基于分布函数的数学期望与方差的简洁求法
随机变量的分布列、期望、方差
„ „
P
1 1 3
4
2 1 3 3
3
5
2 3
4
1 ⑷ ~ B 5, ,
k
∴ P＝( ＝k)＝C5 ( ) ·( ) 其中 k 0,1,2,3,4,5. ∴所求 的分布列是
1 3
k
2 3
5－k
，
0
32 243
1
80 243
2
80 243
【典例解析】
考点一：随机变量的分布列
例 1. 袋子中有 1 个白球和 2 个红球． ⑴ 每次取 1 个球，不放回，直到取到白球为止．求取球次数 的分布列．
2
2013 年高考第一轮复习资—理科数学 ⑵ 每次取 1 个球，放回，直到取到白球为止．求取球次数 的分布列． ⑶ 每次取 1 个球，放回，直到取到白球为止，但抽取次数不超过 5 次．求取球次数 的分布列． ⑷ 每次取 1 个球，放回，共取 5 次．求取到白球次数 的分布列． 解： ⑴ 1,2,3.
1
1 3
2
1 3
3
1 3
P
⑵ 每次取到白球的概率是 ，不取到白球的概率是 2 ， 所求的分布列是
3
1 3
P ⑶
1 1 3 2 2 1 3 3
3
2 2 1 3 3 3
2 1 3 3
2
3
2 1 3 3
2
„ „
n
2 3
n 1
1 3
P 1 P 2 1 1 , 1 3 A3
1 A2 1 1 , 2 1 1 A A3 2 3 1
概率分布以及期望和方差
学辅教育成功就是每天进步一点点！概率分布以及期望和方差上课时间 :上课教师：上课重点 :掌握两点分布、超几何分布、二项分布、正态分布的概率分布及其期望和方差上课规划：解题技巧和方法一两点分布知识内容⑴两点分布如果随机变量X 的分布列为X1 0P p q其中 0 p 1 ， q 1 p ，则称离散型随机变量X服从参数为p的二点分布．二点分布举例：某次抽查活动中，一件产品合格记为 1，不合格记为 0 ，已知产品的合格率为 80% ，随机变量 X 为任意抽取一件产品得到的结果，则 X 的分布列满足二点分布．X100.8 0.2P两点分布又称 0 1 分布，由于只有两个可能结果的随机试验叫做伯努利试验，所以这种分布又称为伯努利分布．（2）典型分布的期望与方差：二点分布：在一次二点分布试验中，离散型随机变量X 的期望取值为p ，在 n 次二点分布试验中，离散型随机变量X 的期望取值为np ．典例分析学辅教育成功就是每天进步一点点！，针尖向上；1、在抛掷一枚图钉的随机试验中，令 X1，如果针尖向上的，针尖向下 .概率为 p ，试写出随机变量X 的概率分布．2、从装有 6 只白球和 4 只红球的口袋中任取一只球，用X 表示“取到的白，当取到白球时，球个数”，即X1，求随机变量 X 的概率分布． ，当取到红球时，3、若随机变量 X 的概率分布如下：X1P23 8C9C C试求出 C ，并写出 X 的分布列．3、抛掷一颗骰子两次，定义随机变量0,(当第一次向上一面的点 数不等于第二次向上一 面的点数 )1, (当第一次向上一面的点数等于第二次向上一面的点数 )试写出随机变量 的分布列．4、篮球运动员比赛投篮，命中得1分，不中得 0 分，已知运动员甲投篮命中率的概率为 P ．⑴记投篮1次得分X，求方差D ( X )的最大值；⑵当⑴中 D ( X ) 取最大值时，甲投3次篮，求所得总分Y的分布列及Y的期望与方差．二超几何分布知识内容将离散型随机变量X 所有可能的取值x i与该取值对应的概率p i (i 1, 2,, n)列表表示：X x1x2P p1p2⋯⋯x ip i⋯⋯x np n一般地，设有总数为N 件的两类物品，其中一类有M 件，从所有物品中任取 n 件 ( n ≤ N ) ，这 n 件中所含这类物品件数X 是一个离散型随机变量，它取值为 m 时的概率为P( X m)C M m C n N m M≤ l ，l为 n 和M中较小的一个 ) ．C n N(0≤ m我们称离散型随机变量X 的这种形式的概率分布为超几何分布，也称X 服从参数为 N ， M ，n的超几何分布．在超几何分布中，只要知道 N ， M 和n，就可以根据公式求出 X 取不同值时的概率P( X m)，从而列出 X 的分布列．超几何分布的期望和方差：若离散型随机变量 X 服从参数为N，M，n的超几何分布，则 E(X)nM，n(N n)( N M )M．ND(X)2(N 1)N典例分析例题：一盒子内装有 10 个乒乓球，其中 3 个旧的，7 个新的，从中任意取 4 个，则取到新球的个数的期望值是．练习 1. 某人参加一次英语口语考试，已知在备选的10道试题中，能答对其中的 6 题，规定每次考试都从备选题中随机抽出 5 题进行测试，每题分数为20分，求他得分的期望值．练习 2. 以随机方式自 5 男 3 女的小群体中选出 5 人组成一个委员会，求该委员会中女性委员人数的概率分布、期望值与方差．练习 3. 在12个同类型的零件中有2 个次品，抽取 3 次进行检验，每次任取一个，并且取出不再放回，若以和分别表示取出次品和正品的个数．求，的期望值及方差．三二项分布知识内容若将事件 A 发生的次数设为X ，事件 A 不发生的概率为q 1 p ，那么在 n 次独立重复试验中，事件 A 恰好发生k 次的概率是P( X k)C kn pk q n k，其中k0 , 1, 2 , n, ．于是得到X的分布列X01⋯k⋯nP C 0n p0q n C1n p1q n 1⋯C n k p k q n k⋯C n n p n q0由于表中的第二行恰好是二项展开式(q p)n C0n p0 q n C1n p1q n 1C k n p k q n k C n n p n q0各对应项的值，所以称这样的散型随机变量X 服从参数为n，p 的二项分布，记作 X ~ B(n , p) ．二项分布的均值与方差：若离散型随机变量X 服从参数为 n 和 p 的二项分布，则E ( X ) np ， D (x) npq (q1 p) ．二项分布：若离散型随机变量X 服从参数为 n 和 p 的二项分布，则 E( X ) np ，D ( x) npq (q 1 p) ．典例分析二项分布的概率计算1例题：已知随机变量服从二项分布， ~ B(4 ， ) ，则 P(2)等于．练3习 1.甲乙两人进行围棋比赛，比赛采取五局三胜制，无论哪一方先胜三局则比赛结束，假定甲每局比赛获胜的概率均为2，则甲以 3:1 的比分获胜的3概率为（ ）A ．8B ．64C ．4D ．8278199练习 2.某篮球运动员在三分线投球的命中率是1，他投球 10 次，恰好投2进 3 个球的概率．（用数值表示）练习 3. 某人参加一次考试， 4 道题中解对 3 道则为及格，已知他的解题正确率为 0.4 ，则他能及格的概率为 _________（保留到小数点后两位小数）接种某疫苗后，出现发热反应的概率为0.80，现有 5 人接种了该疫苗，至少有 3 人出现发热反应的概率为．（精确到 0.01）例题 :从一批由 9 件正品， 3 件次品组成的产品中，有放回地抽取 5 次，每次抽一件，求恰好抽到两次次品的概率（结果保留2 位有效数字）．练习 1. 一台X型号的自动机床在一小时内不需要人照看的概为0.8000 ，有四台这种型号的自动机床各自独立工作，则在一小时内至多有 2 台机床需要工人照看的概率是（）A．0.1536B．0.1808C．0.5632D．0.9728练习 2. 设在 4 次独立重复试验中，事件A发生的概率相同，若已知事件A至少发生一次的概率等于65，求事件A在一次试验中发生的概率．81例题：某公司拟资助三位大学生自主创业，现聘请两位专家，独立地对每位大学生的创业方案进行评审．假设评审结果为“支持”或“不支持”的概率都学辅教育成功就是每天进步一点点！是1．若某人获得两个“支持，”则给予 10万元的创业资助；若只获得一个“支2持”，则给予 5 万元的资助；若未获得“支持”，则不予资助．求：⑴ 该公司的资助总额为零的概率；⑵该公司的资助总额超过15万元的概率．练习 1. 某商场经销某商品，顾客可采用一次性付款或分期付款购买．根据以往资料统计，顾客采用一次性付款的概率是 0.6 ，经销一件该商品，若顾客采用一次性付款，商场获得利润 200 元；若顾客采用分期付款，商场获得利润250 元．⑴求3位购买该商品的顾客中至少有1位采用一次性付款的概率；⑵求3位位顾客每人购买1件该商品，商场获得利润不超过650元的概率．练习 2. 某万国家具城进行促销活动，促销方案是：顾客每消费1000元，便可获得奖券一张，每张奖券中奖的概率为1，若中奖，则家具城返还顾客5现金 200 元．某顾客消费了 3400 元，得到3张奖券．⑴求家具城恰好返还该顾客现金 200元的概率；⑵求家具城至少返还该顾客现金 200元的概率．例题：设飞机 A 有两个发动机，飞机 B 有四个发动机，如有半数或半数以上的发动机没有故障，就能够安全飞行，现设各个发动机发生故障的概率p 是t的函数p 1 e t ，其中t为发动机启动后所经历的时间，为正的常数，试讨论飞机 A 与飞机 B 哪一个安全？（这里不考虑其它故障）．练习 1. 假设飞机的每一台发动机在飞行中的故障率都是1 P，且各发动机互不影响．如果至少50% 的发动机能正常运行，飞机就可以顺利地飞行．问对于多大的 P 而言，四发动机飞机比二发动机飞机更安全？练习 2. 一名学生每天骑车上学，从他家到学校的途中有 6 个交通岗，假设他在各个交通岗遇到红灯的事件是相互独立的，并且概率都是1 ．3⑴设为这名学生在途中遇到红灯的次数，求的分布列；⑵设为这名学生在首次停车前经过的路口数，求的分布列；⑶求这名学生在途中至少遇到一次红灯的概率．二项分布的期望与方差例题 :已知X ~ B(10，0.8)，求E( X )与D(X )．练习 1. 已知X ~ B(n，p)，E ( X )8， D(X ) 1.6 ，则 n 与p的值分别为（）A．10和0.8B．20和0.4C．10和 0.2D．100和 0.8练习 2.已知随机变量 X 服从参数为6，0.4的二项分布，则它的期望E(X )，方差 D(X)．练习 3. 已知随机变量X服从二项分布，且E ( ) 2.4 ，D( ) 1.44 ，则二项分布的参数 n ，p的值分别为，．练习 4. 一盒子内装有10个乒乓球，其中3个旧的，7个新的，每次取一球，取后放回，取 4 次，则取到新球的个数的期望值是．例题：甲、乙、丙 3 人投篮，投进的概率分别是1，2，1．352⑴现 3 人各投篮 1 次，求 3 人都没有投进的概率；⑵用表示乙投篮 3 次的进球数，求随机变量的概率分布及数学期望．练习 1. 抛掷两个骰子，当至少有一个2点或3点出现时，就说这次试验成功．⑴ 求一次试验中成功的概率；⑵求在4次试验中成功次数X 的分布列及 X 的数学期望与方差．练习 2. 某寻呼台共有客户3000人，若寻呼台准备了100份小礼品，邀请客户在指定时间来领取．假设任一客户去领奖的概率为 4% ．问：寻呼台能否向每一位顾客都发出奖邀请？若能使每一位领奖人都得到礼品，寻呼台至少应准备多少礼品？四正态分布知识内容概率密度曲线：样本数据的频率分布直方图，在样本容量越来越大时，直方图上面的折线所接近的曲线．在随机变量中，如果把样本中的任一数据看作随机变量 X ，则这条曲线称为 X 的概率密度曲线．曲线位于横轴的上方，它与横轴一起所围成的面积是1，而随机变量X 落在指定的两个数a，b 之间的概率就是对应的曲边梯形的面积．2．正态分布⑴定义：如果随机现象是由一些互相独立的偶然因素所引起的，而且每一个偶然因素在总体的变化中都只是起着均匀、微小的作用，则表示这样的随机现象的随机变量的概率分布近似服从正态分布．服从正态分布的随机变量叫做正态随机变量，简称正态变量．yx=μO x1( x)2正态变量概率密度曲线的函数表达式为f (x) e 22，x R ，其中，2π是参数，且0 ， ．式中的参数 和 分别为正态变量的数学期望和标准差． 期望为 、标准差为 的正态分布通常记作N ( ,2) ．正态变量的概率密度函数的图象叫做正态曲线．⑵标准正态分布： 我们把数学期望为0 ，标准差为 1的正态分布叫做标准正态分布．①正态变量在区间( ,)，(2 ,2 )，(3 ,3 )内，取值的概率分别是 68.3% ， 95.4% ， 99.7% ．②正态变量在 (，) 内的取值的概率为 1，在区间 ( 3 ，3 ) 之外的取值的概率是 0.3% ，故正态变量的取值几乎都在距 x三倍标准差之内，这就是正态分布的3 原则．若 ~N(， 2) ， f ( x) 为其概率密度函数，则称 F (x)P( ≤ x)xf (t )dt 为概率分布函数，特别的，，2x1t 2dt 为标准正态分布函数．2~ N (0 1 ) ，称 ( x)e2πP(x) (x) ．标准正态分布的值可以通过标准正态分布表查得．典例分析（一）正态曲线（正态随机变量的概率密度曲线）1.下列函数是正态分布密度函数的是（）1 ( x r ) 22 πe A ． f ( x )B ． f ( x )e22π2 πx 221 ( x1) 21 x 2ee2C ． f ( x )4D ． f ( x )22π2π2.若正态分布密度函数 f ( x)1( x 1) 2e 2( x R ) ，下列判断正确的是（）2πA ．有最大值，也有最小值B ．有最大值，但没最小值C ．有最大值，但没最大值D ．无最大值和最小值3.对于标准正态分布 N 0 ，1 1 x 2的概率密度函数2 ，下列说法不正确f xe2 π的是（）A．f x为偶函数B．f x最大值为12πC．f x在x0 时是单调减函数，在x ≤ 0 时是单调增函数D．f x关于x 1对称4.设的概率密度函数为1( x 1) 2e2f ( x)2πA．P(1) P(1)C．f (x)的渐近线是x0，则下列结论错误的是（）B．P( 1≤ ≤1) P(11) D．1~ N(0 ，1)（二)求,的取值以及概率例题：设 X ~ N ( ，2 ) ，且总体密度曲线的函数表达式为：f (x)1x2 2 x 1e4，2πx R ．⑴求，；⑵求 P(| x 1|2) 及 P(1 2 x 1 2 2) 的值．练习 1.某市组织一次高三调研考试，考试后统计的数学成绩服从正态分布，其密度函数为 f ( x)1( x 80)2，则下列命题中不正确的是（）200e102A．该市这次考试的数学平均成绩为80 分B．分数在 120 分以上的人数与分数在60 分以下的人数相同C．