数学期望
- 泊松分布的期望为λ
- 指数分布的期望为1/λ
随机变量函数的数学期望
E(Y)=E(g(X))=∫−∞+∞g(x)f(x)dx
重要意义在于,求Y的期望时只需要利用X的分布律和概率密度函数即可
数学期望的特性
- E(aX+bY+c)=aE(X)+bE(Y)+c
- 若X,Y相互独立,则有E(XY)=E(X)E(Y)
方差
定义:
Var(X)=E([X−E(X)]2)
对于连续型随机变量有
Var(X)=∫−∞+∞[X−E(X)]2f(x)dx
简便计算公式:
Var(X)=E(X2)−[E(X)2]
方差的性质
随机变量独立时有
Var(aX+bY+C)=a2Var(X)+b2Var(Y)
常见分布的期望与方差
定理:独立地n个正态变量的线性组合仍然服从正态分布
协方差与相关系数
协方差
协方差的定义:Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}
协方差的计算公式:Cov(X,Y)=E(XY)−E(X)E(Y)
方差性质的补充:Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
协方差的性质
- Cov(aX,bY)=abCov(X,Y)
- Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
相关系数
称为X与Y的相关系数
注意:
- 当X,Y为完全线性关系是ρ=1
- 对于二元正态变量(X,Y)来说,X和Y不相关⇔X与Y相互独立(但是对于其他分布来说不一定)
其他数字特征
k阶矩,k阶中心距,k+l阶混合矩,k+l阶混合中心距…
多元随机变量的数字特征
n元随机变量X的数学期望:E(X)=(E(X1),E(X2),...E(Xn))T
n元随机变量的协方差矩阵:
n元正态变量的重要性质:
- 若X1,X2…Xn都是正态变量且相互独立则(X1,X2…Xn)是n元正态变量
- (X1,X2…Xn)服从n元正态分布⇔X1,X2…Xn的任意线性组合服从正态分布