f(x) f(x)的期望为:
离散:
E ( f ( x ) ) = ∑ k = 1 n f ( x k ) P ( x k ) E(f(x))=\sum_{k=1}^n{f(x_k)P(x_k)} E(f(x))=k=1∑nf(xk)P(xk)
连续:
E ( f ( x ) ) = ∫ − ∞ + ∞ f ( x ) p ( x ) d x E(f(x))=\int_{-\infty}^{+\infty}{f(x)p(x)dx} E(f(x))=∫−∞+∞f(x)p(x)dx
一定要注意,函数的期望不等于期望的函数,即 E ( f ( x ) ) ≠ f ( E ( x ) ) E(f(x)) \ne f(E(x)) E(f(x))=f(E(x))!。
1.3 乘积的期望
一般来说,乘积的期望不等于期望的乘积,除非变量相互独立。因此,如果x和y相互独立,则 E ( x y ) = E ( x ) E ( y ) E(xy)=E(x)E(y) E(xy)=E(x)E(y)。
期望的运算构成了统计量的运算基础,因为方差、协方差等统计量本质上是一种特殊的期望。
1.4 条件期望:
如果现在 X {\displaystyle X} X 是一个连续随机变量,而 Y {\displaystyle Y} Y 是一个离散变量,条件期望是:
E ( X ∣ Y = y ) = ∫ X x f X ( x ∣ Y = y ) d x \mathrm{E}(X | Y=y)=\int_{\mathcal{X}} x f_{X}(x | Y=y) d x E(X∣Y=y)=∫XxfX(x∣Y=y)dx
其中, f X ( ⋅ ∣ Y = y ) {\displaystyle f_{X}(\,\cdot \,|Y=y)} fX(⋅∣Y=y) 是在给定 Y = y {\displaystyle Y=y} Y=y下 X {\displaystyle X} X 的条件概率密度函数。
2. 方差
定义
方差是一种特殊的期望,被定义为:
V a r ( x ) = E ( ( x − E ( x ) ) 2 ) Var(x)=E((x-E(x))^2) Var(x)=E((x−E(x))2)
性质
2.1 展开表示
反复利用期望的线性性质,可以算出方差的另一种表示形式:
V a r ( x ) = E ( ( x − E ( x ) ) 2 ) = E ( x 2 − 2 x E ( x ) + ( E ( x ) ) 2 ) = E ( x 2 ) − 2 E ( x ) E ( x ) + ( E ( x ) ) 2 = E ( x 2 ) − 2 ( E ( x ) ) 2 + ( E ( x ) ) 2 = E ( x 2 ) − ( E ( x ) ) 2 \begin{array}{l l l} Var(x) & = & E((x-E(x))^2) \\ & = & E(x^2-2xE(x)+(E(x))^2) \\ & = & E(x^2)-2E(x)E(x)+(E(x))^2 \\ & = & E(x^2)-2(E(x))^2+(E(x))^2 \\ & = & E(x^2)-(E(x))^2 \end{array} Var(x)=====E((x−E(x))2)E(x2−2xE(x)+(E(x))2)E(x2)−2E(x)E(x)+(E(x))2E(x2)−2(E(x))2+(E(x))2E(x2)−(E(x))2
2.2 常数的方差
常数的方差为0,由方差的展开表示很容易推得。
2.3 线性组合的方差
方差不满足线性性质,两个变量的线性组合方差计算方法如下:
V a r ( a x + b y ) = a 2 V a r ( x ) + b 2 V a r ( y ) + 2 C o v ( x , y ) Var(ax+by)=a^2Var(x)+b^2Var(y)+2Cov(x,y) Var(ax+by)=a2Var(x)+b2Var(y)+2Cov(x,y)
其中 C o v ( x , y ) Cov(x,y) Cov(x,y)为x和y的协方差。
2.4 独立变量的方差
如果两个变量相互独立,则:
V a r ( a x + b y ) = a 2 V a r ( x ) + b 2 V a r ( y ) Var(ax+by)=a^2Var(x)+b^2Var(y) Var(ax+by)=a2Var(x)+b2Var(y)
作为推论,如果x和y相互独立: V a r ( x + y ) = V a r ( x ) + V a r ( y ) Var(x+y)=Var(x)+Var(y) Var(x+y)=Var(x)+Var(y)。
3. 协方差
定义
两个随机变量的协方差被定义为:
C o v ( x , y ) = E ( ( x − E ( x ) ) ( y − E ( y ) ) ) Cov(x,y)=E((x-E(x))(y-E(y))) Cov(x,y)=E((x−E(x))(y−E(y)))
因此方差是一种特殊的协方差。当x=y时, C o v ( x , y ) = V a r ( x ) = V a r ( y ) Cov(x,y)=Var(x)=Var(y) Cov(x,y)=Var(x)=Var(y)。
性质
1、独立变量的协方差
独立变量的协方差为0,可以由协方差公式推导出。
2、线性组合的协方差
协方差最重要的性质如下:
C o v ( ∑ i = 1 m a i x i , ∑ j = 1 n b j y j ) = ∑ i = 1 m ∑ j = 1 n a i b j C o v ( x i , y j ) Cov(\sum_{i=1}^m{a_ix_i}, \sum_{j=1}^n{b_jy_j})=\sum_{i=1}^m{\sum_{j=1}^n{a_i b_j Cov(x_i, y_j)}} Cov(i=1∑maixi,j=1∑nbjyj)=i=1∑mj=1∑naibjCov(xi,yj)
很多协方差的计算都是反复利用这个性质,而且可以导出一些列重要结论。
作为一种特殊情况:
C o v ( a + b x , c + d y ) = b d C o v ( x , y ) Cov(a+bx,c+dy)=bdCov(x,y) Cov(a+bx,c+dy)=bdCov(x,y)
另外当x=y时,可以导出方差的一般线性组合求解公式:
V a r ( ∑ k = 1 n a i x i ) = ∑ i = 1 n ∑ j = 1 n a i a j C o v ( x i , x j ) Var(\sum_{k=1}^n{a_ix_i})=\sum_{i=1}^n{\sum_{j=1}^n{a_ia_jCov(x_i,x_j)}} Var(k=1∑naixi)=i=1∑nj=1∑naiajCov(xi,xj)
4. 相关系数
定义
相关系数通过方差和协方差定义。两个随机变量的相关系数被定义为:
C o r r ( x , y ) = C o v ( x , y ) V a r ( x ) V a r ( y ) Corr(x,y)=\frac{Cov(x,y)}{\sqrt{Var(x)Var(y)}} Corr(x,y)=Var(x)Var(y)Cov(x,y)
性质
1、有界性
相关系数的取值范围为-1到1,其可以看成是无量纲的协方差。
2、统计意义
值越接近1,说明两个变量正相关性(线性)越强,越接近-1,说明负相关性越强,当为0时表示两个变量没有相关性。
参考: