概率论-关于数学期望的单调性和二阶矩空间
概率论中数学期望的概念
毕业论文（设计）题目：概率论中数学期望的概念姓名：学号：0411*******教学院：数学与计算机科学学院专业班级：数学与应用数学专业2008级1班指导教师：完成时间：2012年04月10日毕节学院教务处制概率论中数学期望概念摘要：数学期望是现代概率论中最重要的基本概念之一，无论在理论上还是在应用中都具有重要的地位和作用。
但是，数学期望这一概念对许多学者来说却又是一个难点，特别是对概念的理解和对这一数学工具的使用上都很难掌握。
本文从离散型随机变量的来源、定义、分布及其理解上详细阐述概率论中的数学期望的概念及其性质，并介绍说明这一数学工具在实际生活中的应用。
目的是希望能给更多的学者提供一些参考及帮助。
关键词：离散型；随机变量；分布；函数；期望Mathematical expection conceptin theory of probabilityCandidate:Xiong Xiao-ping Major:Mathematics and appliedmathematicsStudent No:0411******* Advisor:Xue Chao-kui(Lecturer)Abstract:Mathematical expectation is the modern theory of probability in the most important one of the basic concept, whether in theory or in the applications has an important position and role. But, mathematical expectation is a difficult concept for many scholars, especially for the understanding of concepts and the mathematical tools to the use of all difficult to master. This article from source of discrete random variable, definition, distribution and understand the detail on the mathematics of the concept of probability theory and its properties expectations, and introduces the mathematical tools that in the actual life application. The main purpose is to give more scholars can provide some reference and help.Keywords:discrete; Random variable, Distribution; Functions; expect目录引言 (1)1 预备知识 (2)1.1 随机变量的定义 (2)1.2 离散型随机变量的定义 (2)2 离散型随机变量的几种分布 (5)2.1 0—1分布（两点分布） (5)2.2 二项分布 (6)2.3 泊松分布 (6)3 随机变量的分布函数及期望 (7)3.1 一维随机变量的分布函数 (7)3.2 二维随机变量及其概率分布 (9)3.3 多维随机变量分布及其数学期望 (10)结束语 (13)参考文献 (14)致谢 (15)附录 (16)引言数学期望的概念起源于赌博，早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目：甲乙两个人赌博，他们两人获胜的机会相等，比赛规则是先胜三局者为赢家，赢家可获得100法郎的奖励。
概率论课程第四章
第四章 数字特征前面我们介绍了随机变量及其分布，对于一个随机变量，只要知道了它的分布（分布函数或分布律、分布密度），它取值的概率规律就全部掌握了。
但在实际问题中，一个随机变量的分布往往不易得到，且常常只需知道随机变量的某几个特征就够了。
例如检查棉花的质量时，我们关心的是棉花纤维的平均长度和纤维长度与平均长度的偏差大小，这些数字反映了随机变量的一些特性，我们称能够反映随机变量特征的数字为随机变量的数字特征。
