第四章变量的概率分布与数字特征
概率统计4-1
每出售一吨可赚3万元 ,售不出去，则每吨需仓库保管费1万元， 问应该生产这种商品多少吨, 才能使平均利润最大？(类例 类例4.16） 类例 ） 解 设每年生产 N 吨的利润为 Y 显然，2000 < N < 4000 3N, N ≤ X, Y = g( X ) = 3X − (N − X ) ⋅1, N > X 1 N ≤ x, 3N, , 2000 < x < 4000, f X (x) = 2000 g(x) = 0, 4x − N, N > x 其 它
0,
+∞ 0
−λx 5
其 ， 它
60λ
E(M) = ∫−∞ xfM (x)dx = ∫ 5λxe−λx (1− e−λx )4 dx = 137
E(M) 13760λ = >11 1 E(N) 5λ
可见, 并联组成整机的平均寿命比串联组成整机的平均寿 命长11倍之多.
11
r.v.函数 r.v.函数 Y = g(X ) 的数学期望 设离散 r.v. X 的概率分布为 若无穷级数
1 即 N ~ E( 5λ), E(N) = 5λ
10
m ax (2) 设整机寿命为 M = k=1,2,L,5{Xk }
5 i=1
FM (x) = P(M < x) = P(∏Xi < x) =∏F (x) = [F(x)]5
k =1
5
fM (x) = (x
+∞
(1− e ) , x > 0, = 0, 其 ， 它 5λe−λx (1− e−λx )4 , x > 0,
4000 1 1 E(Y) = ∫−∞ g(x) f X (x)dx = ∫ (4x − N) dx + ∫ 3N dx 2000 20006 N 2000 1 2
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.。
概率论课程第四章
第四章 数字特征前面我们介绍了随机变量及其分布，对于一个随机变量，只要知道了它的分布（分布函数或分布律、分布密度），它取值的概率规律就全部掌握了。
但在实际问题中，一个随机变量的分布往往不易得到，且常常只需知道随机变量的某几个特征就够了。
例如检查棉花的质量时，我们关心的是棉花纤维的平均长度和纤维长度与平均长度的偏差大小，这些数字反映了随机变量的一些特性，我们称能够反映随机变量特征的数字为随机变量的数字特征。
本章将介绍几个最常用的数字特征：数学期望、方差、协方差和相关系数。
第一节 数学期望一、离散型随机变量的数学期望数学期望反映的是随机变量取值的集中位置的特征，能够满足这一要求的自然是随机变量的平均取值，那么这个平均取值如何得到呢？怎样定义，我们先看一个例题例1：全班40名同学，其年龄与人数统计如下：该班同学的平均年龄为：4092115201519118⨯+⨯+⨯+⨯=a8.194092140152040151940118=⨯+⨯+⨯+⨯=若令X 表示从该班同学中任选一同学的年龄，则X 的分布律为于是，X 取值的平均值，即该班同学年龄的平均值为4092140152040151940118)(⨯+⨯+⨯+⨯==a X E8.19==∑ii i p x定义1：设X 为离散型随机变量，其分布律为i i p x X P ==}{， ,2,1=i如果级数 绝对收敛，则此级数为X 的数学期望（或均值），记为 E(X)，即 ∑=ii i p x X E )(意义：E(X)表示X 取值的（加权）平均值。
如果级数 不绝对收敛，则称数学期望不存在。
例2：甲、乙射手进行射击比赛，设甲中的环数为X1，乙中的环数为X2，已知 X1和X2的分布律分别为：问谁的平均击中环数高？解：甲的平均击中环数为 E(X1)=8 0.3+9 0.1+10 0.6=9.3 乙的平均击中环数为 E(X2)=8 0.2+9 0.5+10 0.3=9.1 可见E(X1)> E(X2)，即甲的平均击中环数高于乙的平均击中环数。
随机变量的分布与数字特征
在决策树中，期望值可以用于评估每个分支的预 期收益或损失，以选择最优路径。
概率分布的确定
通过计算期望值，可以确定概率分布的中心趋势 和平均水平。
03
方差与其他数字特征
方差的定义与性质
方差是衡量随机变量离散程度的量，其计算公 式为：$sigma^2 = E[(X-mu)^2]$，其中$X$ 是随机变量，$mu$是期望值，$E$表示期望。
离散概率分布的性质
离散随机变量的概率分布具有非负性、归一性和可加性。
连续随机变量的分布
连续随机变量
连续随机变量是在一定范围内可以连续取值的随机变量，例如人 的身高。
连续概率分布
连续随机变量的概率分布可以表示为一个概率密度函数，该函数描 述了随机变量在各个取值范围内的概率。
连续概率分布的性质
连续随机变量的概率分布具有非负性、归一性和可积性。
随机变量的分布与数 字特征
目 录
• 随机变量的分布 • 随机变量的期望值 • 方差与其他数字特征 • 协方差与相关系数 • 随机变量的其他数字特征
01
随机变量的分布
离是在一定范围内可以一一列举出来的随机变量，例 如投掷一枚骰子出现的点数。
离散概率分布
离散随机变量的概率分布可以表示为一系列概率值的集合，每个 概率值对应一个可能的结果。
分位数
分位数
描述数据分布的位置。例如，中位数是位于数据中间 的数，表示数据的中心位置；上四分位数和下四分位 数分别表示位于数据分布的25%和75%位置的数。
计算方法
对于任意给定的概率p，分位数qp = inf{x | F(x) ≥ p}
THANKS FOR WATCHING
感谢您的观看
利用数学软件计算
第四章 随机变量的数字特征与特征函数
+
0
x 2 e x dx
+ 0
x e
2 x 0
2 xe x dx
+ 2 x x xe e dx 0 0 2 x 2 2 e 0 2
所以 D( X ) E ( X 2 ) [ E ( X )]2 1/ 2
e dt 2
概率论基础 Foundations of Probability Theory
例4.14已知随机变量 X ~ e( ) 。求方差 D( X ).
