数学期望
离散型
设离散型随机变量
X
X
的分布律为:
若级数
绝对收敛,则称级数 ∑∞k=1xkpk ∑ k = 1 ∞ x k p k 的和为随机变量 X X 的数学期望,即为
即:
连续型
设连续型随机变量
X
X
的概率密度为,若积分
绝对收敛,则称积分 ∫+∞−∞xf(x)dx ∫ − ∞ + ∞ x f ( x ) d x 的值为变量 X X 的数学期望,记为,即:
数学期望简称期望,又称均值
数学期望 E(X) E ( X ) 完全由随机变量 X X 的概率分布所确定。若服从某一分布,也称 E(X) E ( X ) 是这一分布的数学期望。
定理:
设
Y
Y
是随机变量的函数:
Y=g(X)
Y
=
g
(
X
)
(
g
g
是连续函数)
如果
X
X
是离散型随机变量,它的分布律,若
∑∞k=1g(xk)pk
∑
k
=
1
∞
g
(
x
k
)
p
k
绝对收敛,则有:
(II) ( I I ) 如果 X X 是连续型随机变量,它的概率密度为,若 ∫∞−∞g(x)f(x)dx ∫ − ∞ ∞ g ( x ) f ( x ) d x 绝对收敛,则有:
方差
方差是为了研究随机变量与其均值的偏离程度。
能够度量随机变量与其均值的偏离程度。但是由于上式带有绝对值,运算不方便,于是为了运算方便起见。通常使用
定义:
设
X
X
是一个随机变量,若存在,则称
E{[X−E(X)]2}
E
{
[
X
−
E
(
X
)
]
2
}
为
X
X
的方差,记为或
Var(X)
V
a
r
(
X
)
,即:
由定义而言方差就是随机变量 X X 的函数的数学期望
于是对于离散型随机变量有:
其中 P{X=xk}=pk,k=1,2,⋯ P { X = x k } = p k , k = 1 , 2 , ⋯ 是 X X 的分布律
对于连续型随机变量有:
随机变量的方差可以按照以下公式计算:
标准化变量
设随机变量
X
X
具有数学期望,方差
D(X)=σ2≠0
D
(
X
)
=
σ
2
≠
0
记:
则
方差的几个重要性质:
1∘ 1 ∘
设
C
C
是常数,则
2∘
2
∘
设
X
X
是随机变量,是常数,则有
3∘ 3 ∘
设
X,Y
X
,
Y
是两个随机变量,则有
特别的若 X,Y X , Y 相互独立,则有
4∘ 4 ∘
D(X)=0
D
(
X
)
=
0
的充分必要条件是
X
X
以概率为取常数
E(X)
E
(
X
)
,即:
协方差及相关系数
在方差的性质
3∘
3
∘
中,如果两个随机变量
X
X
和相互独立则:
E{(X−E(X))(Y−E(Y))}=0
E
{
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
}
=
0
这意味着如果
E{(X−E(X))(Y−E(Y))}≠0
E
{
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
}
≠
0
,
X
X
和不相互独立,而是存在一定的关系。
定义:
量
E{(X−E(X))(Y−E(Y))}
E
{
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
}
称为随机变量
X
X
与的协方差,记为
Cov(X,Y)
C
o
v
(
X
,
Y
)
,即:
由定义:
协方差性质:
1∘ 1 ∘ : Cov(aX,bY)=abCov(X,Y) C o v ( a X , b Y ) = a b C o v ( X , Y )
2∘ 2 ∘ : Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y) C o v ( X 1 + X 2 , Y ) = C o v ( X 1 , Y ) + C o v ( X 2 , Y )
ρXY ρ X Y 性质:
1∘
1
∘
:
|ρXY|≤1
|
ρ
X
Y
|
≤
1
2∘
2
∘
:
|ρXY|=1
|
ρ
X
Y
|
=
1
的充分必要条件是,存在常数
a,b
a
,
b
使得:
3∘ 3 ∘ : |ρXY|=0 | ρ X Y | = 0 称 X X 和不相关
矩,协方差矩阵
定义:
设 X X 和是随机变量
若:
存在,称它为 X X 的阶原点矩,简称 k k 阶矩。
若
存在,则称它为 X X 的阶中心矩
若
存在,称它为 X X 和的 k+ℓ k + ℓ 阶混合矩
若
存在,则称它为 X X 和的 k+ℓ k + ℓ 阶混合中心矩
协方差矩阵
2 2 维
二维随机变量有四个二阶中心矩(假设都存在),分别记为:
把它们排列成矩阵形式:
这个矩阵称为随机变量 (X1,X2) ( X 1 , X 2 ) 的协方差矩阵。
n n 维
设维随机变量 (X1,X2,⋯,Xn) ( X 1 , X 2 , ⋯ , X n ) 的二阶混合中心矩