对于概率论数字特征的理解

数字特征概述
随机变量

常见数字特征
数学期望均值

方差

标准差

协方差

相关系数

协方差矩阵

参考

数字特征概述

　　在我们学习概率论的时候，很多时候我们不能深刻理解概率论中的数字特征所具有的含义，本文章尝试去帮助读者理解一些术语、概念。

　　

　　什么是数字特征？要回答这个问题，先得弄清楚什么是特征。特征是一个客体或一组客体特性的抽象结果。特征是用来描述概念的。任一客体或一组客体都具有众多特性，人们根据客体所共有的特性抽象出某一概念，该概念便成为了特征。而数字特征是对于数字的一种抽象方式，不同的抽象方式表现数字不同方面的数字特征（如，均值表现平均水平，方差表示离散程度）。从信息的角度来说，特征化（抽象）是压缩信息的一种方式。

　　为何会有数字特征？特征化是人们压缩数据的一种方式，它能够反映一些群体的某方面的特点。举个简单的例子，校长去某个班调查学生的学习水平，他不太可能去查看询问每个人的成绩（那样子是十分耗时的一件事情）。所以我们将班级的成绩信息进行压缩，压缩成均值，众数，标准差等，以此来为校长提供其所关心的平均水平，成绩差异程度等。

　　在数字特征的构造中，统一量纲 是一个十分重要的原则，下面的各个的数字特征中都会有所体现。下图说明，各个数字特征之间可以进行的运算

图1：（未涉及协方差，相关系数）

一些 不同随机变量的同一数字特征是可比较的。

一些 同一随机变量的不同数字特征是可比较的。

　　


　　

区分概率论与统计学（参考）：

【知乎】概率论与统计学的关系是什么？

随机变量

　　要想理解数字特征，弄清楚随机变量这一个概念是十分重要的。

常见数字特征

　　本小节主要介绍概率论中常见的一些数字特征，并且说明其直观的物理意义。这里只讨论离散型随机变量的数字特征。

数学期望（均值）

　　在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。是最基本的数学特征之一。它反映随机变量平均取值的大小。其公式如下：

E(X)=∑k=1∞xk×pk

xk ：表示观察到随机变量X的样本的值。

pk : 表示xk发生的概率。

　　数学期望反映的是平均水平。通过它，我们能够了解一个群体的平均水平（比如说，一个班平均成绩８０）。但另外一个方面，它所包含的信息也是十分有限的，首先是个体信息被压缩了，其次如果单纯看期望的话，是看不出样本的数量。（平均成绩为８０，在１人班和１００人班的含义是不一样的）

　　通过这个问题想说明，在刻画群体特征的时候，多个数字特征配合才能达到效果。（上面的例子：可以是 期望 + 数量）

方差

　　（variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。在许多实际问题中，研究方差即偏离程度有着重要意义。

　　方差( D(X)或Var(X) )计算公式如下：

　　D(X)=Var(X)=E{[X−E(X)]2}

X :表示随机变量。

E(X) : 表示X的期望。

D(X) : 是每个样本值与全体样本值的平均数之差的平方值的平均数。

公式逐步解释：[X−E(X)] —> [X−E(X)]2 —> E{[X−E(X)]2}

[X−E(X)] 是计算随机变量中各个值与期望的距离（反映的是以E(X)为基准计算的偏差）。但是只是将偏差进行求和，可能导致结果为0的情况（会产生离散程度较高，评价却为0的情况）。

平方[X−E(X)]2 可避免上述情况发生，但问题依据存在，不同的随机变量(比如，X,Y)之间在此级别是无法进行比较的，因为X,Y的数量空间是不同的（X可能有3个值，Y可能有1000个值），进而导致不具有可比性。

E{[X−E(X)]2} 则是将数量空间进行了统一，使得不同随机变量的方差具有了可比性。

ps : 方差的性质这里就不介绍了，可查看概率书籍。

标准差

　　标准差也是用于衡量一组数据的离散程度的。公式如下，可以看出标准差( σ(X)表示 )于随机变量X处于同一量纲下，这为X以及σ(X)在同一公式中计算提供了很好的支持。

　　σ(X)=D(X)−−−−−√

D(X) : 表示随机变量X的方差。

　　方差与标准差有何区别呢？（下面两个例子来自知乎：有了方差为什么需要标准差？）

　　

