概率论第四章随机变量的数字特征

合集下载

概率论与数理统计 --- 第四章{随机变量的数字特征} 第一节：数学期望

32 30 17 21 0 1 2 3 1.27 100 100 100 100
这个数能否作为 X的平均值呢？
若统计100天,
可以想象, 若另外统计100天, 车工小张不出废品, 这另外100天每天的平均废品数也不一定是1.27. 一般来说, 若统计n天 ,
(假定小张每天至多出三件废品)
又设飞机机翼受到的正压力W 是V 的函数 : W kV 2 ( k 0, 常数), 求W 的数学期望.
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7 设二维连续型随机变量（X , Y）的概率密度为
A sin( x y ) 0 x , 0 y f ( x, y) 2 2 0 其它 (1)求系数A , ( 2)求E ( X ), E ( XY ).
x f ( x )x
i i i
i
阴影面积近似为
这正是:

f ( xi )xi

x f ( x )dx
的渐近和式.
小区间[xi, xi+1)
定义: 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
概率论

绝对收敛, 则称此积分值为X的数学期望, 即:
2. 设二维连续型随机变量 (X, Y) 的联合概率密度为 f (x, y), 则： E ( X )
E (Y )

xf X ( x )dx

yfY
( y )dy

xf ( x , y )dxdy,

第4章随机变量的数字特征

xi
xn
一、数学期望的定义复习：
1
第4章随机变量的数字特征
8
2
3 3
4
一、数学期望的定义
第4章随机变量的数字特征
9
例2
一、数学期望的定义解
第4章随机变量的数字特征
10
一、数学期望的定义
第4章随机变量的数字特征
11
一、数学期望的定义
第4章随机变量的数字特征
12
一、数学期望的定义
55
一、协方差
第4章随机变量的数字特征
56
在实际计算协方差时，更多的是使用下列公式，
一、协方差
第4章随机变量的数字特征
57
定理1 协方差具有下列性质：
1 2
3
4
一、协方差证明
01
OPTION
第4章随机变量的数字特征
58
02
OPTION
03
OPTION
一、协方差
OPTION
第4章随机变量的数字特征
第4章随机变量的数字特征
97
定义4
总结/summary
第4章随机变量的数字特征
98
理解离散型、连续型随机变量的数学期望的定义及其概率含义熟悉数学期望的性质掌握随机变量函数的期望公式熟练常用随机变量的数学期望理解熟悉掌握熟练随机变量方差的定义及方差的概率含义方差的性质随机变量的方差计算公式常用随机变量的方差
1
第4章随机变量的数字特征
48
2
3 4
二、方差的性质
第4章随机变量的数字特征
49
例2 解
那么，由方差的性质得

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.。

4概率论

i, j 1
a P( X
a i ) b j P ( X 2 b j )
j
8
EX 1 EX 2
例4.1.1 已知X ~ B( n, p), 求数学期望 EX
k 解: EX kC n p k (1 p ) n k k 0 n
n! k n k k p (1 p) k 1 k !( n k )!
故 EX E ( X 1 X 2 X 10 ) EX i
i 1
10
9 20 10[1 ( ) ] 8.784 （次） 10
16
例4.1.7 按规定, 某车站每天8 : 00 ~ 9 : 00 , 9 : 00 ~ 10 : 00都恰有一辆客车到站, 但到站的时刻是随机
3
4.1
4.1.1 4.1.2 4.1.3
数学期望
数学期望的性质随机变量函数的数学期望数学期望的简单应用
4
定义4.1.1 设离散型随机变量X 的分布律为
P ( X x k ) pk ,
若无穷级数
xk pk k 1
k 1,2,
绝对收敛，则称其和为随机变量X 的数学期望记为
24
4.1.3
数学期望的简单应用
例4.1.11 市场上对某种产品每年的需求量为X 吨， X ~ U [ 2000,4000 ], 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？
1 , 2000 x 4000, f X ( x ) 2000 解: 0, 其它设每年生产y 吨的利润为Y, 2000 < y < 4000
的, 且两者到站的时间相互独立 , 其规律为

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

概率论与数理统计第四章随机变量的数字特征习题解答

习题4-11、设随机变量X 服从参数为p 的01-分布，求()E X 。

解：据题意知，X 的分布律为根据期望的定义，得()0(1)1E X p p p =⋅-+⋅=。

2、袋中有n 张卡片，记有号码1,2,,n 。

现从中有放回地抽出k 张卡片，求号码之和X 的数学期望。

解：设i X 表示第i 次取到的卡片的号码（1,2,,i k =），则12k X X X X =+++。

因为是有放回地抽出卡片，所以i X 之间相互独立。

所以第i 次抽到号码为m 的卡片的概率为1{},(1,2,,;1,2,,)i P X m m n i k n====，即i X 的分布律为1{},(1,2,,)i P X m m n n===，所以11()(12)2i n E X n n+=+++=，所以，1(1)()()2k k n E X E X X +=++=。

注：求复杂随机变量期望时可先引入若干个简单的随机变量，再根据期望的性质即可。

3、某产品的次品率为0.1，检验员每天检验4次。

每次随机地抽取10件产品进行检验，如果发现其中的次品数多于1，就去调整设备，以X 表示一天中调整设备的次数，试求()E X 。

（设诸产品是否是次品是相互独立的。

）解：令Y 表示一次抽检的10件产品的次品数，据题意知，~(10,0.1)Y b ，00101191010{1}1{0}{1}10.10.90.10.90.2639p P Y P Y P Y C C =>=-=-==--=，因此，~(4,0.2639)X b ，从而()40.2639 1.0556E X np ==⋅=。

注：此题必须先求出一天中调整设备的概率。

即p 值。

4、据统计，一位60岁的健康（一般体检未发生病症）者，在5年内仍然活着或自杀身亡的概率为p （01p <<，p 为已知），在五年内非自杀身亡的概率为1p -。

保险公司开办5年人寿保险，条件是参保者需缴纳人寿保费a 元（a 已知），若5年内非自杀死亡，保险公司赔偿b 元（b a >）。

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=⋅=-。

概率论与数理统计第4章随机变量的数字特征与极限定理

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

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

概率论基础知识归纳第四章

概率论基础知识第四章随机变量的数字特征数学期望§ 4.1.1离散型随机变量的数学期望例1:全班40名同学，其年龄与人数统计如下: ［年龄［人数18 1915该班同学的平均年龄为：”护5 + 19x】5 + 20" + 21Q皿2+19X H20芒+ 21丄=19.540 40 40 4040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沖…炸1哙+20晋21冥奢亏逼皿定义1:设x为离散型随机变量，其分布律为=珀｝ = Pi，i = 12…如果级数旷'羽绝对收敛，则此级数为x的数学期望(或均值)既勿?(X)，即E(X)=意义：E(X)表示X取值的(加权)平均值例2：甲、乙射手进行射击比赛，设甲中的环数位X1，乙中的环数为X2，已知X1和X2的分布律分别为:解：甲的平均中环数为E(X 1)=8 X 0.3+9 X0.1 + 10 X 0.6=9.3乙的平均中环数为E(X 2)=8 X 0.2+9 X 0.5+10 X0.3=9.1可见E(X1)> E(X 2)，即甲的平均中环数高于乙的平均中环数。

求E(X)，其分布律为P[X = =—厂,k=0,1,2…,所以jfcl泸旦井旦J VI ® ]期氓占=工心巩=»•石訂=£冇孑―几£厂寸■戈c-^m =k-l)=2j—e-" =2t i-O 対41(^11)1 Z (上 T)! JW-D 翊解：由于例4：一无线电台发出呼唤信号被另一电台收到的概率为0.2，发方每隔5秒拍发一次呼唤信号，直到收到对方的回答信号为止，发出信号到收到回答信号之间需经16秒钟，求双方取得联系时，发方发出呼唤信号的平均数？2015问谁的平均中环数高?解：令X表示双方取得联系时，发方发出呼唤信号的次数。