分数在 110 分以上的人数与分数在50 分以下的人数相同D．该市这次考试的数学标准差为10（三）正态分布的性质及概率计算例题 :设随机变量服从正态分布N (0 ，1) ，a0 ，则下列结论正确的个数是____ ．⑴ P(||a )P(||a)P(| | a)⑵ P(||a )2P(a)1⑶ P(||a )12P(a)⑷ P(||a )1P(||a)练习 1. 已知随机变量 X 服从正态分布 N (3 ，a 2 ) ，则 P( X 3)（）A ．1B ．1C ．1D ．15 432练习 2. 在某项测量中，测量结果 X 服从正态分布 N 1， 20 ，若X 在 0，1内取值的概率为 0.4 ，则 X 在 0 ，2 内取值的概率为．练习 3.已知随机变量 X 服从正态分布 N (2 ， 2) ， P( X ≤ 4) 0.84 ，则 P(X ≤ 0)A ． 0.16B ． 0.32C ． 0.68D ． 0.84练习4.已知X~N( 1，2 )，若 P( 3≤ X ≤-1) 0.4，则 P( 3≤ X ≤1) （）A ． 0.4B ． 0.8C ． 0.6D ．无法计算加强训练：1 设随机变量 服从正态分布 N (2 ，9) ，若 P( c 2)P( c 2) ，则 c_______．2 设 ~ N(0 1)，且 P(| | b) a(0 a 1 b 0) ，则 P(b) 的值是_______（用 a 表，，≥示）．3 正态变量 X ~ N (1， 2 ) ， c 为常数， c0 ，若 P(c X2c) P(2c X 3c ) 0.4，求P( X ≤ 0.5) 的值．4 某种零件的尺寸服从正态分布N (0 ，4) ，则不属于区间 ( 4 ，4) 这个尺寸范围的零件约占总数的．（四）正态分布的数学期望及方差例题:如果随机变量~ N( ， 2)，ED1，求 P( 1 1)的值．(五）正态分布的 3 原则例题 :灯泡厂生产的白炽灯寿命（单位： h ），已知 ~ N (1000 ，302 ) ，要使灯泡的平均寿命为1000h 的概率为 99.7% ，则灯泡的最低使用寿命应控制在_____ 小时以上．练习 1.一批电池（一节）用于手电筒的寿命服从均值为35.6 小时、标准差为4.4 小时的正态分布，随机从这批电池中任意取一节，问这节电池可持续使用不少于 40小时的概率是多少？练习 2. 某班有48名同学，一次考试后的数学成绩服从正态分布，平均分为80 ，标准差为 10，理论上说在 80 分到 90 分的人数是 ______．杂题（拓展相关：概率密度，分布函数及其他）练习 3. 以F x表示标准正态总体在区间, x 内取值的概率，若随机变量服从正态分布N ,2，则概率P等于（）A．F F B．F1F1C．F 1D．2F练习 4.甲、乙两人参加一次英语口语考试，已知在备选的10 道题中，甲能答对其中的 6 题，乙能答对其中的 8 题．规定每次考试都从备选题中随机抽出 3 题进行测试，至少答对 2 题才算合格．⑴求甲答对试题数X的分布列、数学期望与方差；⑵ 求甲、乙两人至少有一人考试合格的概率．课后练习1、一个袋子里装有大小相同的 3 个红球和 2 个黄球，从中同时取出 2 个，则其中含红球个数的数学期望是_________．（用数字作答）2.、同时抛掷4枚均匀硬币80次，设4枚硬币正好出现2枚正面向上，2枚反面向上的次数为，则的数学期望是（）A．20B．25C．30D．403、某服务部门有n个服务对象，每个服务对象是否需要服务是独立的，若每个服务对象一天中需要服务的可能性是p ，则该部门一天中平均需要服务的对象个数是（）A．np(1 p)B．np C．n D．p(1 p)4、同时抛掷4枚均匀硬币 80次，设 4 枚硬币正好出现 2枚正面向上， 2 枚反面向上的次数为，则的数学期望是（）A、20B．25C．30D．405、一个袋中有若干个大小相同的黑球、白球和红球．已知从袋中任意摸出 1个球，得到黑球的概率是2；从袋中任意摸出2个球，至少得到1个白5球的概率是7．9⑴若袋中共有 10 个球，从袋中任意摸出 3 个球，求得到白球的个数的数学期望；⑵求证：从袋中任意摸出 2 个球，至少得到 1 个黑球的概率不大于7 ．并10指出袋中哪种颜色的球个数最少．5.某厂生产电子元件，其产品的次品率为5% ，现从一批产品中的任意连续取出 2 件，求次品数的概率分布列及至少有一件次品的概率．某单位为绿化环境，移栽了甲、乙两种大树各 2 株．设甲、乙两种大树移栽的成活率分别为5和4，且各株大树是否成活互不影响．求移栽的 4 株65大树中：⑴至少有 1 株成活的概率；⑵两种大树各成活 1 株的概率．6.一个口袋中装有n 个红球（n≥5且n N *）和5个白球，一次摸奖从中摸两个球，两个球颜色不同则为中奖．⑴试用 n 表示一次摸奖中奖的概率p ；⑵若 n 5 ，求三次摸奖（每次摸奖后放回）恰有一次中奖的概率；⑶记三次摸奖（每次摸奖后放回）恰有一次中奖的概率为P ．当n取多少时， P 最大？7.袋子 A 和 B 中装有若干个均匀的红球和白球， 从 A 中摸出一个红球的概率是 1，从 B 中摸出一个红球的概率为p ．3⑴从 A 中有放回地摸球，每次摸出一个，有 3 次摸到红球即停止．①求恰好摸 5 次停止的概率；②记 5 次之内（含 5 次）摸到红球的次数为，求随机变量 的分布．⑵若 A ，B 两个袋子中的球数之比为 1: 2 ，将 A ，B 中的球装在一起后，从中摸出一个红球的概率是 2，求 p 的值．58、一个质地不均匀的硬币抛掷 5 次，正面向上恰为 1次的可能性不为 0 ，而且与正面向上恰为2 次的概率相同．令既约分数i为硬币在 5 次抛掷中有 3j次正面向上的概率，求ij ．9、某气象站天气预报的准确率为80% ，计算（结果保留到小数点后面第 2位）⑴5 次预报中恰有2次准确的概率；⑵ 5 次预报中至少有 2 次准确的概率；⑶5 次预报中恰有2次准确，且其中第3次预报准确的概率；10 、某大厦的一部电梯从底层出发后只能在第18，19，20层可以停靠．若该电梯在底层载有 5 位乘客，且每位乘客在这三层的每一层下电梯的概率均为1，求至少有两位乘客在 20 层下的概率．311、10 个球中有一个红球，有放回的抽取，每次取一球，求直到第n 次才取得 k(k ≤ n) 次红球的概率．12 、已知甲投篮的命中率是0.9，乙投篮的命中率是0.8，两人每次投篮都不受影响，求投篮 3 次甲胜乙的概率．（保留两位有效数字）13 、若甲、乙投篮的命中率都是p 0.5，求投篮n次甲胜乙的概率．（ n N，n ≥ 1 ）14、省工商局于某年 3 月份，对全省流通领域的饮料进行了质量监督抽查，结果显示，某种刚进入市场的 x 饮料的合格率为80%，现有甲，乙，丙3人聚会，选用 6 瓶x饮料，并限定每人喝 2 瓶，求：⑴甲喝 2 瓶合格的x饮料的概率；⑵甲，乙，丙 3 人中只有 1 人喝 2 瓶不合格的x饮料的概率（精确到0.01）．15、在一次考试中出了六道是非题，正确的记“√”号不，正确的记“×”号若．某考生随手记上六个符号，试求：⑴全部是正确的概率；⑵正确解答不少于 4 道的概率；⑶至少答对 2 道题的概率．17、某大学的校乒乓球队与数学系乒乓球队举行对抗赛，校队的实力比系队强，当一个校队队员与系队队员比赛时，校队队员获胜的概率为0.6 ．现在校、系双方商量对抗赛的方式，提出了三种方案：⑴双方各出 3人；⑵双方各出 5 人；⑶双方各出 7 人．三种方案中场次比赛中得胜人数多的一方为胜利．问：对系队来说，哪一种方案最有利？18、某地区为下岗人员免费提供财会和计算机培训，以提高下岗人员的再就业能力，每名下岗人员可以选择参加一项培训、参加两项培训或不参加培训，已知参加过财会培训的有60% ，参加过计算机培训的有75% ，假设每个人对培训项目的选择是相互独立的，且各人的选择相互之间没有影响．⑴任选 1 名下岗人员，求该人参加过培训的概率；⑵任选 3 名下岗人员，记为3人中参加过培训的人数，求的分布和期望．19、设进入某商场的每一位顾客购买甲种商品的概率为0.5，购买乙种商品的概率为 0.6 ，且购买甲种商品与购买乙种商品相互独立，各顾客之间购买商品也是相互独立的．记表示进入商场的 3 位顾客中至少购买甲、乙两种商品中的一种的人数，求的分布及期望．20、某班级有n人，设一年365天中，恰有班上的m（m≤n）个人过生日的天数为 X ，求 X 的期望值以及至少有两人过生日的天数的期望值．21、购买某种保险，每个投保人每年度向保险公司交纳保费a元，若投保人在购买保险的一年度内出险，则可以获得10000元的赔偿金．假定在一年度内有 10000人购买了这种保险，且各投保人是否出险相互独立．已知保险。
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。
数学期望方差协方差
31
解：设Z表示该种商品每周所得的利润，则
若Y X 1000Y , Z g( X ,Y ) 500(X Y ), 若Y X
24
i 1 j 1
定理：设Z 是随机变量X , Y的函数： Z h( X , Y ) h是连续函数 ,
若二元连续型随机变量 X , Y 的概率密度为f ( x, y)，
则有E ( Z ) E (h( X , Y ))
h( x, y) f ( x, y )dxdy
2 e x 2e2 x , x 0, 因此，密度函数为f M ( x) x 0. 0,
由上例，E (M ) xf M ( x)dx
0
2 xe
0
x
dx x2e2 x dx
0
2 1 3 . 2 2
15
例：某厂生产的电子产品,其寿命(单位:年)服从指 数分布,概率密度函数为
解：N的分布函数为FN ( x) 1 (1 F ( x))2 ,
2 e2 x , x 0, 因此，密度函数为f N ( x) x 0. 0,
由上例，E ( N ) E (min( X , Y )) 1 . 2
14
M的分布函数为FM ( x) (F ( x))2 ,
3 ( 1 1) 3 4 5 5
30
例：
某商店经销某种商品，每周进货量X与需求量Y 是相互独立的随机变量，且都服从在区间[10,20] 上均匀分布。商店每售出一单位商品可获利1000元； 若需求量超过进货量，商店可从他处调剂供应， 这时每单位商品可获利500元；试计算此商店经销 该种商品每周所获得利润的数学期望。
随机变量的期望与方差
随机变量的期望与方差介绍本文将介绍随机变量的期望和方差的概念和计算方法。
随机变量是概率论中的重要概念，用于描述随机事件和概率分布。
期望和方差是随机变量的两个重要的统计特征，能够帮助我们了解随机变量的平均值和离散程度。
随机变量的期望随机变量的期望是对随机变量取值的平均值的度量，也可以理解为随机变量的加权平均。
对于离散型随机变量，期望可以通过将每个取值乘以其对应的概率，然后求和得到。
对于连续型随机变量，期望可以通过对其概率密度函数进行积分得到。
随机变量的方差随机变量的方差是衡量随机变量取值离散程度的指标。
方差越大，随机变量的值越分散；方差越小，随机变量的值越集中。
方差可以通过计算随机变量每个取值与其期望的差的平方，并乘以其对应的概率（或概率密度），再将其相加得到。
期望和方差的计算方法对于离散型随机变量，可以利用概率分布表或计算公式来计算期望和方差。
对于连续型随机变量，可以通过对其概率密度函数进行积分来计算期望和方差。
示例假设有一个离散型随机变量X，其取值和对应的概率如下：- X = 1，概率为0.2- X = 2，概率为0.3- X = 3，概率为0.5我们可以计算X的期望和方差：- 期望E(X) = (1 * 0.2) + (2 * 0.3) + (3 * 0.5) = 2.1- 方差Var(X) = ((1-2.1)^2 * 0.2) + ((2-2.1)^2 * 0.3) + ((3-2.1)^2 * 0.5) = 0.49总结随机变量的期望和方差是对随机变量平均值和离散程度的度量。
期望是对随机变量取值的加权平均，方差是衡量随机变量取值离散程度的指标。
期望和方差的计算方法根据随机变量的类型不同而有所差异。
正态分布的概率密度分布函数数学期望与方差
13 正态分布的概率密度、分布函数、数学期望与方差一、设随机变量X 服从正态分布)2,1(2N ，求（1）)8.56.1(<≤-X P ；（2）)56.4(≥X P ．解：(1) )4.2213.1()8.416.2()8.56.1(<-≤-=<-≤-=<≤-X P X P X P 8950.09032.019918.0)]3.1(1[)4.2()3.1()4.2(1,01,01,01,0=+-=--=--=ΦΦΦΦ(2) )78.12178.2(1)56.4(1)56.4(<-<--=<-=≥X P X P X P )]78.2(1)78.1(1)]78.2()78.1([11,01,01,01,0ΦΦΦΦ-+-=---=.0402.09973.09625.02=--二、已知某种机械零件的直径X （mm ）服从正态分布)6.0,100(2N ．规定直径在2.1100±（mm ）之间为合格品，求这种机械零件的不合格品率． 解：设p 表示这种机械零件的不合格品率，则)2.1100(1)2.1100(≤--=>-=X P X P p ．而)26.01002()6.02.16.01006.02.1()2.1100(≤-≤-=≤-≤-=≤-X P X P X P 1)2(2)]2(1[)2()2()2(-Φ=Φ--Φ=-Φ-Φ= 9544.019772.02=-⨯= 故0456.09544.01=-=p ．三、测量到某一目标的距离时发生的误差X (m)具有概率密度3200)20(22401)(--=x ex f π求在三次测量中至少有一次误差的绝对值不超过30m 的概率． 解：三次测量中每次误差绝对值都超过30米可表为}30{}30{}30{>⋃>⋃>=ξξξD 第三次第二次第一次因为)40,20(~2N ξ，所以由事件的相互独立性，有31,01,033)]25.0(1)25.1([})3030{(})30{()(ΦΦ-+-=>+-<=>=ξξP ξP D P13025.05069.0)8944.05987.02(33≈=--= 于是有86975.013025.01)(1}30{=-=-=<D P P 米至少有一次绝对值三次测量中ξ．四、设随机变量),(~2σμN X ，求随机变量函数Xe Y =的概率密度（所得的概率分布称为对数正态分布）．