随机变量的数字特征4-2

合集下载

《高等应用数学(第2版)》电子教案 14-5 随机变量的数字特征

1
2
0 x | x 1|dx 1 | x 1| (2 x)dx
1
2
0 x(1 x)dx 1 (x 1)(2 x)dx
1. 3
例4 -11 设X ~ N (, 2 ),令Y eX ,求E(Y ).
解因为X ~ N (, 2 ),从而X的概率密度为
因此,
令t x ,则
fX (x)
n
E( X ) xi pi , i 1
(2) 当X的可能取值为可列多个x1, x2, , xn, 时,
E( X ) xi pi. i 1
例4-1 设随机变量X的分布律为
X
-1
0
1
P 0.3 0.2 0.5
求E(X).
解 E(X)=(-1)Х0.3+0 Х 0.2+1 Х 0.5=0.2
例甲乙两人进行打靶,所得分数分别记为X,Y,它们的分布律分别为
14-5 随机变量的数字特征
离散型随机变量的期望
定义设离散型随机变量X的分布律为
P{X=xk}=pk , k=1,2,…
如果 | xk | pk有限,定义X的数学期望
k 1
E( X ) xk pk
k 1
也就是说,离散型随机变量的数学期望是一个绝对收敛的级数的和.
注 : (1) 当X的可能取值为有限多个x1, x2, , xn时,
f
(
x)
b
1
a
,
a x b，
0，其他.
则E(X )
xf (x)dx
a 2 b.
在区间[a, b]上服从均匀分布的随机变量的数学期望是该区间中点.
2.指数分布
设随机变量X服从参数为 0的指数分布,其概率密度为