X的分布律为于是，双方取得联系时，发方发出的呼唤信号的平均数为严BE(X)=》r(0.8)a x0,2 =。

大学课件概率论与数理统计第4章随机变量的数字特征

(3) Ef (X) g(X) E[f (X)] E[g(X)]
特别地 E[X Y] E[X] E[Y]
E[aX bY c] aE[X] bE[Y] c
(4) 若X, Y相互独立，则E[XY] E[X] E[Y]
(5) 若a X b,则E[X]存在，且a E[X] b
注：这些性质可以推广到多个随机变量上。
E[X] (1) 125 75 2 15 3 1 17 216 216 216 216 216
由于平均赢利小于0，故这一游戏规则对下注者是不利的。
离散型随机变量函数的数学期望
已知P( X xk ) pk，当 g( xk ) pk 时，
k
g(X)的数学期望为
E[g(X)] g(xk )P(X xk )
E[ X ] 1 0.910 11（1 - 0.910） 7.513 10
结论：分组化验法的次数少于逐一化验法的次数
二、连续型随机变量的数学期望
设X是连续型随机变量，其密度函数为f (x),在
数轴上取很密的分点x0 <x1<x2< …,则X落在小区
间[xi, xi+1)的概率是
阴影面积近似为
9 P(X 9) 10 P(X 10)
由于打出环数的概率不同，所以不是1到10的算术平均.
1.离散型随机变量的数学期望
设随机变量X的分布律为 P( X xk ) pk ,
若当 xk pk 时，则称 xk pk 为随机
k
k
变量X的数学期望或均值，记作 E[ X ] ，即有
E[ X ] xk pk xk P(X xk )
均匀分布的期望
例7 设X服从均匀分布，其分布密度为
x
b

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。

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04章随机变量的数字特征第2讲

| x-m |
2
| x - m | e 2
e
2
f ( x) d x
2
s 2 ( x - m ) f ( x) d x 2 . e - e
此不等式也可写为:
s P{| X - m | e } 1 - 2 e
2
(2.10)
16
这个不等式给出了, 在随机变量X的分布未知的情况下事件{|X-m|<e}的概率的下限估计. 例如, 在(2.10)式中分别取e=3s, 4s得到 P{|X-m|<3s}0.8889, P{|X-m|<4s}0.9375. 在书末附表1中列出了多种常用的随机变量的数学期望和方差, 供读者查用.
2 2
2
4
方差的几个重要性质 (1) 设C是常数, 则D(C)=0. (2) 设X是随机变量, C是常数, D(CX)=C2D(X).
(3) 对任意两个随机变量X,Y, D(X+Y)=D(X)+D(Y) +2E{[X-E(X)][Y-E(Y)]} (2.5) 特别, 若X,Y相互独立, 则 D(X+Y)=D(X)+D(Y) (2.6) (4) D(X)=0的充要条件是X以概率1取以cm计)X~N(22.40, 0.032), 气缸的直径Y~N(22.50, 0.042), X,Y相互独立. 任取一只活塞, 任取一只气缸, 求活塞能装入气缸的概率. 解按题意须求P{X<Y}=P{X-Y<0}. 由于 X-Y~N(-0.10, 0.0025), 故有 P{X<Y}=P{X-Y<0}
概率论与数理统计
第四章随机变量的数字特征
第2讲
1
例1 设随机变量X具有数学期望E(X)=m, 方差 D(X)=s20. 记X *=(X-m)/s . 1 1 * 则 E ( X ) E ( X - m ) [ E ( X ) - m ] 0; s s 2 X - m * *2 * 2 D( X ) E ( X ) - [ E ( X )] E s

