数学期望和方差

数学期望和方差

假如现在你面前有一个按钮，按下按钮后你有20%的几率获得500元，80%的几率获得1500元。那么当你多次按下按钮时，你平均获得的钱数是多少呢？

根据概率的计算方法，你有20%的几率获得500元，80%的几率获得1500元。所以你平均下来获得的钱就是$20\%\times 500+80\%\times 1500$，就是1300元。

这个数值1300就是期望。

数学期望 mean就是试验中每次可能结果的概率乘以其结果的总和，它表示了随机变量的平均取值。它的计算方法就是将所有可能的变量取值乘上概率在相加，也就是：

$$E(x)=\sum _{k=1}^{\infty }{x}_k{p}_k$$

是不是有点像加权平均值？

总体样本的方差也可以用$\mu$表示。

连续变量也有期望。比如你随机选出一个数，它的期望也是你选出这个数所有的可能乘上概率，只不过这次要用定积分计算，而且概率函数变为概率密度函数：

$$E(x)={\int }_{-\infty }^{+\infty }xf(x)\mathrm{d}x$$

期望可以是正的或者负的。比如赌博的时候赢钱的期望就是负数(否则赌场就倒闭了)。

例子：随机在下面的集合中选出一个数$x$：

{ 1 , 2 , 3 , 4 , 2 , 1 , 4 , 5 , 6 , 3 , 2 , 3 , 4 , 3 , 4 } \{1,2,3,4,2,1,4,5,6,3,2,3,4,3,4\} {1,2,3,4,2,1,4,5,6,3,2,3,4,3,4}

$x$的期望是多少？

要计算期望，我们首先要求每个取值的概率：

再讲每个取值和概率相乘求和

$E(x)=1\cdot \frac{2}{15}+2\cdot \frac{3}{15}+3\cdot \frac{4}{15}+4\cdot \frac{4}{15}+5\cdot \frac{1}{15}+6\cdot \frac{1}{15}$

$=\frac{47}{15}\approx 3.133$

咦？等一等，这不就是这些数的平均数吗？

是的，有时候期望和平均数是分不开的。所以数学期望又称为"均值"。两者在计算方法上也很相似，期望就是加权的平均值。

期望的运算律：

$$E(C)=C$$

$$E(ax)=aE(x)$$

$$E(x+y)=E(x)+E(y)$$

第一个公式的意思就是任何一个常数的期望是他本身。

第二个公式的意思就是假如随机变量$x$的取值翻了$a$倍，那么期望也会翻$a$倍。

第三个公式的意思是如果你同时取两个随机变量$x,y$，那么你获得的期望就是两个变量的期望相加。

也就是，期望也可以做线性运算。

期望说完后，我们再来说说一说方差。实际上，一共有三种方差。

统计学中的方差用${\sigma }^2$表示，计算方法如下：

$${\sigma }^2(x)=\frac{\sum _{k=1}^N(x_k-\mu {)}^2}{N}$$

其中$N$为总体个数，$x_k$为第$k$个数，$\mu$为样本的期望，或者说是平均值。

实际情况中没办法穷举所有例子，计算方差要用样本方差。样本方差用$S^2(x)$表示。样本方差计算方法如下：

$$S^2(x)=\frac{\sum _{k=1}^n(x_k-\mu {)}^2}{n-1}$$

可是，样本方差的分母为什么是$n-1$而不是$n$呢？可以参考这篇博客。

在概率论中的方差又是另一个概念。概率论中的方差用$D(x)$或者$Var(x)$表示。

$$D(x)=E[(x-E(x){)}^2]$$

也就是$(x-E(x){)}^2$这个表达式的期望。其实计算方法和${\sigma }^2(x)$差不多。

$D(x)$还有更简便的算法：

$D(x)=E[(x-E(x){)}^2]$

$=E(x^2-2xE(x)+E(x{)}^2)$

$=E(x^2)-E[2xE(x)]+E(E(x{)}^2)$

因为$E(x)$是一个常数，所以$E[2xE(x)]=2E(x)E(x)=2E(x{)}^2$。又因为$E(C)=C$

所以$D(x)=E(x^2)-2E(x{)}^2+E(x{)}^2$

$=E(x^2)-E(x{)}^2$

这是方差的简便算法。

标准差就是方差的平方根，在概率论中也是如此。

方差的性质（只有孤零零的一条）：

$D(cx)=c^{2}D(x)$

证明：$D(cx)=c^{2}E(x^2)-(cE(x){)}^2=c^2(E(x^2)-E(x{)}^2)=c^{2}D(x)$

当然，方差只能代表绝对的离散程度，并不能代表相对的离散程度。比如我将随机变量$x$的取值翻倍，方差就会翻$4$倍，但是这个变量的概率密度曲线并没有发生太大的变化。所以，我们用变异系数来表示变量取值的相对离散程度。变异系数$c_v=\frac{\sigma }{\mu }$，其中$c_v$是变异系数，$\sigma$是标准差，即方差开方，$\mu$是数学期望。