标签：infty 期望 定义 方差 int xf dx aligned 随机变量
期望和方差的定义与性质
分布函数是对随机变量的概率性质最完整的刻画，而随机变量的数字特征则是对某些由随机变量的分布所决定的常数，它刻画了随机变量（或者说，刻画了其分布）的某一方面的性质。我们在了解某一行业工人的经济状况时，首先关心的恐怕会是其平均收入(即期望)，这给了我们一个总体印象。另一类重要的数字特征，是衡量一个随机变量（或其分布）取值的散布程度(即方差)。
数学期望
定义
设离散型随机变量
X
X
X的分布律为
P
{
X
=
x
k
}
=
p
k
,
k
=
1
,
2
,
3
⋅
⋅
⋅
.
P\{X=x_k\}=p_{k},\ k=1, 2, 3···.
P{X=xk}=pk, k=1,2,3⋅⋅⋅.
若级数
∑
k
=
1
∞
x
k
p
k
\sum_{k=1}^{\infty}{x_kp_k}
k=1∑∞xkpk
绝对收敛(即
∑
k
=
1
∞
∣
x
k
∣
p
k
<
∞
\sum_{k=1}^{\infty}{|x_k|p_k}<\infty
∑k=1∞∣xk∣pk<∞)，则称级数
∑
k
=
1
∞
x
k
p
k
\sum_{k=1}^{\infty}{x_kp_k}
∑k=1∞xkpk的和为随机变量
X
X
X的数学期望，记为
E
(
X
)
E(X)
E(X)，即
E
(
X
)
=
∑
k
=
1
∞
x
k
p
k
E(X)=\sum_{k=1}^{\infty}{x_kp_k}
E(X)=k=1∑∞xkpk
设连续型随机变量
X
X
X的概率密度为
f
(
x
)
f(x)
f(x)，若积分
∫
−
∞
∞
x
f
(
x
)
d
x
\int_{-\infty}^{\infty}{xf(x)dx}
∫−∞∞xf(x)dx
绝对收敛，则称积分
∫
−
∞
∞
x
f
(
x
)
d
x
\int_{-\infty}^{\infty}{xf(x)dx}
∫−∞∞xf(x)dx的值为随机变量
X
X
X的数学期望，记为
E
(
X
)
E(X)
E(X)，即
E
(
X
)
=
∫
−
∞
∞
x
f
(
x
)
d
x
E(X)=\int_{-\infty}^{\infty}{xf(x)dx}
E(X)=∫−∞∞xf(x)dx
性质
假设所遇到的随机变量的数学期望存在，则其期望具有以下重要的性质：
性质1：设
C
C
C是常数，则有
E
(
C
)
=
C
.
E(C)=C.
E(C)=C.
性质2：设
X
X
X是一个随机变量，
C
C
C是常数，则有
E
(
C
X
)
=
C
E
(
X
)
.
E(CX)=CE(X).
E(CX)=CE(X).
性质3： 设
X
,
Y
X,Y
X,Y是俩个随机变量，则有
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
.
E(X+Y)=E(X)+E(Y).
E(X+Y)=E(X)+E(Y).这一性质可以推广到任意有限个随机变量之和的情况。
性质4： 设
X
,
Y
X,Y
X,Y是相互独立的随机变量，则有
E
(
X
Y
)
=
E
(
X
)
E
(
Y
)
.
E(XY)=E(X)E(Y).
E(XY)=E(X)E(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积的情况。
证明
证明1： 设随机变量
X
X
X为常数
C
C
C，其概率密度为
f
(
x
)
f(x)
f(x)，则根据期望定义可得
∫
−
∞
∞
x
f
(
x
)
d
x
=
∫
−
∞
∞
C
f
(
x
)
d
x
=
C
∫
−
∞
∞
f
(
x
)
d
x
=
C
,
\begin{aligned} \int_{-\infty}^{\infty}{xf(x)dx} &=\int_{-\infty}^{\infty}{Cf(x)dx}\\ &=C\int_{-\infty}^{\infty}{f(x)dx}\\ &=C, \end{aligned}
∫−∞∞xf(x)dx=∫−∞∞Cf(x)dx=C∫−∞∞f(x)dx=C,证毕。
证明2：设随机变量
X
X
X的概率密度为
f
(
x
)
f(x)
f(x)，
C
C
C为常数，则根据期望定义可得
E
(
C
X
)
=
∫
−
∞
∞
C
x
f
(
x
)
d
x
=
C
∫
−
∞
∞
x
f
(
x
)
d
x
=
C
E
(
X
)
,
\begin{aligned} E(CX)&=\int_{-\infty}^{\infty}{Cxf(x)dx}\\ &=C\int_{-\infty}^{\infty}{xf(x)dx}\\ &=CE(X), \end{aligned}
E(CX)=∫−∞∞Cxf(x)dx=C∫−∞∞xf(x)dx=CE(X),证毕。
证明3：设二维随机变量
(
X
,
Y
)
(X,Y)
(X,Y)的概率密度为
f
(
x
,
y
)
f(x,y)
f(x,y).其边缘概率密度为
f
X
(
x
)
,
f
Y
(
y
)
f_X{(x)},f_Y{(y)}
fX(x),fY(y)，由复合随机变量的期望可得
E
(
X
+
Y
)
=
∫
−
∞
∞
(
x
+
y
)
f