概率论与数理统计第四章随机变量的数字特征

第四章随机变量的数字特征前面讨论了随机变量的分布函数，我们知道分布函数全面地描绘了随机变量的统计特性.但是在实际问题中，一方面由于求分布函数并非易事；另一方面，往往不需要去全面考察随机变量的变化情况而只需知道随机变量的某些特征就够了.例如，在考察一个班级学生的学习成绩时，只要知道这个班级的平均成绩及其分散程度就可以对该班的学习情况作出比较客观的判断了.这样的平均值及表示分散程度的数字虽然不能完好地描绘随机变量，但能更突出地描绘随机变量在某些方面的重要特征，我们称它们为随机变量的数字特征.本章将介绍随机变量的常用数字特征：数学期望、方差、相关系数和矩.第一节数学期望1.数学期望的定义粗略地说，数学期望就是随机变量的平均值.在给出数学期望的概念之前，先看一个例子.要评判一个射手的射击程度，需要知道射手平均命中环数.设射手A 在同样条件下进展射击，命中的环数X 是一随机变量，其分布律如下：表4-1由X 的分布律可知,假设射手A 共射击N 次,根据频率的稳定性,所以在N 次射击中,大约有0.1×N 次击中10环,0.1×N 次击中9环,0.2×N 次击中8环,0.3×N 次击中7环,0.1×N 次击中6环,0.1×N 次击中5环,0.1×N 次脱靶.于是在N 次射击中，射手A 击中的环数之和约为10×0.1N +9×0.1N +8×0.2N +7×0.3N +6×0.1N +5×0.1N +0×0.1N .平均每次击中的环数约为N1〔10×0.1N +9×0.1N +8×0.2N +7×0.3N +6×0.1N +5×0.1N +0×0.1N 〕 =10×0.1+9×0.1+8×0.2+7×0.3+6×0.1+5×0.1+0×0.1 =6.7〔环〕.由这样一个问题的启发，得到一般随机变量的“平均数〞，应是随机变量所有可能取值与其相应的概率乘积之和，也就是以概率为权数的加权平均值，这就是所谓“数学期望的概念〞.一般地，有如下定义：定义4.1 设离散型随机变量X 的分布律为P {X =x k }=p k k =1,2,…，假设级数∑∞=1k k kp x绝对收敛，那么称级数∑∞=1k k kp x为随机变量X 的数学期望〔Mathematical expectation 〕，记为E 〔X 〕.即E 〔X 〕=∑∞=1k k kp x. 〔4.1〕设连续型随机变量X 的概率密度为f 〔x 〕，假设积分⎰+∞∞-x x xf d )(绝对收敛，那么称积分⎰+∞∞-x x xf d )(的值为随机变量X 的数学期望，记为E 〔X 〕.即E 〔X 〕=⎰+∞∞-x x xf d )(. 〔4.2〕数学期望简称期望，又称为均值.例4.1 某商店在年末大甩卖中进展有奖销售，摇奖时从摇箱摇出的球的可能颜色为：红、黄、蓝、白、黑五种，其对应的奖金额分别为：10000元、1000元、100元、10元、1元.假定摇箱内装有很多球，其中红、黄、蓝、白、黑的比例分别为：0.01%,0.15%,1.34%,10%,88.5%,求每次摇奖摇出的奖金额X 的数学期望. 解每次摇奖摇出的奖金额X 是一个随机变量，易知它的分布律为因此，E 〔X 〕=10000×0.0001+1000×0.0015+100×0.0134+10×0.1+1×0.885=5.725. 可见，平均起来每次摇奖的奖金额缺乏6元.这个值对商店作方案预算时是很重要的.例4.2 按规定，某车站每天8点至9点，9点至10点都有一辆客车到站，但到站的时刻是随机的，且两者到站的时间互相独立.其分布律为一旅客8点20分到车站，求他候车时间的数学期望.解设旅客候车时间为X 分钟，易知X 的分布律为表4-4在上表中p k 的求法如下，例如P {X =70}=P 〔AB 〕=P 〔A 〕P 〔B 〕=1/6×3/6=3/36，其中A 为事件“第一班车在8:10到站〞，B 为事件“第二班车在9:30到站〞，于是候车时间的数学期望为E 〔X 〕=10×3/6+30×2/6+50×1/36+70×3/36+90×2/36=27.22〔分钟〕.例4.3 有5个互相独立工作的电子装置，它们的寿命X k 〔k =1，2，3，4，5〕服从同一指数分布，其概率密度为f 〔x 〕=⎪⎩⎪⎨⎧≤>-.00,0,1/x ,x x θθe〔1〕假设将这5个电子装置串联起来组成整机，求整机寿命N 的数学期望；〔2〕假设将这5个电子装置并联组成整机，求整机寿命M 的数学期望.解 X k 〔k =1，2，3，4，5〕的分布函数为F 〔x 〕=⎩⎨⎧≤>--.0,0,0,1/x x x θe〔1〕串联的情况由于当5个电子装置中有一个损坏时，整机就停顿工作，所以这时整机寿命为N =min{X 1，X 2，X 3，X 4，X 5}.由于X 1，X 2，X 3，X 4，X 5是互相独立的，于是i=min{X 1，X 2，X 3，X 4，X 5}的分布函数为F N 〔x 〕=P {N ≤x }=1-P {N ＞x }=1-P {X 1＞x ，X 2＞x ，X 3＞x ，X 4＞x ，X 5＞x }=1-P {X 1＞x }·P {X 2＞x }·P {X 3＞x }·P {X 4＞x }·P {X 5＞x }=1-［1-)(1x F X ］［1- )(2x F X ］［1-)(3x F X ］［1-)(4x F X ］［1-)(5x F X ］ =1-［1-F 〔x 〕］5=⎪⎩⎪⎨⎧≤>--.0,0,0,15x x xθe 因此N 的概率密度为f N 〔x 〕=⎪⎩⎪⎨⎧≤>-.0,0,0,55x x xθθe那么N 的数学期望为E 〔N 〕=55)(5θθθ==-∞+∞-∞+∞-⎰⎰x xx x xf xN d ed〔2〕并联的情况由于当且仅当5个电子装置都损坏时，整机才停顿工作，所以这时整机寿命为M =max{X 1，X 2，X 3，X 4，X 5}.由于X 1，X 2，X 3，X 4，X 5互相独立，类似可得M 的分布函数为F M 〔x 〕=［F 〔x 〕］5=⎪⎩⎪⎨⎧≤>--.0,0,0,)1(5x x x θe因此M 的概率密度为f M 〔x 〕=⎪⎩⎪⎨⎧≤>---.0,0,0,]1[54x x x x θθθe e于是M 的数学期望为E 〔M 〕=.60137)1(5)(0max θθθ=-=-∞+∞-∞+⎰⎰x xx x xf xd e d 这说明：5个电子装置并联联接工作的平均寿命要大于串联联接工作的平均寿命.例4.4 设随机变量X 服从柯西〔Cauchy 〕分布，其概率密度为f 〔x 〕=)1(12x +π，-x <x <+∞，试证E 〔X 〕不存在.证由于,)1(1)(2⎰⎰+∞∞-+∞∞-∞=+=x x xx x f x d πd 故E 〔X 〕不存在.2.随机变量函数的数学期望在实际问题与理论研究中，我们经常需要求随机变量函数的数学期望.这时，我们可以通过下面的定理来实现.定理4.1 设Y 是随机变量X 的函数Y =g 〔X 〕〔g 是连续函数〕. 〔1〕 X 是离散型随机变量，它的分布律为P 〔X =x k 〕=p k ，k =1，2，…，假设kk kpx g ∑∞=1)(绝对收敛，那么有E 〔Y 〕=E ［g 〔X 〕］=kk kpx g ∑∞=1)(. 〔4.3〕〔2〕 X 是连续型随机变量，它的概率密度为f 〔x 〕，假设⎰+∞∞-x x f x g d )()(绝对收敛，那么有E 〔Y 〕=E ［g 〔X 〕］=⎰+∞∞-x x f x g d )()(. 〔4.4〕定理4.4的重要意义在于当我们求E 〔Y 〕时，不必知道Y 的分布而只需知道X 的分布就可以了.当然，我们也可以由的X 的分布，先求出其函数g 〔X 〕的分布，再根据数学期望的定义去求E ［g 〔X 〕］，然而，求Y =g 〔X 〕的分布是不容易的，所以一般不采用后一种方法.定理4.1的证明超出了本书的范围，这里不证.上述定理还可以推广到二个或二个以上随机变量的函数情形. 例如，设Z 是随机变量X ，Y 的函数，Z =g 〔X ，Y 〕〔g 是连续函数〕，那么Z 也是一个随机变量，当〔X ，Y 〕是二维离散型随机变量，其分布律为P {X =x i ，Y =y j }=p ij 〔i ，j =1，2，…〕时，假设∑∑ijijiipy x g ),(绝对收敛，那么有E 〔Z 〕=E ［g 〔X ，Y 〕］=∑∑ijijiipy x g ),(. 〔4.5〕当〔X ，Y 〕是二维连续型随机变量，其概率密度为f 〔x ，y 〕时，假设⎰⎰+∞∞-+∞∞-yx y x f y z g d d ),(),(绝对收敛，那么有E 〔Z 〕=E ［g 〔X ，Y 〕］=⎰⎰+∞∞-+∞∞-y x y x f y z g d d ),(),(. 〔4.6〕特别地有E 〔X 〕=⎰⎰+∞∞-+∞∞-y x y x xf d d ),(=⎰+∞∞-.)