本章将介绍几个最常用的数字特征：数学期望、方差、协方差和相关系数。
第一节 数学期望一、离散型随机变量的数学期望数学期望反映的是随机变量取值的集中位置的特征，能够满足这一要求的自然是随机变量的平均取值，那么这个平均取值如何得到呢？怎样定义，我们先看一个例题例1：全班40名同学，其年龄与人数统计如下：该班同学的平均年龄为：4092115201519118⨯+⨯+⨯+⨯=a8.194092140152040151940118=⨯+⨯+⨯+⨯=若令X 表示从该班同学中任选一同学的年龄，则X 的分布律为于是，X 取值的平均值，即该班同学年龄的平均值为4092140152040151940118)(⨯+⨯+⨯+⨯==a X E8.19==∑ii i p x定义1：设X 为离散型随机变量，其分布律为i i p x X P ==}{， ,2,1=i如果级数 绝对收敛，则此级数为X 的数学期望（或均值），记为 E(X)，即 ∑=ii i p x X E )(意义：E(X)表示X 取值的（加权）平均值。
如果级数 不绝对收敛，则称数学期望不存在。
例2：甲、乙射手进行射击比赛，设甲中的环数为X1，乙中的环数为X2，已知 X1和X2的分布律分别为：问谁的平均击中环数高？解：甲的平均击中环数为 E(X1)=8 0.3+9 0.1+10 0.6=9.3 乙的平均击中环数为 E(X2)=8 0.2+9 0.5+10 0.3=9.1 可见E(X1)> E(X2)，即甲的平均击中环数高于乙的平均击中环数。
概率论疑难问题
概率论疑难问题概率论是数学中的一个重要分支，研究随机现象的概率规律和数学模型。
在学习概率论的过程中，我们常常会遇到一些疑难问题，这些问题可能涉及到概率计算、概率分布、条件概率等方面。
本文将针对一些常见的概率论疑难问题展开讨论。
问题一：齐次平面上随机距离的期望值在齐次平面上，我们随机选择两点A和B，并计算它们之间的距离d。
假设点A和点B的坐标分别为(Ax, Ay)和(Bx, By)，且A、B的横、纵坐标是独立的均匀分布在[0,1]上的随机变量。
求这两点之间的距离d的期望值。
解答一：设两点之间的距离为d，则有d=sqrt((Bx-Ax)^2+(By-Ay)^2)。
根据题设，我们知道Ax、Ay、Bx、By均服从[0,1]上的均匀分布。
因此，距离d可以表示为d=sqrt((u-v)^2+(w-x)^2)，其中u、v、w、x分别为[0,1]上的随机变量。
由概率论的知识可知，两个随机变量之和的期望等于各自期望的和。
因此，我们可以分别计算(u-v)^2和(w-x)^2的期望，然后将它们的和开平方即可得到距离d的期望值。
首先计算(u-v)^2的期望。
根据均匀分布的性质，随机变量的二阶中心矩（方差）为(1-0)^2/12=1/12。
因此，(u-v)^2的期望为1/12。
类似地，计算(w-x)^2的期望。
同样根据均匀分布的性质，(w-x)^2的期望也为1/12。
将(u-v)^2和(w-x)^2的期望求和，得到1/6。
最后开平方，即得到距离d的期望值为sqrt(1/6)。
所以，齐次平面上随机距离的期望值为sqrt(1/6)。
问题二：投掷硬币连续出现正反面的期望次数假设我们进行一次投掷硬币实验，每次投掷硬币出现正面的概率为p，出现反面的概率为q=1-p。
连续投掷硬币，直到出现连续n次相同的一面为止。
求进行这个实验的期望次数。
解答二：我们将进行这个实验的期望次数记为E(n)。
当n=1时，即出现连续1次相同一面，那么实验次数只需要1次，即E(1)=1。
概率论与数理统计-期末测试(新)第二章练习题
一、选择题1、离散型随机变量X 的分布律为(),1,2,k P X k b k λ===L ，则λ为（ ）。
(A)0λ>的任意实数 (B)1b λ=+ (C)11b λ=+ (D)11b λ=-2、设随机变量X 的分布律为()!kP X k ak λ==(λ>0，k=1，2，3，…)，则a = ( )。
(A)e λ- (B) e λ (C) 1e λ-- (D) 1e λ-3、离散型随机变量X 的分布律为{},0,1,2,3!kAP X k k k ===L 则常数A 应为( )。
(A) 31e (B) 31-e (C) 3-e (D) 3e4、离散型随机变量X，则{||2|0}P X X ≤≥为（ ）。