解: X 的概率密度为 e x f ( x) 0
x0 x0
从而 E ( X )
© 徐 钊 2013
概率论基础 Foundations of Probability Theory
例4.10已知随机变量X的分布律为 求方差 D( X ) 解： D( X ) E ( X 2 ) [ E ( X )]2 pq
X pi
0
1
q
p
例4.11已知随机变量 X ~ P( ) 。求方差 D( X ).
P( X xk ) pk
k
k 1, 2, ,
k
连续型
设连续型随机变量X的分布密度为 f (x)
则 D( X ) ( x E( X )) f ( x)dx
2
x 2 f ( x)dx [ E ( X )]2
三、方差的意义 随机变量的方差反映了随机变量所有可能取值的聚散程 度，是随机变量随机性的一种度量。
三、数学期望的性质 (1)设c为一个常数，则E (c) c; (2)设a为一个常数，则E (aX ) aE ( X ); (3)设X 为随机变量，g1 ( x), g 2 ( x)是实连续函数，则有 E ( g1 ( X ) g 2 ( X )) E ( g1 ( X )) E ( g 2 ( X ))
概率论第四章总结-精品文档
XY
=
数.
Cov ( X ,Y ) D( X ) D(Y)
称为随机变量X与Y的相关系
2.基本性质
7)| |=1的充要条件是，存在常数 a,b使得 P{Y=a+bX}=1
XY
1）Cov（X,Y）=Cov(Y,X) , Cov(X,X)=D(X).
5)Cov(X1+X2,Y)=Cov(X1,Y)+Cov (X2,Y). 6)| |≤1. *当=0时，称X与Y不 相关.
XY
2）D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 3）Cov(X+Y)=E(XY)-E(X)E(Y).
4）Cov(aX,bY)=abCov(X,Y),a,b是常数.
3.例题 • 设随机变量X ~ N（ ， ），Y ~ N( , ),且设X,Y相互独立，试求 • Z1=aX+bY和Z2=aX-bY的相关系数（其中a,b是不为零的常数）.
The key
解：E[(X-C)2]=E(X2-2CX+C2)=E(X2)-2CE(X)+C2=E(X2) -[E(X)]2+{[E(X)]2-2CE(X)+C2}=D(X)-[E(X)-C]2 ≥ D(X),等 号当且仅当C=E（X）时成立.