(x x xf X dE 〔Y 〕=⎰⎰+∞∞-+∞∞-y x y x yf d d ),(=⎰+∞∞-.)(y y yf Y d例4.5 设随机变量X 的分布律为表4-5求E 〔X 〕，E 〔-2x +1〕.解由〔4.5〕式得E 〔X 2〕=〔-1〕2×18+02×14+22×38+32×14=318， E 〔-2X +1〕=［-2×〔-1〕+1］×18+［-2×0+1］×14+［-2×2+1］×38+［-2×3+1］×14= -74. 例4.6 对球的直径作近似测量，设其值均匀分布在区间［a ，b ］内，求球体积的数学期望.解设随机变量X 表示球的直径，Y 表示球的体积，依题意，X 的概率密度为f 〔x 〕=⎪⎩⎪⎨⎧≤≤-.,0,,1其他b x a a b球体积Y =361X π，由〔4.6〕式得 E 〔Y 〕=x a b x X E ba d ππ-=⎰161)61(33=).)((24)(6223b a b a x x a b ba++=-⎰πd π例4.7 设国际市场每年对我国某种出口商品的需求量X 〔吨〕服从区间[2000，4000]上的均匀分布.假设售出这种商品1吨，可挣得外汇3万元，但假设销售不出而囤积于仓库，那么每吨需保管费1万元.问应预备多少吨这种商品，才能使国家的收益最大？解设预备这种商品y 吨〔2000≤y ≤4000〕，那么收益〔万元〕为g 〔X 〕=⎩⎨⎧<--≥.),(3,,3y X X y X y X y那么 E [g 〔X 〕]=⎰⎰-⋅=+∞∞-40002000200040001)()()(x x g x x f x g d d=[]⎰⎰+--40002000320001)(320001y y x y x x y x d d =)1047000(1000162⨯-+-y y . 当y =3500吨时，上式到达最大值.所以预备3500吨此种商品能使国家的收益最大，最大收益为8250万元.例4.8 设二维随机变量〔X ，Y 〕在区域A 上服从均匀分布，其中A 为x 轴，y 轴及直线x +2y=1所围成的三角区域，求E 〔X 〕，E 〔Y 〕，E 〔XY 〕. 解由于〔X ，Y 〕在A 内服从均匀分布，所以其概率密度f 〔x ，y 〕=⎪⎩⎪⎨⎧⎩⎨⎧∉∈=∉∈.),(,0,),(,1,),(,0,),(,1A y x A y x A y x A y x A 的面积 E 〔X 〕=12(1)001(,)d d d d d d ;3x Axf x y x y x x y x x y +∞+∞--∞-∞===⎰⎰⎰⎰⎰⎰E 〔Y 〕=2122(,)d d d d d d ;3y Ayf x y x y y x y y y x +∞+∞--∞-∞===⎰⎰⎰⎰⎰⎰E 〔XY 〕=;61)1(2),()1(2010210⎰⎰⎰⎰⎰+∞∞-+∞∞--=-==x x x x y y x x y x y x xyf d d d d d3.数学期望的性质下面讨论数学期望的几条重要性质.定理4.2 设随机变量X ，Y 的数学期望E 〔X 〕，E 〔Y 〕存在. 1°E 〔c 〕=c ，其中c 是常数； 2°E 〔cX 〕=cE 〔X 〕；3°E 〔X +Y 〕=E 〔X 〕+E 〔Y 〕；4°假设X ，Y 是互相独立的，那么有E 〔XY 〕=E 〔X 〕E 〔Y 〕.证就连续型的情况我们来证明性质3°、4°，离散型情况和其他性质的证明留给读者. 3°设二维随机变量〔X ，Y 〕的概率密度为f 〔x ，y 〕，其边缘概率密度为f X 〔x 〕，f Y 〔y 〕，那么E 〔X +Y 〕=⎰⎰+∞∞-+∞∞-+y x y x f y x d d ),()(=⎰⎰⎰⎰+∞∞-+∞∞-+∞∞-+∞∞-+y x y x yf y x y x xf d d d d ),(),(=)()()()(Y E X E y y yf x x xf Y X +=+⎰⎰+∞∞-+∞∞-d d .4°又假设X 和Y 互相独立，此时f 〔x ，y 〕=f X 〔x 〕f Y 〔y 〕，故E 〔XY 〕=⎰⎰⎰⎰+∞∞-+∞∞-+∞∞-+∞∞-=y x y f x xyf y x y x xyf Y X d d d d )()(),(=).()()()(Y E X E y y yf x x xf Y X =⋅⎰⎰+∞∞-+∞∞-d d性质3°可推广到任意有限个随机变量之和的情形；性质4°可推广到任意有限个互相独立的随机变量之积的情形.例4.9 设一电路中电流I 〔安〕与电阻R 〔欧〕是两个互相独立的随机变量，其概率密度分别为g 〔i 〕=⎩⎨⎧≤≤.,0,10,2其他i i h 〔r 〕=⎪⎩⎪⎨⎧≤≤.,0,30,92其他r r试求电压V =IR 的均值.解 E 〔V 〕=E 〔IR 〕=E 〔I 〕E 〔R 〕=2392)()(303102=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡⎰⎰⎰⎰∞+∞-∞+∞-r r i i r r rh i i ig d d d d 〔伏〕. 例4.10 设对某一目的进展射击，命中n 次才能彻底摧毁该目的，假定各次射击是独立的，并且每次射击命中的概率为p ，试求彻底摧毁这一目的平均消耗的炮弹数.解设X 为n 次击中目的所消耗的炮弹数，X k 表示第k -1次击中后至k 次击中目的之间所消耗的炮弹数，这样，X k 可取值1，2，3，…，其分布律见表4-6.表4-61X =X 1+X 2+…+X n .由性质3°可得E 〔X 〕=E 〔X 1〕+E 〔X 2〕+…+E 〔X n 〕=nE 〔X 1〕. 又 E〔X 1〕=,111pkpq k k =∑∞=- 故 E 〔X 〕=pn . 4.常用分布的数学期望〔1〕两点分布那么X 的数学期望为E 〔X 〕=0×〔1-p 〕+1×p =p .〔2〕二项分布设X 服从二项分布，其分布律为P {X =k }=kn k k n p p --)1(C , 〔k =0,1,2,…,n 〕，〔0<p <1〕.那么X 的数学期望为E 〔X 〕=∑∑==----=-nk nk k n k kn kknp p k n k n kp p k 0)1()!(!!)1(C=[]∑=----------nk k n k p pk n k n np)]1()1[(1)1(!)1()1()!1()!1(,令k -1=t ，那么E 〔X 〕=[]∑-=------10])1[()1(!)1(!)!1(n t t n t p p t n t n np=np [p +〔1-p 〕]n -1=np .假设利用数学期望的性质，将二项分布表示为n 个互相独立的0-1分布的和，计算过程将简单得多.事实上，假设设X 表示在n 次独立重复试验中事件A 发生的次数，X i 〔i =1,2,…,n 〕表示A 在第i 次试验中出现的次数，那么有X =1nii X=∑.显然，这里X所以E 〔X i 〕=p ,i =1,2,…,n .由定理4.2的性质3°有E 〔X 〕=∑∑===⎪⎭⎫ ⎝⎛ni i n i i X E X E 11)( =np .〔3〕泊松分布设X 服从泊松分布，其分布律为P {X =k }=λλ-e !k k，〔k =0,1,2,…〕，〔λ>0〕.那么X 的数学期望为E 〔X 〕=∑∑∞=--∞=--=11)!1(!k k k kk k k λλλλλee,令k -1=t ，那么有E 〔X 〕=.!0λλλλλλλ=⋅=-∞=-∑e e ek tt .〔4〕均匀分布设X 服从[a ,b ]上的均匀分布，其概率密度函数为f 〔x 〕=⎪⎩⎪⎨⎧≤≤-.,0,,1其他b x a a b那么X 的数学期望为E 〔X 〕=.2)(ba x ab x x x xf ba +=-=⎰⎰+∞∞-d d . 〔5〕指数分布设X 服从指数分布，其分布密度为f 〔x 〕=⎩⎨⎧<≥-.0,0,0,x x x λλe那么X 的数学期望为E 〔X 〕=1()d e d x xf x x x x λλλ+∞+∞--∞-∞==⎰⎰.〔6〕正态分布设X ~N 〔μ,σ2〕，其分布密度为f 〔x 〕=222)(21σμσ--x e π，那么X 的数学期望为E 〔X 〕=22()2()d ed ,x xf x x x x μσ--+∞+∞-∞-∞=⎰令σμ-x =t ，那么E 〔X 〕=⎰∞+∞--+t t t d e π22)(21σμ 注意到t t d eπ⎰∞+∞--222μ=μ,t σt t d e π⎰∞+∞--2221=0，故有E 〔X 〕=μ.第二节方差1.方差的定义数学期望描绘了随机变量取值的“平均〞.有时仅知道这个平均值还不够.例如，有A ，B 两名射手，他们每次射击命中的环数分别为X ，Y ，X ，Y 的分布律为：由于E 〔X 〕=E 〔Y 〕=9〔环〕，可见从均值的角度是分不出谁的射击技术更高，故还需考虑其他的因素.