概率统计4_2方差及常见分布的期望方差

合集下载

常见分布的数学期望和方差

E( X
2)
n k0
k 2Ckn
pkqnk
n
np
k 1
k
(k
(n 1)! 1)!(n
k )!
p k 1q n k
n np (k
k 1
1) (k
(n 1)! 1)!(n
k )!
pk1q nk
n k 1
(k
(n 1)! 1)!(n
k )!
pk1q nk
np[(n 1) p 1]，
EX 2 4 ，试求 a 和 b（ a b ）．
解 DX EX 2 (EX )2 3 ；
ab 2
(b a)2 12
EX 1， DX 3
；
a b 2， b a 6 ；
a 2， b 4 .
因此 X 在区间[2,4] 上均匀分布．
21
第21页
例3 假设随机变量 X 和 Y 相互独立，且都在区间(0,1) 上均匀分布，试求随机变量 Z X Y 的数学期望．
0.90 .
12
第12页
二、常见持续型分布旳数学盼望和方差
1. 均匀分布 X ~ U (a, b) .
1
f
(
x)
b
a
,
a xb
0 , 其它
b1
E( X ) xf ( x)dx x dx
a ba
1 b2 a2 a b .
ba 2
2
13
第13页
二、常见持续型分布旳数学盼望和方差
望与
指数分布
f
(
x)
e x
0,
,
x0 else
( 0)
p
npab 2 1源自pqnpq(b a)2 12 1

常见分布的期望与方差的计算

常见分布的期望与方差的计算期望和方差是描述概率分布特征的重要统计量。

在统计学中，期望是对一个随机变量的全体取值的加权平均，而方差则是每个随机变量观察值与期望之间差异的平方的平均。

在本文中，我们将讨论几个常见分布的期望和方差的计算方法。

1.二项分布：二项分布用于描述多次独立的二元试验中成功次数的概率分布。

假设随机变量X服从二项分布B(n,p)，其中n为试验次数，p为每次试验成功的概率。

那么其期望和方差分别为：期望：E(X) = np方差：Var(X) = np(1-p)2.泊松分布：期望：E(X)=λ方差：Var(X) = λ3.正态分布：正态分布是最为常见的连续型概率分布，许多自然现象都可以近似地用正态分布来描述。

假设随机变量X服从正态分布N(μ,σ^2)，其中μ为均值，σ^2为方差。

那么其期望和方差分别为：期望：E(X)=μ方差：Var(X) = σ^24.均匀分布：均匀分布用于描述在一个区间内取值概率相等的随机变量。

假设随机变量X服从均匀分布U(a,b)，其中a为最小值，b为最大值。

那么其期望和方差分别为：期望：E(X)=(a+b)/2方差：Var(X) = (b-a)^2/125.几何分布：几何分布用于描述独立重复进行的同一事件中首次成功所需的次数的概率分布，例如投掷硬币直到出现正面的次数。