三、协方差及相关系数
1.定义
量E{(X-E(X))(Y-E(Y))}称为随机变量X与Y的协方差. 记为Cov(X,Y）,即 Cov(X,Y）=E{(X-E(X))(Y-E(Y))}
，
j=1,2，····，说明X的 数学期望不存在. 例2.将n只球（1—n号）随 机的放进n个盒子（1—n号） 中，一个盒子装一只球.若
3j j
东华大学卓越计划概率论第4章
第四章 随机变量的数字特征
1
描述随机变量的概率特征可用概率分布或 概率密度函数，但有时也需少量的数字来了解
随机变量变化规律的主要特征。如股票在某段
时间内上下有起伏，人们需要了解它在该段时 间内的平均价格和波动率，这就是通常所指的 概率论中的数学期望（均值）和方差。
2
§4.1 数学期望 一、引例
20
例9：设二维随机变量(X,Y)服从二维正态分布，
其密度函数为
f (x, y)
2
1 2π
2
x y 2
2
2
e
, x , y
求随机变量 Z
X Y
的数学期望。
例10：设某企业生产线上产品合格率为0.96，
不合格产品中只有75%产品可进行再加工且再
加工合格率为0.8，其余均为废品。每件合格
2
2
推导： X E X E X D
E X
2
2
E[ X 2 X E ( X ) E ( X ) ]
2 2
2
E X 2
2 E X E X E ( X ) E X
2
dt
t
2
2π
te
2
dt
11
2π
e
2
dt 1
例1：一整数等可能性地在1~10中取值，以X记
除得尽这一整数的正整数的个数，求E(X)。
例2：某商店对某种家用电器采用先使用后付款 的方式，记使用寿命为X(以年记)，规定
X 一台付款 X≤1 1500 1<X≤2 2000 2<X≤3 2500 X>3 3000
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
第4章数字特征与特征函数
( ) a0 ( ) a0 1 ( ) ( )
例: 有5个相互独立的电子装置串联组成整机,它们每一个 的寿命 X kபைடு நூலகம்(k 1, 2,3, 4,5) 服从同一指数分布,其概率密度为
e x , x 0 f ( x) 0, x 0
y0 y0
于是Y的数学期望为
fY ( y )
0,
y0
E (Y ) y fY ( y )dy y5 e y dy
0
1 5
例: 随机变量X服从柯西分布,其分布密度为
1 f ( x) , x 2 (1 x )
求E(X)。 解:
xf ( x, y )dxdy
yf ( x, y )dxdy
xf X ( x) dx
yfY ( y ) dy
推广: E (c1 X1 c2 X 2 cn X n ) c1E ( X1 ) c2 E ( X 2 ) ④设X与Y相互独立,则 E ( XY ) E ( X ) E (Y )
所以X的数学期望不存在。
1 1 x dx 2 x dx 2 2 0 (1 x ) (1 x ) 1 ln(1 x 2 ) 0
三、随机变量函数的数学期望 定理: 设Y是随机变量X的函数,Y=g(X)(g是单值连续函数), 当X是离散型随机变量时,若 g ( x ) p 绝对收敛，则
推广: n个相互独立的随机变量 E ( X1 X 2
X n ) E ( X1 ) E ( X 2 )
概率统计简明教程 第四章 随机变量的数字特征
129第四章 随机变量的数字特征在前面两章中我们讨论了随机变量的概率分布，这是关于随机变量统计规律的一种完整描述，然而在实际问题中，确定一个随机变量的分布往往不是一件容易的事，况且许多问题并不需要考虑随机变量的全面情况，只需知道它的某些特征数值.例如，在测量某种零件的长度时，测得的长度是一个随机变量，它有自己的分布,但是人们关心的往往是这些零件的平均长度以及测量结果的精确程度；再如，检查一批棉花的质量，既要考虑棉花纤维的平均长度，又要考虑纤维长度与平均长度的偏离程度，平均长度越大，偏离程度越小，质量越好.这些与随机变量有关的数值，我们称之为随机变量的数字特征，在概率论与数理统计中起着重要的作用.本章主要介绍随机变量的数学期望、方差、矩以及两个随机变量的协方差和相关系数.§1 数学期望1.1 数学期望的概念在实际问题中，我们常常需要知道某一随机变量的平均值，怎样合理地规定随机变量的的平均值呢？先看下面的一个实例.例1.1 设有一批钢筋共10根，它们的抗拉强度指标为110，135，140的各有一根；120和130的各有两根；125的有三根.显然它们的平均抗拉强度指标绝对不是10根钢筋所取到的6个不同抗拉强度：110，120，125，130，135，140的算术平均,而是以取这些值的次数与试验总次数的比值（取到这些值的频率）为权重的加权平均，即平均抗拉强度1(110120212531302135140)10=+⨯+⨯+⨯++⨯123211110120125130135140101010101010=⨯+⨯+⨯+⨯+⨯+⨯ 126=.从上例可以看出，对于一个离散型随机变量X ，其可能取值为12,,,n x x x ，如果将这n 个数相加后除n 作为“均值”是不对的.因为X取各个值的频率是不同的，对频率大的取值，该值出现的机会就大，也就是在计算取值的平均时其权数大.如果用概率替换频率，用取值的概率作为一种“权数”做加权计算平均值是十分合理的.经以上分析，我们可以给出离散型随机变量数学期望的一般定义.1301.