　　标准差和均值的量纲（单位）是一致的，在描述一个波动范围时标准差比方差更方便。比如一个班男生的平均身高是170cm,标准差是10cm,那么方差就是100cm^2。可以进行的比较简便的描述是本班男生身高分布是170±10cm，方差就无法做到这点。

　　

　　再举个例子，从正态分布中抽出的一个样本落在[μ-3σ, μ+3σ]这个范围内的概率是99.7%，也可以称为“正负3个标准差”。如果没有标准差这个概念，我们使用方差来描述这个范围就略微绕了一点。万一这个分布是有实际背景的，这个范围描述还要加上一个单位，这时候为了方便，人们就自然而然地将这个量单独提取出来了。

协方差

　　前面一直在探讨单个随机变量（1维），但是事实上当我们考察一个群体的时候，往往事物的属性是多方面的（多维），这里只考察2维情况，形式如：(X,Y)。

　　

　　(X,Y)的意思这类事物具有两个方面的属性，更进一步来说，一个样本有X,Y两方面的值，体现在数据库中，有两列（X列，Y列）。当Ｘ，Ｙ这两个属性出现在同一类事物中的时候，我们很自然想到Ｘ，Ｙ之间有某种关系，但是如何来刻画这种关系呢，这就是本节想要介绍的。

　　

　　(X,Y)是2维的，只考虑1维会无法从整体把握问题。而如果进行关联分析，有时候却需要对维度拆分来进行研究，这就引出了下面的协方差公式：

　　Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}

Cov(X,Y) : 表示随机变量X,Y的协方差。（2维因素）

E(X),E(Y) : 分别表示随机变量X,Y的期望。（1维因素）

[X−E(X)][Y−E(Y)]的说明 :

　　 [X−E(X)]与[Y−E(Y)]都只考虑了各自随机变量这1维，通过相乘的方式使得上面两个离差建立起数值关系，[X−E(X)][Y−E(Y)]是两者共同作用的结果，即和X，Y都有关。又因为X,Y都是随机变量，所以自然[X−E(X)][Y−E(Y)]也是合成的新的随机变量。根据相关性定义可知，如果X,Y独立，那么[X−E(X)]与[Y−E(Y)]也是独立的，那么

∵随机变量X,Y相互独立（即，P(X,Y)=P(X)∗P(Y)）

∴Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}

=E[X−E(X)]∗E(Y−E(Y))

∵E[X−E(X)]=0且E(Y−E(Y))=0

∴X,Y相互独立=>Cov(X,Y)=0

　　下面解释一下上面的结论的含义（为何Ｘ、Ｙ独立，Cov(X,Y)就为0 ?）。

　　如果X,Y有关系，那么关联性会使得某个变量的随机性不再那么随机。即，假如说X是随机的，X的值确定后会限定Y的随机性（将Y限定在某个范围）。这里举个简单的例子，假如学生具有（年龄，年级）两个属性，如果年龄是17岁，那么年级范围很可能是在高中范围内。年龄这个变量影响着年级这个变量。

　　

　　如果X,Y有关系，从关系传递性角度来说，离差[X−E(X)]与[Y−E(Y)]也会有一定的关系。正常情况下随机变量[X−E(X)]与[Y−E(Y)]会在0水平附近波动，如果上述两个随机变量无关，那么两个随机变量的相乘的方式会在0附近波动（即Cov(X,Y)=0）;如果X,Y有关，那么[X−E(X)]∗[Y−E(Y)]波动范围将会受到影响，不再围绕0。（此处有待进一步解释…）

　　

协方差计算公式

Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}

Cov(X,Y)=E(XY)−E(X)E(Y)

D(X+Y)=D(X)+D(Y)+2Cov(X,Y)

协方差性质

1。Cov(aX,bY)=abCov(X,Y)

2。Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)

　　总结一下，(X,Y)是2元组，X,Y 共同出现，可能有关系。为度量这种相关性，制定了一个指标（协方差），来刻画X,Y之间关系。（将相关性映射到协方差）

其他关于协方差理解：【知乎】如何通俗易懂地解释「协方差」与「相关系数」的概念？

相关系数

　　前面把比较关键的协方差说了一下，接下来说一下建立在协方差公式基础上的相关系数。简而言之，相关系数是对协方差进行了归一化处理，使其区间处于[－１，１]范围内。

　　下面看看相关系数ρXY的计算公式：

ρXY=Cov(X，Y)D(X)−−−−−√∗D(Y)−−−−−√

其中,Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}

定理

1。|ρXY|≤1

2。|ρXY|=1的充要条件是，存在常数a,b，使得

P{Y=a+bX}=1

(2。的含义：Y可完全用随机变量X线性表示。X确定，Y唯一确定)