(A)2129 (B)2229 (C)23 (D)135、随机变量X 服从0-1分布，又知X 取1的概率为它取0的概率的一半,则(1)P X =为( )。
(A) 13 (B) 0 (C) 12(D) 16、设随机变量X 的分布律为：0120.250.350.4XP，而{}()F x P X x =≤，则=)2( F ( )。
(A) 0.6 (B) 0.35 (C) 0.25 (D) 07、已知离散型随机变量的分布律为1010.250.50.25XP -，则以下各分布律正确的是( )。
(A)22020.510.5X P- (B) 211130.250.250.5X P +-(C) 2010.50.25X P(D)2010.50.5X P8、随机变量,X Y 都服从二项分布：~(2, ), ~(4, )X B p Y B p ，01p <<，已知{}519P X ≥=，则{}1P Y ≥=( )。
(A)6581 (B) 5681 (C) 8081(D) 19、随机变量X 的方差()3D X =，则(25)D X -等于( )。
(A) 6 (B) 7 (C) 12 (D) 1710、随机变量X 的分布律为：1()(),1,2,2(1)P X n P X n n n n ===-==+L ，则()E X =（ ）。
概率论与数理统计考点
《概率论与数理统计》 第一章 随机事件与概率事件之间的关系： 事件之间的运算： 运算法则：交换律A ∪B=B ∪A A ∩B=B ∩A结合律(A ∪B)∪C=A ∪(B ∪C) (A ∩B)∩C=A ∩(B ∩C) 分配律(A ∪B)∩C=(AC)∪(BC) (A ∩B)∪C=(A ∪C)∩(B ∪C) 对偶律 A ∪B ‾‾ =A ‾∩B ‾ A ∩B ‾‾ =A ‾∪B ‾ 古典概型： 概率公式：求逆公式 P(A ‾)=1- P(A)加法公式 P(A ∪B)=P(A)+P(B)-P(AB)P(A ∪B ∪C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC) 求差公式：P(A-B)=P(A)-P(AB); 当A ⊃B 时，有P(A-B)=P(A)-P(B)注意： A-B = A B ‾ = A-AB = (A ∪B)-B条件概率公式：P(A|B)=P(AB)P(B); (P(B)>0)P(A|B)表示事件B 发生的条件下，事件A 发生的概率。
乘法公式：P(AB)=P(A)P(B|A)= P(B)P(A|B) (其中P(A)>0, P(B)>0) 一般有P(ABC)=P(A)P(B|A)P(C|AB) (其中P(AB)>0)全概率公式：P(A)= ∑i=1nP(A|B i )P(B i ) 其中B 1,B 2,…,B n 构成Ω的一个分斥。
贝叶斯公式：P(A k |B)= P(B|A k )P(A k )P(B) = P(B|A k )P(A k )∑i=1nP(B|A i )P(A i )（由果溯因）概论的性质：事件的独立性：如果事件A 与事件B 满足P(AB)=P(A)P(B)，则称事件A 与事件B 相互独立。
结论：1. 如果P(A)>0，则事件A 与B 独立⇔2. 事件A 与事件B 独立⇔事件A 与事件B ‾独立⇔事件A ‾与事件B 独立⇔事件A ‾与事件B ‾独立贝努里概型：指在相同条件下进行n 次试验；每次试验的结果有且仅有两种A 与A ‾；各次试验是相互独立；每次试验的结果发生的概率相同P(A)=p, P(A‾)=1-p 。
二阶原点矩和二阶中心矩
二阶原点矩和二阶中心矩1.引言1.1 概述二阶原点矩和二阶中心矩是统计学中常用的描述统计量，用于描述一个随机变量或随机过程的分布特征。
它们在统计分析、概率论、图像处理等领域都有广泛的应用。
二阶原点矩是描述一个随机变量的离散程度的量度，在二维平面上表示为(X, Y)。
它是指将随机变量的值与原点(0, 0)的距离的平方加权求和的期望值。
直观上，它可以理解为随机变量分布的离散程度，越大表示分布越分散，越小则表示分布越集中。
而二阶中心矩则是描述随机变量相对于其均值的离散程度的量度。
与二阶原点矩不同的是，二阶中心矩是在原点平移后进行计算的，它用于分析随机变量的对称性和形状特征。
二阶中心矩的计算方法是将随机变量的值减去均值后的差的平方加权求和的期望值。
二阶原点矩和二阶中心矩在统计分析中起到了关键的作用。