北京理工大学《概率论与数理统计》课件-第4章随机变量的数字特征

北京理工大学《概率论与数理统计》分布函数能够完整地描述随机变量的统计特性，但在某些实际问题中，不需要全面考查随机变量的变化，只需知道它的随机变量的某些数字特征也就够了.评定某企业的经营能力时，只要知道该企业例如：年平均赢利水平研究水稻品种优劣时，我们关心的是稻穗的平均粒数及平均重量考察一射手的水平，既要看他的平均环数是否高，还要看他弹着点的范围是否小，即数据的波动是否小.由上面的例子看到，平均盈利水平、平均粒数、平均环数、数据的波动大小等，都是与随机变量有关的某个数值，能清晰地描述随机变量在某些方面的重要特征，这些数字特征在理论和实践上都具有重要意义.另一方面，对于一些常用的重要分布，如二项分布、泊松分布、指数分布、正态分布等，其中的参数恰好就是某些数字特征，因此，只要知道了这些数字特征，就能完全确定其具体的分布.第四章随机变量的数字特征4.1随机变量的平均取值——数学期望4.2随机变量取值平均偏离平均值的情况——方差4.3 描述两个随机变量之间的某种关系的数——协方差与相关系数4.1 数学期望一离散型随机变量的数学期望二连续型随机变量的数学期望三常见分布的数学期望四随机变量函数的数学期望五数学期望的性质六、数学期望的应用一离散型随机变量的数学期望引例射击问题设某射击手在同样的条件下,瞄准靶子相继射击90次,(命中的环数是一个随机变量).射中次数记录如下命中环数Y0 1 2 3 4 5命中次数n k 2 13 15 10 20 30频率n k/n2/90 13/90 15/90 10/90 20/90 30/90试问:该射手每次射击平均命中靶多少环?解：平均命中环数这是以频率为权的加权平均命中环数Y0 1 2 3 4 5命中次数n k2 13 15 10 20 30频率n k /n 2/90 13/90 15/90 10/90 20/90 30/900211321531042053090×+×+×+×+×+×=21315102030012345909090909090=×+×+×+×+×+×50k k n k n =⋅∑ 3.37.==射中靶的总环数射击次数平均射中环数频率随机波动随机波动“平均射中环数”的稳定值?=由频率的稳定性知：当n 很大时：频率n k /n 稳定于概率p k 稳定于50k k n k n =⋅∑50k k k p =⋅∑50k k n k n =⋅∑“平均射中环数”等于射中环数的可能值与其概率之积的累加定义1 设X 是离散型随机变量，它的概率分布是:P {X =x k }=p k , k =1,2,…如果绝对收敛,则称它为X 的数学期望或均值.记为E (X ), 即如果发散，则称X 的数学期望不存在.1k k k x p ∞=∑1()k k k E X x p ∞==∑1||k k k x p∞=∑注意：随机变量的数学期望的本质就是加权平均数，它是一个数，不再是随机变量.注1：随机变量X 的数学期望完全是由它的概率分布确定的，而不应受X 的可能取值的排列次序的影响，因此要求绝对收敛1k k k xp ∞=<+∞∑11111(1)1ln 2234212n n−+−++−→− 1111111(2)1ln 22436852−−+−−+→注2.E (X )是一个实数，而非随机变量，它是一种以概率为权的加权平均，与一般的算术平均值不同，它从本质上体现了随机变量X 取可能值的真正的平均值，也称均值.当随机变量X 取各个可能值是等概率分布时，X 的期望值与算术平均值相等.假设X 1P80 85 90 1/4 1/4 1/21()800.25850.25+900.586.25E X =×+××=X 2P80 85 901/3 1/3 1/32()85.E X =注3.数学期望E(X)完全由随机变量X的概率分布确定，若X服从某一分布，也称E(X)是这一分布的数学期望.乙射手甲射手例1.甲、乙两个射击手，他们射击的分布律如下表所示，问：甲和乙谁的技术更好?击中环数8 9 10概率0.3 0.1 0.6击中环数8 9 10概率0.2 0.5 0.3单从分布列看不出好坏，解：设甲，乙两个射击手击中的环数分别为X 1，X 2E (X 1)=8×0.3+9×0.1+10×0.6=9.3（环）E (X 2)=8×0.2+9×0.5+10×0.3=9.1（环）例2.1654年职业赌徒德.梅尔向法国数学家帕斯卡提出一个使他苦恼很久的分赌本问题：甲、乙两赌徒赌技相同，各出赌注50法郎，每局中无平局.他们约定，谁先赢三局，则得到全部100法郎的赌本.当甲赢了2局，乙赢了1局时，因故要中止赌博.现问这100法郎如何分才算公平？解：假如比赛继续进行下去，直到结束为止. 则需要2局.这时，可能的结果为：甲甲，甲乙，乙甲，乙乙即：甲赢得赌局的概率为3/4，而乙赢的概率为1/4.设：X、Y分别表示甲和乙得到的赌金数. 则分布律分别为：X0 100 P1/4 3/4Y0 100 P3/4 1/4这时，可能的结果为：甲甲，甲乙，乙甲，乙乙即：甲赢得赌局的概率为3/4，而乙赢的概率为1/4.E(X)=0×1/4+100×3/4=75E(Y)=0×3/4+100×1/4=25即甲、乙应该按照3：1的比例分配全部的赌本.例3.确定投资决策方向?某人有10万元现金,想投资于某项目,预估成功的机会为30%,可得利润8万元,失败的机会为70%,将损失2万元.若存入银行,同期间的利率为5%,问是否做此项投资?解：设X 为此项投资的利润，则存入银行的利息：故应该选择该项投资.(注：投资有风险，投资须谨慎)X 8 −2P0.3 0.7此项投资的平均利润为：E (X )=8×0.3+(−2)×0.7=1(万元)10×0.05=0.5(万元)设X 是连续型随机变量，密度函数为f (x ).问题：如何寻找一个体现随机变量平均值的量.将X 离散化.二、连续型随机变量的数学期望在数轴上取等分点：…x −2<x −1<x 0<x 1<x 2<…x k +1−x k =∆x ，k =0,±1,….，并设x k 都是f (x )的连续点.则小区间[x i ,x i+1)阴影面积近似为f (x i )∆x i1()i x x f x dx+=∫()i f x x≈∆P {x i <X ≤x i +1}定义一个离散型随机变量X *如下：其数学期望存在，且绝对收敛时，P {X *=x i }=P {x i ≤X <x i +1} ≈f (x i )∆x对于X *，当当分点越来越密，即∆x →0时，可以认为X *=x i 当且仅当x i ≤X <x i +1(*)i i ix P X x =∑(*){*}i i iE X x P X x ==∑()i i ix f x x ≈∆∑0=lim ()i i x ix f x x ∆→∆∑则其分布律为E (X *) →E (X ) *0=lim x EX EX ∆→即有：+()xf x dx∞−∞=∫定义2：设X 是连续型随机变量，其密度函数为f (x )，如果绝对收敛，则称的值为X 的数学期望，如果积分发散，则称随机变量X 的数学期望不存在.+()xf x dx ∞−∞∫+||()x f x dx∞−∞∫即+()()E X xf x dx∞−∞=∫+()xf x dx ∞−∞∫记为E (X ).注意：随机变量的数学期望的本质就是加权平均数，它是一个数，不再是随机变量.三、常见分布的数学期望1.0−1分布设随机变量X服从参数为p的0−1分布，求EX.解：X的分布律为X0 1P1−p p则：E(X)=0×P{X=0}+1×P{X=1}=P{X=1}=p概率是数学期望的特例(第五章)2.二项分布X 的分布律为P {X =k }=C n k p k (1−p )n−k ,k =0,1,…,n .解：设随机变量X ~b (n ,p )，求EX .0{}nk EX kP X k ==∑0(1)n k k n k n k kC p p −=−∑1!(1)!()!n k n kk n k p p k n k −=−−∑1(1)(1)1(1)!(1)(1)!()!nk n k k n np p p k n k −−−−=−−−−∑11(1)1(1)n l k l ln ln l np Cp p −=−−−−=−∑1[(1)]n np p p −=+−np=抛掷一枚均匀硬币100次，能期望得到多少次正面3.泊松分布则解：X 的分布律为设随机变量X ~π(λ)，求EX .{},0,1,2,!kP X k e k k λλ−=== 00(){}!k k k e E X kP X k k k λλ−∞∞=====∑∑11(1)!k k ek λλλ−∞−==−∑1!ii k i e i λλλ∞=−−=∑=e e λλλλ−=1!k k e k k λλ−∞==∑泊松分布的参数是λ4.几何分布解：X 的分布律为P {X =k }=q k −1p ,k =1,2,….p+q =1设随机变量X 服从参数为p 的几何分布，求EX .111(){}k k k E X kP Xk k pq∞∞−=====⋅∑∑11k k p k q∞−=⋅∑1=()kk p q ∞=′∑1=()k k p q ∞=′∑()1q p q′=−211(1)p q p=−重复掷一颗骰子平均掷多少次才能第一次出现6点设X ~U (a , b )，求E (X ).解：X 的概率密度为：X 的数学期望为：数学期望位于区间(a ,b )的中点.5.均匀分布1()0a xb f x b a<<=− 其它()()2bax a b E X xf x dx dx b a +∞−∞+===−∫∫设X 服从指数分布，求E (X ).分部积分法6.指数分布当概率密度表示为：对应的数学期望为θ.,0()0,x e x f x x λλ− >=≤ 0xxedx λλ+∞−=∫()()E X xf x dx +∞−∞=∫1λ=1,0()0,0xe xf x x θθ− > = ≤解：X 的概率密度为：设X ~N (μ,σ2)，求E (X ).解：X 的概率密度为被积函数为奇函数，故此项积分为0.7.正态分布22()21()2x f x eµσπσ−−=()()E X xf x dx +∞−∞=∫22()212x xedxµσπσ−+∞−−∞=∫221()2x t t t edtµσσµπ−=+∞−−∞+∫ 2222122t t tedt edt σµππ+∞+∞−−−∞−∞+∫∫µ=N (0,1)的密度函数积分为1.