随机变量的数字特征
随机变量的数字特征大数定律和中心极限定理
02
大数定律
切比雪夫大数定律
定义
设${X_n}$是独立同分布的随机变量序列，若存在常 数$M$，使得$P( |X_n| > M ) leq frac{1}{n^2}$， 则对任意的$varepsilon > 0$，有$P( left| frac{X_1 + X_2 + cdots + X_n}{n} - E(X_1) right| < varepsilon ) to 1$，当$n to infty$。
相应的概率。
性质
03
数学期望具有可加性和线性性质，即E(aX+b)=a*E(X)+b。
方差
定义
方差是随机变量与其数学期望的差的平方的平均值，表示随机变 量取值与其数学期望的偏离程度。
计算方法
D(X) = Σ[(x-E(X))^2*p(x)]。
性质
方差具有可加性和线性性质，即D(aX+b)=a^2*D(X)。
矩与偏态
定义
矩是描述随机变量取值分布形状的数字特征，包括原点矩和中心矩。偏态是描述随机变量取值分布偏斜程度的数字特 征。
计算方法
原点矩包括原点均方、原点方差等；中心矩包括中心均方、中心方差等。偏态的计算公式为S=Σ[(x-μ)^n*p(x)]/n!，其中 μ为数学期望，n为正整数。
性质
偏态具有可加性和线性性质，即S(aX+b)=a^n*S(X)。
李雅普诺夫定理指出，对于任何正整数 n，如果一个随机变量的所有n阶矩都存 在，则其分布函数可以由其n阶原点矩 确定。
该定理是关于随机变量的数字特征的重要定 理，它表明随机变量的数字特征可以完全描 述其分布。
它对于研究随机变量的性质和分布 具有重要意义。
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
随机变量的数字特征
x 1 1 2 b ab dx x a b-a b-a 2 2
例3 设随机变量X~E(λ),求EX.
e- x , x 0 解 X的概率密度函数 f ( x ) 0 ,x 0
- x 0 0
故,
EX xf ( x)dx xe dx ( x)d(e x )
例7 设(X,Y)的联合概率分布为
X Y 1 3 0 0 1/8 1 3/8 0 2 3/8 0 X P 3 0 1/8 1 3 Y 0 1 2 3
求EX,EY,E(XY).
解 X,Y的边缘分布为 所以 EX=3/2, EY=3/2,
3/4 1/4
P 1/8 3/8 3/8 1/8
据定理2 有
3 3 E ( XY ) (1 0) 0 (1 1) (1 2) (1 3) 0 8 8 1 1 9 (3 0) (3 1) 0 (3 2) 0 (3 3) 8 8 4
则
E[ g( X , Y )] g( xi , y j ) pij
i j
(2) 若(X,Y)为连续型随机向量,(X,Y)~f(x,y),则
E[ g ( X,Y )]
g ( x, y ) f ( x, y )dxdy
例5 设随机变量X服从[0,π]的均匀分布,求 E (sin X ), E ( X 2 ), E ( X EX )2 解 由定理1，有
八、方差的性质
数字特征的优越性(了解)：
1. 较集中地反映了随机变量变化的一些平均特征. 2. 很多重要的随机变量(如二项分布、泊松分布、均匀 分布、指数分布、正态分布等)的分布函数都能用一、两 个数字特征完全确定.
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
使用这种方法必须先求出随机变量函数g(X ) 的分布，一般是比较复杂的 . 那么是否可以不先求g(X )的分布而只根据 X 的分布求得 E[g(X )] 呢？ 下面的基本公式指出，答案是肯定的.
20
类似引入上述EX 的推理，可得如下的基本公式: 设X 是一个随机变量，Y =g(X )，则
∞ 散 ∑g(xk ) pk , X离 型 EY = E[g( X )] = k=1 +∞ g(x) p(x)dx, X连 型 续 ∫−∞ 当X 为离散型时, P( X = xk ) = pk ;
−λ x
d(−λx) = −∫0 x de
+∞
−λ x
=
1
λ
18
∵ λ = 0.002
∴ EX = 500
小时。
三、随机变量函数的数学期望 问题的提出： 1. 问题的提出： 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. 就可以按照期望的 一旦我们知道了g(X )的分布， 定义把 E[g(X )] 计算出来.