离散型随机变量的数学期望定义 1.1 设X 为一离散型随机变量，其分布律为{}k kP X x p ==（1,2,k = ），若级数1k k k x p ∞=∑绝对收敛，则称此级数之和为随机变量X的数学期望，简称期望或均值.记为()E X ，即1()kk k E X xp ∞==∑ （1.1）例 1.2. 某人从n 把钥匙中任取一把去试房门，打不开则除去，另取一把再试直至房门打开.已知钥匙中只有一把能够把房门打开，求试开次数的数学期望.解 设试开次数为X ，则分布律为1{},1,2,,P X k k n n=== ，从而111(1)1()22nk n n n E X k nn =++=⋅=⋅=∑. 例1.3 设随机变量(,)X B n p ，求()E X .解 因为{}C (1)k k n kk n p P X k p p -===- (0,1,,)k n = ，11!()C (1)(1)(1)!()!n n nk kn kk n kk nk k k n E X kp k p p p p k n k --=====-=---∑∑∑11(1)11(1)!(1)(1)![1(1)]![(1)]nk n k k n n np pp k n k np p p np----=--=-----=+-=∑例1.4 设随机变量()X P λ ，求()E X . 解 因为()X P λ ，有131{}!kP X k ek λλ-==0,1,2,,k = （）因此11()!(1)!k k k k E X eeee k k λλλλλλλλλ-∞∞---=====⋅=-∑∑.我们可以类似地给出连续型随机变量数学期望的定义，只要把分布律中的概率k p 改为概率密度()f x ，将求和改为求积分即可.因此，我们有下面的定义.2 . 连续型随机变量的数学期望定义1.2 设X 为一连续型随机变量，其概率密度为()f x ，若广义积分()d xf x x +∞-∞⎰绝对收敛，则称广义积分()d xf x x +∞-∞⎰的值为连续型随机变量X 的数学期望或均值，记为()E X ，即 ()()d E X xf x x +∞-∞=⎰. （1.2）例1.5 设随机变量X 的概率密度为2,01()0,x x f x <<⎧=⎨⎩，其他，求()E X .解 依题意，得，102()()d 2d 3E X xf x x x x x +∞-∞==⋅=⎰⎰.例1.6 设随机变量X 服从区间(,)a b 上的均匀分布，求()E X . 解 依题意，X 的概率密度为1,()0,a x b f x b a⎧<<⎪=-⎨⎪⎩，其他， 因此1321()()d d 2b aa b E X xf x x x x b a+∞-∞+==⋅=-⎰⎰.例1.7 设随机变量X 服从λ为参数的指数分布，求()E X . 解 依题意， X 的概率密度为e ,0,()0,0x x f x x λλ-⎧>=⎨≤⎩，因此1()()d ed xE X xf x x x x λλλ+∞+∞--∞==⋅=⎰⎰.例1.8 设随机变量X 服从正态分布2(,)N μσ，求()E X .解 由于22()21()x f x m s--= ()x -?<+因此()()d E X xf x x x+∞+∞-∞-∞==⎰⎰22()2d x x m s--22()()ed tx t t t 令m s m s+---==+22ed tt m +--==.例1.9 已知二维随机变量(,)X Y 的概率密度为(34)12e ,0,0,(,)0,x y x y f x y -+⎧>>=⎨⎩其他，求()E X .解 由第三章例3.2的结果关于X 的边缘概率密度为33e ,0,()0,0x X x f x x -⎧>=⎨≤⎩，133即(3)X E ,因此1()3E X =.1.2 随机变量函数的数学期望定理1.1 设随机变量Y 是随机变量X 的函数， ()Y g X =（其中g 为一元连续函数）.（1）X 是离散型随机变量，概率分布律为{}k k P X x p ==， 1,2,k = ，则当无穷级数1()k k k g x p ∞=∑绝对收敛时，则随机变量Y 的数学期望为1()[()]()kk k E Y E g X g xp ∞===∑; （1.3）（2）X 是连续型随机变量，其概率密度为()f x ，则当广义积分()()d g x f x x +-ò绝对收敛时，则随机变量Y 的数学期望为()[()]()()d E Y E g X g x f x x +∞-∞==⎰.（1.4） 这一定理的重要意义在于，求随机变量()Y g X =的数学期望时，只需利用X 的分布律或概率密度就可以了，无需求Y 的分布，这给我们计算随机变量函数的数学期望提供了极大的方便.定理的证明超出了本书的范围，下面我们仅就连续型随机变量，且()Y g X =单调的情形给出证明.证明 第二章定理4.2给出了随机变量Y 的概率密度[()](),()0,X Y f h y h y y f y αβ⎧⎪⎨⎪⎩'<<=，其他.其中)(x f X 为随机变量X 概率密度，函数)(x g y =是处处可导的严格单134调函数，它的反函数为)(y h x =，则有()()d Y E Y yf y y +∞-∞=⎰[()]|()|d X yf f y h y y βα'=⎰.当()0h y '>时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα+∞-∞'==⎰⎰，当()0h y '<时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα-∞+∞'=-=-⎰⎰()()d X g x f x x +∞-∞=⎰.