注意：不是所有的随机变量都有数学期望例如：Cauchy 分布的密度函数为但发散故其数学期望不存在.21(),(1)f x x x π=−∞<<+∞+2||||()(1)x x f x dx dx x π+∞+∞−∞−∞=+∫∫四随机变量函数的数学期望设已知随机变量X的分布，我们需要计算的不是X的期望，而是X的某个函数的期望，比如说g(X)的期望. 那么应该如何计算呢？一种方法是，因为g(X)也是随机变量，故应有概率分布，它的分布可以由已知的X的分布求出来. 一旦我们知道了g(X)的分布，就可以按照期望的定义把E[g(X)]计算出来.例4.某商店对某种家用电器的销售采用先使用后付款的方式，记该种电器的使用寿命为X (以年计)，规定：X ≤1,一台付款1500元；1<X ≤2，一台付款2000元2<X ≤3，一台付款2500元；X >3，一台付款3000元设X 服从指数分布，且平均寿命为10年，求该商店一台电器的平均收费.解：设该商店一台电器的收费为Y .要求E (Y )X 的分布函数为：1101,()0,0x e x F x x − −>=≤设该商店一台电器的收费为YX ≤1，一台付款1500元1 <X ≤2，一台付款2000元2 <X ≤3，一台付款2500元X >3，一台付款3000元1101,0()0,0x ex F x x − −>=≤P {Y =1500}=P {X ≤1}=F (1)=1−e −0.1=0.0952P {Y =2000}=P {1<X ≤2}=F (2)−F (1)=0.0861P {Y =2500}=P {2<X ≤3}=F (3)−F (2)=0.0779P {Y =3000}=P {X >3}=1−F (3)=0.7408设X 服从指数分布，且平均寿命为10年.Y 的分布律为所以该商店一台电器的平均收费，即Y 的数学期望为Y 1500 2000 2500 3000P0.0952 0.0861 0.0779 0.7408()15000.095220000.086125000.0779 30000.74082732.15E Y =×+×+×+×=使用上述方法必须先求出g(X)的分布，有时这一步骤是比较复杂的.那么是否可以不先求g(X)的分布，而只根据X的分布求E[g(X)]呢？例5.设离散型随机变量X 的概率分布如下表所示,求:Z=X 2的期望.X−11P214141E (Z )= g (0)×0.5+g (-1)×0.25+g (1)×0.25解:=0.5注:这里的.)(2x x g =(1)当X 为离散型随机变量时，分布律为P {X = x k }=p k ，k =1,2,⋯(2)当X 为连续型随机变量时，概率密度函数为f (x ).定理：设Y 是随机变量X 的函数，Y =g (X )(g 是连续函数)若级数绝对收敛，则有若积分绝对收敛，则有1()[()]()kkk E Y E g X g x p∞===∑()[()]()()E Y E g X g x f x dx+∞==∫1()k k k g x p ∞=∑()()g x f x dx+∞−∞∫该公式的重要性在于：当求E [g (X )]时，不必知道g (X )的分布，而只需知道X 的分布就可以了，这给求随机变量函数的期望带来很大方便.k k k g x p X E Y E g X g x f x dx X 1(),()[()]()(),∞=+∞−∞== ∑∫离散型连续型例6.设随机变量X~b(n, p)，Y=e aX，求E(Y).解：因为X的分布律为所以有{}(1), 0,1,...,k k n knP X k C p p k n−==−= ()E Y=(1)nak k k n knke C p p−=−∑()(1)nk a k n knkC e p p−=−∑[(1)]a npe p=+−={}nakke P X k==∑例7.设X ~U [0,π]，Y=sinX ，求E (Y ).解：因为X 的概率密度为所以有1,0()0,x f x ππ≤≤ =其他()sin ()E Y xf x dx +∞−∞=∫01sin x dx ππ⋅∫2π=定理：设Z 是随机变量X 和Y 的函数，Z =g (X,Y )(g 是连续函数),Z 是一维随机变量(1)若(X,Y )是二维离散型随机变量，概率分布为(2)若(X,Y )是二维连续型随机变量，概率密度为f (x, y )，则有这里假定上两式右边的积分或级数都绝对收敛11()[(,)](,)ijijj i E Z E g X Y g x y p∞∞====∑∑()[(,)](,)(,)E Z E g X Y g x y f x y dxdy+∞+∞−∞−∞==∫∫{,},,1,2,i j ij P X x Y y p i j ====则有几个常用的公式()[(,)](,)(,)E Z E g X Y g x y f x y dxdy+∞+∞−∞−∞==∫∫(,)EX xf x y dxdy+∞+∞−∞−∞=∫∫(,)EY yf x y dxdy+∞+∞−∞−∞=∫∫22()(,)E Y y f x y dxdy+∞+∞−∞−∞=∫∫22()(,)E X x f x y dxdy+∞+∞−∞−∞=∫∫()(,)E XY xyf x y dxdy+∞+∞−∞−∞=∫∫例8.设二维随机变量(X ,Y )的密度函数为求E (X ),E (Y ),E (X +Y ),E (XY ).解：21(13),02,01,(,)40,x y x y f x y +<<<< =其它()(,)E X xf x y dxdy+∞+∞−∞−∞=∫∫212001(13)4x xdx y dy =⋅+∫∫43=()(,)E Y yf x y dxdy+∞+∞−∞−∞=∫∫212001(13)4xdx y y dy +∫∫58=数学期望的性质注意：X ,Y 相互独立()()(,)E X Y x y f x y dxdy+∞+∞−∞−∞+=+∫∫(,)(,)xf x y dxdy yf x y dxdy+∞+∞+∞+∞−∞−∞−∞−∞+∫∫∫∫()()E X E Y +45473824=+=()(,)E XY xyf x y dxdy +∞+∞−∞−∞=∫∫2120011(13)22x xdx y y dy=⋅⋅+∫∫455386=⋅=()()E X E Y ⋅设X =(X 1,…, X n )为离散型随机向量，概率分布为≥ 1nnj j j j n P X =x ,,x =p ,j ,,j .11{()}1Z = g (X 1,…, X n ),若级数绝对收敛，则.<∞∑ nnnj j j j j j g x ,,x p 111()=∑ nnnn j j j jj j E Z =E g X ,,X g x ,,x p 1111()(())()设X =(X 1,…, X n )为连续型随机向量，联合密度函数为 n f x x 1(,,)Z = g (X 1,…, X n ),若积分绝对收敛，则+∞+∞−∞−∞∫∫n n ng x x f x x x x 111(,,)(,,)d d n E Z E g X X 1()=((,,))+∞+∞−∞−∞=∫∫n n ng x x f x x x x 111(,,)(,,)d d五数学期望的性质1.设C 是常数，则E (C )=C 4.设X 、Y 相互独立，则E (XY )=E (X )E (Y );2.若k 是常数，则E (kX )=kE (X )3.E (X +Y )=E (X )+E (Y )注意:由E (XY )=E (X )E (Y )不一定能推出X ,Y 独立推广(诸X i 相互独立时)推广11[]()nni i i i i i E C X C E X ===∑∑11[]()n ni i i i E X E X ===∏∏性质4 的逆命题不成立，即若E (X Y ) = E (X )E (Y )，X ,Y 不一定相互独立.反例XY p ij -1 0 1-10181818181818181810p • j838382p i•838382X Y P-1 0 1828284EX EY ==0;E XY ()=0;=E XY EX EY ()但P X Y 1{=-1,=-1}=8≠=P X P Y 23{=-1}{=-1}8××=30+2103-3+5=92X XY Y X XY Y E(3+2-+5)=3E()+2E()-E()+E(5)性质2和3×××EX EY =310+2-3+5性质4例9.设X ～N (10,4)，Y ～U [1,5]，且X 与Y 相互独立，求E (3X ＋2XY －Y ＋5).解：由已知，有E (X )＝10, E (Y )＝3.例10: 设X 1 , X 2…,X n 相互独立且都服从B (1, p ),求Z = X 1 + X 2+…+X n 的数学期望E (Z ).解:注: 由二项分布的可加性易知Z = X 1 + X 2+…+X n ～B (n, p ).EZ = E (X 1 + X 2+…+X n )= E (X 1 ) +E ( X 2)+…+E (X n )= p +p +…+p =n p求二项分布的数学期望的又一种方法.例11.（超几何分布的数学期望）设一批同类型的产品共有N 件，其中次品有M 件.今从中任取n (假定n ≤N −M )件，记这n 件中所含的次品数为X ，求E (X ).则有所以解: 引入X ＝X 1+X 2+…+X n且易知抽签模型，概率与试验次数无关例10和例11：将X 分解成数个随机变量之和，然后利用随机变量和的期望等于期望的和这一性质，此方法具有一定的意义.1,,1,2,,0,i i X i n i ==第件是次品第件不是次品iMP X N{1}==1()ni i EX E X ==∑ni i P X 1{1}==∑1ni M N ==∑nM N =为普查某种疾病，N 个人需验血.有如下两种验血方案：（1）分别化验每个人的血，共需化验N 次；（2）分组化验.每k 个人分为1组，k 个人的血混在一起化验，若结果为阴性，则只需化验一次；若为阳性，则对k 个人的血逐个化验，找出有病者，此时k 个人的血需化验k+1次.设每个人血液化验呈阳性的概率为p ，且每个人化验结果是相互独立的.试说明选择哪一方案较经济.验血方案的选择例13.六、数学期望的应用解：只需计算方案(2)所需化验次数X 的期望.。