(
x
+
y
)
d
x
d
y
=
∫
−
∞
∞
x
f
(
x
+
y
)
d
x
d
y
+
∫
−
∞
∞
y
f
(
x
+
y
)
d
x
d
y
=
E
(
X
)
+
E
(
Y
)
,
\begin{aligned} E(X+Y)&=\int_{-\infty}^{\infty}{(x+y)f(x+y)dxdy}\\ &=\int_{-\infty}^{\infty}{xf(x+y)dxdy}+\int_{-\infty}^{\infty}{yf(x+y)dxdy}\\ &=E(X)+E(Y), \end{aligned}
E(X+Y)=∫−∞∞(x+y)f(x+y)dxdy=∫−∞∞xf(x+y)dxdy+∫−∞∞yf(x+y)dxdy=E(X)+E(Y),证毕。
证明4:接着证明3，又若
X
和
Y
X和Y
X和Y相互独立，
E
(
X
Y
)
=
∫
−
∞
∞
x
y
f
(
x
,
y
)
d
x
d
y
=
∫
−
∞
∞
x
y
f
X
(
x
)
f
Y
(
y
)
d
x
d
y
=
[
∫
−
∞
∞
x
f
X
(
x
)
d
x
]
[
∫
−
∞
∞
x
f
X
(
x
)
d
x
]
=
E
(
X
)
E
(
Y
)
,
\begin{aligned} E(XY)&=\int_{-\infty}^{\infty}{xyf(x,y)dxdy}\\ &=\int_{-\infty}^{\infty}{xyf_X{(x)}f_Y{(y)}dxdy}\\ &=[\int_{-\infty}^{\infty}{xf_X{(x)}dx}][\int_{-\infty}^{\infty}{xf_X{(x)}}dx]\\ &=E(X)E(Y), \end{aligned}
E(XY)=∫−∞∞xyf(x,y)dxdy=∫−∞∞xyfX(x)fY(y)dxdy=[∫−∞∞xfX(x)dx][∫−∞∞xfX(x)dx]=E(X)E(Y),证毕。
方差
定义
设
X
X
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
X
X的方差，记为
D
(
X
)
D(X)
D(X)或
V
a
r
(
X
)
Var(X)
Var(X)，即
D
(
X
)
=
V
a
r
(
X
)
=
E
{
[
X
−
E
(
X
)
]
2
}
.
D(X)=Var(X)=E\{[X-E(X)]^2\}.
D(X)=Var(X)=E{[X−E(X)]2}.应用中还引入量
D
(
X
)
\sqrt{D(X)}
D(X)
，记为
σ
(
X
)
\sigma(X)
σ(X)，称为标准差或均方差。
对于离散型随机变量，有
D
(
X
)
=
∑
k
=
1
∞
[
x
k
−
E
(
X
)
]
2
p
x
,
\begin{aligned} D(X)=\sum_{k=1}^{\infty}{[x_k-E(X)]^2p_x}, \end{aligned}
D(X)=k=1∑∞[xk−E(X)]2px,其中
P
{
X
=
x
k
}
=
p
x
,
k
=
1
,
2
,
⋅
⋅
⋅
P\{X=x_k\}=p_x,k=1,2,···
P{X=xk}=px,k=1,2,⋅⋅⋅是
X
X
X的分布律。
对于连续型随机变量，有
D
(
X
)
=
∫
−
∞
∞
[
x
k
−
E
(
X
)
]
2
f
x
,
\begin{aligned} D(X)=\int_{-\infty}^{\infty}{[x_k-E(X)]^2f_x}, \end{aligned}
D(X)=∫−∞∞[xk−E(X)]2fx,其中
f
(
x
)
f(x)
f(x)是
X
X
X的概率密度。
性质
性质1：设
C
C
C是常数，则有
D
(
C
)
=
0.
D(C)=0.
D(C)=0.
性质2：设
X
X
X是一个随机变量，
C
C
C是常数，则有
D
(
C
X
)
=
C
2
D
(
X
)
,
D
(
X
+
C
)
=
D
(
X
)
.
D(CX)=C^2D(X),D(X+C)=D(X).
D(CX)=C2D(X),D(X+C)=D(X).
性质3： 设
X
,
Y
X,Y
X,Y是两个随机变量，则有
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
+
2
{
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
}
.
D(X+Y)=D(X)+D(Y)+2\{(X-E(X))(Y-E(Y))\}.
D(X+Y)=D(X)+D(Y)+2{(X−E(X))(Y−E(Y))}.特别地，若
X
,
Y
X,Y
X,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多个相互独立的随机变量之和的情况。
性质4：
D
(
X
)
=
0
D(X)=0
D(X)=0的充要条件是
X
X
X以概率1取常数
E
(
X
)
E(X)
E(X)，即
P
X
=
E
(
X
)
=
1
P{X=E(X)}=1
PX=E(X)=1
证明
证明1：
D
(
C
)
=
E
{
[
C
−
E
(
C
)
2
]
}
=
0.