解：由题设，知X 的概率密度为)(21)(222)(+∞<<-∞=--x ex f x X σμσπ从而可得随机变量Y 的分布函数为)()()(y e P y Y P y F X Y ≤=≤=．当0≤y 时，有0)(=y F Y ；此时亦有0)(='y F Y ．当0>y 时，有dx ey X P y F yx Y ⎰∞---=≤=ln 2)(2221)ln ()(σμσπ．此时亦有222)(ln 21)(σμσπ--='y Y eyy F ．从而可得随机变量Y 的概率密度为⎪⎩⎪⎨⎧>≤=--.0,21;0,0)(222)(ln y e yy y f y Y σμσπ五、设随机变量X 与Y 独立，),(~211σμN X ，),(~222σμN Y ，求： (1) 随机变量函数bY aX Z +=1的数学期望与方差，其中a 及b 为常数； (2) 随机变量函数XY Z=2的数学期望与方差．解：由题设，有211)(,)(σμ==X D X E ；222)(,)(σμ==Y D Y E ．从而有(1)211)()()()()()(μμb a Y bE X aE bY E aX E bY aX E Z E +=+=+=+=； 222212221)()()()()()(σσb a Y D b X D a bY D aX D bY aX D Z D +=+=+=+=． (2)212)()()()(μμ===Y E X E XY E Z E ；)()()()()()()()(22222222Y E X E Y E X E XY E Y X E XY D Z D -=-== )()()]()()][()([2222Y E X E Y E Y D X E X D -++= )()()()()()(22X E Y D Y E X D Y D X D ++=212222212221μσμσσσ++=．N （0,1）则Y=X^2~卡方分布X^2(1) 所以EX^2=1E(X^4)=DY+(EY)^2=2+1=3E(X^5)=0.pdf 概率密度函数关于y 对称.用定义求解而不是性质,X4次方当成一个g(x)函数,根据定义,E （X4次方）=积分符号g(x)f(x)dx,其中f(x)是标准正态分布的概率密度.用分部积分法求解,不过运算很麻烦.还有另一种解这种复杂积分的方法,用一个叫F （符号我打不出来）函数的性质解,前提你熟悉这个F 函数,在浙大教材P79有提过这个函数因为 X 的均值为N ，方差为D ，所以有 E(X^2)= D(X) +[E(X)]^2= D +N^2令 Y = (X-N)/(D^0.5)，则Y 服从标准正态，即均值为0，方差为1。
正态分布的数学期望与方差
正态分布的数学期望与方差正态分布：密度函数为：分布函数为的分布称为正态分布，记为N(a, σ2).密度函数为：或者称为n元正态分布。
其中B是n阶正定对称矩阵，a是任意实值行向量。
称N(0,1)的正态分布为标准正态分布。
（1）验证是概率函数（正值且积分为1）（2）基本性质：（3）二元正态分布：其中，二元正态分布的边际分布仍是正态分布：二元正态分布的条件分布仍是正态分布：即（其均值是x的线性函数）其中r可证明是二元正态分布的相关系数。
（4）矩，对标准正态随机变量，有（5）正态分布的特征函数多元正态分布（1）验证其符合概率函数要求（应用B为正定矩阵，L为非奇异阵，然后进行向量线性变换）（2）n元正态分布结论a) 其特征函数为：b) 的任一子向量,m≤n 也服从正态分布，分布为其中，为保留B 的第，…行及列所得的m阶矩阵。
表明：多元正态分布的边际分布还是正态分布c) a,B分别是随机向量的数学期望及协方差矩阵，即表明：n元正态分布由它的前面二阶矩完全确定d) 相互独立的充要条件是它们两两不相关e) 若，为的子向量，其中是，的协方差矩阵，则是，相应分量的协方差构成的相互协方差矩阵。
则相互独立的充要条件为＝0f) 服从n元正态分布N(a,b)的充要条件是它的任何一个线性组合服从一元正态分布表明：可以通过一元分布来研究多元正态分布g) 服从n元正态分布N(a,b),C为任意的m×n阶矩阵，则服从m元正态分布表明：正态变量在线性变换下还是正态变量，这个性质简称正态变量的线性变换不变性推论：服从n元正态分布N(a,b)，则存在一个正交变化U，使得是一个具有独立正态分布分量的随机向量，他的数学期望为Ua，而他的方差分量是B的特征值。
条件分布若服从n元正态分布N(a,b)，，则在给定下，的分布还是正态分布，其条件数学期望：(称为关于的回归)其条件方差为：（与无关）。
多项分布的数学期望、协方差阵、特征函数及母函数
多项分布的数学期望、协方差阵、特征函数及母函数多项分布的数学期望、协方差阵、特征函数及母函数 1一、定义与性质设 X 为随机变量， I 是一个包含 0 的 ( 有限或无限的 ) 开区间，对任意t ∈ I ，期望 E e t x 存在设X为随机变量，I是一个包含0的(有限或无限的)开区间，对任意t∈I，期望Ee^{tx}存在设X为随机变量，I是一个包含0的(有限或无限的)开区间，对任意t∈I，期望Eetx存在则称函数M X ( t ) = E ( e t X ) = ∫ − ∞ + ∞ e t x d F ( x ) , t ∈ I 为 X 的矩母函数则称函数M_{X}(t)=E(e^{tX})=\int_{-\infin}^{+\infin}e^{tx}dF(x),t∈I为X的矩母函数则称函数MX(t)=E(etX)=∫−∞+∞etxdF(x),t∈I为X的矩母函数设 X 为任意随机变量，称函数φ X ( t ) = E ( e i t X ) = ∫ − ∞ + ∞ e i t x d F ( x ) 为 X 的特征函数设X为任意随机变量，称函数\varphi_{X}(t)=E(e^{itX})=\int_{-\infin}^{+\infin}e^{itx}dF(x)为X的特征函数设X为任意随机变量，称函数φX(t)=E(eitX)=∫−∞+∞eitxdF(x)为X 的特征函数一个随机变量的矩母函数不一定存在，但是特征函数一定存在。
一个随机变量的矩母函数不一定存在，但是特征函数一定存在。
一个随机变量的矩母函数不一定存在，但是特征函数一定存在。
随机变量与特征函数存在一一对应的关系随机变量与特征函数存在一一对应的关系随机变量与特征函数存在一一对应的关系二、离散型随机变量的分布0、退化分布(Degenerate distribution)若 X 服从参数为 a 的退化分布，那么 f ( k ;a ) = { 1 , k = a 0 , k ≠ a 若X服从参数为a的退化分布，那么f(k;a)=\left\{\begin{matrix} 1,k=a \\ 0,k\neq a \end{matrix}\right. 若X服从参数为a的退化分布，那么f(k;a)={1,k=a0,k=a M ( t ) = e t a M(t)=e^{ta}M(t)=eta φ ( t ) = e i t a \varphi(t)=e^{ita}φ(t)=eita M ′ ( t ) = a e t a M'(t)=ae^{ta}M′(t)=aeta E X = M ′ ( 0 ) = a EX=M'(0)=aEX=M′(0)=a M ′ ′ ( t ) = a 2 e t a M''(t)=a^2e^{ta} M′′(t)=a2eta E X 2 = M ′ ′ ( 0 ) = a 2EX^2=M''(0)=a^2 EX2=M′′(0)=a2 D X = E X 2 − ( E X ) 2 = 0 DX=EX^2-(EX)^2=0 DX=EX2−(EX)2=01、离散型均匀分布(Discrete uniform distribution)若 X 服从离散型均匀分布 D U ( a , b ) , 则 X 分布函数为 F ( k ; a , b ) = ⌊ k ⌋− a + 1 b −a + 1 若X服从离散型均匀分布DU(a,b) ,则X分布函数为F(k;a,b)=\frac{\lfloor k\rfloor -a+1}{b-a+1} 若X服从离散型均匀分布DU(a,b),则X分布函数为F(k;a,b)=b−a+1⌊k⌋−a+1 则矩母函数M ( t ) = ∑ k = a b e t k P ( x = k ) 则矩母函数M(t)=\sum_{k=a}^{b} e^{tk}P(x=k) 则矩母函数M(t)=k=a∑betkP(x=k) = ( ∑ k = a b e t k ) 1 b − a + 1 =(\sum_{k=a}^{b} e^{tk})\frac{1}{b-a+1} =(k=a∑b etk)b−a+11 = e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 ) =\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)} =(1−et)(b−a+1)eat−e(b+1)t 特征函数φ ( t ) = ∑k = a b e i t k P ( x = k ) 特征函数\varphi(t)=\sum_{k=a}^{b} e^{itk}P(x=k) 特征函数φ(t)=k=a∑beitkP(x=k) = ( ∑ k = a b e i t k ) 1 b −a + 1 =(\sum_{k=a}^{b} e^{itk})\frac{1}{b-a+1}=(k=a∑beitk)b−a+11 = e a i t − e ( b + 1 ) i t ( 1 − e i t ) ( b − a + 1 ) =\frac{e^{ait}-e^{(b+1)it}}{(1-e^{it})(b-a+1)}=(1−eit)(b−a+1)eait−e(b+1)it M ′ ( t ) = 1 b − a + 1 ( a e a t − ( b + 1 ) e ( b + 1 ) t ) ( 1 − e t ) + ( e a t − e ( b + 1 ) t ) e t ( e t − 1 ) 2M'(t)=\frac{1}{b-a+1}\frac{(ae^{at}-(b+1)e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{(e^{t}-1)^{2}} M′(t)=b−a+11(et−1)2(aeat−(b+1)e(b+1)t)(1−et)+(eat−e(b+1)t)et t = 0 为M ′ ( t ) 的可去间断点，补充定义M ′ ( 0 ) = lim t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t) t=0为M′(t)的可去间断点，补充定义M′(0)=t→0limM′(t) E X = M ′ ( 0 ) = lim t → 0 1 b − a + 1 ( a 2 e at − ( b + 1 ) 2 e ( b + 1 ) t ) ( 1 − e t ) + ( e at − e ( b + 1 ) t ) e t 2 ( e t − 1 ) e tEX=M'(0)=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{2(e^{t}-1)e^t}EX=M′(0)=t→0limb−a+112(et−1)et(a2eat−(b+1)2e(b+1)t)(1−et)+(eat−e(b+1)t) et = lim t → 0 1 b − a + 1 ( a 2 e a t − ( b +1 )2 e ( b + 1 ) t ) ( e − t − 1 ) + ( e a t − e ( b + 1 ) t ) 2 ( e t − 1 )=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(e^{-t}-1)+(e^{at}-e^{(b+1)t})}{2(e^{t}-1)} =t→0limb−a+112(et−1)(a2eat−(b+1)2e(b+1)t)(e−t−1)+(eat−e(b+1)t) = lim t → 0 1 b − a + 1 ( a 3 e a t − ( b + 1 ) 3 e ( b + 1 ) t ) ( e − t − 1 ) − ( a 2 e a t −( b + 1 ) 2 e ( b + 1 ) t ) e − t + ( a e a t − ( b + 1 ) e ( b + 1 ) t ) 2 e t=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^3e^{at}-(b+1)^3e^{(b+1)t})(e^{-t}-1)-(a^2e^{at}-(b+1)^2e^{(b+1)t})e^{-t}+(ae^{at}-(b+1)e^{(b+1)t})}{2e^{t}} =t→0limb−a+112et(a3eat−(b+1)3e(b+1)t)(e−t−1)−(a2eat−(b+1)2e(b+1)t)e−t+(aeat−(b+1)e(b+1)t) = − a 2 + ( b + 1 ) 2 +a − (b + 1 ) 2 ( b − a + 1 ) =\frac{-a^2+(b+1)^2+a-(b+1)}{2(b-a+1)} =2(b−a+1)−a2+(b+1)2+a−(b+1) = − a 2 + ( b + 1 ) 2 2 ( b − a + 1 ) − 1 2 =\frac{-a^2+(b+1)^2}{2(b-a+1)}-\frac{1}{2}=2(b−a+1)−a2+(b+1)2−21 = ( b + 1 − a ) ( b + 1 +a ) 2 (b − a + 1 ) − 1 2 =\frac{(b+1-a)(b+1+a)}{2(b-a+1)}-\frac{1}{2}=2(b−a+1)(b+1−a)(b+1+a)−21 = b + 1 + a 2 − 1 2=\frac{b+1+a}{2}-\frac{1}{2} =2b+1+a−21 = b + a 2=\frac{b+a}{2} =2b+a 由于对M ′ ( t ) 求导得到M ′ ′ ( t ) ，再求M ′ ′ ( 0 ) 的方法比较繁琐，而我们只需要 t = 0 时 M 的二阶导数值，由于对M'(t)求导得到M''(t)，再求M''(0)的方法比较繁琐，而我们只需要t=0时M的二阶导数值，由于对M′(t)求导得到M′′(t)，再求M′′(0)的方法比较繁琐，而我们只需要t=0时M的二阶导数值，因此可以考虑使用 T a y l o r 公式计算M ′ ′ ( 0 ) 因此可以考虑使用Taylor公式计算M''(0) 因此可以考虑使用Taylor公式计算M′′(0) 令 1 − e t = u , t = 0 时 , u = 0 令1-e^t=u,t=0时,u=0 令1−et=u,t=0时,u=0 M ( t ) = e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 )M(t)=\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)}M(t)=(1−et)(b−a+1)eat−e(b+1)t = 1 b − a + 1 u a −u b + 1 u =\frac{1}{b-a+1}\frac{u^a-u^{b+1}}{u}=b−a+11uua−ub+1 = 1 b − a + 1 1 + a 1 ! ( − u ) + a ( a − 1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − 1 − b + 1 1 ! ( − u ) −( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( −u 3 ) − o ( u 3 ) u =\frac{1}{b-a+1}\frac{1+\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-1-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)-o(u^3)}{u} =b−a+11u1+1!a (−u)+2!a(a−1)u2+3!a(a−1)(a−2)(−u3)+o(u3)−1−1!b+1(−u)−2!(b+1)bu2−3!(b+1)b(b−1) (−u3)−o(u3) = 1 b − a + 1 a 1 ! ( − u ) + a ( a −1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − b + 1 1 ! ( − u ) − ( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( − u 3 ) u=\frac{1}{b-a+1}\frac{\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)}{u} =b−a+11u1!a(−u)+2!a(a−1)u2+3!a(a−1)(a−2)(−u3)+o(u3)−1!b+1 (−u)−2!(b+1)bu2−3!(b+1)b(b−1)(−u3) = 1 b − a + 1 ( ( b + 1 − a ) + a ( a − 1 ) 2 ! u + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 2 ) + o ( u 2 ) − ( b + 1 ) b2 ! u − ( b + 1 ) b ( b − 1 )3 ! ( − u 2 ) )=\frac{1}{b-a+1}((b+1-a)+\frac{a(a-1)}{2!}u+\frac{a(a-1)(a-2)}{3!}(-u^2)+o(u^2)-\frac{(b+1)b}{2!}u-\frac{(b+1)b(b-1)}{3!}(-u^2)) =b−a+11((b+1−a)+2!a(a−1)u+3!a(a−1)(a−2)(−u2)+o(u2)−2!(b+1)bu−3!(b+1)b(b−1)(−u2)) = 1 + a ( a − 1 ) − ( b + 1 ) b 2 ! ( b − a + 1 ) u + ( b +1 ) b ( b − 1 ) − a ( a − 1 ) ( a −2 )3 ! ( b −a + 1 ) u 2 + o ( u 2 ) =1+\frac{a(a-1)-(b+1)b}{2!(b-a+1)}u+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}u^2+o(u^2) =1+2!(b−a+1)a(a−1)−(b+1)bu+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)u2+o(u2) 而 u = 1 − e t = − t − t 2 2 ! + o ( t 2 ) 而u=1-e^t=-t-\frac{t^2}{2!}+o(t^2) 而u=1−et=−t−2!t2+o(t2) 因此M ( t ) = 1 − a ( a − 1 ) − ( b + 1 ) b 2 ! ( b −a + 1 ) t − a ( a − 1 ) − (b + 1 ) b 2 ! ( b − a + 1 ) t 2 2 ! + ( b + 1 ) b ( b − 1 ) − a ( a − 1 ) ( a − 2 ) 3 ! ( b − a + 1 ) t 2 + o ( t 2 ) 因此M(t)=1-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}t-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}\frac{t^2}{2!}+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}t^2+o(t^2) 因此M(t)=1−2!(b−a+1)a(a−1)−(b+1)bt−2!(b−a+1)a(a−1)−(b+1)b2!t2+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)t2+o(t2) 又因为M ( t ) = M ( 0 ) + M ′ ( 0 ) t + M ′ ′ ( 0 ) 2 ! t 2 + o ( t 2 ) 又因为M(t)=M(0)+M'(0)t+\frac{M''(0)}{2!}t^2+o(t^2) 又因为M(t)=M(0)+M′(0)t+2!M′′(0)t2+o(t2) 因此M ′ ( 0 ) = − a ( a − 1 ) − ( b + 1 ) b 2 ! ( b − a + 1 ) = a + b 2 因此M'(0)=-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}=\frac{a+b}{2} 因此M′(0)=−2!(b−a+1)a(a−1)−(b+1)b=2a+b E X = M ′( 0 ) = a + b 2 EX=M'(0)=\frac{a+b}{2} EX=M′(0)=2a+b 而M ′ ′ ( 0 ) = 2 ! ∗ ( − a ( a − 1 ) − ( b +1 ) b 4 ( b − a + 1 ) + ( b + 1 ) b ( b − 1 ) − a ( a − 1 ) ( a −2 )3 ! ( b − a + 1 ) ) 而M''(0)=2!*(-\frac{a(a-1)-(b+1)b}{4(b-a+1)}+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}) 而M′′(0)=2!∗(−4(b−a+1)a(a−1)−(b+1)b+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)) = a + b 2 + ( b + 1 − a ) ( b 2 + a b − b + a 2 − 2 a ) 3 ( b − a + 1 ) =\frac{a+b}{2}+\frac{(b+1-a)(b^2+ab-b+a^2-2a)}{3(b-a+1)} =2a+b+3(b−a+1)(b+1−a)(b2+ab−b+a2−2a) = a + b 2 + b 2 + a b − b + a 2 − 2 a 3=\frac{a+b}{2}+\frac{b^2+ab-b+a^2-2a}{3} =2a+b+3b2+ab−b+a2−2a = 2 a 2 + 2 b 2 + 2 a b + b − a 6 =\frac{2a^2+2b^2+2ab+b-a}{6} =62a2+2b2+2ab+b−a D X = E X 2 − ( E X ) 2 = M ′ ′ ( 0 ) − ( E X ) 2DX=EX^2-(EX)^2=M''(0)-(EX)^2DX=EX2−(EX)2=M′′(0)−(EX)2 = 2 a 2 + 2 b 2 + 2 a b + b − a 6 − a 2 + 2 a b + b 2 4=\frac{2a^2+2b^2+2ab+b-a}{6}-\frac{a^2+2ab+b^2}{4}=62a2+2b2+2ab+b−a−4a2+2ab+b2 = ( b − a + 1 ) 2 − 1 12 =\frac{(b-a+1)^2-1}{12} =12(b−a+1)2−12、伯努利分布/两点分布(Bernoulli distribution)若 X 服从伯努利分布 B ( 1 , p ) , 则 X 满足 P ( x = 1 ) = p , P ( x = 0 ) = 1 − p = q 若X服从伯努利分布B(1,p) ,则X满足P(x=1)=p, P(x=0)=1-p=q 若X服从伯努利分布B(1,p),则X满足P(x=1)=p,P(x=0)=1−p=q M ( t ) = p e t + 1 − p M(t)=pe^{t}+1-p M(t)=pet+1−p φ ( t ) = p e i t + 1 − p \varphi(t)=pe^{it}+1-pφ(t)=peit+1−p M ′ ( t ) = p e t M'(t)=pe^{t}M′(t)=pet E X = M ′ ( 0 ) = p EX=M'(0)=p EX=M′(0)=pM ′ ′ ( t ) = p e t M''(t)=pe^{t} M′′(t)=pet E X 2 = M ′ ′ ( 0 ) = p EX^{2}=M''(0)=p EX2=M′′(0)=p D X = E X 2 − ( E X ) 2 = p ( 1 − p ) DX=EX^{2}-(EX)^{2}=p(1-p) DX=EX2−(EX)2=p(1−p)3、二项分布(Binomial distribution)若 X 服从二项分布 B ( n , p ) , 则 X 满足 f ( k ; n , p ) = P ( x = k ) = C n k p k ( 1 − p ) n − k ( n 为整数 ) 若X服从二项分布B(n,p) ,则X满足f(k;n,p)=P(x=k)=C_{n}^{k}p^k(1-p)^{n-k} (n为整数) 若X 服从二项分布B(n,p),则X满足f(k;n,p)=P(x=k)=Cnkpk(1−p)n−k(n为整数) 因为服从二项分布的变量可以看作 n 个独立相同的服从伯努利分布的变量之和因为服从二项分布的变量可以看作n个独立相同的服从伯努利分布的变量之和因为服从二项分布的变量可以看作n个独立相同的服从伯努利分布的变量之和因此M ( t ) = ( p e t + 1 − p ) n 因此M(t)=(pe^{t}+1-p)^{n} 因此M(t)=(pet+1−p)n φ ( t ) = ( p e i t + 1 − p ) n \varphi(t)=(pe^{it}+1-p)^{n}φ(t)=(peit+1−p)n M ′ ( t ) = n p ( p e t + 1 − p ) n − 1 e t M'(t)=np(pe^{t}+1-p)^{n-1}e^{t}M′(t)=np(pet+1−p)n−1et E X = M ′ ( 0 ) = n pEX=M'(0)=np EX=M′(0)=np M ′ ′ ( t ) = n ( n − 1 )p 2 ( p e t + 1 − p ) n − 2 e 2 t + n p ( p e t + 1 − p ) n − 1 e t M''(t)=n(n-1)p^{2}(pe^{t}+1-p)^{n-2}e^{2t}+np(pe^{t}+1-p)^{n-1}e^{t}M′′(t)=n(n−1)p2(pet+1−p)n−2e2t+np(pet+1−p)n−1et E X 2 = M ′ ′ ( 0 ) = n ( n − 1 ) p 2 + n pEX^{2}=M''(0)=n(n-1)p^{2}+np EX2=M′′(0)=n(n−1)p2+npD X =E X 2 − ( E X ) 2 = n p ( 1 − p ) DX=EX^{2}-(EX)^{2}=np(1-p) DX=EX2−(EX)2=np(1−p)4、几何分布(Geometric distribution)若 X 服从几何分布 G e ( p ) , 则 X 满足 f ( k ; p ) = P ( x = k ) = ( 1 − p ) k − 1 p ( k = 1 , 2 , 3...... ) 若X服从几何分布Ge(p), 则X满足f(k;p)=P(x=k)=(1-p)^{k-1}p (k=1,2,3......) 