随机变量的期望与方差计算

一、期望的定义与计算

在概率论中，随机变量是描述随机现象数值特征的函数。其期望（数学期望）是衡量随机变量平均值的指标，反映了变量在长期重复试验中的平均表现。设随机变量 $ X $ 的取值为 $ x_1, x_2, \dots, x_n $，对应的概率为 $ p_1, p_2, \dots, p_n $，则期望 $ E[X] $ 的计算公式为：
$$ E[X] = \sum_{i=1}^n x_i p_i $$
对于离散型随机变量，该公式直接适用；而对于连续型随机变量，期望值通过积分计算：
$$ E[X] = \int_{-\infty}^{\infty} x f(x) , dx $$
其中 $ f(x) $ 是随机变量 $ X $ 的概率密度函数。

期望具有线性性质，即：
$$ E[aX + b] = aE[X] + b $$
其中 $ a $ 和 $ b $ 为常数。这一性质在统计学中广泛用于变量变换和数据处理中。

二、方差的定义与计算

方差（Variance）是衡量随机变量偏离其期望值的程度的指标，反映了变量的波动性。设随机变量 $ X $ 的期望为 $ E[X] $，则其方差 $ \text{Var}(X) $ 定义为：
$$ \text{Var}(X) = E[(X - E[X])^2] $$
进一步化简可得：
$$ \text{Var}(X) = E[X^2] - (E[X])^2 $$
其中 $ E[X^2] $ 称为二次期望。

对于离散型随机变量，方差的计算公式为：
$$ \text{Var}(X) = \sum_{i=1}^n (x_i - E[X])^2 p_i $$
而对于连续型随机变量，方差通过积分计算：
$$ \text{Var}(X) = \int_{-\infty}^{\infty} (x - E[X])^2 f(x) , dx $$
方差的计算公式体现了随机变量在期望值附近波动的特性，其值越大，随机性越强。

三、期望与方差的性质

  1. 期望的线性性：
    期望的线性性在概率论中具有重要意义。例如，若两个随机变量 $ X $ 和 $ Y $ 独立，则有：
    $$ E[X + Y] = E[X] + E[Y] $$
    同理，若 $ X $ 和 $ Y $ 为任意随机变量，即使不独立，也满足：
    $$ E[X + Y] = E[X] + E[Y] $$
    这一性质在统计学中用于变量的加法运算。

  2. 方差的性质：

    • 非负性：方差始终为非负数，即 $ \text{Var}(X) \geq 0 $。
    • 协方差的性质：若 $ X $ 与 $ Y $ 相关，则 $ \text{Cov}(X, Y) = \text{Var}(X) $ 或 $ \text{Var}(Y) $，具体取决于变量的协方差关系。
    • 标准化为标准差：方差的平方根即为标准差，用于衡量数据的离散程度。

四、实际应用中的计算

在实际问题中，期望与方差的计算常用于风险评估、预测模型和统计推断。例如：

  • 保险业：通过计算随机变量的期望值和方差，评估风险发生的概率和损失的波动性。
  • 金融领域：在投资组合管理中，期望收益与方差共同决定投资的收益波动性，用于风险调整后的收益分析。
  • 实验统计：在重复实验中，期望值提供平均结果，方差反映结果的不确定性。

五、总结

期望与方差是概率论与数理统计中的核心概念，它们通过数学工具量化了随机变量的平均值和波动性。期望的线性性质使其在变量变换中具有广泛应用，而方差的非负性和波动性特性则为分析随机现象提供了理论依据。无论是理论推导还是实际应用，期望与方差的计算均体现了随机性与确定性的平衡，为后续的统计分析和决策支持提供了坚实的数学基础。