随机变量的数字特征

例若随机变量X的概率密度为
f(x)(1 1x2), x
则称X服从柯西(Cauchy)分布。
但
|x|
f(x)d x (1| x|x2)dx 发散
所以柯西分布的数学期望不存在。
《医药数理统计方法》
§3.1
三、数学期望的性质
1、E(C)=C 2、E(CX)=C×E(X) 3、E(X±Y)=E(X)±E(Y)
n
n
3)设X1,X2,…,Xn相互独立，则 V(Xi)V(Xi)
i1
i1
V (1 n i n 1X i) n 1 2i n 1 V (X i) 1 n [1 n i n 1 V (X i)]
解：红细胞的变异系数为 C V(X1)4 0..1 27 98 16.965%
血红蛋白的变异系数为
10.2 C V(X2)117.68.673%
所以，血红蛋白的变异较大。
《医药数理统计方法》
§3.2
二、方差的性质
1、V(C)=0 证明：V(C)=E{[CE(C)]2} =E[(CC)2]=0
2、V(CX)=C2V(X) 证明：V(CX)=E{[CXE(CX)]2}
而 E (X 2 ) E (X X ) E (X )E (X ) 1 1 1
339
计算是错误的！！
《医药数理统计方法》
§3.2
§3.2 方差、协方差和相关系数
一、方差二、方差的性质三、其他数字特征
《医药数理统计方法》
§3.2
一、方差
例3.15 为了比较甲、乙两个专业射击运动员的技术水平，令每人各射击5次，分别以 X1,X2表示他们射击的环数，结果如下：
即
E(X) xf(x)dx