E( X2 ) =8×0.1+ 9×0.5+10×0.4 = 9.3
因此乙的平均环数比甲的多， 因此乙的平均环数比甲的多， 即乙射手比甲射手的成绩好。 即乙射手比甲射手的成绩好。
15
二、连续型随机变量的数学期望 定义2 定义2 设连续型随机变量X 的概率密度为 p(x) . 如果 则称
∫
x p(x)dx 绝对收敛， 绝对收敛， −∞
n n
推广: E(∑Xi ) = ∑EXi
概率论数字特征
在概率论中，数字特征是用来描述随机变量分布特征的数字指标。
以下是概率论中常见的数字特征：
1. 期望：
-期望是随机变量概率分布的均值，反映随机变量的平均取值水平，通常用E(X) 表示。
-期望可以通过对随机变量的每种可能取值乘以其对应的概率，再求和得到。
2. 方差：
-方差是随机变量与其期望的离差平方的平均值，反映随机变量取值的分散程度，通常用Var(X) 或σ^2 表示。
-方差可以通过将随机变量每种可能取值减去其期望，然后平方，再乘以对应的概率，再求和得到。
3. 标准差：
-标准差是方差的算术平方根，通常用σ表示，具有与原始数据相同的单位。
-标准差可以用来衡量随机变量取值的波动程度。
4. 偏态：
-偏态是随机变量分布的不对称程度，若右侧尾部更长，则为正
偏态；若左侧尾部更长，则为负偏态。
-偏态可以通过随机变量的三阶中心矩计算得到。
5. 峰态：
-峰态是随机变量分布的峰度，反映随机变量分布曲线的陡峭程度，通常用K 表示。
-峰态可以通过随机变量的四阶中心矩计算得到。
6. 分位数：
-分位数是将随机变量分为若干部分的数字点，例如中位数就是将随机变量分为两部分的点，25%分位数就是将随机变量分为四部分的点等等。
-分位数可以用来表示随机变量分布的位置和离散程度。
在实际应用中，以上数字特征经常被用来描述随机变量分布的性质和特征，例如对于正态分布，期望和方差可以完全描述其分布特征。
对于非正态分布，还需要考虑偏态和峰态等特征。
2.3随机变量的数字特征
E[X-E(X)]2
为随机变量X的方差，记为D(X),或Var(X). 称 ( X ) D( X ) 为随机变量X的标准差
2. 方差的意义
方差是一个常用来体现随机变量X 取值分散程度的量. 如果 D(X) 值大, 表示 X 取值分散程度大, E(X) 的代 表性差;
如果 D(X) 值小, 则表示X 的取值比较集中, 以 E(X)
它有以下等价的形式：
P{| X E( X ) | } 1 D( X ) . 2
例3 已知某种股票每股价格X的平均值为1元 ，标准差为0.1元，求a,使股价超过1+a元或 低于1-a元的概率小于10%。 解:由切比雪夫不等式 P(X>1+a∪X<1-a)<0.01 0.01 P{| X 1 | a} 2 ; a
0.01 0 .1 2 a
令
a 0.1
2
a 0.32
O
1000 1000
x x
2组
O
随机变量在期望周围的波动情况 ——方差、标准差
如何定义？
E| X-E(x) |
方便计算
E{X-E(X)}2
X1
O
X2
1000
Xn
x
E(X)=1000
1.定义 若E(X),E(X2)存在，则称
其中 f ( x ) 为X的概率密度.
例1 将资金投资在房地产和商业，收益都与市场状 态有关。把未来市场划分为好、中、差三个等级， 其发生的概率分别为0.2、0.7、0.1。 投资房地产的收益X（万元）和投资商业的收益Y （万元）的分布列为： 房地产 X 11 3 -3 问：该投资者如何选择？ P 0.2 0.7 0.1
2.2随机变量的数字特征
数学期望也称为均值。
返回主目录
二、 随机变量的函数的分布
随机变量的函数
设 X 是一随机变量，Y 是 X 的函数， g X , 则 Y Y
也是一个随机变量．当 X 取值 x时，Y 取值 y g x
本节的任务就是：
已知随机变量 X 的分布，并且已知Y g X ， 要求随机变量Y 的分布．
返回主目录
此时称Y 服从自由度为1的 2分布。
二、 随机变量的函数的分布
例 6
设 随机变量 X 的密度函数为 f X x ， X ，试 Y 求随机变量Y 的密度函数 f Y y ．
设随机变量X 的分布函数为FX y ，随机变量 Y 的分布函数为FY y
解：
FY y P y P X y Y
解：(1) 先求 Y = X 2 的分布函数 FY(y)：
10 由于 Y X 2 0, 故当 y 0 时 FY ( y) 0.
