随机变量乘积的期望和方差
数学证明
随机变量乘积的期望: 已知两个随机变量 x 1 x_1 x1和 x 2 x_2 x2为相互独立, 则 x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的期望为 E ( x 1 ⋅ x 2 ) = E ( x 1 ) ⋅ E ( x 2 ) \mathbb{E}(x_1\cdot x_2)=\mathbb{E}(x_1)\cdot \mathbb{E}(x_2) E(x1⋅x2)=E(x1)⋅E(x2)
证明:随机变量 x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的期望为 E ( x 1 ⋅ x 2 ) = E ( x 1 ) ⋅ E ( x 2 ) + C o v ( x 1 , x 2 ) \mathbb{E}(x_1\cdot x_2)=\mathbb{E}(x_1)\cdot\mathbb{E}(x_2)+\mathrm{Cov}(x_1,x_2) E(x1⋅x2)=E(x1)⋅E(x2)+Cov(x1,x2)因为随机变量 x 1 x_1 x1和 x 2 x_2 x2相互独立,则 C o v ( x 1 , x 2 ) = 0 \mathrm{Cov}(x_1,x_2)=0 Cov(x1,x2)=0进而可知 E ( x 1 ⋅ x 2 ) = E ( x 1 ) ⋅ E ( x 2 ) + 0 = E ( x 1 ) ⋅ E ( x 2 ) \mathbb{E}(x_1\cdot x_2)=\mathbb{E}(x_1)\cdot\mathbb{E}(x_2)+0=\mathbb{E}(x_1)\cdot\mathbb{E}(x_2) E(x1⋅x2)=E(x1)⋅E(x2)+0=E(x1)⋅E(x2)证毕。
随机变量乘积的方差: 已知两个随机变量 x 1 x_1 x1和 x 2 x_2 x2为相互独立, 则 x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的方差为 V a r ( x 1 ⋅ x 2 ) = V a r ( x 1 ) ⋅ V a r ( x 2 ) + V a r ( x 1 ) ⋅ E ( x 2 ) 2 + V a r ( x 2 ) ⋅ E ( x 1 ) 2 \mathrm{Var}(x_1\cdot x_2)=\mathrm{Var}(x_1)\cdot\mathrm{Var}(x_2)+\mathrm{Var}(x_1)\cdot \mathbb{E}(x_2)^2+\mathrm{Var}(x_2)\cdot \mathbb{E}(x_1)^2 Var(x1⋅x2)=Var(x1)⋅Var(x2)+Var(x1)⋅E(x2)2+Var(x2)⋅E(x1)2
证明:已知随机变量 x 1 x_1 x1和 x 2 x_2 x2相互独立,则随机变量 x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的方差为 V a r ( x 1 ⋅ x 2 ) = E ( ( x 1 ⋅ x 2 − E ( x 1 ⋅ x 2 ) ) 2 ) = E ( x 1 2 ⋅ x 2 2 ) − E ( x 1 ⋅ x 2 ) 2 = E ( x 1 2 ) ⋅ E ( x 2 2 ) − E ( x 1 ) 2 ⋅ E ( x 2 ) 2 = ( V a r ( x 1 ) + E ( x 1 ) 2 ) ⋅ ( V a r ( x 2 ) + E ( x 2 ) 2 ) − E ( x 1 ) 2 ⋅ E ( x 2 ) 2 = V a r ( x 1 ) ⋅ V a r ( x 2 ) + V a r ( x 1 ) ⋅ E ( x 2 ) 2 + V a r ( x 2 ) ⋅ E ( x 1 ) 2 \begin{aligned}\mathrm{Var}(x_1\cdot x_2)&=\mathbb{E}\left((x_1\cdot x_2-\mathbb{E}(x_1\cdot x_2))^2\right)\\&=\mathbb{E}(x^2_1\cdot