概率论与数理统计4-2 方差

2 *
X

,
为X的标准化变量
E ( X ), D( X )。 X 1 * ) E( X ) 0 解 E( X ) E( X 2 * * 2 * 2 E[( ) ] D( X ) E([ X ] ) [ E( X )] 1 1 2 D( X ) 1 E[( X ) ] 2
推论
若 X i (i 1, 2,...n)相互独立，则有： D( X 1 X 2 ... X n ) D( X 1 ) D( X 2 ) ... D( X n ) 进一步有：D( Ci X i ) [C D( X i )]
i 1 i 1 2 i n n
4. D(X)=0

P{X= C}=1 , 这里C=E(X)
下面我们的举例说明方差性质应用 .
例7 设X~B(n,p)，求E(X)和D(X). 解
X~B(n,p), 则X表示n重努里试验中的
“成功” 次数 .
1 如第i次试验成功 i=1,2，…，n 若设 X i 0 如第i次试验失败
则X
1 fZ ( z) e 3 2
( z 5)2 18
.
四、切比雪夫不等式
定理设随机变量X具有数学期望 E ( X ) , 方差 D( X ) 2 , 则对于任意正数，有不等式
事件{|X-E(X)|< }的概率越大，即随机变量X 集
P{| X E ( X ) | } 2 2 或 P{| X E ( X ) | } 1 2 由切比雪夫不等式可以看出，若 2 越小，则
b 2
2
b a ab E( X ) , D( X ) 2 12

随机变量的数字特征

1 2 3 求E(Z)
-1 0 0.1 1
0.4 0.2 0.4
解:方法一：
(1) E(X)=1*0.4+2*0.2+3*0.4=2 E(Y)=-1*0.3+0*0.4+1*0.3=0
方法二：
(1)E(X)=0.2*1+0.1*2+0*0.3+0.1*1+0*2+0.3*3+0.1*1+0.1*2+0.1*3=2
E( X ) xk pk . k 1
E( X ) 0 0.2 0.2 0.2 0.2 0.2 1 (元)
例题：有 5 个相互独立工作的电子装置，它们的寿命Xk (k 1, 2,3,4,5) 服从同一指数分布，其概率密度为
f
(
x
)
1
e
x
/
,
x 0, 0.
0,
x 0,
1) 若将5个装置串联成整机，求整机寿命 N 的数学期望；
若 g(xk )pk 绝对收敛，则有
k 1
E(Y ) E[g( X )] g(xk )pk .
k 1
2). X 是连续型随机变量，概率密度为 f (x),
若 g(x) f (x)dx 绝对收敛，则有
E(Y ) E[g( X )] g(x) f (x)dx
(证明超过范围，略)
说明: 在已知Y是X的连续函数前提下,当我们求
E(Y)时不必知道Y的分布, 只需知道X的分布就可
以了.
Y x42
0
4
例: 设随机变量 X 的分布律为 X -2
0
2
求：E( X ), E( X 2 ), E(3X 2 5). P 0.4 0.3 0.3 解：(1)E(X) 2 0.4 0 0.3 2 0.3 0.2,

随机变量的数字特征

随机变量的数字特征随机变量是概率论中的重要概念，描述了在一定概率分布下可能取得的不同取值。

在实际问题中，我们常常需要对随机变量的数字特征进行分析，以揭示其分布规律和潜在规律。

本文将介绍随机变量的数字特征及其应用。

1. 期望值期望值是描述随机变量平均取值的一个重要数字特征。

对于离散型随机变量，期望值的计算公式为：$$ E[X] = \\sum_{i} x_i \\cdot P(X = x_i) $$其中，X表示随机变量，x i为X可能取得的值，P(X=x i)为X取值为x i的概率。

对于连续型随机变量，期望值的计算公式为：$$ E[X] = \\int_{-\\infty}^{\\infty} x \\cdot f(x) dx $$其中，f(x)为X的概率密度函数。

2. 方差方差是描述随机变量取值分散程度的数字特征。

对于离散型随机变量，方差的计算公式为：Var[X]=E[(X−E[X])2]对应连续型随机变量的方差计算公式为：$$ Var[X] = \\int_{-\\infty}^{\\infty} (x - E[X])^2 \\cdot f(x) dx $$3. 协方差协方差描述了两个随机变量之间的线性相关性。

对于两个随机变量X和Y，其协方差的计算公式为：Cov[X,Y]=E[(X−E[X])(Y−E[Y])]协方差的正负值表示了两个随机变量的相关性程度，当协方差为正时，表示两个随机变量正相关，为负时表示负相关。

4. 相关系数相关系数是协方差标准化后的结果，用以衡量两个随机变量之间的线性相关性强弱。

相关系数的计算公式为：$$ \\rho_{X,Y} = \\frac{Cov[X,Y]}{\\sigma_X \\cdot \\sigma_Y} $$其中，$\\sigma_X$和$\\sigma_Y$分别为X和Y的标准差。

相关系数的取值范围在-1到1之间，绝对值越接近1表示相关性越强。

5. 大数定律大数定律是概率论中的一个重要定理，指出在独立重复试验中，随着试验次数的增多，样本平均值将趋近于总体期望值。

概率论与数理统计第四章

)
(
)
(
)
,
(
Y
D
X
Dபைடு நூலகம்
Y
X
Cov
xy
=
r
=4[E(WV)]2-4E(W2)×E(V2)≤0
01
得到[E(WV)]2≤E(W2)×E(V2). →(8)式得到证明.
02
设W=X-E(X),V=Y-E(Y),那么
03
其判别式
由(9)式知, |ρ xy|=1 等价于 [E(WV)]2=E(W2)E(V2). 即 g(t)= E[tW-V)2] =t2E(W2)-2tE(WV)+E(V2) =0 (10) 由于 E[X-E(X)]=E(x)-E(X) =0, E[Y-E(Y)]=E(Y)-E(Y) =0.故 E(tW-V)=tE(W)-E(V)=tE[X-E(X)]-E[Y-E(Y)]=0 所以 D(tW-V)=E{[tW-V-E(tW-V)]2}=E[(tW-V)2]=0 (11) 由于数学期望为0,方差也为0,即(11)式成立的充分必要条件是 P{tW-V=0}=1
随机变量X的数学期望是随机变量的平均数.它是将随机变量 x及它所取的数和相应频率的乘积和.
=
(1)
)
2
3
(
)
(
-
=
ò
µ
µ
-
dx
x
x
E
j
x
可见均匀分布的数学期望为区间的中值.
例2 计算在区间[a,b]上服从均匀分布的随机变量的数学期望
泊松分布的数学期望和方差都等于参数λ.
其他
02
f(x)=
01
（4-6）
03
（4）指数分布