20 当 y 0 时, FY ( y ) P{Y y} P{ X 2 y} P{ y X y }
y y
f X ( x)dx.
Y = (X-1)2
的分布律.
1 2 X -1 0 pk 0.2 0.3 0.1 0.4
解: Y 有可能取的值为 0，1，4. 且 Y=0 对应于 ( X-1)2=0， 解得 X=1， 所以, P{Y=0}=P{X=1}=0.1,
返回主目录
二、 随机变量的函数的分布
例 2（续） Y=(X-1)2 同理,
(1) 旅客 8:00 到站，求他侯车时间的数学期望。 (2) 旅客 8:20 到站，求他侯车时间的数学期望。
解：设旅客的候车时间为 X（以分记）
随机变量的数字特征
求 X 的数学期望 EX 。
解 由连续型随机变量数学期望的定义，有
EX xf (x)dx
0
1
2
x 0dx+ x xdx+ x (2 x)dx x 0dx
0
1
2
1 x2dx+ 2 (2x x2 )dx 1.
0
1
三、随机变量函数的数学期望
定理 设 X 为随机变量，y g(x)为实函数，
EX 2 2EX 2 EX 2 EX 2 EX 2.
方差的性质： （1）D(C) 0;
（2）DX C D(X );
（3）DCX C2DX ;
x,
例3.6 设随机变量 X 的密度函数为 f (x) 2 x,
0,
0 x 1 1 x 2 . otherwise
求 X 的方差D(X ).
（1）设
X 为离散型随机变量，概率分布为
PX
xi
pi ,i
1, 2,
,
若 g(xi ) pi 绝对收敛，则 Eg(X ) 存在，且
i 1
E g( X )= g(xi ) pi.
i 1
（2）设 X为连续型随机变量，密度函数为 f (x) ，若
g(x)
f
(x)dx
绝对收敛，则
Eg(X )
存在，且
机变量 X 的方差，记为 D(X ) ，或 Var(X ) ，并称 D(X )
为 X 的标准差。
方差的计算：
考虑到方差实际上为随机变量函数的数学期望：g( X ) X EX 2，因此
若 X 为离散型随机变量，概率分布为 pi PX xi , i 1,2, ，则
D( X ) EX EX 2 xi EX 2 pi. i 1
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
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
随机变量的数字特征总结
第四章随机变量的数字特征总结(总15页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--第四章 随机变量的数字特征㈠ 数学期望 表征随机变量取值的平均水平、“中心”位置或“集中”位置． 1、数学期望的定义(1) 定义 离散型和连续型随机变量X 的数学期望定义为{}⎪⎩⎪⎨⎧==⎰∑∞∞- d )( )()( ，，连续型离散型x x xf x X x X kk k P E 其中Σ表示对X 的一切可能值求和．对于离散型变量，若可能值个数无限，则要求级数绝对收敛；对于连续型变量，要求定义中的积分绝对收敛；否则认为数学期望不存在． ①常见的离散型随机变量的数学期望1、离散型随机变量的数学期望设离散型随机变量的概率分布为，若，则称级数为随机变量的数学期望（或称为均值），记为, 即2、两点分布的数学期望设服从0—1分布，则有，根据定义，的数学期望为.3、二项分布的数学期望设服从以为参数的二项分布，，则。
4、泊松分布的数学期望设随机变量服从参数为的泊松分布，即，从而有。