通常的想法是：在射击的平均环数相等的条件下进一步衡量谁的射击技术更稳定些.也就是看谁命中的环数比较集中于平均值的附近，通常人们会采用命中的环数X 与它的平均值E 〔X 〕之间的离差｜X -E 〔X 〕｜的均值E ［｜X -E 〔X 〕｜］来度量，E ［｜X -E 〔X 〕｜］愈小，说明X 的值愈集中于E 〔X 〕的附近，即技术稳定；E ［｜X -E 〔X 〕｜］愈大，说明X 的值很分散，技术不稳定.但由于E ［｜X -E 〔X 〕｜］带有绝对值，运算不便，故通常采用X 与E 〔X 〕的离差｜X -E 〔X 〕｜的平方平均值E ［X -E 〔X 〕］2来度量随机变量X 取值的分散程度.此例中，由于E ［X -E 〔X 〕］2=0.2×〔8-9〕2+0.6×〔9-9〕2+0.2×〔10-9〕2=0.4， E ［Y -E 〔Y 〕］2=0.1×〔8-9〕2+0.8×〔9-9〕2+0.1×〔10-9〕2=0.2.由此可见B 的技术更稳定些.定义4.2 设X 是一个随机变量，假设E ［X -E 〔X 〕］2存在，那么称E ［X -E 〔X 〕］2为X 的方差〔Variance 〕，记为D 〔X 〕，即D 〔X 〕=E ［X -E 〔X 〕］2. 〔4.7〕称)(X D 为随机变量X 的标准差〔Standard deviation 〕或均方差〔Mean square deviation 〕，记为σ〔X 〕.根据定义可知，随机变量X 的方差反映了随机变量的取值与其数学期望的偏离程度.假设X 取值比较集中，那么D 〔X 〕较小，反之，假设X 取值比较分散，那么D 〔X 〕较大. 由于方差是随机变量X 的函数g 〔X 〕=［X -E 〔X 〕］2的数学期望.假设离散型随机变量X 的分布律为P {X =x k }=p k ，k =1，2，…，那么D 〔X 〕=k k kp X E x∑∞=-12)]([. 〔4.8〕假设连续型随机变量X 的概率密度为f 〔x 〕，那么D 〔X 〕=⎰+∞∞--.)()]([2x x f X E x d 〔4.9〕由此可见，方差D 〔X 〕是一个常数，它由随机变量的分布惟一确定.根据数学期望的性质可得：D 〔X 〕=E ［X -E 〔X 〕］2=E ［X 2-2X ·E 〔X 〕+［E 〔X 〕］2］=E 〔X 2〕-2E 〔X 〕·E 〔X 〕+［E 〔X 〕］2=E 〔X 2〕-［E 〔X 〕］2.于是得到常用计算方差的简便公式D 〔X 〕=E 〔X 2〕-［E 〔X 〕］2. 〔4.10〕例4.11 设有甲，乙两种棉花，从中各抽取等量的样品进展检验，结果如下表：其中X ，Y 分别表示甲，乙两种棉花的纤维的长度〔单位：毫米〕，求D 〔X 〕与D 〔Y 〕，且评定它们的质量.解由于E 〔X 〕=28×0.1+29×0.15+30×0.5+31×0.15+32×0.1=30， E 〔Y 〕=28×0.13+29×0.17+30×0.4+31×0.17+32×0.13=30，故得D 〔X 〕=〔28-30〕2×0.1+〔29-30〕2×0.15+〔30-30〕2×0.5+〔31-30〕2×0.15+〔32-30〕2×0.1=4×0.1+1×0.15+0×0.5+1×0.15+4×0.1=1.1，D 〔Y 〕=〔28-30〕2×0.13+〔29-30〕2×0.17+〔30-30〕2×0.4+〔31-30〕2×0.17+〔32-30〕2×0.13=4×0.13+1×0.17+0×0.4+1×0.17+4×0.13=1.38.因D 〔X 〕＜D 〔Y 〕，所以甲种棉花纤维长度的方差小些，说明其纤维比较均匀，故甲种棉花质量较好.例4.12 设随机变量X 的概率密度为f 〔x 〕=⎪⎩⎪⎨⎧<≤-<≤-+.,0,10,1,01,1其他x x x x求D 〔X 〕.解 E 〔X 〕=⎰⎰-++-11)1()1(x x x x x x d d =0，E 〔X 2〕=⎰⎰-++-12012)1()1(x x x x x x d d =1/6，于是 D 〔X 〕=E 〔X 2〕-［E 〔X 〕］2=1/6.2.方差的性质方差有下面几条重要的性质.设随机变量X 与Y 的方差存在，那么 1°设c 为常数，那么D 〔c 〕=0；2°设c 为常数，那么D 〔cX 〕=c 2D 〔X 〕； 3°D 〔X ±Y 〕=D 〔X 〕+D 〔Y 〕±2E ［〔X -E 〔X 〕〕〔Y -E 〔Y 〕〕］； 4°假设X ，Y 互相独立，那么D 〔X ±Y 〕=D 〔X 〕+D 〔Y 〕； 5°对任意的常数c ≠E 〔X 〕，有D 〔X 〕<E [〔X -c 〕2]. 证仅证性质4°，5°. 4°D 〔X ±Y 〕=E ［〔X ±Y 〕-E 〔X ±Y 〕］2=E ［〔X -E 〔X 〕〕±〔Y -E 〔Y 〕〕］2=E ［X -E 〔X 〕］2±2E ［〔X -E 〔X 〕〕〔Y -E 〔Y 〕〕］+E ［Y -E 〔Y 〕］2 =D 〔X 〕+D 〔Y 〕±2E ［〔X -E 〔X 〕〕〔Y -E 〔Y 〕〕］.当X 与Y 互相独立时，X -E 〔X 〕与Y -E 〔Y 〕也互相独立，由数学期望的性质有E ［〔X -E 〔X 〕〕〔Y -E 〔Y 〕〕］=E 〔X -E 〔X 〕〕E 〔Y -E 〔Y 〕〕=0.因此有D 〔X ±Y 〕=D 〔X 〕+D 〔Y 〕.性质4°可以推广到任意有限多个互相独立的随机变量之和的情况.5°对任意常数c ，有E [〔X -c 〕2]=E [〔X -E 〔X 〕+E 〔X 〕-c 〕2]=E [〔X -E 〔X 〕〕2]+2〔E 〔X 〕-c 〕·E [X -E 〔X 〕]+〔E 〔X 〕-c 〕2=D 〔X 〕+〔E 〔X 〕-c 〕2.故对任意常数c ≠EX ,有DX <E [〔X -c 〕2].例4.13 设随机变量X 的数学期望为E 〔X 〕，方差D 〔X 〕=σ2〔σ＞0〕，令Y =σ)(X E X -，求E 〔Y 〕，D 〔Y 〕.解 E 〔Y 〕=[],0)()(1)]([1)(=-=-=⎥⎦⎤⎢⎣⎡-X E X E X E X E X E X E σσσ D 〔Y 〕=.1)(1)]([1)(2222===-=⎥⎦⎤⎢⎣⎡-σσσσσX D X E X D X E X D 常称Y 为X 的标准化随机变量.例4.14 设X 1，X 2，…，X n 互相独立，且服从同一〔0-1〕分布，分布律为P {X i =0}=1-p ,P {X i =1}=p , i =1,2，…，n .证明 X =X 1+X 2+…+X n 服从参数为n ，p 的二项分布，并求E 〔X 〕和D 〔X 〕.解 X 所有可能取值为0，1，…，n ，由独立性知X 以特定的方式〔例如前k 个取1，后n -k 个取0〕取k 〔0≤k ≤n 〕的概率为p k 〔1-p 〕n -k,而X 取k 的两两互不相容的方式共有knC 种，故P {X =k }=kn C p k 〔1-p 〕n -k , k =0，1，2，…，n ,即X 服从参数为n ，p 的二项分布. 由于E 〔X i 〕=0×〔1-p 〕+1×p =p ，D 〔X i 〕=〔0-p 〕2×〔1-p 〕+〔1-p 〕2×p =p 〔1-p 〕， i =1，2，…，n ，故有E 〔X 〕=.)(11np X E X E ni i n i i ==⎪⎭⎫ ⎝⎛∑∑==由于X 1，X 2，…，X n 互相独立，得D 〔X 〕= ).1()(11p np X D X D ni i n i i -==⎪⎭⎫ ⎝⎛∑∑==3.常用分布的方差〔1〕〔0-1〕分布设X 服从参数为p 的0-1分布，其分布律为由例4.14知，D 〔X 〕=p 〔1-p 〕. 〔2〕二项分布设X 服从参数为n ,p 的二项分布，由例4.14知，D 〔X 〕=np 〔1-p 〕. 〔3〕泊松分布设X 服从参数为λ的泊松分布，由上一节知E 〔X 〕=λ，又E 〔X 2〕=E [X 〔X -1〕+X ]=E [X 〔X -1〕]+E 〔X 〕=∑∑∞=--∞=-+-=+-2220)!2(!)1(k k k kk k k k λλλλλλλee=λ2e -λ·e λ+λ=λ2+λ,从而有D 〔X 〕=E 〔X 2〕-[E 〔X 〕]2=λ2+λ -λ2=λ.〔4〕均匀分布设X 服从[a ,b ]上的均匀分布，由上一节知E 〔X 〕=2ba +，又 E 〔X 2〕=3222b ab a x a b x ba ++=-⎰d , 所以D 〔X 〕=E 〔X 2〕-[E 〔X 〕]2=12)()(41)(312222a b b a b ab a -=+-++.