概率论与数理统计第4章随机变量的数字特征与极限定理

4.2.1 随机变量方差的概念数学期望是随机变量重要的数字特征．但是，在刻画随机变量的性质时，仅有数学期望是不够的．例如，有两批钢筋，每批各10根，它们的抗拉强度指数如下：
25
定义4.3 设X是随机变量，若E［X－E（X）］2存在，则称它为X的方差，记为D（X），即
由定义4.2，随机变量X的方差反映了X的可能取值与其数学期望的平均偏离程度．若D（X）较小，则X的取值比较集中，否则，X的取值比较分散．因此，方差 D（X）是刻画X取值离散程度的一个量．
3
定义4.1 设离散型随机变量X的分布律为
4
5
6
7
8
9
4.1.2 几个常用分布的数学期望 1.0—1分布设随机变量X服从以p为参数的（0—1）分布，则X 的数学期望为
２.二项分布设随机变量X～B（n,p），则X的数学期望为
10
3.泊松分布设随机变量X～P（λ）分布，则X的数学期望为
41
Hale Waihona Puke 424.３协方差、相关系数及矩
4.3.1 协方差对于二维随机变量（X，Y），除了分量X，Y的数字特征外，还需要找出能体现各分量之间的联系的数字特征．
43
44
4.3.2 相关系数定义4.5 设（X,Y）为二维随机变量，cov （X,Y）,D（X）,D（X）均存在，且D（X）>0,D（X） >0，称
15
16
17
定理4.2 设（X,Y）是二维随机变量，z=g（x,y）是一个连续函数．（1）如果（X,Y）为离散型随机变量，其联合分布律为
18
19
20
4.1.4 数学期望的性质数学期望有如下常用性质（以下的讨论中，假设所遇到的数学期望均存在）：

随机变量的数字特征-高二数学同步精讲课件(人教B版2019选择性必修第二册)

[xi E( X )]2 pi. i 1
能够刻画 X 相对于均值的离散程度（或波动大小），这称为离散型随机变量 X 的方差.
8
9
10
0.4 0.2 0.4
设甲、乙两人每人都重复射击足够多次（设为n次)，
则甲所得环数可估计为 8，8，，8，9,9, ,9，10,10, ,10，
乙所得环数可估计为
0.2n个
8，8，，8，9,
0.6
9,
n个
,
9，10,100.2,n个
,10，
0.4n个
0.2n个
0.4n个
二、离散型随机变量的方差
一般地， D( X ) 称为离散型随机变量 X 的标准差，它也可以刻
画一个离散型随机变量的离散程度（或波动大小).
学生笔记
4.2.4随机变量的数字特征
2.离散型随机变量的方差
D( X ) [xn1 E( X )]2 p1 [x2 E( X )]2 p2 [xn E( X )]2 pn
知每位体检人患有该疾病的概率均为0.1，化验结果不会出错，而且各体
检人是否患有该疾病相互独立，现有5位体检人的血液待检查，有以下两
种化验方案：方案甲：逐个检查每位体检人的血液；方案乙：先将5位体
检人的血液混在一起化验一次，若呈阳性，则再逐个化验；若呈阴性，
则说明每位体检人均未患有该疾病，化验结束.
（1）哪种化验方案更好？方案甲中，化验的次数一定为5次.
因为X只能取1，0这两个值，而且P(X=1)=p，所以
E( X ) 1 p 0 (1 p) p
类似地，由离散型随机变量均值的定义，可以算出离散型随
机变量服从二项分布，超几何分布时的均值，即：
（1）若X服从参数为n , p 的二项分布，即X ~ B(n, p) ，则

随机变量的数字特征

1
随机变量的数字特征
用来描述随机变量的某些特征的数字
矩
即求平均值，用大写字母表示即求平均值，用大写字母E表示
原意：画直角或方形的尺，即一种度量，“没有规矩，不成方圆” 英文：moment；中文：类似“力矩”，即力的大小到支点的距离的乘积
2
矩存在的条件：矩存在的条件：若一随机变量的各阶绝对矩都存若一随机变量的各阶绝对矩都存各阶绝对矩在，则它相应的各阶矩都存在。则它相应的各阶矩都存在。各阶矩都存在
= ∑xi pi
∞
⑵连续型随机变量的期望/均值：连续型随机变量的期望/均值：的期望 EX =
∫
i=1 +∞
−∞
xf ( x)dx
7
2. 性质为常数； ⑴ EC = C ，C 为常数；
n n ⑵ E ∑ ki X i = ∑ ki EX i ， ∀ 常数 ki ； i =1 i =1
26
一维高斯分布
27
1. 一维高斯随机变量的概率密度一维高斯随机变量随机变量的
服从高斯分布，随机变量 X 服从高斯分布，即 X～ N ( m, σ2 ) 概率密度为
( x − m )2 −
2σ 2
1 fX ( x) = e σ 2π
归一化高斯变量归一化高斯变量
σ y2 1 −2 fY ( y) = e 2π
k
k 阶绝对中心矩 k 阶中心矩
E X − EX
k
E ( X − EX )
k
9
对于 E ( X − EX )
其中
0
k
k = 0 时， E ( X − EX ) = 1
k = 1时， E ( X − EX ) = EX − EX = 0

