【概率论】期望
期望
随机变量的期望
期望通常记为 \(\mu\)。
离散型随机变量期望
设 \(X\) 是满足频率函数为 \(p(x)\) 的随机变量，若 \(\sum_i |x_i|p(x_i)<\infty\)，那么 \(X\) 的期望
连续型随机变量期望
定义类似，设 \(X\) 是满足密度函数为 \(f(x)\) 的随机变量，若 \(\int |x|f(x)dx<\infty\)，那么 \(X\) 的期望
积分发散时无定义，同理上述离散型中和式发散时无定义。
柯西密度
柯西分布 \(f(x) = \frac{1}{\pi(x^2+1)}\)，看似 \(E(X)=0\)，但因为 \(\int_{-\infty}^{\infty}\frac{|x|}{\pi(x^2+1)}dx\) 是发散的，因此不存在期望。
马尔可夫不等式
如果随机变量 \(X\) 满足 \(P(X\geq 0) = 1\)，则有 \(P(X\geq t)\leq \frac{E(X)}{t}\)。
证明（离散形式）：
连续形式类似。
随机变量函数的期望
设 \(Y=g(X)\)。
离散形式：\(E(Y) = \sum g(x)p(x)\)
连续形式：\(E(Y) = \int g(x)f(x) dx\)
对离散形式的证明：
约定 \(A_i\) 表示满足 \(g(x) = y_i\) 的 \(x\) 构成的集合。
\[\begin{aligned} E(Y) &= \sum y p_Y(y)\\ &= \sum_i y_i \sum_{x\in{A_i}}p(x) \\ &= \sum g(x)p(x) \end{aligned} \]
推广：
设 \(Z=g(X, Y)\)，如果 \(\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} |g(x, y)|f(x, y)dxdy < \infty\)，那么有 \(E(Z) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} g(x, y)f(x, y)dxdy\)
随机变量线性组合的期望
若 \(X_i\) 是具有期望 \(E(X_i)\) 的联合分布随机变量，\(Y\) 是 \(X_i\) 的线性函数，\(Y=a+\sum_{i=1}^n b_iX_i\)，则
上述定理的应用
-
直接计算二项频率函数的期望 \(E(Y)\) 是复杂的，我们将 \(Y\) 拆成伯努利随机变量 \(X_i\) 的和，\(X_i\) 代表第 \(i\) 个试验成功与否（成功取 \(1\)，反之取 \(0\)）。
那么 \(E(Y) = \sum_{i=1}^n E(X_i) = np\)。
方差和标准差
随机变量的期望可以看作是密度或频率函数的中心。而标准差描述关于中心的发散程度。
方差 & 标准差定义
如果随机变量 \(X\) 具有期望 \(E(X)\)，那么方差为：
\(X\) 的标准差为方差的平方根。
方差通常记为 \(\sigma ^ 2\)，标准差记为 \(\sigma\)。
方差离散形式：\(Var(X) = \sum_i p(x_i)(x_i-\mu)^2\)
方差连续形式：\(Var(X) = \int f(x)(x-\mu)^2dx\)
定理
- 若 \(E(X)\) 存在， \(Y=b+aX\)，那么 \(Var(Y) = a^2 Var(X)\)。
证明：
\[\begin{aligned} Var(Y) &= E[(Y-E(Y))^2] \\ &= E[(b+aX-E(b+aX))^2] \\ &= E[(b+aX-aE(X)-b)^2] \\ &= a^2 E[(X-E(X))^2] \\ &= a^2 Var(X) \end{aligned} \]
- 若 \(E(X)\) 存在，\(Var(X) = E(X^2) - [E(X)]^2\)，即 \(Var(X) = E(X^2) - \mu^2\)。
证明：
\[\begin{aligned} Var(X) &= E[(X-\mu)^2]=E(X^2 - 2\mu X + \mu ^2) \\ &= E(X^2) - 2\mu E(X) + \mu^2 \\ &= E(X^2)-\mu^2 \end{aligned} \]