〔5〕指数分布设X 服从参数为λ的指数分布，由上一节知.E 〔X 〕=1/λ，又E 〔X 2〕=222λλλ=⎰-bax x x d e ,所以D 〔X 〕=E 〔X 2〕-[E 〔X 〕]2=.112222λλλ=⎪⎭⎫⎝⎛-〔6〕正态分布设X ~N 〔μ,σ2〕，由上一节知E 〔X 〕=μ，从而D 〔X 〕=[]⎰⎰∞+∞--∞+∞--=--d e πd x x x x f X E x x 222)(2221)()()(σμσμ令σμ-x =t 那么D 〔X 〕=)(22222222222⎰⎰∞+∞--∞+∞--∞+∞--+-=t t t t t t t d eeπd eπσσ=)20(22ππ+σ =σ2.由此可知：正态分布的概率密度中的两个参数μ和σ分别是该分布的数学期望和均方差.因此正态分布完全可由它的数学期望和方差所确定.再者，由上一章第五节例3.17知道，假设X i ~N 〔μi ,σi 2〕,i =1,2,…,n ，且它们互相独立，那么它们的线性组合c 1X 1+c 2X 2+…+c n X n 〔c 1，c 2，…，c n 是不全为零的常数〕仍然服从正态分布.于是由数学期望和方差的性质知道：c 1X 1+c 2X 2+…+c n X n ~⎪⎭⎫⎝⎛∑∑==n i ni i i i i c c N 1122,σμ.这是一个重要的结果.例4.15 设活塞的直径〔以cm 计〕X ~N 〔22.40,0.032〕，气缸的直径Y ~N 〔22.50,0.042〕，X ，Y 互相独立，任取一只活塞，任取一只气缸，求活塞能装入气缸的概率. 解按题意需求P {X <Y }=P {X -Y <0}. 令Z =X -Y ，那么E 〔Z 〕=E 〔X 〕-E 〔Y 〕=22.40-22.50=-0.10, D 〔Z 〕=D 〔X 〕+D 〔Y 〕=0.032+0.042=0.052,即Z ~N 〔-0.10,0.052〕, 故有P {X <Y }=P {Z <0}=⎪⎭⎫⎝⎛Φ=⎭⎬⎫⎩⎨⎧--<--05.010.005.0)10.0(005.0)10.0(Z P =Φ〔2〕=0.9772.第三节协方差与相关系数对于二维随机变量〔X ，Y 〕，数学期望E 〔X 〕，E 〔Y 〕只反映了X 和Y 各自的平均值，而D 〔X 〕，D 〔Y 〕反映的是X 和Y 各自偏离平均值的程度，它们都没有反映X 与Y 之间的关系.在实际问题中，每对随机变量往往互相影响、互相联络.例如，人的年龄与身高；某种产品的产量与价格等.随机变量的这种互相联络称为相关关系，它们也是一类重要的数字特征，本节讨论有关这方面的数字特征.定义4.3 设〔X ，Y 〕为二维随机变量，称E {［X -E 〔X 〕］［Y -E 〔Y 〕］}为随机变量X ，Y 的协方差〔Covariance 〕，记为Cov 〔X ，Y 〕，即Cov 〔X ，Y 〕=E {［X -E 〔X 〕］［Y -E 〔Y 〕］}. 〔4.11〕而)()(),cov(Y D X D Y X 称为随机变量X ，Y 的相关系数〔Correlation coefficient 〕或标准协方差〔Standard covariance 〕，记为ρXY ，即ρXY =)()(),cov(Y D X D Y X . 〔4.12〕特别地，Cov 〔X ,X 〕=E {[X -E 〔X 〕][X -E 〔X 〕]}=D 〔X 〕， Cov 〔Y ,Y 〕=E {[Y -E 〔Y 〕][Y -E 〔Y 〕]}=D 〔Y 〕.故方差D 〔X 〕，D 〔Y 〕是协方差的特例.由上述定义及方差的性质可得D 〔X ±Y 〕=D 〔X 〕+D 〔Y 〕±2Cov 〔X ,Y 〕.由协方差的定义及数学期望的性质可得以下实用计算公式Cov 〔X ，Y 〕=E 〔XY 〕-E 〔X 〕E 〔Y 〕. 〔4.13〕假设〔X ，Y 〕为二维离散型随机变量，其结合分布律为P {X =x i ，Y =y j }=p ij ，i ，j =1，2，…，那么有Cov 〔X ，Y 〕=[][]∑∑--ijijiipY E y X E x )()(. 〔4.14〕假设〔X ，Y 〕为二维连续型随机变量，其概率密度为f 〔x ，y 〕，那么有Cov 〔X ，Y 〕=[][]⎰⎰+∞∞-+∞∞---y x y x f Y E y X E x d d ),()()(. 〔4.15〕例4.16 设〔X ，Y 〕的分布律为表4-120＜p ＜1,求Cov 〔X ,Y 〕和XY .解易知X 的分布律为P {X =1}=p ,P {X =0}=1-p ，故 E 〔X 〕=p , D 〔X 〕=p 〔1-p 〕.同理E 〔Y 〕=p ,D 〔Y 〕=p 〔1-p 〕,因此Cov 〔X ,Y 〕=E 〔XY 〕-E 〔X 〕·E 〔Y 〕=p -p 2=p 〔1-p 〕，而ρXY =1)1()1()1(),cov(=-⋅--=⋅p p p p p p DY DX Y X例4.17 设〔X ，Y 〕的概率密度为f 〔x ，y 〕=⎩⎨⎧<<<<+.,0,10,10,其他y x y x求Cov 〔X ，Y 〕.解由于f X 〔x 〕=⎪⎩⎪⎨⎧<<+,,0,10,21其他x x f Y 〔y 〕=⎪⎩⎪⎨⎧<<+.,0,10,21其他y y E 〔X 〕=127)21(10=+⎰x x x d ，E 〔Y 〕=127)21(10=+⎰y y y d ，E 〔XY 〕=31)(10102101021010=+=+⎰⎰⎰⎰⎰⎰y x xy y x y x y x y x xy d d d d d d因此 Cov 〔X ，Y 〕=E 〔XY 〕-E 〔X 〕E 〔Y 〕=144112712731-=⨯-. 协方差具有以下性质：1°假设X 与Y 互相独立，那么Cov 〔X ，Y 〕=0； 2°Cov 〔X ，Y 〕=Cov 〔Y ，X 〕； 3°Cov 〔aX ，bY 〕=ab Cov 〔X ，Y 〕；4°Cov 〔X 1+X 2，Y 〕=Cov 〔X 1，Y 〕+Cov 〔X 2，Y 〕. 证仅证性质4°，其余留给读者.Cov 〔X 1+X 2，Y 〕 =E ［〔X 1+X 2〕Y ］-E 〔X 1+X 2〕E 〔Y 〕=E 〔X 1Y 〕+E 〔X 2Y 〕-E 〔X 1〕E 〔Y 〕-E 〔X 2〕E 〔Y 〕 =［E 〔X 1Y 〕-E 〔X 1〕E 〔Y 〕］+［E 〔X 2Y 〕-E 〔X 2〕E 〔Y 〕］ =Cov 〔X 1，Y 〕+Cov 〔X 2，Y 〕.下面给出相关系数ρXY 的几条重要性质，并说明ρXY 的含义.定理4.3 设D 〔X 〕＞0，D 〔Y 〕＞0，ρXY 为〔X ，Y 〕的相关系数，那么 1°假设X ，Y 互相独立，那么ρXY =0； 2°｜ρXY ｜≤1；3°｜ρXY ｜=1的充要条件是存在常数a ，b 使P {Y =aX +b }=1〔a ≠0〕. 证由协方差的性质1°及相关系数的定义可知1°成立. 2°对任意实数t ，有D 〔Y -tX 〕=E ［〔Y -tX 〕-E 〔Y -tX 〕］2=E ［〔Y -E 〔Y 〕〕-t 〔X -E 〔X 〕〕］2 =E [Y -E 〔Y 〕]2-2tE ［Y -E 〔Y 〕］［X -E 〔X 〕］+t 2E ［X -E〔X 〕］2=t 2D 〔X 〕-2t Cov 〔X ，Y 〕+D 〔Y 〕=[])(),cov()()(),cov()(22X D Y X Y D X D Y X t X D -+⎥⎦⎤⎢⎣⎡-. 令t =)(),cov(X D Y X =b ，于是D 〔Y -bX 〕=[][]).1)(()()(),cov(1)()(),cov()(222XY Y D Y D X D Y X Y D X D Y X Y D ρ-=⎥⎦⎤⎢⎣⎡-=-由于方差不能为负，所以1-2XY ρ≥0，从而｜ρXY ｜≤1.性质3°的证明较复杂，从略.当ρXY =0时，称X 与Y 不相关，由性质1°可知，当X 与Y 互相独立时，ρXY =0，即X 与Y 不相关.反之不一定成立，即X 与Y 不相关，X 与Y 却不一定互相独立.例4.18 设X 服从[0,2π]上均匀分布，Y =cos X ,Z =cos 〔X +a 〕，这里a 是常数.求ρYZ .解 E 〔Y 〕=⎰⋅πd π2021cos x x =0, E 〔Z 〕= ⎰+πd π20)cos(21x a x =0, D 〔Y 〕=E {[Y -E 〔Y 〕]2}=21cos 21202=⎰πd πx x , D 〔Z 〕=E {[Z -E 〔Z 〕]2}=21)(cos 21202=+⎰πd πx a x , Cov 〔Y ,Z 〕=E {[Y -E 〔Y 〕][Z -E 〔Z 〕]}= a x a x x cos 21)cos(cos 2120=+•⎰πd π, 因此 ρYZ =.cos 2121cos 21)()(),cov(a a Z D Y D Z Y =⋅=⋅ ① 当a =0时，ρYZ =1，Y =Z ，存在线性关系；② 当a=π时，ρYZ =-1，Y =-Z ，存在线性关系； ③ 当a =2π或23π时，ρYZ =0，这时Y 与Z 不相关，但这时却有Y 2+Z 2=1，因此，Y 与Z不独立.