假设随机变量X服从几何分布Geo(p)，其中p为每次试验成功的概率。

那么其期望和方差分别为：期望：E(X)=1/p方差：Var(X) = (1-p)/(p^2)以上是几个常见分布的期望和方差的计算方法。

通过了解和计算概率分布的期望和方差，我们可以更好地理解和描述随机变量的特点，从而进行更准确的统计分析和推断。

常用分布的数学期望及方差

方差的性质
方差具有可加性
对于两个独立的随机变量X和Y，有Var(X+Y) = Var(X) + Var(Y)。
方差具有对称性
对于一个常数a和随机变量X，有Var(aX) = |a|^2 * Var(X)。
方差具有非负性
对于随机变量X，有Var(X) >= 0，其中 Var(X) = 0当且仅当X是一个常数。
05 数学期望与方差的应用
在统计学中的应用
描述性统计
数学期望和方差用于描述一组数据的中心趋势和离散程度，帮助我们了解数据的基本特征。
参数估计
通过样本数据的数学期望和方差，可以对总体参数进行估计，如均值和方差的无偏估计。
假设检验
在假设检验中，数学期望和方差用于构建检验统计量，判断原假设是否成立。
常见分布的数学期望
均匀分布的数学期望为
$E(X) = frac{a+b}{2}$，其中a和b是均匀分布的下限和上限。
柯西分布的数学期望为
$E(X) = frac{pi}{beta} sinh(frac{1}{beta})$，其中β是柯西分布的参数。
拉普拉斯分布的数学期望为
$E(X) = frac{beta}{pi} tan(frac{pi}{beta})$，其中β是拉普拉斯分布的参数。
03
泊松分布
正态分布是一种常见的连续型随机变量分布，其方差记作σ²。正态分布的方差描述了随机变量取值的分散程度。
二项分布是一种离散型随机变量分布，用于描述在n次独立重复的伯努利试验中成功的次数。其方差记作σ²，且σ² = np(1-p)，其中n是试验次数，p是单次试验成功的概率。
泊松分布是一种离散型随机变量分布，用于描述在一段时间内随机事件发生的次数。其方差记作σ²，且σ² = λ，其中 λ是随机事件发生的平均速率。

4_2方差及常见分布的期望方差

例1．设随机变量 X～（0-1）分布，其概率分布为 P{X=1}= p，P{X=0}=q，0＜p＜1，p+q=1，求D（X）解：因 E（X）= p，而 E（X 2）= 12· p + 02 · q = p，于是 D（X）= E（X 2）- [E（X）]2 = p - p2 = p q
《概率统计》返回下页结束
X P 8 0.3 9 0.2 10 0.5
Y P
8 0.2
9 0.4
10 0.4
偏离期望的平方的期望
解：
E ( X ) 8 0.3 9 0.2 10 0.5 =9.2(环) E (Y ) 8 0.2 9 0.4 10 0.4=9.2(环)
因此，从平均环数上看，甲乙两人的射击水平是一样的，但两人射击水平的稳定性是有差别的,怎么体现这个差别呢?
b
1 E ( X ) xf ( x) dx x dx a b a ba 2 2 2 b 1 a ab b E ( X 2 ) x 2 f ( x) dx x 2 dx a ba 3 1 2 ab 2 2 2 2 ) D( X ) E( X ) [ E( X )] (a ab b ) ( 3 2
§4.2 方差
0. 方差概念的引入
随机变量的数学期望是一个重要的数学特征，反应了随机变量取值的平均大小，但只知道随机变量的数学期望是不够的.
引例1 甲、乙两门炮同时向一目标射击10发炮弹，其落点距目标的位置如图：

中心

中心
甲炮射击结果
《概率统计》
返回
下页

概率模型的期望与方差的计算

3
方差越小，随机变量的值越接近期望值，即数据越集中；方差越大，随机变量的值离期望值越远，即数据越离散。
方差的性质
方差具有可加性
若随机变量是由两个或多个随机变量的和组成，则新随机变量的方差等于各个随机变量方差的累加和加上它们之间协方差的总和。
方差的取值范围
方差的取值范围为非负数，即σ² ≥ 0。
方差在决策中的应用
风险衡量
方差用于衡量结果的离散程度，即不确定性或风险。方差越大，表示结果越分散，风险越高。
投资组合优化
在投资领域，方差用于评估资产组合的风险。通过调整不同资产的权重，降低整体投资组合的方差，实现风险控制。
资源分配
在资源有限的情况下，方差可以用于评估不同方案的风险和不确定性，帮助决策者合理分配资源。
条件概率
条件概率是指在某个已知事件发生的情况下，另一个事件发生的概率。
条件概率的公式为：P(B|A) = P(A和B) / P(A)。
条件概率可以帮助我们理解事件之间的关联性和因果关系。
02
期望值的计算
期望值的定义
数学期望
在概率论中，数学期望或期望值是随机变量可能取值的加权平均，其中权重为每个可能结果的概率。
概率模型的期望与方差的计算
CONTENTS
• 概率模型的基本概念 • 期望值的计算 • 方差的计算 • 期望与方差的关系 • 期望与方差在决策中的应用
01
概率模型的基本概念概率的定义 Nhomakorabea概率是描述随机事件发生可能性的数值，通常用P表示。
概率的取值范围是0到1之间，其中0表示事件不可能发生，1表示事件一定会发生。
方差与期望值的函数关系
对于任何随机变量X，其方差σ²总是大于或等于0，即σ² ≥ 0。

