随机变量的数字特征
文章目录
数学期望
数学期望的定义
对于离散型: 设离散型随机变量X的分布律为 P { X = x k } = p k , k = 1 , 2 , ⋯ P\left\{X=x_{k}\right\}=p_{k}, \quad k=1,2, \cdots P{X=xk}=pk,k=1,2,⋯
若级数 ∑ k = 1 ∞ x k p k \sum_{k=1}^{\infty} x_{k} p_{k} ∑k=1∞xkpk绝对收敛, 则称级数 ∑ k = 1 ∞ x k p k \sum_{k=1}^{\infty} x_{k} p_{k} ∑k=1∞xkpk 的和为随机变量 X X X 的数学期望,记为 E ( X ) E(X) E(X)
即
E
(
X
)
=
∑
k
=
1
∞
x
k
p
k
E(X)=\sum_{k=1}^{\infty} x_{k} p_{k}
E(X)=k=1∑∞xkpk
对于连续型: 设连续型随机变量 X 的概率密度为
f
(
x
)
,
f(x),
f(x), 若积分
∫
−
∞
∞
x
f
(
x
)
d
x
\int_{-\infty}^{\infty} x f(x) \mathrm{d} x
∫−∞∞xf(x)dx
绝对收敛，则称积分
∫
−
∞
∞
x
f
(
x
)
d
x
\int_{-\infty}^{\infty} x f(x) \mathrm{d} x
∫−∞∞xf(x)dx 的值为随机变量
X
X
X 的数学期望,记为
E
(
X
)
E(X)
E(X)
即
E
(
X
)
=
∫
−
∞
∞
x
f
(
x
)
d
x
E(X)=\int_{-\infty}^{\infty} x f(x) \mathrm{d} x
E(X)=∫−∞∞xf(x)dx
数学期望简称期望或均值
随机变量的函数的数学期望
定理: 设 Y 是随机变量 X 的函数 : Y = g ( X ) ( g Y=g(X)(g Y=g(X)(g 是连续函数)。
-
如果 X 是离散型随机变量，它的分布律为 P { X = x k } = p k , k = 1 , 2 , ⋯ P\left\{X=x_{k}\right\}=p_{k}, k=1,2, \cdots P{X=xk}=pk,k=1,2,⋯, 若 ∑ k = 1 ∞ g ( x k ) p k \sum_{k=1}^{\infty} g\left(x_{k}\right) p_{k} ∑k=1∞g(xk)pk 绝对收敛 , , , 则有
E ( Y ) = E [ g ( X ) ] = ∑ k = 1 ∞ g ( x k ) p k E(Y)=E[g(X)]=\sum_{k=1}^{\infty} g\left(x_{k}\right) p_{k} E(Y)=E[g(X)]=k=1∑∞g(xk)pk -
如果 X 是连续型随机变量，它的概率密度为 f ( x ) , f(x), f(x), 若 ∫ − ∞ ∞ g ( x ) f ( x ) d x \int_{-\infty}^{\infty} g(x) f(x) \mathrm{d} x ∫−∞∞g(x)f(x)dx绝对收敛, 则有
E ( Y ) = E [ g ( X ) ] = ∫ − ∞ ∞ g ( x ) f ( x ) d x E(Y)=E[g(X)]=\int_{-\infty}^{\infty} g(x) f(x) \mathrm{d} x E(Y)=E[g(X)]=∫−∞∞g(x)f(x)dx
应用: 求E(Y)时, 就不用再算出Y的分布律或概率密度了
数学期望的重要性质
- 设 C 是常数，则有 E ( C ) = C E(C)=C E(C)=C
- 设 X 是一个随机变量，C 是常数，则有 E ( C X ) = C E ( X ) E(C X)=C E(X) E(CX)=CE(X)
- 设 X，Y 是两个随机变量，则有 E ( X + Y ) = E ( X ) + E ( Y ) E(X+Y)=E(X)+E(Y) E(X+Y)=E(X)+E(Y)
- 设 X，Y 是相互独立的随机变量，则有 E ( X Y ) = E ( X ) E ( Y ) E(X Y)=E(X) E(Y) E(XY)=E(X)E(Y)
g
方差 variance
定义
设 X 是一个随机变量，若
E
{
[
X
−
E
(
X
)
]
2
}
E\left\{[X-E(X)]^{2}\right\}
E{[X−E(X)]2} 存在,则称
E
{
[
X
−
E
(
X
)
]
2
}
E\{[X-\left.E(X)]^{2}\right\}
E{[X−E(X)]2} 为
X
X
X 的方差
,
,
, 记为
D
(
X
)
D(X)
D(X) 或
Var
(
X
)
,
\operatorname{Var}(X),
Var(X), 即
D
(
X
)
=
Var
(
X
)
=
E
{
[
X
−
E
(
X
)
]
2
}
D(X)=\operatorname{Var}(X)=E\left\{[X-E(X)]^{2}\right\}
D(X)=Var(X)=E{[X−E(X)]2}
方差实际上就是随机g方差
在应用上还引入量 D ( X ) \sqrt{D(X)} D(X),记为 σ ( X ) \sigma(X) σ(X)
相关公式
**对于离散型随机变量: **
D
(
X
)
=
∑
k
=
1
∞
[
x
k
−
E
(
X
)
]
2
p
k
D(X)=\sum_{k=1}^{\infty}\left[x_{k}-E(X)\right]^{2} p_{k}
D(X)=k=1∑∞[xk−E(X)]2pk
(方差实际上就是随机变量 X 的函数
g
(
X
)
=
(
X
−
E
(
X
)
)
2
g(X)=(X-E(X))^{2}
g(X)=(X−E(X))2的数学期望)
对于连续型随机变量:
D
(
X
)
=
∫
−
∞
∞
[
x
−
E
(
X
)
]
2
f
(
x
)
d
x
D(X)=\int_{-\infty}^{\infty}[x-E(X)]^{2} f(x) \mathrm{d} x
D(X)=∫−∞∞[x−E(X)]2f(x)dx
其中
f
(
x
)
f(x)
f(x) 是
X
X
X 的概率密度.