-
（切比雪夫不等式）令 \(X\) 是均值为 \(\mu\) 方差为 \(\sigma^2\) 的随机变量，则 \(\forall t>0\)，有
\[P(|X-\mu|>t) \leq \frac{\sigma^2}{t^2} \]证明：
\(Y = (X-\mu)^2\)，那么 \(E(Y) = \sigma^2\)，只需证明 \(P(Y > t^2) \leq \frac{E(Y)}{t^2}\)，这正是马尔可夫不等式。
协方差 & 相关系数
方差是随机变量变异性的度量，两个随机变量的协方差是它们联合变异性的度量。
协方差定义
如果 \(X,Y\) 是分别具有期望 \(\mu_X,\mu_Y\) 的随机变量，则 \(X,Y\) 的协方差是：
另一种表述形式是
推导：
\[\begin{aligned} Cov(X, Y) &= E[(X-\mu_X)(Y-\mu_Y)] \\ &= E(XY - \mu_XY-X\mu_Y + \mu_X\mu_Y) \\ &= E(XY) - \mu_Y E(X) - \mu_XE(Y) + \mu_X\mu_Y \\ & = E(XY)-E(X)E(Y) \end{aligned} \]
如果 \(X,Y\) 独立，我们有 \(E(XY) = E(X)E(Y)\)，因此 \(Cov(X,Y)=0\)，但是反过来却不一定成立。
另外，我们有 \(Var(X+Y) = Var(X) + Var(Y) + 2Cov(X, Y)\)。
推导：
\[\begin{aligned} Var(X+Y) &= E[((X+Y)-E(X+Y))^2] \\ &= E\{[(X-\mu_X) + (Y-\mu_Y)]^2\} \\ &= Var(X) + Var(Y) +2Cov(X, Y) \end{aligned} \]从这个结论中可知，当 \(X,Y\) 独立时，\(Var(X+Y) = Var(X) + Var(Y)\)
协方差性质
均可由期望的性质简单地推出。
-
\(\forall a,b\)，有 \(Cov(aX, bY) = abCov(X, Y)\)。
-
\(Cov(X_1+X_2,Y) = Cov(X_1, Y) + Cov(X_2, Y)\)
X,Y 不相关意味着 \(Cov(X,Y) = 0.\)
相关系数定义
如果 \(X,Y\) 的方差和协方差都存在，且方差非 \(0\)，那么 \(X,Y\) 的相关系数记为 \(\rho_{XY} = \frac{Cov(X, Y)}{\sqrt{Var(X)Var(Y)}}\)
\(\rho_{XY}\) 刻画 \(X,Y\) 的关系：
\(min_{a,b}E[(Y-(aX+b))^2] = E[(Y-(a_0X+b_0))^2] = D(Y)(1-\rho^2)\)
条件期望
定义
在给定 \(X = x\) 的条件下，\(Y\) 的条件期望是：
连续情形：
\(h(y)\) 相应的条件期望为：
假设对于 \(X\) 范围内的任意 \(X=x\) 时 \(Y\) 的期望均存在，那么它（条件期望）是 \(X\) 的函数，因此它是随机变量。只要相应的和式/积分收敛，那么它就具有期望 \(E[E(Y|X)]\) 和方差。
定理
-
\(E(Y) = E[E(Y|X)]\)
这个定理告诉我们求 \(Y\) 的期望值可以通过先以 \(X\) 为条件，计算出 \(E(Y|X)\)，再将其关于 \(X\) 求平均值（期望）得到。
证明：
我们需要得到 \(E(Y) = \sum_x E(Y|X=x)p(x)\)。
\(E(Y|X=x) = \sum_y yp_Y(y|x)\)，
因此 \(\sum_x E(Y|X=x)p(x) = \sum_y y \sum_x p_{Y|X}(y|x)p_X(x)\)
利用全概率公式 \(p_Y(y) = p_{Y|X}(y|x)p_{X}(x)\)
故有 \(\sum_x E(Y|X=x)p(x) = \sum_y y \sum_x p_{Y|X}(y|x)p_X(x) = \sum_y yp_Y(y) = E(Y)\)
-
\(Var(Y) = Var(E(Y|X)) + E(Var(Y|X))\)。（证明待补）