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

高中数学中的概率统计应用概率分布计算期望与方差的技巧

高中数学中的概率统计应用概率分布计算期望与方差的技巧概率统计是高中数学的重要内容之一，其应用广泛且重要。

在概率统计中，我们经常遇到需要计算随机变量的期望和方差的问题。

概率分布是解决这些问题的关键工具之一。

在本文中，我们将介绍一些高中数学中常见的概率分布，以及计算期望和方差的技巧。

1. 离散概率分布离散概率分布指的是随机变量只能取有限个或可列个值的概率分布。

其中，最常见的离散概率分布有二项分布、泊松分布和几何分布。

1.1 二项分布二项分布在实际问题中经常出现，特别是在重复试验的情况下。

假设有n个独立的重复试验，每次试验有成功和失败两种可能结果。

如果成功的概率为p，失败的概率为q=1-p，则随机变量X表示n次试验中成功的次数。

二项分布的概率密度函数为：P(X=k) = C(n,k) * p^k * q^(n-k)其中，C(n,k)表示组合数。

二项分布的期望和方差的计算公式如下：E(X) = npVar(X) = npq1.2 泊松分布泊松分布适用于描述单位时间或空间内随机事件发生的次数。

例如，某地区每小时的交通事故数、每天接到的电话数等。

泊松分布的概率密度函数为：P(X=k) = (λ^k * e^(-λ)) / k!其中，λ代表单位时间或单位空间内平均发生的次数。

泊松分布的期望和方差的计算公式如下：E(X) = Var(X) = λ1.3 几何分布几何分布用于描述一系列独立重复试验中，首次成功所需的试验次数。

例如，投掷一枚硬币直到首次出现正面的次数等。

几何分布的概率密度函数为：P(X=k) = q^(k-1) * p其中，p表示成功的概率，q=1-p表示失败的概率。

几何分布的期望和方差的计算公式如下：E(X) = 1/pVar(X) = q/(p^2)2. 连续概率分布连续概率分布指的是随机变量可以取某个区间内的任意值的概率分布。

最常见的连续概率分布有均匀分布、正态分布和指数分布。

2.1 均匀分布在均匀分布中，随机变量在某一区间内的取值是等可能的。

常见概率分布的期望和方差

常见概率分布的期望和方差
概率分布是统计学中极为重要的概念，它给出了随机变量在不同值上出现的概率。

期望和
方差是衡量概率分布形状和程度的重要指标，常见的概率分布的期望和方差也是学习统计
学的重要内容。

首先我们来看看正态分布。

正态分布又称高斯分布，是最常见和最重要的概率分布之一，
它形状像两个钟形，其期望等于均值μ，方差等于μ的平方，常见的概率分布期望和方差
如下：正态分布期望μ=E(X)= μ，方差σ2=V(X)=σ2；指数分布期望μ=E(X)=1/ λ，方差
σ2=V(X)= 1/ λ2 ；γ分布期望μ=E(X)=α/β，方差σ2=V(X)=α/β2；beta分布期望
μ=E(X)=α/ (α+β)，方差σ2=V(X)=αβ/ ( (α+β)2 (α+β+1) )。

