数学期望
离散型
设离散型随机变量
X
的分布律为:
P{X=xk}=pk,k=1,2,⋯
若
级数
∑k=1∞xkpk
绝对收敛,则称
级数
∑∞k=1xkpk
的和为随机变量
X
的
数学期望,即为
E(X)
即:
E(X)=∑k=1∞xkpk
连续型
设连续型随机变量
X
的概率密度为
f(x)
,若积分
∫+∞−∞xf(x)dx
绝对收敛,则称积分
∫+∞−∞xf(x)dx
的值为变量
X
的
数学期望,记为
E(X)
,即:
E(x)=∫+∞−∞xf(x)dx
数学期望简称
期望,又称
均值
数学期望
E(X)
完全由随机变量
X
的概率分布所确定。若
X
服从某一分布,也称
E(X)
是这一分布的数学期望。
定理:
设
Y
是随机变量
X
的函数:
Y=g(X)
(
g
是连续函数)
(I)
如果
X
是离散型随机变量,它的分布律
P{X=xk}=pk,k=1,2,⋯
,若
∑∞k=1g(xk)pk
绝对收敛,则有:
E(Y)=E[g(X)]=∑k=1∞g(xk)pk
(II)
如果
X
是
连续型随机变量,它的概率密度为
f(x)
,若
∫∞−∞g(x)f(x)dx
绝对收敛,则有:
E(Y)=E[g(X)]=∫∞−∞g(x)f(x)dx
方差
方差是为了研究随机变量与其均值的偏离程度。
E{|X−E(X)|}
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
E{[X−E(X)]2}
来度量随机变量
X
与其均值
E(X)
的
偏离程度。
定义:
设
X
是一个随机变量,若
E{[X−E(X)]2}
存在,则称
E{[X−E(X)]2}
为
X
的方差,记为
D(X)
或
Var(X)
,即:
D(X)=Var(x)=E{[X−E(X)]2}
在应用上还引入量
D(X)−−−−−√
,记为
σ(X)
称为
标准差或
均方差
由定义而言方差就是随机变量
X
的函数
g(X)=[X−E(X)]2
的数学期望
于是对于
离散型随机变量有:
D(X)=∑k=1∞[xk−E(X)]2pk
其中
P{X=xk}=pk,k=1,2,⋯
是
X
的分布律
对于
连续型随机变量有:
D(X)=∫∞−∞[x−E(X)]2f(x)dx
其中
f(x)
是
X
的概率密度
随机变量
X
的方差可以按照以下公式计算:
D(X)=E(X2)−[E(X)]2
标准化变量
设随机变量
X
具有数学期望
E(X)=μ
,方差
D(X)=σ2≠0
记:
X∗=X−μσ
则
E(X∗)=1σE(X−μ)==1σ[E(X)−μ]=0
D(X∗)=E(X∗2)−[E(X∗)]2=E[(X−μσ)2]=1σ2E[(X−μ)2]=σ2σ2=1
方差的几个重要性质:
1∘
设
C
是常数,则
D(C)=0
2∘
设
X
是随机变量,
C
是常数,则有
D(CX)=C2D(X),D(X+C)=D(X)
3∘
设
X,Y
是两个随机变量,则有
D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))}
特别的若
X,Y
相互独立,则有
D(X+Y)=D(X)+D(Y)
4∘
D(X)=0
的充分必要条件是
X
以概率为
1
取常数
E(X)
,即:
P{X=E(X)}=1
协方差及相关系数
在方差的性质
3∘
中,如果两个随机变量
X
和
Y
相互独立则:
E{(X−E(X))(Y−E(Y))}=0
这意味着如果
E{(X−E(X))(Y−E(Y))}≠0
,
X
和
Y
不相互独立,而是存在一定的关系。
定义:
量
E{(X−E(X))(Y−E(Y))}
称为随机变量
X
与
Y
的协方差,记为
Cov(X,Y)
,即:
Cov(X,Y)=E{(X−E(X))(Y−E(Y))}
而:
ρXY=CovXYD(X)−−−−−√D(Y)−−−−−√
称为变量
X
和
Y
的
相关系数。
由定义:
Cov(X,Y)=Cov(Y,X);Cov(X,X)=D(X)
协方差性质:
1∘
:
Cov(aX,bY)=abCov(X,Y)
2∘
:
Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
ρXY
性质:
1∘
:
|ρXY|≤1
2∘
:
|ρXY|=1
的充分必要条件是,存在常数
a,b
使得:
P{Y=a+bX}=1
3∘
:
|ρXY|=0
称
X
和
Y
不相关
矩,协方差矩阵
定义:
设
X
和
Y
是随机变量
若:
E(Xk),k=1,2,⋯
存在,称它为
X
的
k
阶原点矩,简称
k
阶矩。
若
E{[X−E(X)]k},k=2,3,⋯
存在,则称它为
X
的
k
阶中心矩
若
E(XkYℓ),k,ℓ=1,2,⋯
存在,称它为
X
和
Y
的
k+ℓ
阶混合矩
若
E{[X−E(X)]k[Y−E(Y)]ℓ},k,ℓ=1,2,⋯
存在,则称它为
X
和
Y
的
k+ℓ
阶混合中心矩
协方差矩阵
2
维
二维随机变量
(X1,X2)
有四个二阶中心矩(假设都存在),分别记为:
c11c12c21c22=E{[X1−E(X1)]2}=E{[X1−E(X1)]}E{[X2−E(X2)]}=E{[X2−E(X2)]}E{[X1−E(X1)]}=E{[X2−E(X2)]2}
把它们排列成矩阵形式:
(c11c21c12c22)
这个矩阵称为随机变量
(X1,X2)
的
协方差矩阵。
n
维
设
n
维随机变量
(X1,X2,⋯,Xn)
的
二阶混合中心矩
cij=Cov(Xi,Xj)=E{[Xi−E(Xi)]}E{[Xj−E(Xj)]},i,j=1,2,⋯,n
都存在,则称矩阵
C=⎛⎝⎜⎜⎜⎜⎜c11c21⋮cn1c12c22⋮cn2⋯⋯⋱⋯c1nc2n⋮cnn⎞⎠⎟⎟⎟⎟⎟
为
n
维随机变量
(X1,X2,⋯,Xn)
的
协方差矩阵。由于
cij=cji,(i≠j;i,j=1,2,⋯,n)
而上述矩阵是一个
对称矩阵。