它们可以帮助我们更加全面地了解数据的分布情况，从而进行更精确的统计推断和预测。
在实际应用中，我们可以利用这些统计量来比较各个样本之间的差异、评估模型的拟合程度、寻找异常值等。
本文旨在介绍二阶原点矩和二阶中心矩的定义、计算方法以及它们的应用领域。
通过深入理解这两个概念，我们能够更好地进行数据分析和解释，为我们的研究和决策提供更有力的支持。
在接下来的章节中，我们将详细讨论它们的定义和计算方法，并探讨它们在实际应用中的作用和意义。
文章结构如下：首先，我们将在第2节介绍二阶原点矩的定义和计算方法；然后，在第3节讨论二阶中心矩的内涵和计算方法；最后，我们将在第4节总结并提出本文的结论。
通过阅读本文，读者将对二阶原点矩和二阶中心矩有更为深刻的理解，并能够灵活应用它们进行数据分析和解释。
希望本文能对读者在统计分析和概率论学习中起到一定的帮助和指导。
文章结构部分的内容可以参考以下样例:"1.2 文章结构本文将以二阶原点矩和二阶中心矩为主题，通过引言、正文和结论三个部分对其进行详细的阐述和分析。
引言部分将首先概述二阶原点矩和二阶中心矩的概念和重要性，以引起读者的兴趣和注意。
《概率论与数理统计电子教案第一章
随机变量的定义
根据随机变量可能取值的性质，可以分为离散型随 机变量和连续型随机变量。
随机变量的分类
离散型随机变量分布律
分布律的定义 二项分布、泊松分布等。
常见离散型随机变量的分布 律
对于一个离散型随机变量X，其所有可能取 的值xi(i=1,2,...)与取这些值的概率 P{X=xi}(i=1,2,...)构成的表格或公式称为 离散型随机变量X的分布律。
叁 多维随机变量函数的概率密度求法
对于多维随机变量的函数，其概率密度可以通过换元法和雅可比行 列式求得。
随机变量数字特征
数学期望与方差概念
数学期望（期望值）
01
描述了随机变量取值的"平均"水平，是概率加权的平均
值。
方差
02
描述了随机变量取值的离散程度，即取值与期望值的偏
离程度。方差越大，说明随机变量的取值越分散。
大数定律应用
大数定律概念
中心极限定理内容及意义
中心极限定理内容
中心极限定理指出，大量相互独立、同分布 的随机变量之和的分布，当变量个数足够大 时，将趋于正态分布。
中心极限定理意义
中心极限定理是概率论和数理统计中的基本 定理之一，为许多统计方法的推导和应用提 供了理论基础，如置信区间、假设检验等。
棣莫弗-拉普拉斯定理
事件的独立性
计算多个事件同时发生的概率。
两个或多个事件的发生互不影响。
条件概率
在给定条件下，某事件发生的概 率。
独立试验
每次试验的结果与其他次试验的 结果无关。
随机变量及其分布
随机变量概念及分类
设随机试验的样本空间为 S={e}, X=X{e}是定义在 样本空间S上的实值单值 函数。称X=X{e}为随机变 量。
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 >）。
概率论与数理统计第四章
)
(
)
(
)
,
(
Y
D
X
Dபைடு நூலகம்
Y
X
Cov
xy
=
r
=4[E(WV)]2-4E(W2)×E(V2)≤0
01
得到[E(WV)]2≤E(W2)×E(V2). →(8)式得到证明.
02
设W=X-E(X),V=Y-E(Y),那么
03
其判别式
由(9)式知, |ρ xy|=1 等价于 [E(WV)]2=E(W2)E(V2). 即 g(t)= E[tW-V)2] =t2E(W2)-2tE(WV)+E(V2) =0 (10) 由于 E[X-E(X)]=E(x)-E(X) =0, E[Y-E(Y)]=E(Y)-E(Y) =0.故 E(tW-V)=tE(W)-E(V)=tE[X-E(X)]-E[Y-E(Y)]=0 所以 D(tW-V)=E{[tW-V-E(tW-V)]2}=E[(tW-V)2]=0 (11) 由于数学期望为0,方差也为0,即(11)式成立的充分必要条件是 P{tW-V=0}=1
随机变量X的数学期望是随机变量的平均数.它是将随机变量 x及它所取的数和相应频率的乘积和.
=
(1)
)
2
3
(
)
(
-
=
ò
µ
µ
-
dx
x
x
E
j
x
可见均匀分布的数学期望为区间的中值.
例2 计算在区间[a,b]上服从均匀分布的随机变量 的数学期望
泊松分布的数学期望和方差都等于参数λ.