D(C)=E\{[C-E(C)^2]\}=0.
D(C)=E{[C−E(C)2]}=0.
证明2：
D
(
C
X
)
=
E
{
[
C
X
−
E
(
C
X
)
]
2
}
=
C
2
E
{
[
X
−
E
(
X
)
]
2
}
.
D(CX)=E\{[CX-E(CX)]^2\}=C^2E\{[X-E(X)]^2\}.
D(CX)=E{[CX−E(CX)]2}=C2E{[X−E(X)]2}.
D
(
X
+
C
)
=
E
{
[
X
+
C
−
E
(
C
+
X
)
]
2
}
=
E
{
[
X
−
E
(
X
)
]
2
}
=
D
(
X
)
.
D(X+C)=E\{[X+C-E(C+X)]^2\}=E\{[X-E(X)]^2\}=D(X).
D(X+C)=E{[X+C−E(C+X)]2}=E{[X−E(X)]2}=D(X).
证明3：
D
(
X
+
Y
)
=
E
{
[
X
+
Y
−
E
(
X
+
Y
)
]
2
}
=
E
{
[
(
X
−
E
(
X
)
)
+
(
Y
−
E
(
Y
)
)
]
2
}
=
E
{
[
X
−
E
(
X
)
]
2
}
+
E
{
[
Y
−
E
(
Y
)
]
2
}
+
2
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
=
D
(
X
)
+
D
(
Y
)
+
2
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
\begin{aligned} D(X+Y)&=E\{[X+Y-E(X+Y)]^2\} \\ &=E\{[(X-E(X))+(Y-E(Y))]^2\} \\ &=E\{[X-E(X)]^2\} +E\{[Y-E(Y)]^2\}+2E\{[X-E(X)][Y-E(Y)] \}\\ &=D(X)+D(Y)+2E\{[X-E(X)][Y-E(Y)] \end{aligned}
D(X+Y)=E{[X+Y−E(X+Y)]2}=E{[(X−E(X))+(Y−E(Y))]2}=E{[X−E(X)]2}+E{[Y−E(Y)]2}+2E{[X−E(X)][Y−E(Y)]}=D(X)+D(Y)+2E{[X−E(X)][Y−E(Y)]
上式右端第三项：
2
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
=
2
E
{
(
X
Y
)
−
X
E
(
X
)
−
Y
E
(
X
)
+
E
(
X
)
E
(
Y
)
}
=
2
{
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
−
E
(
Y
)
E
(
X
)
+
E
(
X
)
E
(
Y
)
}
=
2
{
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
}
.
\begin{aligned} 2E\{[X-E(X)][Y-E(Y)] &=2E\{(XY)-XE(X)-YE(X)+E(X)E(Y)\}\\ &=2\{E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y)\}\\ &=2\{E(XY)-E(X)E(Y)\}. \end{aligned}
2E{[X−E(X)][Y−E(Y)]=2E{(XY)−XE(X)−YE(X)+E(X)E(Y)}=2{E(XY)−E(X)E(Y)−E(Y)E(X)+E(X)E(Y)}=2{E(XY)−E(X)E(Y)}.
若
X
,
Y
X,Y
X,Y相互独立，由数学期望的性质4可知上式右端为0，于是
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
.
D(X+Y)=D(X)+D(Y).
D(X+Y)=D(X)+D(Y).
证明4：
充分性： 设
P
{
X
=
E
(
X
)
}
=
1
P\{X=E(X)\}=1
P{X=E(X)}=1，则有
P
{
X
2
=
[
E
(
X
)
]
2
}
=
1
P\{X^2=[E(X)]^2\}=1
P{X2=[E(X)]2}=1，于是
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
=
0
D(X)=E(X^2)-[E(X)]^2=0
D(X)=E(X2)−[E(X)]2=0
必要性：设
D
(
X
)
=
0
D(X)=0
D(X)=0，要证
P
{
X
−
E
(
X
)
}
=
1
P\{X-E(X)\}=1
P{X−E(X)}=1。用反证法，假设
P
{
X
=
E
(
X
)
}
<
1
P\{X=E(X)\}<1
P{X=E(X)}<1，则对于某一个数
ε
>
0
\varepsilon>0
ε>0，有
P
{
X
−
E
(
X
)
≥
ε
}
>
0
P\{X-E(X)\ge\varepsilon\}>0
P{X−E(X)≥ε}>0，但由切比雪夫不等式（可参见上一文章切比雪夫不等式证明及应用），对于任意的
ε
>
0
\varepsilon>0
ε>0和
σ
=
0
\sigma=0
σ=0，可得
P
{
∣
X
−
E
(
X
)
∣
≥
ε
}
=
0
P\{|X-E(X)|\ge\varepsilon\}=0
P{∣X−E(X)∣≥ε}=0，但上下矛盾，于是
P
{
X
=
E
(
X
)
}
=
1
P\{X=E(X)\}=1
P{X=E(X)}=1。
标签：infty,期望,定义,方差,int,xf,dx,aligned,随机变量 来源： https://blog.csdn.net/m0_63954365/article/details/121723210
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。