随机变量的数字特征(知识点部分)

1.数学期望

设离散型随机变量$X$的分布律为
P{X=xk}=pk,k=1,2,… .P\{X=x_k\}=p_k,k=1,2,\dots.P{X=xk​}=pk​,k=1,2,….
若级数
$$\sum _{k=1}^{\infty }{x}_k{p}_k$$
绝对收敛,则称级数${\sum }_{k=1}^{\infty }{x}_k{p}_k$的和为随机变量$X$的数学期望,记为$E(X).$即
$$E(X)=\sum _{k=1}^{\infty }{x}_k{p}_k.$$
设连续型随机变量$X$的概率密度为$f(x),$若积分
$${\int }_{-\infty }^{\infty }xf(x)dx$$
绝对收敛,则称积分${\int }_{-\infty }^{\infty }xf(x)dx$的值为随机变量$X$的数学期望,记为$E(X).$即
$$E(X)={\int }_{-\infty }^{\infty }xf(x)dx$$
数学期望简称期望,又称为均值.

2.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,它的分布律为P{X=xk}=pk,k=1,2,…P\{X=x_k\}=p_k,k=1,2,\dotsP{X=xk​}=pk​,k=1,2,…
若$$\sum _{k=1}^{\infty }g(x_k)p_k$$
绝对收敛,则有
$$E(Y)=E[g(X)]=\sum _{k=1}^{\infty }g(x_k)p_k.$$
(ii)如果$X$是连续型随机变量,它的概率密度为$f(x),$若
$${\int }_{-\infty }^{\infty }g(x)f(x)dx$$
绝对收敛,则有
$$E(Y)=E[g(X)]={\int }_{-\infty }^{\infty }g(x)f(x)dx.$$

3.方差

设$X$是一个随机变量,若E{[X−E(X)]2}E\{[X-E(X)]^2\}E{[X−E(X)]2}存在,则称E{[X−E(X)]2}E\{[X-E(X)]^2\}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}.D(x)=Var(X)=E\{[X-E(X)]^2\}.D(x)=Var(X)=E{[X−E(X)]2}.
在应用上还引入量$\sqrt{D(X)},$记为$\sigma (X),$成为标准差或均方差.
对于离散型随机变量,有
$$D(X)=\sum _{k=1}^{\infty }[x_k-E(X){]}^2{p}_k$$
其中P{X=xk}=pk,k=1,2,…P\{X=x_k\}=p_k,k=1,2,\dotsP{X=xk​}=pk​,k=1,2,…是$X$的分布律.
对于连续型随机变量,有
$$D(X)={\int }_{-\infty }^{\infty }[x-E(X){]}^{2}f(x)dx$$
其中$f(x)$是$X$的概率密度.

4.方差的重要性质

(1)设$C$是常数,则$D(C)=0.$
(2)$D(CX)=C^{2}D(X),D(X+C)=D(X).$
(3)D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))}.D(X+Y)=D(X)+D(Y)+2E\{(X-E(X))(Y-E(Y))\}.D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))}.
(4)$D(X)=0$的充要条件是P{X=E(X)}=1.P\{X=E(X)\}=1.P{X=E(X)}=1.

5.几个常见分布的数学期望和方差

(1)若$X\sim \pi (\lambda ),$则
$$\begin{gathered} E(X)=\lambda \\ D(X)=\lambda \end{gathered}$$
(2)若$X\sim U(a,b),$则
$$\begin{gathered} E(X)=\frac{a+b}{2} \\ D(X)=\frac{(b-a{)}^2}{12} \end{gathered}$$
(3)若$X$具有$(0-1)$分布,其分布律为
P{X=1}=p,P{X=0}=1−pP\{X=1\}=p,P\{X=0\}=1-pP{X=1}=p,P{X=0}=1−p则
$$\begin{gathered} E(X)=p \\ D(X)=p(1-p) \end{gathered}$$
(4)若随机变量$X$服从指数分布,其概率密度为
$$f(x)=\{\begin{array}{rl}& \frac{1}{\theta }{e}^{-\frac{x}{\theta }},x>0,\\ & 0,x\le 0.\end{array}$$
其中$\theta >0,$则
$$\begin{gathered} E(X)=\theta \\ D(X)={\theta }^2 \end{gathered}$$
(5)若$X\sim b(n,p),$则
$$\begin{gathered} E(X)=np \\ D(X)=np(1-p) \end{gathered}$$
(6)若$X\sim N(\mu ,{\sigma }^2),$则
$$\begin{gathered} E(X)=\mu \\ D(X)={\sigma }^2 \end{gathered}$$

