Question

随机变量的数字特征

Answer 1

数学期望与方差，多维随机变量主要是协方差与相关系数

一、数学期望E(x)

数学期望表示随机变量取值的集中程度，是类似平均值的一个量，它是唯一的，因为对一个随机试验，当样本空间确定后，随机事件的概率也确定了，由概率的唯一性可得到期望的唯一性。

但是你做一系列试验，得到某随机变量的平均值可能与理论上的E(X)不同，为什么？因为你做的具体试验是用频率来代替的概率，是用频率加权平均值来代替的概率加权平均。所以我们在实际中得到的平均值都是统计意义上的均值。

数学期望在实际中的应用非常多，它可以进行投资决策，用期望来判断哪个方案的获利期望大；它可以用来进行分组优化，比如可以优化抽检方案，判断哪种方案所需资源最少。总之这些应用都要计算理论上的平均值，用数据来支撑我们的决策，而不是一时的赌博！

二、方差D(X)

方差代表着随机变量取值的离散程度，当两个随机变量的数学期望相同时，再进一步的对比就要使用方差了，比如血压的比较，投资方案的选取，是要稳健型，还是要激进型？比如仪器的比较，测量数据稳定了好。所以方差主要应用在对离散程度的比较方面。

三、协方差cov(x,y)与相关系数ρxy

多维随机变量之间的联系可由联合密度或联合分布来给出，但太不直观了，所以需要一个数字特征来直观地表现这种联系，故引入了协方差，对于超过二维的使用协方差矩阵。

协方差cov(x,y)有明显的缺点，当X,Y同时扩大k倍时，cov(X,Y)扩大k^2倍，改进方法是引入相关系数，相关系数实际上X,Y的标准化变量的协方差,或者称为协方差的标准化。

它反映了两个随机变量间的线性关系，相关系数越大，线性关系越强，但注意相关系数只考察变量间的线性关系，当相关系数为0不代表X,Y之间没有关系，而是没有线性关系！只要二维正态分布的相关系数为0与独立是等价的。