概率论-随机变量的数字特征

最新推荐文章于 2024-07-07 23:31:18 发布

破贼之人

最新推荐文章于 2024-07-07 23:31:18 发布

阅读量1.4k

点赞数 1

分类专栏：概率论文章标签：概率论线性代数几何学

本文链接：https://blog.csdn.net/weixin_58083998/article/details/124570520

版权

概率论专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1. 数学期望

1.1 定义

数学期望就是 加权平均！！离散型随机变量的数学期望很简单，就是各个可能的值乘以相应的概率。而连续性数学期望也是 $E(X))\int_{-oo}^{+oo}xf(x)dx$ 。其中的x为可能的取值，f(x)就是对应的密度函数，也就是概率。还是“可能值✖概率”。值得一提的是， $\int$ 表示一个“加和”的过程，因为你要考虑期望肯定是对全部数据而言，所以要进行一个加和。

1.2 随机变量函数的数学期望

通常考虑的是一维变量和二维变量。

对于一维变量而言：设一个函数g(x)作用于它，数学期望=加权平均=可能的值✖相应的概率。所以这里的可能取值就变为了g(x)了，而概率却没有发生变化。离散型的为： $EX = \sum_{i=1}^{+oo}g(a_{i})p(a_{i})$ .

连续型则为： $EX=\int_{-oo}^{+oo}g(x)f(x)dx$ 。 $\int$ 表示一个“加和”的过程，因为你要考虑期望肯定是对全部数据而言，所以要进行一个加和。

二维变量就是： $E[g(x,y)]=\int_{-oo}^{+oo}\int_{-oo}^{+oo}g(x,y)f(x,y)dxdy$ 。我认为难以理解的在于为什么是二重积分，我想仍然是因为 $\int$ 表示一个“加和”的过程，因为你要考虑期望肯定是对全部数据而言，所以要进行一个加和。

如果给了(x,y)的分布律，怎么求g(x)的数学期望呢？思路还是一样的，数学期望=加权平均=可能的值✖相应的概率。 $E[g(x)] = \int_{-oo}^{+oo}g(x)f(x)dx$ 。这里的f（x)是x的边缘分布函数，表示相应的x的概率！结合到我们的边缘密度函数定义 $f_{X}(x)=\int_{-oo}^{+oo}f(x,y)dy$ ，我们得到最终结果： $E[g(x)]=\int_{-oo}^{+oo}\int_{-oo}^{+oo}g(x)f(x,y)dxdy$ 。一定要弄明白为什么这里是对x一个变量作用的数学期望却依然要两个积分号！

1.3 数学期望的性质

对于随机变量的数字特征，我的评价是：能用性质用性质！数学期望主要有以下几个性质：

E(aX+b) =aE(x) + b.
E(aX+bY) = aE(X) + bE(Y).
当X,Y独立时，E(XY)=EX·EY.

仅对第三个性质说明如下： $E(XY)=\int_{-oo}^{+oo}\int_{-oo}^{+oo}xy.f(x,y)dxdy=\int_{-oo}^{+oo}\int_{-oo}^{+oo}xy.[f(x).f(y)]dxdy=\int_{-oo}^{+oo}xf(x)dx.\int_{-oo}^{+oo}yf(y)dy=E(X)E(Y)$

2. 方差

方差定义为数据的离散程度，所以是和数学期望联系在一起的。定义为： $DX=E(X-EX)^2$ ，可见其实还是在求数学期望，那么利用刚才的数学期望的性质展开我们可以得到： $DX=EX^2-(EX)^2$ .

需要注意的是，原始定义一般是用于证明或者正态分布相关的，因为正态分布存在一个x-μ，而EX=μ，所以两个相互抵消就简单些，对于一般的函数，常常采用下面化简以后的形式。

方差也有一些性质：

$D(aX+b) = a^2DX$
$D(X+Y)=DX+DY+2E[(X-EX)(Y-EY)]$ ,当xy独立时，D(X+Y)=DX+DY

3. 相关系数

由上一行知，当xy独立时，E[(X-EX)(Y-EY)]=0.这个就可以描述两个变量的相关程度，定义为协方差：cov（x，y）。同样，能用性质用性质，协方差的一些性质如下：

$cov(X,X) = DX$
$cov(aX,bY)=ab.cov(X,Y)$
$cov(X+Y,Z)=cov(X,Z)+cov(Y,Z)$
$D(X+Y)=DX+DY+2cov(X,Y)$

但是，在进行数据分析的时候，我们要尽量排除量纲的影响，为此我们引入标准协方差，也叫相关系数。 $X^*=\frac{X-EX}{\sqrt{DX}},Y^*=\frac{Y-EY}{\sqrt{DY}}$ .

显然： $EX^*=0,DX^*=1$

标准协方差后者相关系数定义如下： $\rho(X,Y)=\frac{cov(X,Y)}{\sqrt{DX.DY}}$

总结，能用性质先用性质，未完待续...

破贼之人

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
概率论-随机变量的数字特征

1. 数学期望1.1 定义数学期望就是加权平均！！离散型随机变量的数学期望很简单，就是各个可能的值乘以相应的概率。而连续性数学期望也是。其中的x为可能的取值，f(x)就是对应的密度函数，也就是概率。还是“可能值✖概率”。值得一提的是，表示一个“加和”的过程，因为你要考虑期望肯定是对全部数据而言，所以要进行一个加和。1.2 随机变量函数的数学期望通常考虑的是一维变量和二维变量。对于一维变量而言：设一个函数g(x)作用于它，数学期望=加权平均=可能的值✖相应的概率。所以这里的可能取值就变.
复制链接

扫一扫