随机变量 X 的方差可按下列公式计算:
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
D(X)=E\left(X^{2}\right)-[E(X)]^{2}
D(X)=E(X2)−[E(X)]2
证明:
D
(
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
)
−
[
E
(
X
)
]
2
\begin{aligned} D(X) &=E\left\{[X-E(X)]^{2}\right\}=E\left\{X^{2}-2 X E(X)+[E(X)]^{2}\right\} \\ &=E\left(X^{2}\right)-2 E(X) E(X)+[E(X)]^{2} \\ &=E\left(X^{2}\right)-[E(X)]^{2} \end{aligned}
D(X)=E{[X−E(X)]2}=E{X2−2XE(X)+[E(X)]2}=E(X2)−2E(X)E(X)+[E(X)]2=E(X2)−[E(X)]2
方差的重要性质
-
设 C 是常数，则 D ( C ) = 0 D(C)=0 D(C)=0
-
设 X 是随机变量，C 是常数，则有:
- D ( C X ) = C 2 D ( X ) D(C X)=C^{2} D(X) D(CX)=C2D(X)
- D ( X + C ) = D ( X ) D(X+C)=D(X) D(X+C)=D(X)
-
设 X，Y 是两个随机变量,则有
D ( X + Y ) = D ( X ) + D ( Y ) + 2 E { ( X − E ( X ) ) ( Y − E ( Y ) ) } D(X+Y)=D(X)+D(Y)+2 E\{(X-E(X))(Y-E(Y))\} D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))} -
D ( X ) = 0 D(X)=0 D(X)=0 的充要条件是 X X X 以概率 1 取常数 E ( X ) , E(X), E(X), 即
P { X = E ( X ) } = 1 P\{X=E(X)\}=1 P{X=E(X)}=1
切比雪夫(Chebyshev)不等式
定理: 设随机变量 X 具有数学期望
E
(
X
)
=
μ
,
E(X)=\mu,
E(X)=μ, 方差
D
(
X
)
=
σ
2
,
D(X)=\sigma^{2},
D(X)=σ2, 则对于任意正数
ε
\varepsilon
ε, 不等式
P
{
∣
X
−
μ
∣
⩾
ε
}
⩽
σ
2
ε
2
P\{|X-\mu| \geqslant \varepsilon\} \leqslant \frac{\sigma^{2}}{\varepsilon^{2}}
P{∣X−μ∣⩾ε}⩽ε2σ2
成立.
这一不等式称为切比雪夫(Chebyshev)不等式。
协方差及相关系数
协方差(Covariance)的定义
量
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
E\{[X-E(X)][Y-E(Y)]\}
E{[X−E(X)][Y−E(Y)]} 称为随机变量
X
X
X 与
Y
Y
Y 的协方差. 记为 Cov(
X
,
Y
X, Y
X,Y ), 即
Cov
(
X
,
Y
)
=
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
\operatorname{Cov}(X, Y)=E\{[X-E(X)][Y-E(Y)]\}
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}
而
ρ
X
Y
=
Cov
(
X
,
Y
)
D
(
X
)
D
(
Y
)
\rho_{X Y}=\frac{\operatorname{Cov}(X, Y)}{\sqrt{D(X)} \sqrt{D(Y)}}
ρXY=D(X)D(Y)Cov(X,Y)
称为随机变量 X 与 Y 的相关系数。
协方差的相关式子
- Cov ( X , Y ) = Cov ( Y , X ) , Cov ( X , X ) = D ( X ) \operatorname{Cov}(X, Y)=\operatorname{Cov}(Y, X), \quad \operatorname{Cov}(X, X)=D(X) Cov(X,Y)=Cov(Y,X),Cov(X,X)=D(X)
- Cov ( X , Y ) = E ( X Y ) − E ( X ) E ( Y ) \operatorname{Cov}(X, Y)=E(X Y)-E(X) E(Y) Cov(X,Y)=E(XY)−E(X)E(Y) (常用来计算协方差)
协方差的两大性质
- Cov ( a X , b Y ) = a b Cov ( X , Y ) , a , b \operatorname{Cov}(a X, b Y)=a b \operatorname{Cov}(X, Y), a, b Cov(aX,bY)=abCov(X,Y),a,b 是常数.
- Cov ( X 1 + X 2 , Y ) = Cov ( X 1 , Y ) + Cov ( X 2 , Y ) \operatorname{Cov}\left(X_{1}+X_{2}, Y\right)=\operatorname{Cov}\left(X_{1}, Y\right)+\operatorname{Cov}\left(X_{2}, Y\right) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
相关系数的两个定理
- ∣ ρ X Y ∣ ⩽ 1 \left|\rho_{X Y}\right| \leqslant 1 ∣ρXY∣⩽1
- ∣ ρ X Y ∣ = 1 \left|\rho_{X Y}\right|=1 ∣ρXY∣=1 的充要条件晃，存在常数 a , b a, b a,b 使 P { Y = a + b X } = 1 P\{Y=a+b X\}=1 P{Y=a+bX}=1
相关系数可以用来表示两个变量的线性相关程度, 当 ρ X Y = 0 \rho_{X Y}=0 ρXY=0 时 , , , 称 X X X 和 Y Y Y 不相关.
2135
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