比较期望和方差的计算式可以发现，期望是分布的一般性参数，它反映了随机变量的中心倾向，而方差则是分布的程度型参数，它反映了随机变量的离散程度。

借助于期望和方差，我们可以粗略地描述随机变量的分布情况。

在实际应用中，我们可以利用期望和方差对庞大的数据进行归纳和总结，预测数据的分布趋势，给出适宜的分析结论。

期望和方差是统计概率分布的两个重要参数，它们可以反映概率分布的形状和程度。

读者可以根据不同概率分布的计算式来计算其概率分布的期望和
方差。

常见分布的期望与方差的计算

常见分布的期望与方差的计算期望和方差是描述一个随机变量的两个最常用的统计量。

期望（也称为均值）表示随机变量的中心位置，方差则表示随机变量的离散程度。

在概率论和统计学中，有许多常见的概率分布，每个分布都有自己的期望和方差的计算方法。

在下面的文章中，我们将讨论一些常见的概率分布，包括离散分布和连续分布，以及它们的期望和方差的计算。

离散分布的期望和方差1. 伯努利分布（Bernoulli Distribution）伯努利分布是一种最简单的二元离散分布，它描述了一个只有两个可能取值的随机变量，例如抛一枚硬币正面向上的概率为p，反面向上的概率为1-p。

其期望计算公式为E(X) = p，方差计算公式为Var(X) = p(1-p)。

2. 二项分布（Binomial Distribution）二项分布描述了一定次数的伯努利试验中成功的次数。

例如，投掷n次硬币，成功（正面朝上）的次数即为二项分布的取值。

其期望计算公式为E(X) = np，方差计算公式为Var(X) = np(1-p)。

3. 泊松分布（Poisson Distribution）连续分布的期望和方差1. 均匀分布（Uniform Distribution）均匀分布是一种在指定区间上所有取值概率相等的连续分布，例如在0和1之间均匀分布的随机变量。

其期望计算公式为E(X) = (a + b) / 2，方差计算公式为Var(X) = (b - a)²/122. 正态分布（Normal Distribution）正态分布是一种非常常见的连续分布，也称为高斯分布。

它被广泛应用于自然和社会科学中。

正态分布由两个参数完全描述，即均值μ和方差σ²。

期望和方差分别等于μ和σ²，即E(X) = μ，Var(X) = σ²。

3. 指数分布（Exponential Distribution）指数分布是描述等待时间（或间隔时间）的连续分布，例如两个事件之间的时间间隔。

常见概率分布期望方差以及分布图汇总

�� −1 − 2 �� 2
��
�� 2
指数分布（负指数分布）
Γ(1, ��)
�� > 0
��
�� 2
注：指数分布是Γ分布的特殊情况 χ2 分布
��2 (��)
�� ≥ 1
负二项分布（帕
离散型
斯卡分布）
B0 (��, ��)
0<p<1 r≥1
K=r,r+1,… P{�� = ��} = (1 − ��)��−1 �� K=1,2,…
�� 1 ��
�� 2 ∞ ��⁄ 2
0，n>1
�� , �� > 2 �� − 2
非中心 t 分布
��(��, ��)
�� ≥ 1
�� − 1 ��Γ ( ) �� 2 √ �� 2 Γ( ) 2 (n>1)
常见的“概率分布表 + 分布图”汇总（内容源自书本，同时本人额外加了许多内容进去。此表可直接打印）整理人：算法君
说明，我们学过的各种概率分布公式较多且形式多样，各分布的数学期望及方差是常用的数据，为方便做题目，也方便记忆故作此表，并在此共享给大家希望给大家提供一定方便！
类
分布
单点分布（退化分布） (0-1)分布（两点分布或伯努利分布）二项分布
数学期望 a p np

概率论中的期望与方差计算

假设检验
假设检验的基本思想是通过样本信息对总体参数进行检验常见的假设检验方法有参数检验和非参数检验参数检验方法包括t检验、Z检验和方差分析等非参数检验方法包括卡方检验、秩和检验和K-W检验等
方差分析
方差分析的概念：通过比较不同组数据的离散程度，判断其稳定性。
方差分析的应用场景：在统计学中，方差分析常用于检验两组或多组数据是否有显著性差异。
对于离散随机变量，期望值和方差的具体计算公式分别为 E(X)=∑xp(x)和D(X)=∑x^2p(x)E(X)^2。
期望与方差的计算实例
第四章
离散型随机变量的期望与方差
定义：离散型随机变量的期望是所有可能取值的概率加权和，方差是各个取值与期望的差的平方的平均值。
计算公式：期望E(X)=∑x*p(x)，方差D(X)=∑p(x)*(x-E(X))^2。
期望的定义基于概率和随机变量的取值，通过数学运算计算得出。
期望具有线性性质，即对于两个随机变量的和或差，其期望等于各自期望的和或差。期望的计算方法包括离散型和连续型两种情况，具体计算方法根据随机变量的分布类型而有所不同。
期望的性质
无穷可加性：对于任意个事件，概率之和等于1
交换律：期望的交换律满足 E(X+Y)=E(X)+E (Y)
概率论中的期望与方差计算
XX,a click to unlimited possibilities
汇报人：XX
目录
CONTENTS
01 概率论中的期望 02 概率论中的方差 03 期望与方差的关系 04 期望与方差的计算实例
05 期望与方差在统计学中的应用
概率论中的期望
第一章
期望的定义
期望是概率论中的一个重要概念，它表示随机变量取值的平均值。