x_2^2)-\mathbb{E}(x_1\cdot x_2)^2\\&=\mathbb{E}(x^2_1) \cdot \mathbb{E}(x^2_2)-\mathbb{E}(x_1)^2\cdot \mathbb{E}(x_2)^2\\&=(\mathrm{Var}(x_1)+\mathbb{E}(x_1)^2)\cdot(\mathrm{Var}(x_2)+\mathbb{E}(x_2)^2)-\mathbb{E}(x_1)^2\cdot \mathbb{E}(x_2)^2\\&=\mathrm{Var}(x_1)\cdot \mathrm{Var}(x_2)+\mathrm{Var}(x_1)\cdot \mathbb{E}(x_2)^2+\mathrm{Var}(x_2)\cdot \mathbb{E}(x_1)^2\end{aligned} Var(x1⋅x2)=E((x1⋅x2−E(x1⋅x2))2)=E(x12⋅x22)−E(x1⋅x2)2=E(x12)⋅E(x22)−E(x1)2⋅E(x2)2=(Var(x1)+E(x1)2)⋅(Var(x2)+E(x2)2)−E(x1)2⋅E(x2)2=Var(x1)⋅Var(x2)+Var(x1)⋅E(x2)2+Var(x2)⋅E(x1)2证毕。
具体实例
给定两个独立同分布的随机变量 x 1 x_1 x1和 x 2 x_2 x2,且 x 1 , x 2 ∼ N ( 0 , 1 ) x_1,x_2\sim \mathcal{N}(0,1) x1,x2∼N(0,1),根据以上两随机变量乘积的期望公式可知, x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的期望为 E ( x 1 ⋅ x 2 ) = E ( x 1 ) ⋅ E ( x 2 ) = 0 × 0 = 0 \mathbb{E}(x_1\cdot x_2)=\mathbb{E}(x_1)\cdot \mathbb{E}(x_2)=0\times 0 = 0 E(x1⋅x2)=E(x1)⋅E(x2)=0×0=0根据以上两随机变量乘积的方差公式可知 x 1 ⋅ x 2 x_1\cdot x_2 x1⋅x2的方差为 V a r ( x 1 ⋅ x 2 ) = V a r ( x 1 ) ⋅ V a r ( x 2 ) + V a r ( x 1 ) ⋅ E ( x 2 ) 2 + V a r ( x 2 ) ⋅ E ( x 1 ) 2 = 1 × 1 + 1 × 0 + 1 × 0 = 1 \begin{aligned}\mathrm{Var}(x_1\cdot x_2)&=\mathrm{Var}(x_1)\cdot\mathrm{Var}(x_2)+\mathrm{Var}(x_1)\cdot \mathbb{E}(x_2)^2+\mathrm{Var}(x_2)\cdot \mathbb{E}(x_1)^2\\&=1\times 1 +1\times 0+ 1\times 0\\&=1\end{aligned} Var(x1⋅x2)=Var(x1)⋅Var(x2)+Var(x1)⋅E(x2)2+Var(x2)⋅E(x1)2=1×1+1×0+1×0=1
随机变量乘积的期望和方差相关推荐
- matlab已知随机变量分布律求期望/已知概率密度求期望与方差
本博文源于matlab基础,主要讲述已知随机变量分布律求期望还有已知随机变量的概率密度求期望与方差. 例子:设随机变量X的分布律如下表所示: X 10 30 50 70 90 Pk 1/2 1/3 1 ...
- 期望、方差、协方差与相关系数
1.利用切比雪夫不等式可以证明方差为0意味着随机变量的取值集中在一点上 2.从协方差可以得到两个变量增减的趋势,称为相关性 3."不相关"比"独立"更弱的概念, ...
- 分段函数的期望和方差_题组25随机变量的分布列、期望与方差、正态分布
高考圈题(新课标全国Ⅱ卷 - 数学理) 题组 25 随机变量的分布列.期望与方差.正态分布 一.考法解法 命题特点分析 结合事件的互斥性.对立性.独立性以及古典概型,主要以解答题的方式考查离散型随机变 ...