①常见的连续型随机变量的数学期望1)均匀分布设随机变量ξ服从均匀分布，ξ～U [a ，b ] (a <b ),它的概率密度函数为:= 则=∴ E(ξ)=(a+b)/2．即数学期望位于区间的中点．2)正态分布设随机变量ξ服从正态分布，ξ～N(μ,σ2)，它的概率密度函数为:(σ>0， - <μ<+ )则令得∴ E(ξ)=μ .3)指数分布设随机变量服从参数为的指数分布，的密度函数为，则.(2) 随机变量的函数的数学期望设)(xgy=为连续函数或分段连续函数，而X是任一随机变量，则随机变量)(XgY=的数学期望可以通过随机变量X的概率分布直接来求，而不必先求出Y的概率分布再求其数学期望；对于二元函数),(YXgZ=，有类似的公式：(){}⎪⎩⎪⎨⎧===⎰∑∞∞．；（连续型）离散型－d)()()()(xxfxgxXxgXgY kkkPEE()(){}()()()()⎪⎩⎪⎨⎧====⎰⎰∑∑∞∞-∞∞-．；连续型离散型dd,,,,,yxyxfyxgyYxXyxgYXgZi jjijiPEE设(,)X Y为二维离散型随机变量，其联合概率函数(,),,1,2,,i j ijP X a Y b p i j====如果级数(,)i j ijj ig a b p∑∑绝对收敛，则(,)X Y的函数(,)g X Y的数学期望为[(,)](,)i j ijjiE g X Y g a b p =∑∑； 特别地();()i ij j ijiijiE X a p E Y b p ==∑∑∑∑.设X 为连续型随机变量，其概率密度为()f x ，如果广义积分 ()()g x f x dx+∞-∞⎰绝对收敛，则X 的函数()g X 的数学期望为[()]()()E g X g x f x dx+∞-∞=⎰．设(,)X Y 为二维连续型随机变量，其联合概率密度为(,)f x y ，如果广义积分(,)(,)g x y f x y dxdy+∞+∞-∞-∞⎰⎰绝对收敛，则(,)X Y 的函数(,)g X Y 的数学期望为[(,)](,)(,)E g x y g x y f x y dxdy+∞+∞-∞-∞=⎰⎰；特别地()(,)E x xf x y dxdy +∞+∞-∞-∞=⎰⎰,()(,)E Y yf x y dxdy+∞+∞-∞-∞=⎰⎰.注：求E(X,Y)是无意义的，比如说二维（身高，胖瘦）的数学期望是无意义的，但是二维随机变量函数Z= E(X,Y)是有意义的，他表示的是函数下的另一个一维意义。
概率论与数理统计(经管类)复习要点 第4章 随机变量的数字特征
第四章 随机变量的数字特征1. 把刻画随机变量某些方面特征的数值称为随机变量的数字特征，如期望、方差、协方差、相关系数等。
2. 随机变量的期望反映了随机变量取值的集中位置。
离散型随机变量的期望设离散型随机变量X 的分布律为P ｛X =x k ｝=p k ，k=1，2，…若级数∑ix i p i 绝对收敛（即级数∑i丨x i 丨p i 收敛），则定义X 的数学期望（简称均值或期望）为E （X ）=∑ix i p i注：当X 的可能取值为有限多个x 1，x 2，…，x n 时，E （X ）=∑=ni 1x i p i 当X 的可能取值为可列多个x 1，x 2，…，x n ，…时，E （X ）=∑∞=1i x i p i三种重要离散型随机变量的数学期望：3. 离散型随机变量函数的数学期望 设离散型随机变量X 的分布律为P ｛X =x k ｝=p k ，k=1，2，…令Y =g （X ），若级数∑∞=1k g （x k ）p k 绝对收敛，则随机变量Y 的数学期望为E （Y ）= E[g （X ）] =∑∞=1k g （x k ）p k4. 连续型随机变量的期望三种重要连续型随机变量的数学期望：5. 连续型随机变量函数的数学期望2017.4单解：6. 二维随机变量的期望二维随机变量函数的期望7. 