概率论中的常见分布和期望与方差——概率论知识要点

概率论中的常见分布和期望与方差——概率论知识要点概率论是数学中的一个重要分支，研究随机现象的规律性。

在概率论中，常见的分布函数和概率密度函数描述了随机变量的分布规律，而期望和方差则是描述随机变量的中心位置和离散程度的重要指标。

本文将介绍概率论中的常见分布以及期望和方差的概念和计算方法。

一、离散型分布在概率论中，离散型分布描述了随机变量取有限个或可列个数值的概率分布。

以下是几个常见的离散型分布：1. 伯努利分布伯努利分布是最简单的离散型分布，描述了只有两个可能结果的随机试验，比如抛硬币的结果。

设随机变量X表示试验的结果，取值为1或0，表示成功或失败的情况。

伯努利分布的概率质量函数为：P(X=k) = p^k * (1-p)^(1-k)，其中k=0或1，p为成功的概率。

2. 二项分布二项分布描述了一系列独立的伯努利试验中成功的次数。

设随机变量X表示成功的次数，取值范围为0到n，n为试验的次数，p为每次试验成功的概率。

二项分布的概率质量函数为：P(X=k) = C(n,k) * p^k * (1-p)^(n-k)，其中C(n,k)为组合数。

3. 泊松分布泊松分布描述了在一定时间或空间内随机事件发生的次数。

设随机变量X表示事件发生的次数，取值范围为0到无穷大。

泊松分布的概率质量函数为：P(X=k) = (λ^k * e^(-λ)) / k!，其中λ为事件发生的平均次数。

二、连续型分布在概率论中，连续型分布描述了随机变量在某个区间内取值的概率分布。

以下是几个常见的连续型分布：1. 均匀分布均匀分布描述了随机变量在某个区间内取值的概率相等的情况。

设随机变量X 在[a, b]区间内取值，均匀分布的概率密度函数为：f(x) = 1 / (b-a)，其中a≤x≤b。

2. 正态分布正态分布是概率论中最重要的分布之一，也被称为高斯分布。

正态分布的概率密度函数为：f(x) = (1 / √(2πσ^2)) * e^(-(x-μ)^2 / (2σ^2))，其中μ为均值，σ为标准差。

常见分布的期望和方差 (2)

常见分布的期望和方差概率与数理统计重点摘要1、正态分布的计算：()()()X F x P X x μσ-=≤=Φ。

2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。

（参见P66～72）3、分布函数(,)(,)x yF x y f u v dudv -∞-∞=⎰⎰具有以下基本性质：⑴、是变量x ，y 的非降函数；⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续；⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥4、一个重要的分布函数：1(,)(arctan )(arctan )23x yF x y πππ2=++22的概率密度为：22226(,)(,)(4)(9)f x y F x y x y x y π∂==∂∂++ 5、二维随机变量的边缘分布：边缘概率密度：()(,)()(,)X Y f x f x y dyf y f x y dx+∞-∞+∞-∞==⎰⎰边缘分布函数：()(,)[(,)]()(,)[(,)]xX yY F x F x f u y dy duF y F y f x v dx dv+∞-∞-∞+∞-∞-∞=+∞==+∞=⎰⎰⎰⎰二维正态分布的边缘分布为一维正态分布。