例1.10 设离散型随机变量X 的分布律为求随机变量232Y X =-的数学期望.解 依题意，可得，22()[3(1)2]0.1(302)0.3E Y =⨯--⨯+⨯-⨯2(312)0.4+⨯-⨯2(322)0.2+⨯-⨯1.9=.例1.11 随机变量X (0,1)N ，求2Y X =的数学期望. 解 依题意，可得22()()()d E Y E X x f x x +∞-∞==⎰222d xxx +∞--∞=⎰22dexx+∞--∞=⎰2222e e dx xx x+∞+∞---∞-∞⎛⎫⎪=-⎪⎭⎰22e d1xx+∞--∞==⎰例 1.12 国际市场每年对我国某种商品的需求量是随机变量X（单位：吨），它服从[2000,4000]上的均匀分布，已知每售出1吨商品，可挣得外汇3万元;若售不出去而积压，则每吨商品需花费库存费等共1万元，问需要组织多少货源，才能使国家受益期望最大？解设组织货源t吨，[2000,4000]tÎ，受益为随机变量Y（单位：万元），按照题意Y是需求X的函数3(),,()3,,X t X X tY g Xt X t当当ì--<ïï==íï³ïîX的概率密度为1,20004000()20000,xf xìïï＃ï=íïïïî其它.由（1.4），得()[()]()()dE Y E g X g x f x x+-==ò400020001{[3()]d3d}2000ttx t x x t x=--+蝌21[2140008000000]2000t t=-+-当3500t=时()E Y达到最大值，也就是说组织货源3500吨时国家的期望受益最大.135136例1.13 柯西分布211()1f x xπ=+()x -∞<<+∞的数学期望由于21||d (1)x x x π+∞-∞=+∞+⎰，所以不存在.上述的定理可以推广到两个或两个以上随机变量的函数上去，我们有下面的定理.定理 1.2 设随机变量Z 是随机变量(,)X Y 的函数，(,)Z g X Y =,其中g 为二元连续函数，则（1）如果(,)X Y 为二维离散型随机变量,其分布律为ij j i p y Y x X P ===},{ ,1,2,i j = ,且11(,)ijij j i g x yp ∞∞==∑∑绝对收敛，则随机变量(,)Z g X Y =的数学期望为11()[(,)](,)ijij j i E Z E g X Y g x yp ∞∞====∑∑； （1.5）（2）如果(,)X Y 为二维连续型随机变量时，概率密度为(,)f x y ,且(,)(,)d d g x y f x y x y +∞+∞-∞-∞⎰⎰绝对收敛，则随机变量(,)Z g X Y =的数学期望为()[(,)](,)(,)d d E Z E g X Y g x y f x y x y +∞+∞-∞-∞==⎰⎰. （1.6）例1.14 设二维离散型随机变量(,)X Y 的分布律为137求()E XY 和()E Z ，其中max(,)Z X Y =.解 依题意，可得()000.1010.3100.4110.20.2E XY =⨯⨯+⨯⨯+⨯⨯+⨯⨯=; ()00.110.90.9E Z =⨯+⨯=.例1.15 设二维连续型随机变量(,)X Y 的概率密度为212,01,(,)0,y y x f x y ⎧≤≤≤=⎨⎩其他，求（1）()E XY ；（2）2()E X .解 （1）由公式（1.6）得，121()(,)d d d (12)d 2xE X Y xy f x y x y x x y y y +∞+∞-∞-∞===⎰⎰⎰⎰,（2）将2X 看成是函数(,)Z g X Y =的特殊情况，从而利用公式（1.6）进行求解，即122222()(,)d d d 12d 3xE X x f x y x y x x y y +∞+∞-∞-∞===⎰⎰⎰⎰.需要说明的是：本题在求解2()E X 时，也可以先求出(,)X Y 关于X 的边缘概率密度，再利用公式22()()d X E X x f x x +∞-∞=⎰，求解2()E X （请读者自行完成）.例 1.16 一商店经销某种商品，每周进货量X 与顾客对商品的需求量Y 是相互独立的随机变量，且都服从[10,20]上的均匀分布，商店每售出一单位商品可得利润1000元，若需求量超过进货量，商店可从其它商店调剂供应，这时每单位商品获利润500元，计算经销此商品每周所获得平均利润.解 设Z 表示商店每周所获利润，依题意1000,,(,)1000500(),,Y Y X Z g X Y X Y X Y X ì£ïï==íï+->ïî138由于(,)X Y 的概率密度为1,1020,1020(,)1000,x y f x y ，其他，ìïï＃＃ï=íïïïî所以20201010()(,)(,)d d E Z g x y f x y x y =蝌20202010101011d 1000d d 500()d 100100yyyy xyx y x =?+蝌蝌202021010310(20)d 5(1050)d 2y y y y y y =-+--蝌 200005150014166.673=+椿（元）.1.3 数学期望的性质设C 为常数，随机变量X ,Y 的数学期望都存在.关于数学期望有如下性质成立：性质1.则()E X C =； 性质2.()()E CX CE X =； 性质3.()()()E X Y E X E Y +=+;性质4. 如果随机变量X 和Y 相互独立，则()()()E XY E X E Y =. 