若X服从几何分布Ge(p),则X满足f(k;p)=P(x=k)=(1−p)k−1p(k=1,2,3......) M ( t ) = ∑ k = 1 ∞ ( 1 − p ) k − 1 p e t kM(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{tk}M(t)=k=1∑∞(1−p)k−1petk = p e t ∑ k = 1 ∞ ( ( 1 − p ) e t ) k − 1 =pe^{t}\sum_{k=1}^{\infin}((1-p)e^t)^{k-1} =petk=1∑∞((1−p)et)k−1 = p e t 1 −( 1 − p ) e t =\frac{pe^{t}}{1-(1-p)e^{t}}=1−(1−p)etpet φ ( t ) = ∑ k = 1 ∞ ( 1 − p ) k −1 p e i t k \varphi(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{itk} φ(t)=k=1∑∞(1−p)k−1peitk = p e i t ∑ k = 1 ∞ ( ( 1 − p ) e i t ) k − 1=pe^{it}\sum_{k=1}^{\infin}((1-p)e^{it})^{k-1}=peitk=1∑∞((1−p)eit)k−1 = p e i t 1 − ( 1 − p ) e i t =\frac{pe^{it}}{1-(1-p)e^{it}} =1−(1−p)eitpeit M ′ ( t ) = p e t ( 1 − ( 1 − p ) e t ) 2M'(t)=\frac{pe^t}{(1-(1-p)e^t)^2}M′(t)=(1−(1−p)et)2pet E X = M ′ ( 0 ) = 1 pEX=M'(0)=\frac{1}{p} EX=M′(0)=p1 M ′ ′ ( t ) = p e t ( e t − p e t + 1 ) ( 1 − ( 1 − p ) e t ) 3M''(t)=\frac{pe^t(e^t-pe^t+1)}{(1-(1-p)e^t)^3}M′′(t)=(1−(1−p)et)3pet(et−pet+1) E X 2 = M ′ ′( 0 ) = 2 − p p 2 EX^{2}=M''(0)=\frac{2-p}{p^2}EX2=M′′(0)=p22−p D X = E X 2 − ( E X ) 2 = 1 − p p 2 DX=EX^{2}-(EX)^{2}=\frac{1-p}{p^2}DX=EX2−(EX)2=p21−p5、负二项分布(Negative binomial distribution)若 X 服从负二项分布 N B ( r , p ) , 则 X 满足 f ( k ; r , p ) = ( k + r − 1 k ) p k ( 1 − p ) r , k = 0 , 1 , 2 , 3...... 若X服从负二项分布NB(r,p), 则X满足f(k;r,p)=\binom{k+r-1}{k}p^{k}(1-p)^{r} ,k=0,1,2,3...... 若X服从负二项分布NB(r,p),则X满足f(k;r,p)=(kk+r−1)pk(1−p)r,k=0,1,2,3...... ( r 可以为实数，此时的分布称为波利亚分布 ) (r可以为实数，此时的分布称为波利亚分布) (r可以为实数，此时的分布称为波利亚分布) M ( t ) = ∑ k = 0 ∞ ( k +r − 1 k ) p k ( 1 − p ) r e t kM(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{tk} M(t)=k=0∑∞(kk+r−1)pk(1−p)retk = ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e t k=\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{tk} =k=0∑∞(−1)k(k−r)pk(1−p)retk = ∑ k = 0 ∞ ( − p e t ) k ( − r k ) ( 1 − p ) r =\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}(1-p)^r =k=0∑∞(−pet)k(k−r)(1−p)r = ( 1 − p ) r ∑ k = 0 ∞ ( − p e t ) k( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}1^{-r-k} =(1−p)rk=0∑∞(−pet)k(k−r)1−r−k = ( 1 − p ) r ( 1 − p e t ) −r =(1-p)^r(1-pe^t)^{-r} =(1−p)r(1−pet)−r φ ( t ) = ∑ k = 0 ∞ ( k + r − 1 k ) p k ( 1 − p ) r e i t k \varphi(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{itk} φ(t)=k=0∑∞(kk+r−1)pk(1−p)reitk = ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e i t k =\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{itk} =k=0∑∞(−1)k(k−r)pk(1−p)reitk = ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) ( 1 − p ) r=\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}(1-p)^r=k=0∑∞(−peit)k(k−r)(1−p)r = ( 1 − p ) r ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}1^{-r-k} =(1−p)rk=0∑∞(−peit)k(k−r)1−r−k = ( 1 − p ) r ( 1 − p e i t ) − r =(1-p)^r(1-pe^{it})^{-r}=(1−p)r(1−peit)−r M ′ ( t ) = ( 1 − p ) r ( − r ) ( 1 − p e t ) − r − 1 ( − p e t ) M'(t)=(1-p)^r(-r)(1-pe^{t})^{-r-1}(-pe^t)M′(t)=(1−p)r(−r)(1−pet)−r−1(−pet) = r p ( 1 −p ) r e t ( 1 − p e t ) − r − 1 =rp(1-p)^re^t(1-pe^t)^{-r-1} =rp(1−p)ret(1−pet)−r−1 E X = M ′( 0 ) = r p 1 − p EX=M'(0)=\frac{rp}{1-p}EX=M′(0)=1−prp M ′ ′ ( t ) = r p ( 1 − p ) r e t ( 1 − p e t ) − r − 1 + r p ( 1 − p ) r e t ( − r − 1 ) ( 1 − p e t ) − r − 2 ( − p e t )M''(t)=rp(1-p)^re^t(1-pe^t)^{-r-1}+rp(1-p)^re^t(-r-1)(1-pe^t)^{-r-2}(-pe^t)M′′(t)=rp(1−p)ret(1−pet)−r−1+rp(1−p)ret(−r−1) (1−pet)−r−2(−pet) E X 2 = r p ( 1 − p ) − 1 + r ( r + 1 ) p 2 ( 1 − p ) − 2 EX^2=rp(1-p)^{-1}+r(r+1)p^2(1-p)^{-2}EX2=rp(1−p)−1+r(r+1)p2(1−p)−2 = r p ( 1 − p ) + r ( r + 1 ) p 2 ( 1 − p ) 2 =\frac{rp(1-p)+r(r+1)p^2}{(1-p)^2} =(1−p)2rp(1−p)+r(r+1)p2 = r p + r 2 p 2 ( 1 − p ) 2 =\frac{rp+r^2p^2}{(1-p)^2}=(1−p)2rp+r2p2 D X = E X 2 − ( E X ) 2 = p r ( 1 −p ) 2 DX=EX^2-(EX)^2=\frac{pr}{(1-p)^2}DX=EX2−(EX)2=(1−p)2pr6、泊松分布(Poisson distribution)若 X 服从泊松分布P ( λ ) , 则 P ( X = k ) = e− λ λ k k ! , k = 0 , 1 , 2...... 若X服从泊松分布P(\lambda),则P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!},k=0,1,2...... 若X服从泊松分布P(λ),则P(X=k)=k!e−λλk,k=0,1,2...... M ( t ) = ∑k = 0 ∞ e − λ λ k k ! e t kM(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{tk} M(t)=k=0∑∞k!e−λλketk = e − λ ∑ k = 0 ∞ ( λ e t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambda e^t)^k}{k!} =e−λk=0∑∞k!(λe t)k = e − λ e λ e t =e^{-\lambda}e^{\lambda e^t} =e−λeλet= e λ ( e t − 1 ) =e^{\lambda (e^t-1)} =eλ(et−1) φ ( t ) = ∑ k = 0∞ e − λ λ k k ! e i t k\varphi(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{itk} φ(t)=k=0∑∞k!e−λλk eitk = e − λ ∑ k = 0 ∞ ( λ e i t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambdae^{it})^k}{k!} =e−λk=0∑∞k!(λe it)k = e − λ e λ e i t =e^{-\lambda}e^{\lambda e^{it}} =e−λeλeit = e λ ( e i t − 1 ) =e^{\lambda (e^{it}-1)} =eλ(eit−1) M ′ ( t ) = e λ ( e t − 1 ) λ e t M'(t)=e^{\lambda (e^t-1)}\lambda e^t M′(t)=eλ(et−1)λe t E X = M ′ ( 0 ) = λ EX=M'(0)=\lambda EX=M′(0)=λM ′ ′ ( t ) = e λ ( e t − 1 ) λ e t + e λ ( e t − 1 ) λ e tλ e t M''(t)=e^{\lambda (e^t-1)}\lambdae^t+e^{\lambda (e^t-1)}\lambda e^t\lambda e^tM′′(t)=eλ(et−1)λe t+eλ(et−1)λe tλe t E X 2 =M ′ ′ ( 0 ) = λ + λ 2EX^2=M''(0)=\lambda+\lambda^2 EX2=M′′(0)=λ+λ2 D X = E X 2 − ( E X ) 2 = λ DX=EX^2-(EX)^2=\lambdaDX=EX2−(EX)2=λ三、连续型随机变量的分布1、连续型均匀分布(Uniform distribution (continuous))若 X 服从连续型均匀分布 U ( a , b ) , 则 f( x ) = 1 b − a I [ a , b ] ( x ) 若X服从连续型均匀分布U(a,b),则f(x)=\frac{1}{b-a}I_{[a,b]}(x) 若X服从连续型均匀分布U(a,b),则f(x)=b−a1I[a,b](x) M ( t ) = ∫ a b 1 b − a e t x d x M(t)=\int_{a}^{b}\frac{1}{b-a}e^{tx}dx M(t)=∫abb−a1etxdx = 1 b − a ∫ a b e t x d x =\frac{1}{b-a}\int_{a}^{b}e^{tx}dx =b−a1∫abetxdx = 1 b − a ( 1 t e t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{t}e^{tx}\mid_{a}^{b}) =b−a1(t1etx∣ab) = e t b − e t a t ( b − a ) =\frac{e^{tb}-e^{ta}}{t(b-a)} =t(b−a)etb−eta φ ( t ) = ∫ a b 1 b − a e i t x d x \varphi(t)=\int_{a}^{b}\frac{1}{b-a}e^{itx}dxφ(t)=∫abb−a1eitxdx = 1 b − a ∫ a b e i t x d x=\frac{1}{b-a}\int_{a}^{b}e^{itx}dx =b−a1∫abeitxdx = 1 b − a ( 1 i t e i t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{it}e^{itx}\mid_{a}^{b}) =b−a1(it1eitx∣ab) = e i t b − e i t a i t ( b − a ) =\frac{e^{itb}-e^{ita}}{it(b-a)} =it(b−a)eitb−eita M ′ ( t ) = 1 b − a ( b e t b − a e t a ) t − ( e t b − e t a ) t 2 M'(t)=\frac{1}{b-a}\frac{(be^{tb}-ae^{ta})t-(e^{tb}-e^{ta})}{t^2} M′(t)=b−a1t2(betb−aeta)t−(etb−eta) t = 0 为M ′ ( t ) 的可去间断点，补充定义M ′ ( 0 ) = lim t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t) t=0为M′(t)的可去间断点，补充定义M′(0)=t→0limM′(t) E