期望的性质（1）常数的期望等于这个常数，即E （C ）=C ，其中C 为常数证明 常数C 作为随机变量，它只可能取一个值C ，即P ｛X =C ｝=1，所以E （C ）=C ⋅1=C（2）常数与随机变量X 乘积的期望等于该常数与随机变量X 的期望的乘积，即E （C X ）=C ⋅E （X ） （3）随机变量和的期望等于随机变量期望之和，即E （X +Y ）= E （X ）+ E （Y ） 推广：E （C 1X +C 2Y ）= C 1E （X ）+ C 2E （Y ），其中C 1，C 2为常数 一般地，设X 1，X 2，…，X n ，为n 个随机变量，则有E （∑=ni iX 1）=∑=ni iX E 1)(E （∑=ni ii X C 1）=∑=ni iiX E C 1)( 其中C i（i=1，2，…）为常数（4）两个相互独立的随机变量乘积的期望等于期望的乘积，即若X ，Y 是相互独立的随机变量，则E （XY ）= E （X ）E （Y ）由数学归纳法可证得：当X1，X2，…，X n相互独立时有E（X1，X2，…，X n）= E（X1）E（X2）…E（X n）2018.4单解：指数分布的期望值为 1，故E（X）= E（Y）=21，所以E（X Y）= E（X）E（Y）=412018.4计解：（1）平均收益率E（X）=1%×0.1+2%×0.2+3%×0.1+4%×0.3+5%×0.2+6%×0.1=3.6%（2）预期利润10×3.6%=0.36万元2017.10单解：E（-3X +2）=-3 E（X）+2=-3×51+2=572017.4填解：E（X+Y）= E（X）+ E（Y）=20×0.1+2=48. 方差反映了随机变量偏离中心——期望的平均偏离程度。
随机变量的数字特征
随机变量的数字特征
随机变量的数字特征包括均值、方差、标准差、偏度和峰度等。
其中，均值是衡量随机变量中心位置的指标，是所有取值的平均数；方差是随机变量离均值的距离平方的平均数；标准差是方差的算术平方根，也是随机变量离均值距离的度量，具有与随机变量相同的量纲；偏度是随机变量概率分布的偏斜程度，为其分布的非对称程度的度量；峰度则是随机变量概率分布的尖锐程度，衡量随机变量的概率分布在平均值附近的峰值高低。
可以通过计算公式来求解以上数字特征，例如均值的计算公式为所有取值的总和除以取值的数量；方差的计算公式为将每个取值与均值的差值平方后的总和除
以取值的数量；标准差的计算公式则是方差的算术平方根；偏度的计算公式为三阶中心矩与标准差的比值；峰度的计算公式为四阶中心矩与标准差的四次幂的比值。
了解随机变量的数字特征有助于描绘随机变量的特征与规律，进而分析和预测其行为。
同时，对于特定应用领域，也需要针对性地选择数字特征进行分析，以
更好地满足应用的需求。
2.2随机变量的数字特征
x f ( x ) dx
f ( x)
0dx a x f ( x ) dx 0dx b
b
a
b
EX 存在.
例 已知 r .v . X ~ [ a , b ]上的均匀分布, 求 EX
解
1 , X ~ f ( x) b a 0,
a xb
n ' n x n1 ( x n )' x x 1时， n 1 n 1 n 1 2 3 n ' x ' 1 2 ( x x x ... x ...) 1 x (1 x )
二.连续型随机变量 的数学期望
0
1 2 2 1 1 0 sin xdx 2 ( cos x ) 0 2 cos x 2
0 2
0
例 r .v . X ~ [ 0, 2 ]上的均匀分布, 求E (sin X ),
E ( X EX )2
1 2 ,
解 X ~ f ( x)
2
0 x 2
x2 2 EX x f ( x )dx 0dx dx 0dx a ba b
a b
1 b 2 1 x3 b 1 b 3 a 3 a 2 ab b 2 a x dx b a 3 a b a 3 ba 3
例 r .v . X ~ [ 0, 2 ]上的均匀分布, 求E (sin X ),
说明:
x x
n n n
n n
pn x1 p1 x2 p2 ... xn pn ... 收敛
EX x1 p1 x2 p2 ... xn pn ...