6.切比雪夫不等式

设随机变量$X$具有数学期望$E(X)=\mu ,$方差$D(X)={\sigma }^2,$则对于任意正数$\epsilon ,$不等式
P{∣X−μ∣≥ε}≤σ2ε2P\{|X-\mu|\ge \varepsilon\}\leq \frac{\sigma^2}{\varepsilon^2}P{∣X−μ∣≥ε}≤ε2σ2​
成立.切比雪夫不等式也可以写成
P{∣X−μ∣<ε}≥1−σ2ε2P\{|X-\mu|<\varepsilon\}\ge 1-\frac{\sigma^2}{\varepsilon^2}P{∣X−μ∣<ε}≥1−ε2σ2​

7.协方差及相关系数

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$X$和$Y$的协方差,记为$Cov(X,Y),$即
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]Cov(X,Y)=E\{[X-E(X)][Y-E(Y)]Cov(X,Y)=E{[X−E(X)][Y−E(Y)]
而
$${\rho }_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$$
称为随机变量$X$和$Y$的相关系数.

8.结论

二维正态随机变量$(X,Y)$的概率密度中的参数$\rho$就是$X$和$Y$的相关系数,$X$和$Y$相互独立的充要条件是
$$\rho =0$$

9.矩和协方差矩阵

设$X$和$Y$是随机变量,若
$$E(X^k),k=1,2,\dots$$
存在,则称它为$X$的$k$阶原点矩,简称$k$阶矩.
若
E{[X−E(X)]k},k=1,2,…E\{[X-E(X)]^k\},k=1,2,\dotsE{[X−E(X)]k},k=1,2,…
存在,则称它为$X$的$k$阶中心矩.
若
$$E(X^k{Y}^l),k,l=1,2\dots$$
存在,则称它为$X和Y$的$k+l$阶混合矩.
若E{[X−E(X)]k[Y−E(Y)]l}E\{[X-E(X)]^k[Y-E(Y)]^l\}E{[X−E(X)]k[Y−E(Y)]l}
存在,则称它为$X和Y$的$k+l$阶混合中心矩.
设$n$阶随机变量$(X_1,X_2,\dots ,X_n)$的二阶混合中心矩
cij=Cov(Xi,Xj)=E{[Xi−E(Xi)][Xj−E(Xj)]},i,j=1,2,…,nc_{ij}=Cov(X_i,X_j)=E\{[X_i-E(X_i)][X_j-E(X_j)]\},i,j=1,2,\dots,ncij​=Cov(Xi​,Xj​)=E{[Xi​−E(Xi​)][Xj​−E(Xj​)]},i,j=1,2,…,n
都存在,则称矩阵
$$C=\left(\begin{array}{cccc}{c}_{11}& c_{12}& \dots & c_{1n}\\ c_{21}& c_{22}& \dots & c_{2n}\\ ⋮& ⋮& & ⋮\\ c_{n1}& c_{n2}& \dots & c_{nn}\end{array}\right)$$
为$n$维随机变量$(X_1,X_2,\dots ,X_n)$的协方差矩阵.
引入列矩阵
$$X=\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right)和\mu =\left(\begin{array}{c}{\mu }_1\\ {\mu }_2\\ ⋮\\ {\mu }_n\end{array}\right)=\left(\begin{array}{c}E(X_1)\\ E(X_2)\\ ⋮\\ E(X_n)\end{array}\right).$$
$n$维正态随机变量$(X_1,X_2,\dots ,X_n)$的概率密度为
f(x1,x2,…,xn)=1(2π)n2(detC)12exp{−12(X−μ)TC−1(X−μ)}f(x_1,x_2,\dots,x_n)=\frac{1}{(2\pi)^{\frac{n}{2}}(detC)^{\frac{1}{2}}}exp\{-\frac{1}{2}(X-\mu)^TC^{-1}(X-\mu)\}f(x1​,x2​,…,xn​)=(2π)2n​(detC)21​1​exp{−21​(X−μ)TC−1(X−μ)}
其中$C$是$(X_1,X_2,\dots ,X_n)$的协方差矩阵.