X = M ′ ( 0 ) = lim t → 0 ( b e t b − a e t a ) + ( b 2 e t b − a 2 e t a ) t − ( b e t b − a e ta ) 2 t (b − a )EX=M'(0)=\lim_{t\rightarrow0}\frac{(be^{tb}-ae^{ta})+(b^2e^{tb}-a^2e^{ta})t-(be^{tb}-ae^{ta})}{2t(b-a)} EX=M′(0)=t→0lim2t(b−a)(betb−aeta)+(b2etb−a2eta)t−(betb−aeta) = lim t → 0 ( b 2 e t b − a 2 e t a ) 2 ( b − a ) =\lim_{t\rightarrow0}\frac{(b^2e^{tb}-a^2e^{ta})}{2(b-a)} =t→0lim2(b−a)(b2etb−a2eta) = b 2 − a 2 2 ( b − a ) =\frac{b^2-a^2}{2(b-a)} =2(b−a)b2−a2 = a + b 2 =\frac{a+b}{2} =2a+b M ′ ′ ( t ) = 1 b − a ( ( b 2 e t b − a 2 e t a ) t + ( b e t b − a e t a ) −( b e t b − a e t a ) ) t − 2 ( ( b e t b − a e ta ) t − ( e tb − e t a ) ) t 3 M''(t)=\frac{1}{b-a}\frac{((b^2e^{tb}-a^2e^{ta})t+(be^{tb}-ae^{ta})-(be^{tb}-ae^{ta}))t-2((be^{tb}-ae^{ta})t-(e^{tb}-e^{ta}))}{t^3} M′′(t)=b−a1t3((b2etb−a2eta)t+(betb−aeta)−(betb−aeta))t−2((be tb−aeta)t−(etb−eta)) = 1 b − a t 2 ( b 2 e t b −a 2 e t a ) − 2 t (b e t b − a e t a ) + 2 ( e t b − e t a ) t 3 =\frac{1}{b-a}\frac{t^2(b^2e^{tb}-a^2e^{ta})-2t(be^{tb}-ae^{ta})+2(e^{tb}-e^{ta})}{t^3} =b−a1t3t2(b2etb−a2eta)−2t(betb−aeta)+2(etb−eta) t = 0 为M ′ ′ ( t ) 的可去间断点，补充定义M ′ ′ ( 0 ) = lim t → 0 M ′ ′ ( t ) t=0为M''(t)的可去间断点，补充定义M''(0)=\lim_{t\rightarrow0}M''(t) t=0为M′′(t)的可去间断点，补充定义M′′(0)=t→0limM′′(t) E X 2 =M ′ ′ ( 0 ) = lim t → 0 1 b − a t 2 ( b 3 e t b − a 3 e t a ) + 2 t ( b 2 e t b − a 2 e t a ) − 2 t ( b 2 e t b − a 2 e t a ) − 2 ( b e t b − a e t a ) + 2 ( b e t b − a e t a ) 3 t 2EX^2=M''(0)=\lim_{t\rightarrow0}\frac{1}{b-a}\frac{t^2(b^3e^{tb}-a^3e^{ta})+2t(b^2e^{tb}-a^2e^{ta})-2t(b^2e^{tb}-a^2e^{ta})-2(be^{tb}-ae^{ta})+2(be^{tb}-ae^{ta})}{3t^2}EX2=M′′(0)=t→0limb−a13t2t2(b3etb−a3eta)+2t(b2etb−a2eta)−2t(b2etb−a2eta)−2(betb−aeta)+2(betb−aeta) = 1 b − a lim t → 0 t 2 ( b 3 e t b − a 3 e t a ) 3 t 2 =\frac{1}{b-a}\lim_{t\rightarrow0}\frac{t^2(b^3e^{tb}-a^3e^{ta})}{3t^2} =b−a1t→0lim3t2t2(b3etb−a3eta) = 1 b − a lim t → 0 ( b 3 e t b − a 3 e t a ) 3=\frac{1}{b-a}\lim_{t\rightarrow0}\frac{(b^3e^{tb}-a^3e^{ta})}{3} =b−a1t→0lim3(b3etb−a3eta) = 1 b − a ( b 3 − a 3 ) 3 =\frac{1}{b-a}\frac{(b^3-a^3)}{3}=b−a13(b3−a3) = b 2 + a b + a 2 3=\frac{b^2+ab+a^2}{3} =3b2+ab+a2 D X = E X 2 − ( E X ) 2 = ( b − a ) 2 12 DX=EX^2-(EX)^2=\frac{(b-a)^2}{12} DX=EX2−(EX)2=12(b−a)22、指数分布(Exponential distribution)若 X 服从指数分布 E ( λ ) ，则 f ( x ) = λ e− λ x I [ 0 , + ∞ ) ( x ) 若X服从指数分布E(\lambda)，则f(x)=\lambda e^{-\lambdax}I_{[0,+\infin)}(x) 若X服从指数分布E(λ)，则f(x)=λe−λx I[0,+∞)(x) M ( t ) = ∫ 0 + ∞ λ e −λ x e t x d x M(t)=\int_{0}^{+\infin} \lambda e^{-\lambda x}e^{tx}dx M(t)=∫0+∞λe−λx etxdx = λ ∫ 0 + ∞ e ( t − λ ) x d x =\lambda \int_{0}^{+\infin} e^{(t-\lambda)x}dx =λ∫0+∞e(t−λ)xdx = λ t − λ ( e ( t − λ ) x ∣ 0 + ∞ ) =\frac{\lambda}{t-\lambda}(e^{(t-\lambda)x}\mid_{0}^{+\infin}) =t−λλ(e(t−λ)x∣0+∞) t < λ 时，M ( t ) = λ t − λ ( 0 − 1 ) t<\lambda时，M(t)=\frac{\lambda}{t-\lambda}(0-1) t<λ时，M(t)=t−λλ(0−1) = λ λ − t =\frac{\lambda}{\lambda-t} =λ−tλφ ( t ) = λ λ − i t \varphi(t)=\frac{\lambda}{\lambda-it}φ(t)=λ−itλM ′ ( t ) = λ ( λ − t ) 2M'(t)=\frac{\lambda}{(\lambda-t)^2} M′(t)=(λ−t)2λE X = M ′ ( 0 ) = 1 λ EX=M'(0)=\frac{1}{\lambda}EX=M′(0)=λ1 M ′ ′ ( t ) = 2 λ ( λ − t ) 3M''(t)=\frac{2\lambda}{(\lambda-t)^3}M′′(t)=(λ−t)32λ E X 2 = M ′ ′ ( 0 ) = 2 λ 2 EX^2=M''(0)=\frac{2}{\lambda^2} EX2=M′′(0)=λ22 D X = E X 2 − ( E X ) 2 = 1 λ 2 DX=EX^2-(EX)^2=\frac{1}{\lambda^2} DX=EX2−(EX)2=λ213、正态分布(Normal distribution)若 X 服从正态分布N ( μ , σ 2 ) , 则 f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 若X服从正态分布N(\mu,\sigma^2),则f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} 若X服从正态分布N(μ,σ2),则f(x)=2πσ1e−2σ2(x−μ)2 引理 1 ：∫ − ∞ + ∞ e − t 2 2 d t = 2 π 引理1：\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt=\sqrt{2\pi} 引理1：∫−∞+∞e−2t2dt=2π证明：( ∫ − ∞ + ∞ e − t 2 2 d t ) 2 = ∫ − ∞ + ∞ ∫ − ∞ + ∞ e − x 2 + y 2 2 d x d y 证明：(\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt)^2=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}e^{-\frac{x^2+y^2}{2}}dxdy 证明：(∫−∞+∞e−2t2dt)2=∫−∞+∞∫−∞+∞e−2x2+y2dxdy = ∫ 0 2 π d θ ∫ 0 + ∞ e − r 2 2 r d r=\int_{0}^{2\pi}d\theta \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr =∫02πdθ∫0+∞e−2r2rdr = 2 π ∫ 0 + ∞ e − r 2 2 r d r =2\pi \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr =2π∫0+∞e−2r2rdr = 2 π ( − e −r 2 2 ∣0 + ∞ ) =2\pi (-e^{-\frac{r^2}{2}}\mid_{0}^{+\infin}) =2π(−e−2r2∣0+∞) = 2 π =2\pi =2π因此∫ − ∞ + ∞ e − t 2 2 d t = 2 π 因此\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt=\sqrt{2\pi} 因此∫−∞+∞e−2t2dt=2πM ( t ) = ∫ − ∞ + ∞ 1 2 π σ e − ( x − μ ) 2 2 σ 2 e t x d x M(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{tx}dx M(t)=∫−∞+∞2πσ1e−2σ2(x−μ)2etxdx = 1 2 π σ ∫ − ∞ + ∞ e −( x − μ ) 2 2 σ 2 + t x d x=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+tx}dx =2πσ1∫−∞+∞e−2σ2(x−μ)2+txdx 令 w = x − μ σ 令w=\frac{x-\mu}{\sigma} 令w=σx−μ原式= 1 2 π ∫ − ∞ + ∞ e − w 2 2 + t ( w σ + μ ) d w 原式=\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+t(w\sigma+\mu)}dw 原式=2π1∫−∞+∞e−2w2+t(wσ+μ)dw = e μ t 1 2 π ∫ − ∞ + ∞ e − w 2 2 + t σ w d w =e^{\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+t\sigma w}dw=eμt2π1∫−∞+∞e−2w2+tσw dw = e μ t 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 − t 2 σ 2 2 d w =e^{\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2-t^2\sigma^2}{2}}dw=eμt2π1∫−∞+∞e−2(w−tσ)2−t2σ2dw = e μ t + t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 2 d w=e^{\mut+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2}{2}}dw=eμt+2t2σ22π1∫−∞+∞e−2(w−tσ)2dw = e μ t + t 2 σ 2 2 1 2 π 2 π =e^{\mut+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\p i} =eμt+2t2σ22π12π= e μ t + t 2 σ 2 2 =e^{\mu t+\frac{t^2\sigma^2}{2}} =eμt+2t2σ2 φ ( t ) = ∫ − ∞ + ∞ 1 2 π σ e −( x − μ ) 2 2 σ 2 e i t x d x \varphi(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{itx}dx φ(t)=∫−∞+∞2πσ1e−2σ2(x−μ)2eitxdx = 1 2 π σ ∫ − ∞ + ∞ e − ( x − μ ) 2 2 σ 2 + i t x d x=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+itx}dx=2πσ1∫−∞+∞e−2σ2(x−μ)2+itxdx 令 w = x − μ σ 令w=\frac{x-\mu}{\sigma} 令w=σx−μ原式= 1 2 π ∫ − ∞ + ∞ e − w 2 2 + i t ( w σ + μ ) d w 原式=\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+it(w\sigma+\mu)}dw 原式=2π1∫−∞+∞e−2w2+it(wσ+μ)dw = e i μ t 1 2 π ∫ −∞ + ∞ e − w 2 2 + i t σ w d w =e^{i\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+it\sigma w}dw=e iμt2π1∫−∞+∞e−2w2+itσw dw = e i μ t 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 + t 2 σ 2 2 d w =e^{i\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2+t^2\sigma^2}{2}}dw=e iμt2π1∫−∞+∞e−2(w−itσ)2+t2σ2dw = e i μ t − t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 2 d w =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2}{2}}dw=e iμt−2t2σ22π1∫−∞+∞e−2(w−itσ)2dw = e i μ t − t 2 σ 2 2 12 π 2 π =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\pi} =e iμt−2t2σ22π12π= e i μ t − t 2 σ 2 2 =e^{i\mu t-\frac{t^2\sigma^2}{2}} =e iμt−2t2σ2 M ′ ( t ) = eμ t + t 2 σ 2 2 ( μ + σ 2 t ) M'(t)=e^{\mut+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)M′(t)=eμt+2t2σ2(μ+σ2t) E X = M ′ ( 0 ) = μEX=M'(0)=\mu EX=M′(0)=μM ′ ′ ( t ) = e μ t + t 2 σ 2 2 ( μ + σ 2 t ) 2 + e μ t + t 2 σ 2 2 σ 2M''(t)=e^{\mut+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)^2+e^{\mut+\frac{t^2\sigma^2}{2}}\sigma^2 M′′(t)=eμt+2t2σ2 (μ+σ2t)2+eμt+2t2σ2σ2 E X 2 = M ′ ′ ( 0 ) = μ 2 + σ 2 EX^2=M''(0)=\mu^2+\sigma^2 EX2=M′′(0)=μ2+σ2 D X = E X 2 − ( E X ) 2 = σ 2 DX=EX^2-(EX)^2=\sigma^2 DX=EX2−(EX)2=σ2 特别地 , X 服从标准正态分布 N ( 0 , 1 ) 时特别地,X服从标准正态分布N(0,1)时特别地,X服从标准正态分布N(0,1)时 M ( t )= e t 2 2 M(t)=e^{\frac{t^2}{2}} M(t)=e2t2 φ ( t ) = e − t 2 2 \varphi(t)=e^{-\frac{t^2}{2}} φ(t)=e−2t2 E X = 0 , D X = 1 EX=0,DX=1 EX=0,DX=14、伽马分布(Gamma distribution)若 X 服从伽马分布Γ ( α , β ) ( α , β > 0 ) , 则 f ( x ) = β α Γ ( α ) x α − 1 e − β x I( 0 , + ∞ ) ( x ) 若X服从伽马分布\Gamma(\alpha,\beta)(\alpha,\beta>0),则f(x)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}I_{(0,+\infin)}(x) 若X服从伽马分布Γ(α,β)(α,β>0),则f(x)=Γ(α)βαxα−1e−βx I(0,+∞)(x) 其中，Γ ( α ) = ∫ 0 + ∞ t α − 1 e − t d t , α > 0 其中，\Gamma(\alpha)=\int_{0}^{+\infin}t^{\alpha-1}e^{-t}dt,\alpha>0 其中，Γ(α)=∫0+∞tα−1e−tdt,α>0 指数分布 E ( λ ) 是伽马分布Γ ( 1 , λ ) , χ 2 分布χ n 2 是伽马分布Γ ( n 2 , 1 2 ) 指数分布E(\lambda)是伽马分布\Gamma(1,\lambda),\chi^2分布\chi^2_n是伽马分布\Gamma(\frac{n}{2},\frac{1}{2}) 指数分布E(λ)是伽马分布Γ(1,λ),χ2分布χn2是伽马分布Γ(2n,21) M ( t ) = ∫ 0 + ∞ β α Γ ( α ) x α −1 e − β x e t x d xM(t)=\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alp ha)}x^{\alpha-1}e^{-\beta x}e^{tx}dx M(t)=∫0+∞Γ(α)βαxα−1e−βx etxdx = ∫ 0 + ∞ β α Γ ( α ) x α − 1 e ( t − β ) x d x=\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1}e^{(t-\beta) x}dx =∫0+∞Γ(α)βαxα−1e(t−β)xdx = β α ∫ 0 + ∞ 1 Γ ( α ) x α− 1 e ( t − β ) x d x=\beta^\alpha\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha) }x^{\alpha-1}e^{(t-\beta) x}dx =βα∫0+∞Γ(α)1xα−1e(t−β)xdx t < β 时，令v = ( β − t ) x ，原式= β α β − t ∫ 0 + ∞ 1 Γ ( α ) ( v β −t ) α − 1 e − v d v t<\beta时，令v=(\beta-t)x，原式=\frac{\beta^\alpha}{\beta-t}\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha)}(\frac{v}{ \beta-t})^{\alpha-1}e^{-v}dv t<β时，令v=(β−t)x，原式=β−tβα∫0+∞Γ(α)1(β−tv)α−1e−vdv = ( β β − t ) α 1 Γ ( α ) ∫ 0 + ∞ v α − 1 e − v d v =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\int_{0}^{+\infin}v^ {\alpha-1}e^{-v}dv =(β−tβ)αΓ(α)1∫0+∞vα−1e−vdv = ( β β − t ) α 1 Γ ( α ) Γ ( α ) =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\Gamma(\alpha)=(β−tβ)αΓ(α)1Γ(α) = ( β β − t ) α=(\frac{\beta}{\beta-t})^\alpha =(β−tβ)αφ ( t ) = ( β β − i t ) α \varphi(t)=(\frac{\beta}{\beta-it})^\alpha φ(t)=(β−itβ)αM ′ ( t ) = β α ( β − t ) − α − 1 α M'(t)=\beta^\alpha(\beta-t)^{-\alpha-1}\alpha M′(t)=βα(β−t)−α−1α E X = M ′ ( 0 ) = α β EX=M'(0)=\frac{\alpha}{\beta}EX=M′(0)=βαM ′ ′ ( t ) = β α ( β − t ) − α − 2 α ( α + 1 ) M''(t)=\beta^\alpha(\beta-t)^{-\alpha-2}\alpha(\alpha+1)M′′(t)=βα(β−t)−α−2α(α+1) E X 2 = α ( α + 1 ) β 2 EX^2=\frac{\alpha(\alpha+1)}{\beta^2}EX2=β2α(α+1) D X = E X 2 − ( E X ) 2 = α β 2。
离散分布的期望和方差
离散分布的期望和方差：
离散型随机变量的的期望也就是离散型随机变量的均值的是为了表达一个随机变量取值的中间水平，随机变量的方差刻画了随机变量取值的离散程度。
由于它们反映了随机变量取值的平均水平及稳定性，所以随机变量的均值和方差在市场预测等其他方面有着重要的应用。
离散型随机变量的期望公式：离散型随机变量X的取值为X1、X2、X3……Xn，p（X1）、p （X2）、p（X3）……p（Xn）、为X对应取值的概率，可理解为数据X1、X2、X3……Xn出现的频率高f（Xi）。
则E（X）=X1*p（X1）+X2**p（X2）+……+Xn**p（Xn）= X1*f1（X1）+X2*f2（X2）+……+Xn*fn （Xn）。
离散型随机变量的方差公式：D（X）=E{[X-E（X）]^2}=E（X^2）-（EX）^2。
常见的分布的方差和期望：
1、均匀分布：期望是（a+b）/2，方差是（b-a）的平方/12。
2、二项分布：期望是np，方差是npq。
3、泊松分布：期望是p，方差是p。
4、指数分布：期望是1/p，方差是1/（p的平方）。
5、正态分布：期望是u，方差是&的平方。
6、X服从参数为p的0-1分布，则E（X）=p，d（X）=p（1-p）。
超几何分布的期望和方差
超几何分布的期望和方差在概率论与数理统计的世界里，超几何分布是一个重要的概念。
今天，咱们就来好好聊聊超几何分布的期望和方差。
首先，咱们得弄清楚啥是超几何分布。
想象一下，有一批总数为 N 的产品，其中有 M 件是次品。
现在咱们随机抽取 n 件产品，那么抽到的次品数 X 就服从超几何分布。
那超几何分布的期望是咋算的呢？期望其实就是平均值，也就是咱们通常说的“期望值”。
对于超几何分布来说，它的期望可以用一个公式来表示：E(X) ＝ n×M/N 。
咱们来解释解释这个公式哈。
n 呢，是咱们抽取的产品数量；M 是次品的总数；N 是产品的总数。
这个公式其实很好理解，比如说，产品总数是 100 个，其中有 20 个次品，咱们抽10 个，那期望抽到的次品数就是 10×20/100 ＝ 2 个。
接下来再说说超几何分布的方差。
方差反映的是随机变量取值的分散程度。
超几何分布的方差公式是：Var(X) ＝ n×M/N ×（1 M/N) ×（N n)／（N 1) 。
这个公式看起来有点复杂，别着急，咱们一点点来。
先看 n×M/N 这部分，这其实和期望的式子有点像。
后面的（1M/N) 可以理解为抽到正品的概率。
再后面的（N n)／（N 1) 呢，它主要是用来调整因为抽样是不放回的导致的差异。
为了让大家更清楚地理解，咱们来举个例子。
假设一批产品有 50 个，其中 15 个是次品，咱们抽取 8 个。
先算期望，E(X) ＝ 8×15/50 ＝ 24 ，也就是说平均抽到 24 个次品。
再算方差，Var(X) ＝ 8×15/50 ×（1 15/50) ×（50 8)／（50 1) ，经过一番计算，就能得到方差的值。
那知道超几何分布的期望和方差有啥用呢？用处可大啦！比如说在质量检测中，如果知道了产品的超几何分布的期望和方差，就能判断抽样结果是不是合理，是不是存在异常情况。
超几何分布的期望和方差的详细证明
超几何分布的期望和方差的详细证明1. 超几何分布介绍超几何分布是描述从有限总体中抽取无放回样本的概率分布。
它的概率质量函数表示为：P(X = k) = (C(a, k) * C(N - a, n - k)) / C(N, n)其中，X代表抽取样本中的成功次数，k表示成功的个数，N 表示总体中成功和失败的总数量，a表示总体中成功的个数，n表示抽取样本的大小，C(m, j)表示从m个元素中选择j个的组合数。
在本文中，我们将详细证明超几何分布的期望和方差。
2. 超几何分布的期望证明超几何分布的期望定义为：E(X) = sum[k=0 to n] (k * P(X = k))我们可以按照以下步骤来证明超几何分布的期望。
步骤 1: 计算概率质量函数中的k * P(X = k)。
首先，我们将超几何分布的概率质量函数中的k * P(X = k)展开：k * P(X = k) = k * (C(a, k) * C(N - a, n - k)) / C(N, n)步骤 2: 化简展开式。
根据组合数的计算公式，我们可以得到：C(a, k) = a! / (k! * (a - k)!)C(N - a, n - k) = (N - a)! / ((n - k)! * (N - a - n + k)!)将组合数的计算公式应用到展开式中，我们可以得到：k * P(X = k) = k * (a! / (k! * (a - k)!)) * ((N - a)! / ((n - k)! * (N - a - n + k)!)) / (N! / (n! * (N - n)!))步骤 3: 化简计算式。
通过化简，我们可以得到：k * P(X = k) = (a * (a - 1) * ... * (a - k + 1) * (N - a) * (N - a - 1) * ... * (N - a - n + k + 1)) / (N * (N - 1) * ... * (N - n + 1)) * (n! * (N - n)!) / ((k! * (a - k)! * (n - k)! * (N - a - n + k)!))步骤 4: 使用恒等式。
数学期望和方差.ppt
第四章 数学期望和方差
(2) 二项分布
X的取值为0,1,…,n. 且
P(X=k)=
n
Cnk
pk
(1-p)n-k,
k= 0, 1, …, n.
