期望、方差、协方差及相关系数的基本运算
前言: 随着研究深入,发现数学、概率和线代越来越重要。抽个时间积累下。
期望
定义
设
P(x)
是一个离散概率分布函数,自变量的取值范围为
{x1,x2,⋯,xn}
。其期望被定义为:
E(x)=∑k=1nxkP(xk)
设
p(x)
是一个连续概率密度函数。其期望为:
E(x)=∫+∞−∞xp(x)dx
性质
1、线性运算规则
期望服从线性性质(可以很容易从期望的定义公式中导出)。因此线性运算的期望等于期望的线性运算:
E(ax+by+c)=aE(x)+bE(y)+c
这个性质可以推广到任意一般情况:
E(∑k=1naixi+c)=∑k=1naiE(xi)+c
2、函数的期望
设
f(x)
为x的函数,则
f(x)
的期望为:
离散:
E(f(x))=∑k=1nf(xk)P(xk)
连续:
E(f(x))=∫+∞−∞f(x)p(x)dx
一定要注意,
函数的期望不等于期望的函数,即
E(f(x))≠f(E(x))
!。
3、乘积的期望
一般来说,乘积的期望不等于期望的乘积,除非变量相互独立。因此,如果x和y相互独立,则
E(xy)=E(x)E(y)
。
期望的运算构成了统计量的运算基础,因为方差、协方差等统计量本质上是一种特殊的期望。
方差
定义
方差是一种特殊的期望,被定义为:
Var(x)=E((x−E(x))2)
性质
1、展开表示
反复利用期望的线性性质,可以算出方差的另一种表示形式:
Var(x)=====E((x−E(x))2)E(x2−2xE(x)+(E(x))2)E(x2)−2E(x)E(x)+(E(x))2E(x2)−2(E(x))2+(E(x))2E(x2)−(E(x))2
2、常数的方差
常数的方差为0,由方差的展开表示很容易推得。
3、线性组合的方差
方差不满足线性性质,两个变量的线性组合方差计算方法如下:
Var(ax+by)=a2Var(x)+b2Var(y)+2Cov(x,y)
其中
Cov(x,y)
为
x
和
y
的协方差,下一节讨论。
4、独立变量的方差
如果两个变量相互独立,则:
Var(ax+by)=a2Var(x)+b2Var(y)
作为推论,如果x和y相互独立:
Var(x+y)=Var(x)+Var(y)
协方差
定义
两个随机变量的协方差被定义为:
Cov(x,y)=E((x−E(x))(y−E(y)))
因此
方差是一种特殊的协方差。当
x=y
时,
Cov(x,y)=Var(x)=Var(y)
。
性质
1、独立变量的协方差
独立变量的协方差为0,可以由协方差公式推导出。
2、线性组合的协方差
协方差最重要的性质如下:
Cov(∑i=1maixi,∑j=1nbjyj)=∑i=1m∑j=1naibjCov(xi,yj)
很多协方差的计算都是反复利用这个性质,而且可以导出一些列重要结论。
作为一种特殊情况:
Cov(a+bx,c+dy)=bdCov(x,y)
另外当x=y时,可以导出方差的一般线性组合求解公式:
Var(∑k=1naixi)=∑i=1n∑j=1naiajCov(xi,xj)
相关系数
定义
相关系数通过方差和协方差定义。两个随机变量的相关系数被定义为:
Corr(x,y)=Cov(x,y)Var(x)Var(y)−−−−−−−−−−−√
性质
1、有界性
相关系数的取值范围为-1到1,其可以看成是无量纲的协方差。
2、统计意义
值越接近1,说明两个变量正相关性(线性)越强,越接近-1,说明负相关性越强,当为0时表示两个变量没有相关性。
参考链接:
CodingLabs