这里只就连续型随机变量的情形对性质3和性质4给出证明，对于离散型随机变量情况，请读者自行完成.证明：设二维连续型随机变量(,)X Y 的概率密度为(,)f x y ，(,)X Y 关于X 和关于Y 的边缘概率密度为()X f x 和()Y f y ，则有()()(,)d d E X Y x y f x y x y +∞+∞-∞-∞+=+⎰⎰(,)d d xf x y x y +∞+∞-∞-∞=⎰⎰(,)d d yf x y x y +∞+∞-∞-∞+⎰⎰139(,)d d x f x y y x +∞+∞-∞-∞⎡⎤=⎢⎥⎣⎦⎰⎰(,)d d y f x y x y +∞+∞-∞-∞⎡⎤+⎢⎥⎣⎦⎰⎰()d X xf x x +∞-∞=⎰()d Y yf y y +∞-∞+⎰()()E X E Y =+.如果X 和Y 相互独立，则(,)f x y =()X f x ()Y f y ，有()(,)d d E XY xyf x y x y +∞+∞-∞-∞=⎰⎰()()d d X Y xyf x f y x y +∞-∞=⎰ ()d ()d X Y xf x x yf y y +∞+∞-∞-∞=⋅⎰⎰()E XY =例1.17 设两个随机变量X 和Y ，设2()E X 和2()E Y 都存在，证明： 222[()]()()E XY E X E Y ≤ （1.7） 这一不等式称为柯西—许瓦兹（Cauchy Schwarz -）不等式证明 对于任意实数t ，令2()[()]g t E X tY =+ 由数学期望的性质，有2222[()](2)E X tY E X tXY t Y +=++ 222()2()()E X tE XY t E Y =++ 因此 222()()2()()g t E X tE XY t E Y =++由于()0g t ≥，上述关于t 的二次函数的判别式小于或等于0.即 2224[()]4()()0E XY E X E Y ∆=-≤140因此 222[()]()()E XY E X E Y ≤例1.18 设随机变量X 和Y 相互独立，且各自的概率密度为33,0,()0,x X e x f x -⎧>=⎨⎩其他， 44,0,()0,y Y e y f y -⎧>=⎨⎩其他， 求()E XY .解 由性质3得()()()E XY E X E Y =()d ()d X Y xf x x yf y y +∞+∞-∞-∞=⨯⎰⎰3403d 4d xyxex ye y +∞+∞--=⨯⎰⎰1113412=⨯=.例1.19 将n 个球随机放入M 个盒子中去，设每个球放入各盒子是等可能的，求有球盒子数X 的期望.解 令随机变量1,1,2,,0,i i X i M i ⎧==⎨⎩ 第个盒子有球，第个盒子无球，显然有 1Mi i X X ==∑.对于第i 个盒子而言，每只球不放入其中的概率为11M ⎛⎫-⎪⎝⎭，n 个球都不放入的概率为11nM ⎛⎫- ⎪⎝⎭，因此1{0}1ni P X M ⎛⎫==- ⎪⎝⎭1{1}11n i P X M ⎛⎫==-- ⎪⎝⎭141由于 1()1{1}0{0}11ni i i E X P X P X M ⎛⎫=⨯=+⨯==-- ⎪⎝⎭由数学期望的性质，可以得到11()()11nMi i E X E X M M =⎛⎫⎛⎫==-- ⎪ ⎪ ⎪⎝⎭⎝⎭∑.§2 方差2.1 方差及其计算公式数学期望体现了随机变量所有可能取值的平均值，是随机变量最重要的数字特征之一.但在许多问题中只知道这一点是不够的，还需要知道与其数学期望之间的偏离程度.在概率论中，这个偏离程度通常用2{[()]}E X E X -来表示，我们有下面关于方差的定义． 定义2.1 设X 为一随机变量，如果随机变量2[()]X E X -的数学期望存在，则称之为X 的方差，记为()D X ，即2{[()]}D X E X E X =-（） （2.1）称X 的标准差或均方差，记作()X σ .由定义2.1可知，随机变量X 的方差反应了X 与其数学期望()E X 的偏离程度，如果X 取值集中在()E X 附近，则方差()D X 较小；如果X 取值比较分散，方差()D X 较大.不难看出，方差()D X 实质上是随机变量X 函数2[()]X E X -的数学期望．如果X 是离散型随机变量，其概率分布律为 {}k k P X x p ==， 1,2,k = ，142则有 221{[()]}[()].kk k D X E X E X xE X p ∞==-=-∑（）如果X 连续型随机变量，其概率密度为()f x ，则有22{[()]}[()]()d .D X E X E X x E X f x x +∞-∞=-=-⎰（）根据数学期望的性质，可得2{[()]}D X E X E X （）=-22{2()[()]}E X X E X E X =-?22()2()()[()]E X E X E X E X =-?22()[()]E X E X =- ．即 22()()[()]D X E X E X =- （2.2） 这是计算随机变量方差常用的公式例2.1 设离散型随机变量X 的分布律为求D X （）.解 因为(1)0.100.310.420.20.7E X =-⨯+⨯+⨯+⨯=（）， 22222()(1)0.100.310.420.2 1.3E X =-⨯+⨯+⨯+⨯=，222()[()] 1.30.70.81D X E X E X =-=-=（）．例2.2 设(,)X B n p ，求D X （）.