需要注意的一些事情

【线性】ρXY表示的是X,Y之间线性相关程度。（不适用于多次方，指数等）

ρXY=0，我们称X,Y不相关。

【独立，相关】X,Y相互独立=>ρXY=0

【独立，相关】X,Y相互独立 ，则ρXY=0;ρXY=0,不能推出X,Y相互独立。（ρXY=0只能说明非”线性相关”，但X,Y可能是”非线性”相关）

为何ρXY反映的是线性相关性呢？

这仍旧与前面的协方差相关，为了进一步探索，我们暂且先做出一个简单的假设：X,Y完全线性相关，那么接下来看看会发生什么神奇的事情呢？

设:Y=a∗X+b,a、b都不为0

将上式带入Cov(X,Y)得：

分子：Cov(X,Y)=E(XY)−E(X)E(Y)

=E[X∗(a∗X+b)]−E(X)E(a∗X+b)

=aD(X)

另一方面，分母：D(X)−−−−−√∗D(Y)−−−−−√

=D(X)−−−−−√∗D(a∗X+b)−−−−−−−−−−√

=|a|D(X)

所以在线性相关的前提下，导致了相关系数只与a的符号相关。

再接下来，让我们放开那个非常强的假设（完全线性相关在现实生活中几乎不太可能存在，总会有些干扰的），去掉“完全”这个假设，留下“线性”这个假设。这里只是定性的分析下，定量的证明请参考数学书。

分母这里认为是正的，那么这里先只考虑分子的正负。

假如X,Y线性相关，接下来看看会对 Cov(X,Y)=E(XY)−E(X)E(Y)造成什么影响。

这里我们设X是自由的，那么X确定之后，则限定了Y的自由活动的空间（见前面年龄、年级的例子），即Y不再自由了。造成的后果是

在E(XY)中Y被限制住了，（因为这两个同时出现，构成了新的随机变量）

而在E(Y)中Y没有被限制住。

于是，Cov(X,Y)=E(XY)−E(X)E(Y)

Cov(X,Y)=E(X∗a∗X+干扰因子)−E(X)E(a∗X+干扰因子)，

假设干扰因子是随机的，此处我们暂且忽略。

于是,Cov(X,Y)=aE(X2)+aE(X)2=aD(X)−−−−−√

所以，相关系数的正负和正负线性相关性有很大的关联性。

　　因为思想部分已经在协方差部分说了，这里不再赘述。

协方差矩阵

　　前面已经说了协方差的意义，协方差在于探索随机变量之间的关系。协方差矩阵计算的是不同维度之间的协方差。不是样本之间的关联关系。

　　

　　协方差探索的是随机变量X，Y之间的相关性，是放在同一个样本中来进行的。举一个简单的例子，学生小明（年龄17岁，年级为高2），小红（年龄17岁，年级为高3），小明、小红就是我们所说的样本，而年龄、年级则是随机变量。计算协方差时，考虑的是小明年龄和小明年级之间的关联关系（一个样本自身属性之间的关联关系）。

　　ps:未考虑小明、小红之间是否有关联关系（样本之间是否有关联关系）。

　　

　　当样本含有大量维度（随机变量多）的时候，我们就需要使用矩阵来刻画各个维度之间的关联关系。

PS:

个人感觉，协方差矩阵的计算是将整个维度系统中的制约关系，分解为两两之间的关系来进行刻画。

【假设】这其中隐藏了一个假设，在协方差矩阵的世界中认为，所有维度之间的关系都可以简化为两两之间的关系来进行研究。（正如牛顿的万有引力公式）

设谋个矩阵如下：

（下面矩阵中每一行代表一个样本，每一列代表一个随机变量。）



则其协方差矩阵为：



关于协方差矩阵，此处不再赘述，可参看：

[转]浅谈协方差矩阵

[线性代数] 如何求协方差矩阵

详解协方差与协方差矩阵

参考

【知乎】排列组合的理解