E(X) kC n kpk(1p)nk
k0
n
k
n!
pk(1p)nk
k1 k!(nk)!
nn p(n 1 )!p k 1 (1 p )(n 1 ) (k 1 )
k 1 e
k 1 ( k 1)!
k e k0 k!
(4)几何分布
第四章 数学期望和方差
X的可能取值为1,2,…, 且 P(X=k)= qk-1 p, k= 1,2,…. p+q=1.
第四章 数学期望和方差
E (X ) kkp kpk q 1p kq k 1
第四章 数学期望和方差
解：设X为停止检查时，抽样的件数，则X 的可能取值为1,2,…,n，且
P{Xk} q qn k 1 1,p,
k1,2,,n1; kn.
其中 q1p，于是
n1
E(X) kqk1pnqn1
k1
第四章 数学期望和方差
n1
E(X) kqk1(1q)nqn1
k 1 (k 1 )(n ! k )!
n1
npCn k1pk(1p)(n1)k np
k0
第四章 数学期望和方差
(3)泊松分布
X的可能取值为0,1,2,…，且
P(Xk)ke,k0,1,2,,
k!
k
E(X) kk p k
k0
正态分布的数学期望与方差
正态分布的数学期望与方差正态分布:密度函数为: 分布函数为的分布称为正态分布～记为N(a, σ2). 密度函数为:或者称为n元正态分布。
其中B是n阶正定对称矩阵～a是任意实值行向量。
称N(0,1)的正态分布为标准正态分布。
,1, 验证是概率函数,正值且积分为1, ,2, 基本性质:,3, 二元正态分布:其中～二元正态分布的边际分布仍是正态分布:二元正态分布的条件分布仍是正态分布:即 ,其均值是x的线性函数,其中r可证明是二元正态分布的相关系数。
,4, 矩～对标准正态随机变量～有,5, 正态分布的特征函数多元正态分布,1, 验证其符合概率函数要求,应用 B为正定矩阵～L为非奇异阵～然后进行向量线性变换,,2, n元正态分布结论a) 其特征函数为:b) 的任一子向量 ,m?n 也服从正态分布～分布为其中～为保留B的第～… 行及列所得的m阶矩阵。
表明:多元正态分布的边际分布还是正态分布c) a,B分别是随机向量的数学期望及协方差矩阵～即表明:n元正态分布由它的前面二阶矩完全确定d) 相互独立的充要条件是它们两两不相关e) 若～为的子向量～其中是～的协方差矩阵～则是～相应分量的协方差构成的相互协方差矩阵。
则相互独立的充要条件为 ,0f) 服从n元正态分布N(a,b)的充要条件是它的任何一个线性组合服从一元正态分布表明:可以通过一元分布来研究多元正态分布g) 服从n元正态分布N(a,b),C为任意的m×n阶矩阵～则服从m元正态分布表明:正态变量在线性变换下还是正态变量～这个性质简称正态变量的线性变换不变性推论: 服从n元正态分布N(a,b)～则存在一个正交变化U～使得是一个具有独立正态分布分量的随机向量～他的数学期望为Ua～而他的方差分量是B的特征值。
条件分布若服从n元正态分布N(a,b)～～则在给定下～的分布还是正态分布～其条件数学期望:(称为关于的回归)其条件方差为:,与无关,•••••••••••••••••• 【唯美句子】走累的时候～我就到升国旗哪里的一角台阶坐下～双手抚膝～再闭眼～让心灵受到阳光的洗涤。
期望方差计算公式图文
期望方差计算公式图文以期望方差计算公式。
在概率论和统计学中，方差是一种用来衡量随机变量离散程度的指标。
它是随机变量与其均值之差的平方的期望值。
方差的计算公式可以帮助我们更好地理解数据的分散程度，对于数据分析和预测具有重要的意义。
期望方差的计算公式如下：\[Var(X) = E[(X E[X])^2]\]其中，Var(X)代表随机变量X的方差，E[X]代表随机变量X的期望值。
公式中的(X E[X])表示随机变量X与其期望值的偏差，(X E[X])^2表示偏差的平方，E[(X E[X])^2]表示偏差平方的期望值。
期望方差的计算公式可以帮助我们衡量随机变量的离散程度。
当方差较大时，表示随机变量的取值相对较分散；当方差较小时，表示随机变量的取值相对较集中。
通过计算方差，我们可以更好地理解随机变量的分布特征，为数据分析和预测提供重要参考。
在实际应用中，期望方差的计算公式经常用于统计分析、风险评估、金融建模等领域。
通过计算随机变量的方差，我们可以更好地评估风险和波动性，为决策提供科学依据。
例如，在金融领域，我们可以通过计算资产的方差来评估其风险水平，从而制定合理的投资策略；在工程领域，我们可以通过计算数据的方差来评估系统的稳定性，从而优化生产流程。
除了期望方差的计算公式外，我们还可以通过其他方法来计算方差，例如样本方差和无偏估计方差等。
不同的计算方法适用于不同的场景，我们需要根据具体情况选择合适的计算方法。
总之，期望方差的计算公式是概率论和统计学中的重要概念，它可以帮助我们衡量随机变量的离散程度，为数据分析和预测提供重要参考。
通过深入理解方差的计算公式及其应用，我们可以更好地应用统计学原理解决实际问题，提高决策的科学性和准确性。
x2分布数学期望和方差的推导
x2分布数学期望和方差的推导
隋英;陈仲堂;艾瑛
【期刊名称】《高等继续教育学报》
【年(卷),期】2011(024)003
【摘要】从x2分布的定义出发,根据期望、方差的计算和性质,利用标准正态分布的期望、方差的性质,用广义积分和分布积分的计算方法,推导了x2分布的期望和方差.
【总页数】2页(P51-51,56)
【作者】隋英;陈仲堂;艾瑛
【作者单位】沈阳建筑大学,理学院,沈阳,110086;沈阳建筑大学,理学院,沈
阳,110086;沈阳建筑大学,理学院,沈阳,110086
【正文语种】中文
【中图分类】O212
【相关文献】
1.数学教学中一种特殊形式的发散思维能力的培养——以“利用概痒的性质推导二项式定理”及“利用数学期望、方差的性质求和”为例 [J], 吴建强;
2.二项分布、超几何分布数学期望与方差公式的推导 [J], 韩晓东
3.基于分布函数的数学期望与方差的简洁求法 [J], 庄刘
4.基于分布函数的混合型随机变量数学期望和方差的计算 [J], 宁荣健;余丙森
5.负二项分布的数学期望和方差的一种求法 [J], 王瑞瑞; 李金伟
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
基于分布函数的数学期望与方差的简洁求法摘要:在仅已知随机变量的分布函数求解数学期望与方差时,通常利用分布函数求出分布列或概率密度,再根据定义求出数学期望与方差,过程较为复杂。
为了简化计算,本文针对非负整值离散型随机变量与连续型随机变量,从理论上推导出了基于分布函数直接求解数学期望与二阶原点矩的计算公式,并可间接用于方差的求解。
进一步通过实例验证了此方法在一定场合下的有效性与简洁性。
关键词:数学期望方差二阶原点矩分布函数
数学期望与方差是随机变量的两个重要数字特征,用定义求解数学期望与方差是最常用、最基本的方法,但定义中仅给出了用分布列与概率密度的求解方法[1～2]。
有时在实际中往往已知随机变量的分布函数,虽然可以将分布函数转化为分布列或概率密度,但过程稍显复杂[3]。
下面主要讨论不同情况下,如何利用分布函数直接求解数学期望与二阶原点矩的方法,同时可间接用于方差的求解。
1 非负整值随机变量的情形
非负整值随机变量是指只取非负整数值的离散型随机变量。
利用分布函数求非负整值随机变量的期望与二阶原点矩,有如下结论。
对于形如例3形式的分布函数,利用定理2求解数学期望与方差的过程简单,计算方便。
3 结语
本文从理论上推导出了基于分布函数直接求解非负整值随机变量与连续型随机变量的数学期望与二阶原点矩的公式,同时可间接用于方差的求解。
并通过实例验证了此公式在一定场合下的有效性与简洁性。
参考文献
[1] 茆诗松,程依明,濮晓龙.概率论与数理统计教程[M].北京:高等教育出版社,2004.
[2] 盛骤,谢式千,潘承毅.概率论与数理统计(第4版)[M].北京:高等教育出版社,2008.
[3] 茆诗松,程依明,濮晓龙.概率论与数理统计教程习题与解答[M].北京:高等教育出版,2005.。