解 ()E X np =，令1q p =-，143220()C nk k n kn k E X k p q-==å1![(1)]!()!nk n kk n k k k p qk n k -==-+-å22(2)(2)1(1)(2)!(1)(1)!()!nk n k k n n n k p pqk n k ----=--=---å1!(1)!()!nkn kk n p qk n k -=+--å22(2)(2)2(2)!(1)()(2)!()!nk n k k n n n ppqE X k n k ----=-=-+--å2(1)n n p np =-+，所以 22222()[()](1)D X E X E X n n p np n p npq （）=-=-+-=．例2.3 设()X P λ ，求D X （）.解 ()E X l =2201ee()[(1)1]!(1)!k k k k E X kk k k lll l --ゥ====-+-邋2221ee(2)!(1)!k kk k k k lllll-ゥ--==×=? --邋2l l =+所以 22().D X （）l l ll =+-=例2.4 设随机变量X 服从几何分布()X G p ，即 1{},1,2,k P X k pqk -===144其中01,1p q p <<=-，求(),().E X D X解 1111()k k k k E X kpqp kq∞∞--====∑∑由于1,011k k q q q∞==<<-∑，对此级数逐项求导，得1001d dd d k kk k k k q qkqq q ∞∞∞-===⎛⎫==⎪⎝⎭∑∑∑，因此121d 11d 1(1)k k kqq q q ∞-=⎛⎫== ⎪--⎝⎭∑， 从而211()(1)E X p q p=⋅=-。
概率论第4章
ò ò
+¥ +¥
- ¥ - ¥
（设该积分绝对收敛） g ( x , y ) f ( x , y ) dxdy ．
性质 1 设 c 是常数，则有 E ( c ) = c ． 性质 2 设 X 是随机变量，设 c 是常数，则有 E (cX ) = cE ( X ) ． 性质 3 设 X ，Y 是随机变量，则有 E ( X + Y ) = E ( X ) + E ( Y ) ． （该性质可推广到有限个随机变量 之和的情况） 性质 4 设 X ， Y 是相互独立的随机变量，则有 E ( XY ) = E ( X ) E ( Y ) ． （该性质可推广到有限 个随机变量之积的情况） 2. 方差 （1）定义 设 X 是随机变量 ， E{[ X - E ( X )] } 存在，就称其为 X 的方 差 ，记为 D ( X ) ( 或 Var ( X ) ) ，即
å x p
k =1
k
发散，则称随机变量 X 的数学期望不存在．
（2）连续型随机变量的数学期望 定义 设连续型随机变量 X 的分布密度函数为 f ( x ) ，若积分 学期望或均值．记为 E ( X ) ， E ( X ) = 不存在。 （3）随机变量的函数的数学期望 定理 设 Y 为随机变量 X 的函数： Y = g ( X ) (g 是连续函数) ① X 是离散型随机变量，分布律为 p ( X = x k = 1 , 2 , L ；若级数 k = P k ),
r XY = í
， a > 0 ì1 ， a < 0 î-1
性质 4 r XY = 1 的充要条件是，存在常数 a, b 使 P {Y = aX + b } = 1 ． 事实上相关系数只是随机变量间线性关系其强弱的一个度量， 当 r XY = 1 表明随机变量 X 与 Y 具有线 性关系， r = 1 时为正线性相关， r = -1 时为负线性相关，当 r XY < 1 时，这种线性相关程度就随着 r XY 的减小而减弱，当 r XY = 0 时，就意味着随机变量 X 与 Y 是不相关的． （4）X 与 Y 不相关的充要条件 只要满足以下四个条件之一就可以 ①
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
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）：
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。
概率论与数理统计第四版课后学习资料第四章
(4.1)
i,j 1, 2, 3,
则有E(Z) E g(X, Y) g(x i ,y j )p ij , (4.2) (假设级数绝对收敛)
例. 设随机变量(X, Y)的概率密度为 3 , 1 y x.x 1 x 3 2 f(x,y) 2x y 0, 其它, 1 试求 : E(Y),E( ) XY
e
1 x
dx
1 t x
2
0
t 2 e t dt 22 ,
D(X) E(X2 ) -[ E(X)]2 2 .
30 正态分布: 设X~N(, 2 ), 则
解 : E(X)
2
t2 2
1
xe
t2 2
-
(x )2 22
例. 二项分布的均值的计算: 设X~b(n,p),引入r.v.Xi(i=1, 2, …, n), 它们是相互独 立的且都服从0--1分布: P{Xi=1}=p, P{Xi=0}=q, X表 示n次独立重复试验中A发生的次数,Xi表示第i次试 验的结果:Xi=1表示A发生, Xi=0表示A不发生, 所以
解: 计算X1的均值, 由定义有 E(X1) =00+1 0.2+2 0.8=1.8 E(X2)=00.6+1 0.3+2 0.1=0.5
显然,乙的成绩比甲的差.