概率论与数理统计第4章随机变量的数字特征

解：
1 (5 0.5x)( 3 x2 x)dx
0
2
4.65(元)
2021/7/22
21
4.1.2 随机变量函数的数学期望
将定理4.1推广到二维随机变量的情形．
定理4.2 设Z是随机变量X，Y的函数Z = g(X，Y)， g是连续函数．
(1) 若(X，Y)是二维离散型随机变量，其分布律
为P{X xi ,Y yj } pij, i, j 1,2,, 则有
解：由于 P{ X k} k e ，k = 0，1，2，…，
k!
因而
E( X ) kP{ X k} k k e
k0
k0 k!
k e
k1 (k 1)!
e
k 1
k1 (k 1)!
e k ee k0 k!
2021/7/22
12
4.1.1 数学期望的概念
2. 连续型随机变量的数学期望
2021/7/22
18
4.1.2 随机变量函数的数学期望
定理4.1 设Y为随机变量X的函数:Y = g(X) (g是连续
函数).
(1) 设X是离散型随机变量，其分布律为
P{X xk } pk , k 1,2,
若级数 g( xk ) pk绝对收敛,则 E(Y ) E[g( X )] g( xk ) pk
f ( x) 25( x 4.2)， 4 x 4.2，
0，
其它.
求pH值X的数学期望E(X).
解：
E( X ) xf ( x)dx
4
4.2
x 25( x 3.8)dx x (25)(x 4.2)dx
3.8
4
4
2021/7/22
15

第三章随机变量的数字特征

概率论
第三章随机变量（向量）的数字特征
§3.1 随机变量的数学期望 §3.2 随机变量的方差 §3.3 协方差与相关系数
为了完整的描述随机变量的统计特性，自然应该知道其分布函数，因为随机变量的分布函数可以反映随机变量取值的规律。但是在实际问题中，一方面随机变量的分布或分布函数并不都是容易求得的，另一方面，往往也不需要知道随机变量的详尽的概率分布，而仅需要知道其某些
四、随机变量函数的数学期望 1. 一元随机变量函数的情况设Y g( X )是随机变量 X的函数，（1）离散型
如果随机变量X 的概率函数为 P{ X xk } pk k 1, 2, 则有E (Y ) E[ g ( X )] g ( xk ) pk
k 1
（2）连续型
x2
1 n
Pk
n
… xi … 1 n
… xn … 1 n
E ( X ) x1 1 x2 1 ... xn 1 1 xi n n n n
i 1
2.两点分布由数学期望的定义
E( X ) p
X pi
0
1
q
p
3. 二项分布若随机变量 X ~ B(n, p) ，其概率函数为
xR
( x )2 2 2
1 E ( X ) xf ( x)dx xe 2 t2 (x ) 1 令t ( t )e 2 dt 2 t2 1 e 2 dt 2
dx
解：由上面的公式
1 1 2 E (W ) kv f (v)dv kv dv ka a 3 0
2 2 a
例3.6 设X与Y相互独立，它们的概率密度函数分别为

浙大概率论与数理统计课件第四章随机变量的数字特征

0 0
0
x
x y 1 0
EX=

xf

( x , y ) dxdy
0 0
1
dx
x 2 dy
1 3
1 x
E(-3 X+ 2Y)= dx

1
x 1
2 ( 3 x 2 y ) dy
0 0 1

1 3
1 12
EXY=
k
k 0

e
k

e

k!
( k 1)!
k 1

k 1
e

e

二、连续型随机变量的数学期望
定义2 设X是连续型随机变量，其密度函数为 f (x), 如果积分

xf ( x)dx

绝对收敛,则称此积分值为X的数学期望, 即
E( X ) x f ( x )dx
数学期望、方差、协方差和相关系数
第一节
数学期望
离散型随机变量的数学期望
连续型随机变量的数学期望
随机变量函数的数学期望
数学期望的性质
小结
一、离散型随机变量的数学期望
引例：某7人的数学成绩为90，85，85，80，80， 75，60，则他们的平均成绩为
90 85 2 80 2 75 60 1 7 7 2 7 2 7 1 7 1 7
第四章、随机变量的数字特征
第一节：数学期望第二节：方差第三节：协方差及相关系数第四节：矩、协方差矩阵
在前面的课程中，我们讨论了随机变量及其分布，如果知道了随机变量X的概率分布，那么X的全部概率特征也就知道了.

概率论与数理统计第4章

随机变量的数学期望是概率论中最重要的概念之一.它的定义来自习惯上的平均值概念.
5
一、离散型随机变量的数学期望
引例某企业对自动流水线加工的产品实行质量监测，每天抽检一次，每次抽取5件，检验产品是否合格，在抽检的30天的记录中，无次品的有18天，一件次品的有9天，两件次品的有3天，求日平均次品数．
k

这启发我们引出如下连续型随机变量的数学期望定义：
30
二、连续型随机变量的数学期望
设连续型随机变量 X 的概率密度为 f ( x ), 若积分
x f ( x ) d x
绝对收敛, 则称积分 x f ( x ) d x 的值为随机

变量 X 的数学期望, 记为 E ( X ) . 即 E ( X ) x f ( x )d x.
n
n 1
n( n 1)( n i ) i 1 n i 1 p q i! i 0
n 1
令i k 1
( n 1)( n i ) i ( n1) i np pq i! i 0
n 1
np C
i 0
n 1
i n 1
pq
i
( n 1 ) i
试问哪个射手技术较好?
12
解设甲、乙射手击中的环数分别为 X 1 , X 2 .
E ( X 1 ) 8 0.3 9 0.1 10 0.6 9.3(环), E ( X 2 ) 8 0.2 9 0.5 10 0.3 9.1(环),
故甲射手的技术比较好. 乙射手甲射手
Y
1500
0.0952
2000
2500
3000
0.7408