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 。
1032随机变量的数字特征
k p(x)( X )k E[( X )k ] 一阶中心矩=0
x
二阶中心矩=方差
The End
2023/12/27
11
2.方差 & 标准差
▪ 反映随机变量取值偏离均值的分散程度 ▪ 方差 Variance D(X)/ Var(X)
2
D(X ) E[(X E(X )) ]
▪ 标准差 standard deviation
(X ) D(X )
方差的运算与性质
D(X ) E[(X )2 ] E(X 2) [E(X )]2
E[(X E( X )]• E[(Y E(Y )]
Covariance
E( XY) E( X )E(Y )
▪ 相关系数
XY
Cov( X ,Y ) D( X ) D(Y )
若随机变量X与Y相互独立
▪ X与Y一定不相关
Cov(X ,Y ) Cov((Y ) D(X Y) D(X ) D(Y)
E( X ) xk pk k 1
E( X ) xf (x)dx
数学期望的性质
X/Y为相互独立的随机变量，a/b/c为常数
▪ E(c) = c ▪ E(cX) = cE(X) ▪ E(aX+b) = aE(X)+b
▪ E(X+Y) = E(X)+ E(Y) ▪ E(XY) = E(X)*E(Y)
D(X ) p(x)(x )2 (x )2 f (x)dx x
离散型变量
连续型变量
D(X+c) = D(X) D(cX) = c2D(X)
D(cX+Y) = c2D(X) + D(Y)
3.协方差 & 相关系数
随机变量的5个数字特征
随机变量的5个数字特征。
随机变量的5个数字特征
随机变量是一种可以在多种不同情况下表现出不同数值的变量，它的数字特征可以帮助我们更加深入的了解一个随机变量的性质。
下面就介绍随机变量的5个数字特征：
首先是均值，它是一个随机变量的平均数，用来反映其数值的平均水平，可以帮助我们预测其可能表现出的数值范围；
其次是方差，它反映了一个随机变量的数值水平差异程度，当方差较低时，意味着随机变量的数值波动不大；
接着是标准差，它是方差的平方根，可以反映一个随机变量的数值分散程度，标准差越小，意味着数值的分布越集中；
最后还有三个数字特征，分别是偏度、峰度和相关系数，它们分别反映一个随机变量数值分布的偏斜程度、峭度以及与其他变量之间的关联程度。
总之，随机变量的5个数字特征，即均值、方差、标准差、偏度、峰度和相关系数，可以帮助我们更加深入地了解一个随机变量的性质，从而更好地分析和预测数据作出正确的决策。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
观察得: A中使用寿命偏离较大, B中使用寿命偏离较小,
所以, B产品质量较好.
方差
第4.1节 随机变量的数学期望
为监测某一批冰箱的日耗电量，从中随机抽取N 台，测得
其中 30%日耗电量为 0.8 度，40%日耗电量为 0.9 度，其余 30% 日耗电量为 1.0 度，则冰箱的日平均耗电量为
1 0.8 N 30% 0.9 N 40% 1.0 N 30%
p
其中 (0 p 1) ，求：数学期望 E( X )
2
解： E ( X ) xk pk 0 (1 p) 1 p p k1
例4.1.3 设X~P(λ), 求E( X ).
例 4.1.2 设 X ~ ()，求 E(X )
解： X 的分布律为
pk
PX
k
k e , k
k!
0,1,2,
，所以
X~
f
n
(x),
则
E(g( X )) g( x) f ( x)dx
例4.1.7.设随机变量X的概率分布为
求E(X2+2).
X01 2 P 1/2 1/4 1/4
解: E(X2+2)= (02+2)×1/2+(12+2)×1/4+(22+2)×1/4
=1+3/4+6/4=13/4
例4.1.8 (973) 游客乘电梯从底层到电视塔顶层观光，电梯 于每个整点的第5分钟、25分钟和55分钟从底层起行。假设 一游客在早8 点的第X分钟到达底层侯机处，且 X在[0，60] 上均匀分 布，求该游客等侯时间的数学期望。
N 0.8 30% 0.9 40% 1.0 30% 0.9(度)
离散型随机变量的期望
定义 4.1.1 设离散型随机变量 X 的分布律为X x1 x … xn …pk p1
p2 … pn …
若级数 xk pk 绝对收敛，则称 xk pk 的值为随机变量 X 的数
k1
k1
学期望或均值，记作 E( X ) 或 EX 。即 E( X )
P(X=xi,Y=yj)=pij ,(i,j=1,2…),则
E[g( X ,Y )]
g( xi , y j ) pij
ij
(2)若(X,Y)为连续型随机向量,(X,Y)~f(x,y),则
E[ g( X ,Y )] g( x, y) f ( x, y)dxdy
例4.1.10 已知（X，Y）的联合分布律为
0
0
xex exdx
0
0
EX=
1 ex 1
0
1
2. 随机变量函数的数学期望: 定理4.1.1:设X是随机变量,Y=g(X),且E(g(X))存在,则;
(1)若X为离散型,P(X=xn)=pn,n=1,2,...,有
E(g( X )) g( xn ) pn
(2)若X为连续型随机变量,
第4章 随机变量的数字特征
例.检验两批灯泡的质量,从中分别随机抽样5只,测得使用寿命如下:
A: 2000 1500 1000 500 1000; B:1500 1500 1000 1000 1000;
(单位:小时),试比较这两批灯泡质量的好坏.