这个例子说明：当两个随机变量不相关时，它们并不一定互相独立，它们之间还可能存在其他的函数关系.定理4.3 告诉我们，相关系数ρXY 描绘了随机变量X ，Y 的线性相关程度，｜ρXY ｜愈接近1，那么X 与Y 之间愈接近线性关系.当｜ρXY ｜=1时，X 与Y 之间依概率1线性相关.不过，下例说明当〔X ，Y 〕是二维正态随机变量时，X 和Y 不相关与X 和Y 互相独立是等价的.例4.19 设〔X ，Y 〕服从二维正态分布，它的概率密度为f 〔x ，y 〕=⨯-221121ρσσπ⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧⎥⎦⎤⎢⎣⎡-+------2222212121212)())((2)()1(21exp σμσσμμρσμρy y x x 求Cov 〔X ，Y 〕和ρXY .解可以计算得〔X ，Y 〕的边缘概率密度为f X 〔x 〕=21212)(121σμσ--x e π，-∞＜x ＜+∞，f Y 〔y 〕=22222)(221σμσ--x e π，-∞＜y ＜+∞，故E 〔X 〕=μ1，E 〔Y 〕=μ2， D 〔X 〕=σ12，D 〔Y 〕=σ22. 而Cov 〔X ，Y 〕=⨯-=--⎰⎰+∞∞-+∞∞-22121121),()()(ρσπσμμy x y x f y x d dy x y x x y x d d ee-2112222121)1(212)(21)()(⎥⎦⎤⎢⎣⎡------∞+∞-∞+∞---⎰⎰σμρσμρσμμμ令t =⎪⎪⎭⎫⎝⎛----1122211σμρσμρx y ，u =11σμ-x ，那么 Cov 〔X ，Y 〕=⎰⎰∞+∞-∞+∞---+-u t u tu t u d d e π2222122122)1(21σρσρσσ =⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛⎰⎰∞+∞--∞+∞--t e u u t u d d e π22221222ρσσ +⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫⎝⎛-⎰⎰∞+∞--∞+∞--t t u u t u d e d eπ222212221ρσσ =.2222121σρσσρσ=⋅πππ于是ρXY=ρ.这说明二维正态随机变量〔X ，Y 〕的概率密度中的参数ρ就是X 和Y 的相关系数，从而二维正态随机变量的分布完全可由X ，Y 的各自的数学期望、方差以及它们的相关系数所确定.由上一章讨论可知，假设〔X ，Y 〕服从二维正态分布，那么X 和Y 互相独立的充要条件是ρ=0，即X 与Y 不相关.因此，对于二维正态随机变量〔X ，Y 〕来说，X 和Y 不相关与X 和Y 互相独立是等价的.第四节矩、协方差矩阵数学期望、方差、协方差是随机变量最常用的数字特征，它们都是特殊的矩〔Moment 〕.矩是更广泛的数字特征.定义4.4 设X 和Y 是随机变量，假设E 〔X k 〕，k =1，2，…存在，称它为X 的k 阶原点矩，简称k 阶矩.假设 E ［X -E 〔X 〕］k , k =1，2，… 存在，称它为X 的k 阶中心矩.假设 E 〔X k Y l 〕, k ，l =1，2，… 存在，称它为X 和Y 的k +l 阶混合矩.假设 E {［X -E 〔X 〕］k ［Y -E 〔Y 〕］l } 存在，称它为X 和Y 的k +l 阶混合中心矩.显然，X 的数学期望E 〔X 〕是X 的一阶原点矩，方差D 〔X 〕是X 的二阶中心矩，协方差Cov 〔X ，Y 〕是X 和Y 的1+1阶混合中心矩.当X 为离散型随机变量，其分布律为P {X =x i }=p i ，那么E 〔X k〕=∑∞=1i i kip x,E ［X -E 〔X 〕］k=1[()]kii i x E X p ∞=-∑.当X 为连续型随机变量，其概率密度为f 〔x 〕，那么E 〔X k 〕=⎰+∞∞-x x f x k d )(,E ［X -E 〔X 〕］k =⎰+∞∞--x x f X E x k d )()]([.下面介绍n 维随机变量的协方差矩阵.设n 维随机变量〔X 1，X 2，…，X n 〕的1+1阶混合中心矩σij =Cov 〔X i ，X j 〕=E {［X i -E 〔X i 〕］［X j -E 〔X j 〕］}, i ，j =1，2，…，n都存在，那么称矩阵Σ=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡nn n n n n σσσσσσσσσ 212222111211 为n 维随机变量〔X 1，X 2，…，X n 〕的协方差矩阵. 由于σij =σji 〔i ，j =1，2，…，n 〕，因此Σ是一个对称矩阵. 协方差矩阵给出了n 维随机变量的全部方差及协方差，因此在研究n 维随机变量的统计规律时，协方差矩阵是很重要的.利用协方差矩阵还可以引入n 维正态分布的概率密度. 首先用协方差矩阵重写二维正态随机变量〔X 1，X 2〕的概率密度. f 〔x 1，x 2〕=221121ρσσ-π×.)())((2)()1(21exp 22222212211212112⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧⎥⎦⎤⎢⎣⎡-+------σμσσμμρσμρx x x x 令X =⎪⎪⎭⎫⎝⎛21x x ，μ=⎪⎪⎭⎫⎝⎛21μμ，〔X 1，X 2〕的协方差矩阵为 Σ=.2121212122211211⎪⎪⎭⎫⎝⎛=⎪⎪⎭⎫ ⎝⎛σσρσσρσσσσσσ 它的行列式｜Σ｜=σ12σ22〔1-ρ2〕,逆阵Σ-1=.121212122⎪⎪⎭⎫⎝⎛--σσρσσρσσ∑ 由于〔X -μ〕T Σ-1〔X -μ〕= .),(12211212121222211⎪⎪⎭⎫⎝⎛--⎪⎪⎭⎫ ⎝⎛----μμσσρσσρσσμμx x x x ∑ =,)())((2)(1122222212211212112⎥⎦⎤⎢⎣⎡-+-----σμσσμμρσμρx x x x , 因此〔X 1,X 2〕的概率密度可写成f 〔x 1,x 2〕=.)()(21exp 211⎭⎬⎫⎩⎨⎧----μ∑μ∑X X T π上式容易推广到n 维的情形.设〔X 1,X 2,…,X n 〕是n 维随机变量,令X =⎪⎪⎪⎪⎪⎭⎫ ⎝⎛n x x x 21, μ=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛)()()(2121n n X E X E X E μμμ，定义n 维正态随机变量〔X 1,X 2,…,X n 〕的概率密度为f 〔x 1,x 2,…,x n 〕=111exp ()().2(2T nX X πμμ-⎧⎫--∑-⎨⎬⎩⎭其中Σ是〔X 1,X 2,…,X n 〕的协方差矩阵.n 维正态随机变量具有以下几条重要性质: 1°n 维随机变量〔X 1，X 2，…，X n 〕服从n 维正态分布的充要条件是X 1，X 2，…，X n的任意的线性组合l 1X 1+l 2X 2+…+l n X n服从一维正态分布.〔其中l 1,l 2,…,l n 不全为零〕.2°假设〔X 1，X 2，…，X n 〕服从n 维正态分布,设Y 1,Y 2,…，Y k 是X 1，X 2，…，X n 的线性函数，那么〔Y 1，Y 2，…，Y k 〕服从k 维正态分布.3°设〔X 1，X 2，…，X n 〕服从n 维正态分布，那么X 1，X 2，…，X n 互相独立的充要条件是X 1，X 2，…，X n 两两不相关.小结随机变量的数字特征是由随机变量的分布确定的，能描绘随机变量某一个方面的特征的常数.最重要的数字特征是数学期望和方差.数学期望E〔X〕描绘随机变量X取值的平均大小，方差D〔X〕=E{[X-E〔X〕]2}描绘随机变量X与它自己的数学期望E〔X〕的偏离程度.数学期望和方差虽不能像分布函数、分布律、概率密度一样完好地描绘随机变量，但它们能描绘随机变量的重要方面或人们最关心方面的特征，它们在应用和理论上都非常重要.要掌握随机变量的函数Y=g〔X〕的数学期望E〔Y〕=E[g〔X〕]的计算公式〔4.3〕和〔4.4〕.这两个公式的意义在于当我们求E〔Y〕时，不必先求出Y=g〔X〕的分布律或概率密度，而只需利用X的分布律或概率密度就可以了，这样做的好处是明显的.我们常利用公式D〔X〕=E〔X2〕-[E〔X〕]2来计算方差D〔X〕，请注意这里E〔X2〕和[E〔X〕]2的区别.要掌握数学期望和方差的性质，提请读者注意的是：〔1〕当X1，X2独立或X1，X2不相关时，才有E〔X1X2〕=E〔X1〕·E〔X2〕；〔2〕设c为常数，那么有D〔cX〕=c2D〔X〕；〔3〕D〔X1±X2〕=D〔X1〕+D〔X2〕±2Cov〔X1，X2〕，当X1，X2独立或不相关时才有D〔X1+X2〕=D〔X1〕+D〔X2〕.