随机变量的数字特征

随机变量的数字特征第四章随机变量的数字特征第⼀节基本概念1、概念⽹络图→切⽐雪夫不等式矩⽅差期望⼀维随机变量→协⽅差矩阵相关系数协⽅差⽅差期望⼆维随机变量2、重要公式和结论例4．1：箱内装有5个电⼦元件，其中2个是次品，现每次从箱⼦中随机地取出1件进⾏检验，直到查出全部次品为⽌，求所需检验次数的数学期望。

例4．2：将⼀均匀骰⼦独⽴地抛掷3次，求出现的点数之和的数学期望。

例4．3：袋中装有标着1，2，…，9号码的9只球，从袋中有放回地取出4只球，求所得号码之和X 的数学期望。

例4．4：设随机变量X 的概率密度为,)(21)(||+∞<<-∞=-x e x f x求E （X ）及D （X ）。

例4．5：设随机变量X~N （0， 4）， Y~U （0， 4），且X ，Y 相互独⽴，求E （XY ），D （X+Y ）及D （2X-3Y ）。

例4．6：罐中有5颗围棋⼦，其中2颗为⽩⼦，另3颗为⿊⼦，如果有放回地每次取1⼦，共取3次，求3次中取到的⽩⼦次数X 的数学期望与⽅差。

例4．7：在上例中，若将抽样⽅式改为不放回抽样，则结果⼜是如何？例4．8：“随机变量X 的数学期望E(X)= µ.”的充分条件：(1)X 的密度函数为f(x)=λµλ--x e21 (λ>0,-∞(2) X 的密度函数为222)(21)(σµσπ--=x ex f ，（+∞<<∞-x ）例4．9：利⽤切⽐雪夫不等式估计随机变量与其数学期望之差⼤于3倍标准差的概率。

例4．10：设随机变量X 和Y 的⽅差存在且不等于0，则D （X+Y ）=D （X ）+D （Y ）是X 和Y（A ）不相关的充分条件，且不是必要条件；（B ）独⽴的充分条件，但不是必要条件；（C ）不相关的充分必要条件；（D ）独⽴的充分必要条件。

（）。

例4．11：设X 与Y 相互独⽴都服从P （λ），令U=2X+Y ，V=2X-Y 。

概率论与数理统计第四章习题及答案

概率论与数理统计习题第四章随机变量的数字特征习题4-1 某产品的次品率为，检验员每天检验 4次，每次随机地取 10件产品进行检验，如发现其中的次品数多于1个，就去调整设备，以 X 表示一天中调整设备的次数，试求E(X)(设诸产品是否为次品是相互独立的)解：设表示一次抽检的 10件产品的次品数为1 —=.从而E ( X )=np =4X =的数学期望不存在. 解:3j—)不绝对收敛，由数学期望的定义知， X 的数学期望不存在.J求 E(X), E(X 2), E(3X 25).解 E (X )=(-2) +0 +2习题4-3 设随机变量 X 的分布律为P =P (调整设备)=P ( E >1)=1 — P ( E W 1)= 1 -[P ( E =0)+ P ( E =1)］查二项分布表因此X 表示一天调整设备的次数时4P ( X =1)= XX =, P ( X =2)=1 4P ( X =3)= XX =, P ( X =4)=X 〜巳4,. 4XX =2 4XX =P ( X =0)=XX习题4-2 设随机变量 X 的分布律为P X23j ，1,2,,说明X由于.13j (1)j 勺一P(X j(1)j1-)-，而级数2 j 1 j• 1 3j- 1)j1- P(X ( 1)j由关于随机变量函数的数学期望的定理，知E(X2)=(-2) 2小2 小2+0 +2E(3X2+5)=[32 2 2(-2) +5] +[3 0 +5] +[3 2+5]如利用数学期望的性质, 则有E(3X2+5)=3E(X2)+5=3 +5=E(X)2 E(X ) E(3X22 0.4 020.3 0.30.2,习题求（1）Y22(2) 0.4 225) 3E(X ) 54-4 设随机变量2X; (2)Y e 2X0.3 2.8,13.4X的概率密度为f（X）的数学期望.(I)E( Y) E(2X) 2xf(x)dx2( 0dx2( xe 0 e x dx) 2e(II )E(Y) E(e 2X) 2x x .e e dx3x dx习题4-5 设（X,Y）的概率密度为f(x,y)求 E(X), E(Y), E(XY), E(X2 Y2).解各数学期望均可按照E[g（X, Y）]在有限区域G:｛（x,y）|0E(X)E(Y) 0,xe3xx 0,x 0dx)12y2, 0,y x 1, 其它g(x, y) f (x, y)dxdy 计算。

随机变量的数字特征4-2

《高等应用数学(第2版)》电子教案 14-5 随机变量的数字特征

北京理工大学《概率论与数理统计》课件-第4章随机变量的数字特征

随机变量的数字特征

概率论与数理统计4-2 方差

随机变量的数字特征

随机变量的数字特征

概率论与数理统计第四章

概率论与数理统计第4章 随机变量的数字特征与极限定理

随机变量的数字特征-高二数学同步精讲课件(人教B版2019选择性必修第二册)

随机变量的数字特征

概率论与数理统计 第4章 随机变量的数字特征

第三章 随机变量的数字特征

浙大概率论与数理统计课件 第四章随机变量的数字特征

概率论与数理统计第4章

随机变量的数字特征

概率论与数理统计第四章习题及答案

概率论与数理统计第4章随机变量的数字特征与极限定理

概率论与数理统计第4章随机变量的数字特征

第三章随机变量的数字特征

浙大概率论与数理统计课件第四章随机变量的数字特征