6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。

简称X 与Y 独立。

7、两个独立随机变量之和的概率密度：()()()()()Z X Y Y X f z f x f z x dx f y f z y dy +∞+∞-∞-∞=-=-⎰⎰其中Z ＝X ＋Y8、两个独立正态随机变量的线性组合仍服从正态分布，即22221212(,Z aX bYN a b a b μμσσ=+++)。

常见分布的期望和方差.pdf

x +
FX (x) = F(x, +) =
边缘分布函数：
[
− −
f (u, y)dy]du
y +
FY ( y) = F(+, y) =
[
− −
f (x, v)dx]dv
二维正态分布的边缘分布为一维正态分布。
6、随机变量的独立性：若 F(x, y) = FX (x)FY ( y) 则称随机变量 X，Y 相互独立。简称 X 与 Y 独立。
9、期望的性质：……（3）、 E(X +Y) = E(X ) + E(Y) ；（4）、若 X，Y 相互独立，则 E(XY) = E(X )E(Y) 。
10、方差： D(X ) = E(X 2 ) − (E( X ))2 。若 X，Y 不相关，则 D(X +Y) = D(X ) + D(Y) ，否则 D(X +Y) = D(X ) + D(Y) + 2Cov(X ,Y) ，
分布类型
0-1 分布 B（1，p）二项分布 B（n，p）
泊松分布 P(λ)
均匀分布 U（ a,b ）正态分布 N（ , 2 ）
指数分布 E（λ）
2 分布， 2 (n)
t 分布， t(n)
常见分布的期望和方差
概率密度函数
pi = P X = i = Cni piqn−i (q =1− p),(i =1, 2,..., n)
⑵、 0 F(x, y) 1，对于任意固定的 x，y 有： F(−, y) = F(x, −) = 0 ；
⑶、 F(x, y) 关于 x 右连续，关于 y 右连续；
⑷、对于任意的 (x1, y1), (x2, y2 ), x1 x2, y1 y2 ，有下述不等式成立：

概率论各种分布的期望和方差

概率论各种分布的期望和方差
概率论是描述和研究不确定性现象的基础学科，而概率分布是统计中最基本的概念，其中包括期望和方差。

期望是描述抽样变量数据的一个重要的描述统计量，它反映了该变量的总体分布特征。

方差，也称样本方差，是围绕其期望计算的一个重要的统计量，它能够揭示该抽样变量的变异程度。

对常见的概率分布来说，它们的期望和方差都是可以计算的。

针对均匀分布，它具有特定的概率赋值范围，同时，数学期望采用其平均值作为衡量标准即可计算出，而方差则是概率变量的期望值在两个方向上偏离之和的1/2倍。

此外，对于二项分布来说，它是表示在抽样次数已知且抽样几率未发生变化的情况下，典型抽样变量发生成功事件的次数分布，而它的期望和方差都是根据其抽样概率和抽样次数计算出的，期望是抽样概率乘以抽样次数，而方差则是期望乘以其补数，再乘以抽样次数。

此外，高斯分布是最常用、有着重要作用的概率分布之一，它具有广泛的应用场景，例如在定量分析中，用来进行参数估计或数据拟合，而它的期望和方差的计算也是基于其均值和标准差的，期望就是均值，而方差则是标准差的平方。

此外，指数分布也是一种常用的概率分布，它会用来描述随机变量的行为，主要是其它类型的连续分布之一，其期望和方差也是可以计算的，其期望直接取常数α，而方差是取α²。

综上所述，期望和方差都是无偏抽样变量分析中重要的统计量，它们是针对常见概率分布可以实行计算的重要概念，可以帮助我们更好地理解数据的分布情况，从而使其可以更加准确地进行应用和分析。