例如：假设X1，X2独立，那么有D〔2X1-3X2〕=4D〔X1〕+9D〔X2〕.相关系数ρXY有时也称为线性相关系数，它是一个可以用来描绘随机变量〔X，Y〕的两个分量X，Y之间的线性关系严密程度的数字特征.当|ρXY|较小时X，Y的线性相关的程度较差；当ρXY=0时称X，Y不相关.不相关是指X，Y之间不存在线性关系，X，Y不相关，它们还可能存在除线性关系之外的关系〔参见第3节例4.18〕，又由于X，Y互相独立是指X，Y的一般关系而言的，因此有以下的结论：X，Y互相独立那么X，Y一定不相关；反之，假设X，Y不相关那么X，Y不一定互相独立.特别，对于二维正态变量〔X，Y，〕，X和Y不相关与X和Y互相独立是等价的.而二元正态变量的相关系数ρXY就是参数ρ.于是，用“ρ=0〞是否成立来检验X，Y是否互相独立是很方便的.重要术语及主题数学期望随机变量函数的数学期望数学期望的性质方差标准差方差的性质协方差相关系数相关系数的性质X,Y不相关矩协方差矩阵分布名称分布律或概率密度期望方差参数范围两点分布P{X=1}=p, P{X=0}=q p pq 0<p<1q=1-p二项分布X~B〔n,p〕P{X=k}=knkknqpC〔k=0,1,2,…,n〕np npq 0<p<1q=1-pn为自然数习题四求E 〔X 〕，E 〔X 〕，E 〔2X +3〕.2.100个产品中有10个次品，求任意取出的5个产品中的次品数的数学期望、方差. 1234.袋中有N 只球，其中的白球数X 为一随机变量，E 〔X 〕=n ，问从袋中任取1球为白球的概率是多少？5.设随机变量X 的概率密度为f 〔x 〕=⎪⎩⎪⎨⎧≤≤-<≤.,0,21,2,10,其他x x x x求E 〔X 〕，D 〔X 〕.6.设随机变量X ，Y ，Z 互相独立，且E 〔X 〕=5，E 〔Y 〕=11，E 〔Z 〕=8，求以下随机变量的数学期望.〔1〕 U =2X +3Y +1；〔2〕 V =YZ -4X .7.设随机变量X ，Y 互相独立，且E 〔X 〕=E 〔Y 〕=3，D 〔X 〕=12，D 〔Y 〕=16，求E 〔3X -2Y 〕，D 〔2X -3Y 〕.8.设随机变量〔X ，Y 〕的概率密度为f 〔x ，y 〕=⎩⎨⎧<<<<.,0,0,10,其他x y x k试确定常数k ，并求E 〔XY 〕.9.设X ，Y 是互相独立的随机变量，其概率密度分别为f X 〔x 〕=⎩⎨⎧≤≤;,0,10,2其他x x f Y 〔y 〕=⎩⎨⎧>--.,0,0,)5(其他y y e 求E 〔XY 〕.10.设随机变量X ，Y 的概率密度分别为f X 〔x 〕=⎩⎨⎧≤>-;0,0,0,22x x x e f Y 〔y 〕=⎩⎨⎧≤>-.0,0,0,44y y y e 求〔1〕 E 〔X +Y 〕;〔2〕 E 〔2X -3Y 2〕.11.设随机变量X 的概率密度为f 〔x 〕=⎪⎩⎪⎨⎧<≥-.0,0,0,22x x cx xke求〔1〕系数c ;〔2〕 E 〔X 〕;〔3〕 D 〔X 〕.12.袋中有12个零件，其中9个合格品，3个废品.安装机器时，从袋中一个一个地取出〔取出后不放回〕，设在取出合格品之前已取出的废品数为随机变量X ，求E 〔X 〕和D 〔X 〕. 13.一工厂消费某种设备的寿命X 〔以年计〕服从指数分布，概率密度为f 〔x 〕=⎪⎩⎪⎨⎧≤>-.0,0,0,414x x xe为确保消费者的利益，工厂规定出售的设备假设在一年内损坏可以调换.假设售出一台设备，工厂获利100元，而调换一台那么损失200元，试求工厂出售一台设备赢利的数学期望. 14.设X 1，X 2，…，X n 是互相独立的随机变量，且有E 〔X i 〕=μ，D 〔X i 〕=σ2，i =1，2，…，n ，记∑==n i i S X n X 12,1，S 2=∑=--ni i X X n 12)(11. 〔1〕验证)(X E =μ，)(X D =n2σ；〔2〕验证S 2=)(11122∑=--ni i X n X n ；〔3〕验证E 〔S 2〕=σ2.15.对随机变量X 和Y ，D 〔X 〕=2，D 〔Y 〕=3，Cov 〔X ,Y 〕=-1, 计算：Cov 〔3X -2Y +1，X +4Y -3〕.16.设二维随机变量〔X ，Y 〕的概率密度为f 〔x ，y 〕=⎪⎩⎪⎨⎧≤+.,0,1122其他y x ，π试验证X 和Y 是不相关的，但X 和Y 不是互相独立的.验证X 和Y 是不相关的，但X 和Y 不是互相独立的. 18.设二维随机变量〔X ，Y 〕在以〔0，0〕，〔0，1〕，〔1，0〕为顶点的三角形区域上服从均匀分布，求Cov 〔X ，Y 〕，ρXY . 19.设〔X ，Y 〕的概率密度为f 〔x ，y 〕=⎪⎩⎪⎨⎧≤≤≤≤+.0,20,20),sin(21其他,y x y x ππ求协方差Cov 〔X ，Y 〕和相关系数ρXY . 20.二维随机变量〔X ，Y 〕的协方差矩阵为⎥⎦⎤⎢⎣⎡4111，试求Z 1=X -2Y 和Z 2=2X -Y 的相关系数. 21.对于两个随机变量V ，W ，假设E 〔V 2〕，E 〔W 2〕存在，证明：［E 〔VW 〕］2≤E 〔V 2〕E 〔W 2〕.这一不等式称为柯西许瓦兹〔Couchy -Schwarz 〕不等式.22.假设一设备开机后无故障工作的时间X 服从参数λ=1/5的指数分布.设备定时开机，出现故障时自动关机，而在无故障的情况下工作2小时便关机.试求该设备每次开机无故障工作的时间Y 的分布函数F 〔y 〕. 〔2002研考〕 23.甲、乙两箱中装有同种产品，其中甲箱中装有3件合格品和3件次品，乙箱中仅装有3件合格品.从甲箱中任取3件产品放乙箱后，求：〔1〕乙箱中次品件数Z 的数学期望；〔2〕从乙箱中任取一件产品是次品的概率. 〔2003研考〕 24.假设由自动线加工的某种零件的内径X 〔毫米〕服从正态分布N 〔μ,1〕，内径小于10或大于12为不合格品，其余为合格品.销售每件合格品获利，销售每件不合格品亏损，销售利润T 〔单位：元〕与销售零件的内径X 有如下关系T =⎪⎩⎪⎨⎧>-≤≤<-.12,5,1210,20,10,1X X X 若若若问：平均直径μ取何值时，销售一个零件的平均利润最大？〔1994研考〕25.设随机变量X 的概率密度为f 〔x 〕=⎪⎩⎪⎨⎧≤≤.,0,0,2cos 21其他πx x对X 独立地重复观察4次，用Y 表示观察值大于π/3的次数，求Y 2的数学期望.〔2002研考〕26.两台同样的自动记录仪，每台无故障工作的时间T i 〔i =1,2〕服从参数为5的指数分布，首先开动其中一台，当其发生故障时停用而另一台自动开启.试求两台记录仪无故障工作的总时间T =T 1+T 2的概率密度f T 〔t 〕，数学期望E 〔T 〕及方差D 〔T 〕. 〔1997研考〕 27.设两个随机变量X ，Y 互相独立，且都服从均值为0，方差为1/2的正态分布，求随机变量|X -Y |的方差. 〔1998研考〕 28.某流水消费线上每个产品不合格的概率为p 〔0<p <1〕，各产品合格与否互相独立，当出现一个不合格产品时，即停机检修.设开机后第一次停机时已消费了的产品个数为X ，求E 〔X 〕和D 〔X 〕. 〔2000研考〕 29.设随机变量X 和Y 的结合分布在点〔0，1〕，〔1，0〕及〔1，1〕为顶点的三角形区域上服从均匀分布.〔如图〕，试求随机变量U =X +Y 的方差. 〔2001研考〕 30.设随机变量U 在区间[-2,2]上服从均匀分布，随机变量X =⎩⎨⎧->-≤-，U ，U 1,11,1若若 Y =⎩⎨⎧>≤-.1,11,1U ，U 若若试求〔1〕X 和Y 的结合概率分布；〔2〕D 〔X +Y 〕. 〔2002研考〕 31.设随机变量X 的概率密度为f 〔x 〕=x-e 21，〔-∞<x <+∞〕〔1〕求E 〔X 〕及D 〔X 〕；〔2〕求Cov 〔X ,|X |〕,并问X 与|X |是否不相关？〔3〕问X 与|X |是否互相独立，为什么？〔1993研考〕 32.随机变量X 和Y 分别服从正态分布N 〔1，32〕和N 〔0，42〕，且X 与Y 的相关系数ρXY =-1/2，设Z =23YX +. 〔1〕求Z 的数学期望E 〔Z 〕和方差D 〔Z 〕；〔2〕求X 与Z 的相关系数ρXZ ；〔3〕问X 与Z 是否互相独立，为什么？〔1994研考〕33.将一枚硬币重复掷n 次，以X 和Y 表示正面向上和反面向上的次数.试求X 和Y 的相关系数ρXY . 〔2001研考〕 Y X -1 0 10 10.07 0.18 0.15 0.08 0.32 0.20试求X 和Y 的相关系数. 〔2002研考〕 35.对于任意两事件A 和B ，0<P 〔A 〕<1，0<P 〔B 〕<1,那么称。