- 总体,个体,抽样,样本,样本容量,随机变量,期望,方差,离差,残差
开博第一篇先回顾下数据分析涉及到的统计学中最基本的概念,包含了以下几个概念:总体,个体,抽样,样本,样本容量,随机变量,期望,方差,离差,残差. 1 总体 本小节所探讨的总体的概念,特指在统计学中的& ...
- 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 ...
- 二维随机变量期望公式_概率论笔记-Ch4期望与方差
本节包括: 期望:定义与性质 方差与协方差:方差.标准差.协方差.相关系数.协方差矩阵.矩的定义与性质 条件期望:条件期望与条件方差 典型随机变量的期望方差 期望 离散 设一离散随机变量 有概率分布 ...
- matlab里怎么计算期望,§7.4.2 利用MATLAB计算随机变量的期望和方差.pdf
§§7.4.27.4.2 利用利用MATLABMATLAB 计算随机变量的期望和方差 一一....用用用用MATLABMATLABMATLABMATLAB计算离散型随机计算离散型随机计算离散型随机计算 ...
- 常用连续型随机变量的概率分布表(附概率密度函数全域积分等于1、期望、方差的推导与证明)
常用离散型随机变量的内容在这里(CSDN对文章长度设了限制,我只能分成两篇博客来发布). 常用连续型随机变量的概率分布速查表 随机变量 记号 概率密度函数 分布函数 期望 方差 均匀分布 X ∼ U ...
- 常见的随机变量分布律/概率密度、期望、方差以及特征函数
在概率统计中,我们经常碰到0-1分布.二项分布.泊松分布.几何分布.均匀分布.正态分布和指数分布等分布,记住它们的分布律/概率密度.期望.方差以及特征函数等往往能够帮我们快速的解决问题,下面是常见的随 ...
最新文章
- laravel 163发送邮件
- 微信研究员解析深度学习在NLP中的发展和应用
- 开需求评审会,你会出汗吗?
- shiro添加注解@RequiresPermissions无效
- LeetCode 2134. 最少交换次数来组合所有的 1 II(数组*2 + 滑动窗口)
- 飞鸽传书从微软官网上了解到微软正在推动虚拟化
- 如何评价「施一公请辞清华大学副校长,全职执掌西湖大学」?你如何看待西湖大学的发展前景?
- dos命令窗口光标闪烁_史上最全的Vim命令(二)
- sql 联合_SQL联合,SQL联合全部
- 机器学习在微博信息流推荐中的应用实践
- git 使用 tree命令
- excel两个表格数据对比_excel如何1秒钟合并两个不同表格数据?收下这个方法吧...
- 计算机网络的权威杂志,科学网—晒个自己整理的计算机网络和通信方向可能相关的期刊列表...
- 十分钟了结MySQL information_schema
- LazyBrush论文笔记(4):问题建模-平滑项与数据项
- 机器学习 --基础入门介绍 他来啦!!!
- 金山词霸致 Internet Explorer 延迟打开问题
- 在python中使用opencv自带函数转换转换RBG和BGR
- 基于51单片机智能农业大棚恒温恒湿Proteus仿真(源码+仿真+全套资料)
- ATT的malloc实现--malloc的基础和本质
热门文章
- 辅修计算机编程,求帮忙~计算机C语言的编程题!大学选的辅修课没去过,要考试了不会? 爱问知识人...
- 那些年我们没能bypass的xss filter[from wooyun]
- Java Native 方法
- Keystone 认证服务
- 【AI测试】人工智能测试整体介绍——第四部分
- open falcon mysql参数_open-falcon 监控MySQL及自定义监控指标
- Perameter estimation for text analyse (下)
- 常用ES6、ES7、ES8、ES9、ES10、ES11、ES12新特性归纳
- 3GPP TS 23501-g51 中英文对照 | 5.2.5 Access control and barring
- Python类型转换——数据类型转换函数大全