数学期望

变量分布的中心

数学期望也叫期望，或者均值，E(X)完全由X的概率分布决定，若X服从某一分布，也成E(X)是该分布的数学期望。

理解：X的数学期望是E(X)>>指的是多次采样，指标X的平均值是E(X)。

例如：
新生儿健康得分X的数学期望E(X)是7.15——每一次观察新生儿，平均的健康分数是7.15
电子产品的寿命N的数学期望是θ/2——取电子产品观察多次，平均的寿命是θ/2
候车时间的数学期望是27.22min——平均的候车时间是27.22min
家电收费Y的数学期望是2732.15——平均一台家电收费2732.15
…

数学期望的几个重要性质（设以下随机变量的数学期望存在）：

设C是常数，则有

E(C)=CE(C)=C E(C)=C

设X是一个随机变量，C是常数，则有E(CX)=CE(X)E(CX)=CE(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)可推广到任意有限个变量之和
设X,Y是两个独立的随机变量，则有E(XY)=E(X)E(Y)E(XY)=E(X)E(Y)E(XY)=E(X)E(Y)可推广到任意有限个独立变量之积

方差

变量分布的离散程度

知道了数学期望，也就知道了一批样本中某一指标的均值，方差在此基础上反映的是真实的样本据此均值的偏离程度，方差小，偏离程度就小，这一指标的出现的值就越稳定。

偏离程度的表示没有正负之分，所以用绝对值表示，为了方便起见，通常用平方来代替绝对值，用E[X−E(X)]²E{[X-E(X)]²} E[X−E(X)]²表示偏离程度，记作D(X)或Var(X)

在应用上取其根号
D(X)\sqrt{D(X)}D(X)
记作
σ(X)\sigma(X)σ(X)
称为标准差或者方差

方差的几个重要性质（设以下随机变量的数学期望存在）：

设C是常数，则D(C)=0D(C)=0D(C)=0
设X是随机变量，C是常数，则有D(CX)=C²(X)D(CX)=C²(X)D(CX)=C²(X)
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)]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)]
特别地，当X和Y相互独立，则有D(X+Y)=D(X)+D(Y)D(X+Y)=D(X)+D(Y)D(X+Y)=D(X)+D(Y)
这一性质可以推广到任意有限个相互独立的随机变量之和
D(X)=0的充要条件是X以概率1取常数E(X)，即PX=E(X)=1P{X=E(X)}=1PX=E(X)=1

协方差

变量之间的相关程度

数学期望和方差都是针对样本中的某一个指标而言的，而对于二维随机变量(X,Y),协方差描述了随机变量X和Y的相互关系。
量: E[X−E(X)]²[Y−E(Y)]²E{[X-E(X)]²[Y-E(Y)]²}E[X−E(X)]²[Y−E(Y)]² 称为样本X和Y的协方差，记作Cov(X,Y)Cov(X,Y)Cov(X,Y)

ρXY=Cov(X,Y)D(X)D(Y)\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}}ρXY=D(X)D(Y)Cov(X,Y)
称为随机变量X和Y的相关系数

相关系数也称作线性相关系数，描述随机变量(X,Y)两个分量X,Y之间线性关系之间的紧密程度，相关系数小，线性相关程度差，ρXY=0，说明不相关或存在线性相关之外的关系。X,Y相互独立则X,Y一定不相关，若X,Y不相关则X,Y不一定相互独立。

Cov(X,Y)=Cov(Y,X)Cov(X,Y) = Cov(Y,X)Cov(X,Y)=Cov(Y,X) Cov(X,X)=D(X)Cov(X,X) = D(X)Cov(X,X)=D(X)

协方差矩阵

包含了方差和协方差的信息

协方差矩阵是一个对称矩阵。
有n维随机变量(X1,X2,...,Xm)(X1,X2,...,Xm)(X1,X2,...,Xm)其协方差矩阵的主对角线元素为各个元素的方差
其余的第i行第j列元素对应第i个元素和第j个元素的协方差。

对数学期望、方差、协方差、协方差矩阵的理解相关推荐

随机变量的期望方差协方差相关系数的性质
期望性质:E(C)=C,C为任意常数 E(aX+bY)=aE(X)+bE(Y) E(aX+C)=aE(X)+C X,Y独立 E(XY)=E(X)E(Y) 方差:D(X)=E(X*X)-E(X)*E(X ...
概率统计极简入门：通俗理解微积分/期望方差/正态分布前世今生(23修订版)
原标题:数据挖掘中所需的概率论与数理统计知识(12年首次发布,23年重编公式且反复改进) 修订背景本文初稿发布于12年年底,十年后的22年底/23年初ChatGPT大火,在写ChatGPT通俗笔记的 ...
概率论：均值、方差与协方差矩阵
http://blog.csdn.net/pipisorry/article/details/48788671 要理解协方差矩阵,从以下几个步骤来说期望 --> 方差-->协方差--&g ...
4.1 随机变量的数学期望
学习目标: 如果我想学习随机变量的数学期望,我可能会采取以下步骤: 掌握概率论基础知识:在学习随机变量的期望之前,我需要了解概率论的基本概念,例如概率.随机变量.概率密度函数等. 学习数学期望的定义和 ...
数学期望、方差、标准差、协方差、残差、均方差、均方误差、均方根误差、均方根值对比分析及python实现
内容较多,如有错误之处请评论区留言以便更正,内容仅供参考. 文章目录期望(Expected value) 意义定义离散型连续型期望与平均值的区别方差(Variance) 案例概率论方差 ...
数学期望，方差，标准差，样本方差，协方差，相关系数概念扫盲
数学期望在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一.它反映随机变量平均取值的大小. 再举个例子理解一下数学期望: ...
期望、方差、协方差、相关系数理解
期望.方差.协方差.相关系数理解一.期望赌金分配问题: 有两个赌徒A和B,他们俩下赌金之后,约定谁先赢满5局,谁就获得全部赌金.对于有两个赌徒A和B,他们俩下赌金之后,约定谁先赢满5局,谁就获得全 ...
数学期望(均值)、方差、协方差、相关系数和矩
文章目录 1 前言 2 数学期望(均值).方差,矩.协方差和相关系数 2.1 数学期望(均值) 2.2 方差 2.3 协方差 2.4 相关系数 2.5 矩 1 前言随机变量的分布函数完整地描述了随机 ...
概率论基础（7）数学期望、方差、协方差、切比雪夫不等式
概率论对于学习 NLP 方向的人,重要性不言而喻.于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础. 这是基础篇的第七篇知识点总结基础:下面前六篇的链接地址: 概率论基础(1)古典和几何概型及事 ...
随机变量的数字特征（数学期望，方差，协方差与相关系数）
戳这里:概率论思维导图 !!! 数学期望离散型随机变量的数学期望 (这里要求级数绝对收敛,若不绝对收敛,则E(X)不存在) 如果有绝对收敛,则有 ,其中连续型随机变量的数学期望 (这里要求绝对收敛 ...

对数学期望、方差、协方差、协方差矩阵的理解

数学期望

数学期望的几个重要性质（设以下随机变量的数学期望存在）：

方差

方差的几个重要性质（设以下随机变量的数学期望存在）：

协方差

协方差矩阵

对数学期望、方差、协方差、协方差矩阵的理解相关推荐

最新文章

热门文章