一、一维随机变量的数字特征
1. 数学期望
① 如果
X
X
X是离散型
随机变量,其分布列为
p
i
=
P
{
X
=
x
i
}
(
i
=
1
,
2
,
⋅
⋅
⋅
)
p_i=P\{ X=x_i \} (i=1,2,···)
pi=P{X=xi}(i=1,2,⋅⋅⋅)。若级数
∑
i
=
1
∞
x
i
p
i
\sum \limits^{\infty} _{i=1} x_i p_i
i=1∑∞xipi绝对收敛,则称随机变量
X
X
X的数学期望存在,并将级数和
∑
i
=
1
∞
x
i
p
i
\sum \limits^{\infty} _{i=1} x_i p_i
i=1∑∞xipi称为随机变量
X
X
X的数学期望
,记为
E
(
X
)
E(X)
E(X)或
E
X
EX
EX,即
E
X
=
∑
i
=
1
∞
x
i
p
i
EX = \sum \limits^{\infty} _{i=1} x_i p_i
EX=i=1∑∞xipi。
② 如果
X
X
X是连续型
随机变量,其概率密度为
f
(
x
)
f(x)
f(x)。若积分
∫
−
∞
+
∞
x
f
(
x
)
d
x
\int ^{+\infty} _{-\infty} xf(x)dx
∫−∞+∞xf(x)dx绝对收敛,则称
X
X
X的数学期望
存在,且
E
X
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
EX = \int ^{+\infty} _{-\infty} xf(x)dx
EX=∫−∞+∞xf(x)dx。否则称
X
X
X的数学期望不存在。
注:数学期望又称概率平均值,简称期望或均值。数学期望是描述随机变量平均取值状况特征的指标,它描述随机变量的一切可能值的集中位置。
2. 方差和标准差
设
X
X
X是随机变量,如果
E
[
(
X
−
E
X
)
2
]
E[(X-EX)^2]
E[(X−EX)2]存在,则称
E
[
(
X
−
E
X
)
2
]
E[(X-EX)^2]
E[(X−EX)2]为
X
X
X的方差
,记为
D
X
DX
DX,即:
D
X
=
E
[
(
X
−
E
X
)
2
]
=
E
(
X
2
)
−
(
E
X
)
2
DX= E[(X-EX)^2] = E(X^2) - (EX)^2
DX=E[(X−EX)2]=E(X2)−(EX)2
称
D
X
\sqrt {DX}
DX为标准差
或均方差,记为
σ
(
X
)
\sigma (X)
σ(X),称随机变量
X
∗
=
X
−
E
X
D
X
X^* = \frac {X-EX} {\sqrt {DX}}
X∗=DXX−EX为
X
X
X的标准化随机变量,此时
E
X
∗
=
0
,
D
X
∗
=
1
EX^*=0,DX^*=1
EX∗=0,DX∗=1。
3. 切比雪夫不等式
如果随机变量
X
X
X的方差
D
X
DX
DX存在,则对任意
ϵ
>
0
\epsilon >0
ϵ>0,有:
P
{
∣
X
−
E
X
∣
≤
ϵ
}
≥
D
X
ϵ
2
P\{ |X-EX|\le \epsilon \} \ge \frac {DX} {\epsilon ^2}
P{∣X−EX∣≤ϵ}≥ϵ2DX
二、二维随机变量的数字特征
1. 二维随机变量函数的数学期望
设 X , Y X,Y X,Y为随机变量, g ( X , Y ) g(X,Y) g(X,Y)为 X , Y X,Y X,Y的函数。
① 如果
(
X
,
Y
)
(X,Y)
(X,Y)为离散型
随机变量,其联合分布为:
p
i
j
=
P
{
X
=
x
i
,
Y
=
y
j
}
(
i
,
j
=
1
,
2
,
⋅
⋅
⋅
)
p_{ij} = P\{ X=x_i,Y=y_j \} (i,j=1,2,···)
pij=P{X=xi,Y=yj}(i,j=1,2,⋅⋅⋅)
若级数
∑
i
∑
j
g
(
x
i
,
y
j
)
p
i
j
\sum \limits _i \sum \limits _j g(x_i,y_j)p_{ij}
i∑j∑g(xi,yj)pij绝对收敛,则定义:
E
[
g
(
X
,
Y
)
]
=
∑
i
∑
j
g
(
x
i
,
y
j
)
p
i
j
E[ g(X,Y) ] = \sum \limits _i \sum \limits _j g(x_i,y_j)p_{ij}
E[g(X,Y)]=i∑j∑g(xi,yj)pij
② 如果
(
X
,
Y
)
(X,Y)
(X,Y)为连续型
随机变量,其概率密度为
f
(
x
,
y
)
f(x,y)
f(x,y),若积分
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
\int ^{+\infty} _{-\infty} \int ^{+\infty} _{-\infty} g(x,y)f(x,y)dxdy
∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy绝对收敛,则定义:
E
[
g
(
X
,
Y
)
]
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
E[ g(X,Y) ] = \int ^{+\infty} _{-\infty} \int ^{+\infty} _{-\infty} g(x,y)f(x,y)dxdy
E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
2. 协方差和相关系数
如果随机变量
X
,
Y
X,Y
X,Y的方差存在且
D
X
>
0
,
D
Y
>
0
DX>0,DY>0
DX>0,DY>0,则称
E
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
E[(X-EX)(Y-EY)]
E[(X−EX)(Y−EY)]为随机变量
X
,
Y
X,Y
X,Y的协方差
,并记为
C
o
v
(
X
,
Y
)
Cov(X,Y)
Cov(X,Y),即:
C
o
v
(
X
,
Y
)
=
E
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
=
E
(
X
Y
)
−
E
X
⋅
E
Y
Cov(X,Y) = E[(X-EX)(Y-EY)] = E(XY) - EX · EY
Cov(X,Y)=E[(X−EX)(Y−EY)]=E(XY)−EX⋅EY
其中:
E
(
X
Y
)
=
{
∑
i
∑
j
x
i
y
j
P
{
X
=
x
i
,
Y
=
y
j
}
(
离
散
型
)
∫
−
∞
+
∞
∫
−
∞
+
∞
x
y
f
(
x
,
y
)
d
x
d
y
(
连
续
型
)
E(XY) = \begin{cases} \sum \limits _i \sum \limits _j x_i y_j P\{ X=x_i,Y=y_j \} \ (离散型) \\\\ \int ^{+\infty} _{-\infty} \int ^{+\infty} _{-\infty} xyf(x,y)dxdy \ (连续型) \end{cases}
E(XY)=⎩⎪⎪⎨⎪⎪⎧i∑j∑xiyjP{X=xi,Y=yj} (离散型)∫−∞+∞∫−∞+∞xyf(x,y)dxdy (连续型)
称
ρ
X
Y
=
C
o
v
(
X
,
Y
)
D
X
D
Y
\rho_{XY}= \frac {Cov(X,Y)} {\sqrt {DX} \sqrt {DY}}
ρXY=DXDYCov(X,Y)为随机变量
X
,
Y
X,Y
X,Y的相关系数。如果
ρ
X
Y
=
0
\rho_{XY} = 0
ρXY=0,则称
X
,
Y
X,Y
X,Y不相关;如果
ρ
X
Y
≠
0
\rho_{XY} \ne 0
ρXY=0,则称
X
,
Y
X,Y
X,Y相关。
注:随机变量 X , Y X,Y X,Y不相关,指 X X X与 Y Y Y之间不存在线性相关性, ρ X Y = 0 \rho_{XY} = 0 ρXY=0。但可能还存在非线性相关关系。
三、独立性与相关性
随机变量 X , Y X,Y X,Y相互独立,指对任意实数 x , y x,y x,y,事件 { X ≤ x } \{ X \le x \} {X≤x}与 { Y ≤ y } \{ Y \le y \} {Y≤y}相互独立,即 ( X , Y ) (X,Y) (X,Y)的联合分布等于边缘分布相乘: F ( x , y ) = F X ( x ) ⋅ F Y ( y ) F(x,y) = F_X(x)·F_Y(y) F(x,y)=FX(x)⋅FY(y)。
① 连续型,
X
,
Y
X,Y
X,Y相互独立:
f
(
x
,
y
)
=
f
X
(
x
)
⋅
f
Y
(
y
)
f(x,y) = f_X(x)·f_Y(y)
f(x,y)=fX(x)⋅fY(y)
② 离散型,
X
,
Y
X,Y
X,Y相互独立:
P
{
X
≤
x
i
,
Y
≤
y
j
}
=
P
{
X
≤
x
i
}
⋅
P
{
Y
≤
y
j
}
P\{ X \le x_i,Y \le y_j \} = P\{ X \le x_i \} · P\{ Y \le y_j \}
P{X≤xi,Y≤yj}=P{X≤xi}⋅P{Y≤yj}
注:
① 如果 X , Y X,Y X,Y独立,则 X , Y X,Y X,Y不相关,反之不然。
② 如果 X , Y X,Y X,Y相关,则 X , Y X,Y X,Y不独立,反之不然。
③ 如果 ( X , Y ) (X,Y) (X,Y)服从二维正态分布,则 X , Y X,Y X,Y独立 ⇔ X , Y \Leftrightarrow X,Y ⇔X,Y不相关。