标签：期望 未完结 Cov sum infin XY 概率论 随机变量
数学期望
-
离散型随机变量的数学期望
\(P(X=x_k)=p_k\)
若\(\sum_{k=1}^\infin x_kp_k\)绝对收敛,那么期望 \(E(X) = \sum_{k=1}^\infin x_kp_k\)
-
连续型随机变量的数学期望
设连续型随机变量\(X\)的概率密度函数为\(f(x)\),若积分\(\int_{-\infin}^{+\infin}xf(x)dx\)绝对收敛,则称该积分值为\(X\)的数学期望,或均值,并记为
\(E(X) = \int_{-\infin}^{+\infin}xf(x)dx\)
并非任何随机变量都存在数学期望; 对于离散型随机变量,必须级数收敛; 对于连续型随机变量,必须积分收敛
-
随机变量函数的数学期望
设\(X\)是一维随机变量,讨论\(X\)的函数\(Y=g(X)\)的数学期望
设\(y=g(x)\)是连续函数,\(Y\)是随机变量\(X\)的函数,\(Y=g(X)\)
-
若\(X\)是离散型随机变量,其概率分布为\(P(X=x_k)=p_k,k=1,2,...\),且级数\(\sum_k^{\infin}g(x_k)p_k\)绝对收敛,则有
\(E(Y)=E(g(X)) = \sum_k^{\infin}g(x_k)p_k\)
-
若\(X\)是连续型随机变量,其概率密度函数为\(f(x)\),且积分\(\int_{-\infin}^{+\infin}g(x)f(x)dx\)绝对收敛,则有
\(E(Y)=E(g(X)) = \int_{-\infin}^{+\infin}g(x)f(x)dx\)
-
-
数学期望的性质
-
常量C的数学期望为常量C , 即 \(E(C)=C\)
-
若C为常量,X是任一随机变量,则 \(E(CX)=CE(X)\)
-
设X,Y是任意两个随机变量,则\(E(X+Y)=E(X)+E(Y)\)
可以推广到有限个情形
-
若随机变量X与Y相互独立,则有\(E(XY)=E(X)E(Y)\)
可以推广到有限个情形(验证任意两个相互独立)
-
设X,Y为两个随机变量,若\(E(X^2),E(Y^2)\)存在,则\([E(XY)^2] \leq E(X^2)E(Y^2)\) 称为柯西不等式
-
方差
- 方差的概念
数学期望体现了随机变量取值的平均水平,它是随机变量的重要数字特征,但仅知道均值是不够的,还需要知道随机变量取值的波动程度,即随机变量所取的值与它的数学期望的偏离程度