数学期望
计算得: 平均寿命分别为: A: 1200, B:1200,
①
xk pk
k1
例4.1.1: X -1 0 1 2
pk 0.2 0.1 0.4 0.3
4
则 EX= xk pk
=-k1×1 0.2+0×0.1+1×0.4+2×0.3=0.8
注意:数学期望反映了随机变量取值的平均值, 它是一种加权平均.
例 4.1.2 设 X 服从 0-1 分布
X
0
1
pk 1 p
YY kkXX2 2kk 00， 求，求E(YE)(。Y ) 。
解 X 的概率密度为
f
x
1 a
,
0 ,
0 xa
其它
所以
EY
kx
2
f
xdx
a kx2 1dx 1 ka2
0
a
3
定理4.1.2 设g(X,Y)为随机变量X,Y的函数,E[g(X,Y)]存 在, (1)若(X,Y)为离散型随机向量,
1
解:由题意得:X~
f
(x)
60
0
设Y表示旅客候车时间,
x [0,60] 60 1 g( x )dx
其它
0 60
则
1[
5
( 5 x )dx
25
( 25 x )dx
60 0
5
Y=g(X)=
5-X 25-X 55-X
0<X≤5, 5<X≤25, 25<X≤55,
55
60
( 55 x )dx ( 65 x )dx ]
解
解：
E(X )
E(X
x
x
) x
dx
x
dx
1
2
1
X)
xe
x2
2 dx 0
x2
xe 2 dx
0
2
例4.1.6 r.v.X服从参数为λ的指数分布,
即
e x
X ~ f (x)
x0
求E(X)。
0 x0
其中：λ>0
解:
(分步积分法)
EX=
xf ( x)dx
xexdx xd(ex )
Y X
-1
0
1
试求：
-1 1/8 1/8 1/8 (1)E(X),E(Y),E(XY).
0 1/8 1 1/8
0 1/8 (2) X与Y是否独立？
1/8 1/8
解：X -1 0 1
P 3/8 1/4 3/8
Y -1 0 1 P 3/8 1/4 3/8
25
55
1 ( 12.5 200 450 37.5 )
60
65-X
55<X≤60.
=11.67(分)
E(Y)=E(g(X))= g( x ) f ( x )dx
例
例
4.1.9
4.1.5
设设风风速速XX 是是一一个个随随机机变变量量，，在在00, ,aa上上服服从从均均匀匀
分分布布，而飞机机翼上受到的的压力Y 与风风速速的的平平方方成成正正比比。。即即
E(X) k λkeλ k k e e k1
k0 k! k1 k!
k1 (k 1)!
ee
连续型随机变量的期望
定义4.1.2：设X是连续型随机变量, X~ f (x), 若
xf
(
x
)dx
绝对收敛,则称该积分为X的数学期望,记为:
EX=
xf ( x)dx
否则, 称 X 的数学期望不存在.
例4.1.4:若X服从[a,b]区间上的均匀分布, 即
1
X
~
f
(
x)
b
a
x [a,b]
0
其它
则
b
EX= xf ( x)dx x
1 dx
a ba
1 1 x2 b a b
ba 2 a
2
数学期望反映了连续型随机变量的平均取值.
例例4.41..13.5 设设X～XN～(0N,1)(，0求,1)E，(X求) E(