随机变量的数字特征——期望,方差以及协方差

例12: 设X ~ B(n , p), Y = eaX,求E（Y）。
解：
EY EeaX n eak P( X k)
k0
n
e
akC
k n
pk (1
p)nk
k0
n
C
k n
(e
a
p)k (1
p)nk
k0
(ea p (1 p))n
例13: 设X ~ U[0,], Y =sinX,求E（Y）。
g( xk )pk
k
绝对收敛，则Y 的数学期望存在，且
E(Y ) E[g( X )] g( xk ) pk
k
（2）设X 为连续型随机变量, 其概率密度为 f (x)，且 Y= g(X)也是连续型随机变量。若
g( x) f ( x)dx
绝对收敛，则Y 的数学期望存在，且
E(Y ) E[g(X )] g(x) f (x)dx
2、几种常见离散型分布的数学期望
1）两点分布例3：设随机变量X服从参数为p 的两点分布，求EX
解： EX=0×(1-p)+1×p=p
2）二项分布例4：设随机变量X~B(n,p)，求EX 解：易知 X 的概率分布为：
P( X k) Cnk pk (1 p)nk , k 0,1, , n
k!
E( X ) kP( X k)
k k e
k0
k0 k!
e
k 1
k0 (k 1)!
ee
例5 某人的一串钥匙上有n把钥匙，其中只有一把能打开自己的家门，他随意地试用这串钥匙中的某一把去开门. 若每把钥匙试开一次后除去，求打开门时试开次数的数学期望.
解:设试开次数为X,

常见分布的期望和方差

常见分布的期望和方差常见分布的期望和方差x n N() (0,1)概率与数理统计重点摘要1、正态分布的计算：()()()X F x P X x μσ-=≤=Φ。

2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()YX fy f x h y h y =。

（参见P66～72）3、分布函数(,)(,)xyF x y f u v dudv -∞-∞=⎰⎰具有以下基本性质：⑴、是变量x ，y 的非降函数；⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续；⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　　，有下述不等式成立：22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥4、一个重要的分布函数：1(,)(arctan )(arctan )23x y F x y πππ2=++22的概率密度为：22226(,)(,)(4)(9)f x y F x y x y x y π∂==∂∂++5、二维随机变量的边缘分布：边缘概率密度：()(,)()(,)X Y f x f x y dy f y f x y dx+∞-∞+∞-∞==⎰⎰边缘分布函数：()(,)[(,)]()(,)[(,)]xX yY F x F x f u y dy du F y F y f x v dx dv+∞-∞-∞+∞-∞-∞=+∞==+∞=⎰⎰⎰⎰二维正态分布的边缘分布为一维正态分布。

6、随机变量的独立性：若(,)()()XY F x y Fx F y =则称随机变量X ，Y 相互独立。

简称X 与Y 独立。

7、两个独立随机变量之和的概率密度：()()()()()ZX Y Y X f z f x f z x dx f y f z y dy+∞+∞-∞-∞=-=-⎰⎰其中Z ＝X＋Y8、两个独立正态随机变量的线性组合仍服从正态分布，即22221212(,Z aX bYN a b a b μμσσ=+++)。

常见分布的数学期望和方差

分布
k!
数
k 0,1,2,
pq
npq
学期
均匀分布
f (x)
1 b
a
,
a
x
b
0 , else
望与
指数分布
f
(
x)
e x
0,
,
x0 else
( 0)
ab 2 1
(b a)2 12 1
2
方差
正态分布
f (x)
1
e ，
(
x) 2 2
2
x
2
( 0)
2
例1
设X
~
N
(
1
,
2 1
E( X i ) p , D( X i ) p(1 p) ,
而 X= X1+X2+…+Xn ， Xi 相互独立，
n
n
所以 E( X ) E( X i ) E( X i ) np .
i 1
i 1
n
n
D( X ) D( X i ) D( X i ) np(1 p) .
i 1
i 1
所以 D( X ) np(np p 1) (np)2 np(1 p) .
4
下面利用期望和方差的性质重新求二项分布的
数学期望和方差.
设 X ~ B ( n, p )，X表示n重伯努利试验中的成功次数.
设
1 X i 0
如第i次试验成功如第i次试验失败
i=1,2,…,n
则
Xi
P
10
p 1 p
与 2X 的关系是则( ).
A.有相同的分布
B.数学期望相等
C.方差相等