**定义: **设\(X\)为随机变量,如果\(E[X-E(X)]^2\)存在,则称之为\(X\)的方差,记为\(D(X),\)即\(D(X) = E[X-E(X)]^2 = E(X^2)-E(X)^2\).
方差等于平方的期望-期望的平方
\(\sqrt{DX}\)称作标准差
对于离散型随机变量,若\(P(X=x_k)=p_k\),则
\[D(X)= \sum_k^{\infin}[x_k-E(X)]^2p_k \]对于连续型随机变量,若\(X\)的密度函数为\(f(x)\),则
\[D(X) = \int_{-\infin}^{+\infin}[X-E(X)]^2f(x)dx \]求方差: 看作求随机变量函数\(g(x)=[x-E(x)]^2\)的期望
-
方差的性质
-
常量的方差等于0
-
设C为常量,则\(D(CX)=C^2D(X)\)
-
设\(X,Y\)是相互独立的随机变量,则\(D(X\pm Y)=D(X) + D(Y)\)
若\(X,Y\)不相互独立,则\(D(X\pm Y) = D(X) + D(Y) \pm 2 Cov(X,Y)\)
-
-
常用分布的期望方差表
二维随机变量函数的期望
设\(X,Y\)为随机变量,\(g(X,Y)\)为\(X,Y\)的函数
-
若\(X,Y\)为离散型随机变量,其联合分布为\(p_{ij} = P(X=x_i,Y=y_i)\)
若级数\(\sum_i\sum_jg(x_i,y_j)p_{ij}\)绝对收敛,则定义\(E[g(X,Y)]=\sum_i\sum_jg(x_i,y_j)p_{ij}\)
-
若\(X,Y\)为连续型随机变量,其概率密度为\(f(x,y),\)若积分\(\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}g(x,y)f(x,y)dxdy\)绝对收敛,则定义
\(E[g(X,Y)]= \int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}g(x,y)f(x,y)dxdy\)
协方差与相关系数
-
协方差与相关系数的概念
协方差和相关系数是用来描述X和Y之间相互关系的数字特征
**定义: **
设二维随机变量\((X,Y)\),若\(E\{[X-E(X)][Y-E(Y)]\}\)存在,则称它为随机变量\(X\)与\(Y\)的协方差,记作\(Cov(X,Y)\)或\(\sigma_{XY}\),即
\[Cov(X,Y)=E\{[X-E(X)][Y-E(Y)]\} \]即协方差满足为随机变量X减去X的期望,乘以随机变量Y减去Y的期望,所形成的二维随机变量函数的期望
又若 \(D(X)\neq 0,D(Y)\neq 0\),则称
\[\rho_{XY} = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}} \]为随机变量\(X\)与\(Y\)的相关系数
如果记\(\sigma_X = \sqrt{D(X)},\sigma_Y=\sqrt{D(Y)}\),则相关系数可以写成\(\rho_{XY}=\frac{\sigma_{XY}}{\sigma_X\sigma_Y}\)
当(X,Y)分别是离散型和连续型随机变量时,协方差的计算公式分别为
\(Cov(X,Y)=\sum_i\sum_j[x_i-E(X)][y_i-E(Y)]p_{ij}\)
\(Cov(X,Y) = \int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}[x-E(X)][y_E(Y)f(x,y)]dxdy\)
计算协方差时,还常用公式\(Cov(X,Y)=E(XY)-E(X)E(Y)\)
公式推导
\[\begin{align} Cov(X,Y) = & E(X-EX)(Y-EY) \\ = & E(XY-XEY-EXY-EXEY)\\ = & E(XY) - EXEY - EYEX - EXEY\\ = & E(XY) - EXEY \end{align} \]我们回顾之前一维随机变量方差的概念\(D(X) = E(X^2)-(EX)^2\)
发现,实际上\(D(X) = Cov(X,X)\)
-
协方差及相关系数的性质
-
对称性
\(Cov(X,Y) = Cov(Y,X), \rho_{XY} = \rho_{YX}\)
\(Cov(X,X)=DX,\rho(X,X)=1\)
-
线性性
\(Cov(X,c)=0,Cov(aX+b,Y)=aCov(X,Y)\)
\(Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)\)
这两条组合可以扩展到有限个
-
相关系数有界性
\(\rho_{XY} \leq 1\)
-
线性关系下的相关系数
如果\(Y=aX+b,\)则若\(a>0\),\(\rho_{XY}=1;\)若\(a<0,\rho_{XY}=-1\)
-
-
其他性质
- 如果X与Y独立,则X,Y不相关; 反之不然
- 如果(X,Y)服从二维正态分布,则有 \(X,Y\)独立\(\iff\)X,Y不相关
- 如果\(X,Y\)相关,则\(X,Y\)不独立
如果问独立性,要落脚到\(F(X,Y)=F(X)*F(Y)\)或\(f(X,Y)=f(X)*f(Y)\)或\(P_{ij}=P_{i*}P_{*j}\)上
如果问相关性,要落脚到\(\rho_{XY}\)上
标签：期望,未完结,Cov,sum,infin,XY,概率论,随机变量 来源： https://www.cnblogs.com/popodynasty/p/14094582.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。