例2. 有2个相互独立工作的电子装置, 它们的寿命Xk (k 1, 2 )服从同一指数分布, 其概率密度为:
x 1 e , x 0, f(x) θ 0, 0, x 0,
i
n
故 E(X) np D(X) npq.
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
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
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
dx 令t
t2 2
x
，得
E( X )
1 2
( t )e
dt
1-91
31
1 E( X ) x e 2
( x )2 2 2
dx 令t
t2 2
x
，得
E( X )
1 2
( t )e
t2 2
得
从而
的概率密度为:
1-91
21
故所求数学期望分别为
1-91
22
三.数学期望的性质
性质1: 设 C 为常数，则 性质2: 设 C 为常数，X 为随机变量， 则有 性质3: 设 X , Y 为任意两个随机变量, 则有 为 n 个随机变量，
推论1 设
为常数，则
1-91
23
性质4 设X 和Y 是相互独立的随机变量，则有
证: 因为 X 和 Y 相互独立，所以 于是
推广:
1-91 24
例7. 将 n只球随机放入M 只盒子中去，设每只球 落入各个盒子是等可能的，求有球的盒子数 X 的 均值 解 引入随机变量
显然有
1-91
25
例7. 将 n只球随机放入M 只盒子中去，设每只球 落入各个盒子是等可能的，求有球的盒子数 X 的 均值
1-91
18
例5. 设某公共汽车站于每小时的10分, 50分发车, 乘客在每小时内任一时刻到达车站是随机的。求 乘客到达车站等车时间的数学期望。
解: 设T 为乘客到达车站的时刻， 则
其概率密度为
设Y 为乘客等车时间，则
1-91
19
已知
1-91
概率论第四章随机变量的数字特征第4节矩和协方差矩阵
特别，若 X ~ N 0， 1 , 则
E X n
n 1!!
0
n为偶数 n为奇数 ,
n 4时， EX 4 3.
返回主目8 录
练习一下
• 已知随机变量的X和Y的联合分布为
Y X
-2
0
1
-1
0.30
0.12
0.18
1
0.10
0.18
0.12
求X和Y的协差矩阵.
0.96 0.24
0.24 1 .65
DX
所以，
E X n nE Y n
n yn fY
y dy
n
y
n
e
y2 2
dy
2
⑴．当 n为奇数时，由于被积函 数是奇函数，所以
E X n 0 ．
返回主目5 录
第四章 随机变量的数字特征
(2)．当n为偶数时，由于被积函 数是偶函数，所以
EX n
2 n
y
n
e
y2 2
E X n
n
22
n
n
1
n
1
n
22
n
n
1
n
3
n
3
2 2 2 2 2
n
22
n
n
1
n
3
1
1
22
2 2
n
22
n
n 1!!
n
22
n n 1!!
返回主目7 录
第四章 随机变量的数字特征
因而，
§5 矩
E X n
n n 1!!
0
n为偶数 n为奇数
其中，
135 n n为奇数 n!! 2 4 6 n n为偶数
概率论与数理统计 第四章
矩，它们都是随机变量函数的数学期望。
河南理工大学精品课程
概率论与数理统计
【例3】[P.115:eg6]
〖解〗设X为随机取一球的标号,则r.v.X等可 能地取值1,2,3,4,5,6;
又Y=g(X),且
g(1)= g(2)= g(3)=1; g(4)= g(5)=2, g(6)=5. 故随机摸一球得分的期望为
河南理工大学精品课程 概率论与数理统计
显然, 方差D(X)就是随机变量X的函数 g ( X ) [ X E( X )]2 的数学期望.因此,当X的分布律 p 或概率密度 k 已知时,有
2 [ x E ( X )] pk , 离散型 k k 1 D ( X ) [ x E ( X )]2 f ( x)dx, 连续型
1500 (分) □
河南理工大学精品课程 概率论与数理统计
二、随机变量函数的数学期望 利用随机变量函数的分布可以证明下列两定理: 定理1 设Y=g(X)是随机变量X的连续函数，则 Y 也是随机变量，且其数学期望为
离散型 g ( xk ) pk , k 1 E (Y ) E[ g ( X )] g ( x) f ( x)dx, 连续型
X2 Pk 3X2+5 Pk 0 0.3 5 0.3 4 0.7 17 0.7
于是,
E(X)=(-2)×0.4+0×0.3+2×0.3=-0.2;
河南理工大学精品课程 概率论与数理统计
例6-续
E(X2)=0×0.3+4×0.7=2.8; E(3X2+5)=5×0.3+17×0.7=13.4.
方法2(定义+性质法) 因为 E(X)=(-2)×0.4+0×0.3+2×0.3=-0.2; E(X2)=(-2)2×0.4+02×0.3+22×0.3=2.8; 所以, E(3X2+5)=3E(X2)+5=3×2.8+5=13.4. □