其他
02
f(x)=
01
（4-6）
03
（4）指数分布
概率论复习知识点总结.ppt
y)
F( x,)
FY ( y)
lim F( x,
x
y) F ( ,源自y)第3章要点五、边缘分布律与联合分布律的关系
➢设二维离散型随机变量(X，Y)的分布律为 ➢P{X = xi，Y = yj} = pij，i，j = 1，2，…，则
pi • P{ X xi } pij , i 1,2, j 1
(a b) 2 (b a)2 12
θ
θ2
μ
σ2
第4章要点
四、协方差及相关系数 ➢定义式：Cov( X ,Y ) E[( X EX )(Y EY )]
XY
Cov( X ,Y ) (D( X ) 0, D(Y ) 0) D( X ) D(Y )
➢计算式： Cov( X ,Y ) E( XY ) E( X )E(Y )
A∪B发生A、B至少有一个发生
第1章要点
二、事件运算满足的定律 ➢事件的运算性质和集合的运算性质相同，设A，B，C为 事件，则有 ➢交换律：A B B A, AB BA ➢结合律：( A B) C A (B C), ( AB)C A(BC) ➢分配律：( A B)C ( AC) (BC),
P(A∪B) = P(A) + P(B)–P(AB)．
例1.4；作业: 一、4，11 ； 二、3，5，6
第1章要点
四、古典概型与几何概型 ➢古典概型概率计算公式：
P(
A
)
事件A中中所所有包样含本样点本的点个的数个数
k n
作业：三、6，8
第1章要点
五、条件概率与乘法公式 ➢若P(A)>0
➢
P(B A) P( AB) P( A)
➢贝叶斯公式：
P( Ai B)
维纳过程一定是二阶矩过程-概述说明以及解释
维纳过程一定是二阶矩过程-概述说明以及解释1.引言1.1 概述概述部分的内容可以对维纳过程和二阶矩过程进行简要介绍，说明它们在随机过程理论中的重要性和应用。
同时，可以提出维纳过程是否一定是二阶矩过程的问题，为后续文章的证明部分做引子。
以下是一个概述部分的例子：在随机过程理论中，维纳过程和二阶矩过程是两个关键概念。
维纳过程最早由数学家尼科拉斯·维纳(Norbert Wiener)在20世纪20年代提出，是一种描述连续时间和连续状态变化的数学模型。
维纳过程具有许多重要特性，如连续性、Markov性和统计独立增量等，被广泛应用于物理学、金融学、工程学和生物学等领域。
与之相对应的，二阶矩过程是指具有有限二阶矩的随机过程。
二阶矩过程在统计学中具有重要的意义，它描述了随机变量间相关性的程度。
二阶矩过程的性质被广泛应用于时间序列分析、信号处理和金融风险管理等领域。
本文将探讨维纳过程是否一定是二阶矩过程的问题。
这个问题具有一定的理论和实际意义。
理论上，回答这个问题将有助于深入理解维纳过程和二阶矩过程的关系，并对随机过程的性质和应用提供更全面的认识。
实际上，如果能证明维纳过程一定是二阶矩过程，将为维纳过程的建模和分析提供更多的可行性和适用性。
接下来的正文将围绕维纳过程的定义和特性以及二阶矩过程的定义和特性展开，从理论和数学层面解答维纳过程是否一定是二阶矩过程的问题。
最后，我们将总结维纳过程和二阶矩过程的关系，并探讨其在实际应用中的意义和未来研究的方向。
1.2文章结构文章结构部分的内容可以是关于文章的整体结构和各个部分的简要介绍。
可以按如下方式编写：文章结构：本文共分为引言、正文和结论三个部分。
引言部分包括概述、文章结构和目的三个子部分。
在概述中，对维纳过程和二阶矩过程进行简要介绍，引发读者对这两个概念之间关系的思考。
文章结构部分介绍了本文的框架，并列出了各个部分的主要内容。
目的部分明确了本文的研究目标，即通过证明维纳过程一定是二阶矩过程，加深对这些概念间关系的理解。
一阶矩 二阶矩 三阶矩
一阶矩二阶矩三阶矩
在统计学中，矩是一种用于描述概率分布的数学工具。
矩可以帮助我们了解分布的中心、离散程度和偏斜程度等特征。
在矩的概念中，一阶矩、二阶矩和三阶矩是最基本的三个概念。
一阶矩，也称为期望，是指随机变量的平均值。
它是对分布的中心位置的度量。
例如，如果我们有一个随机变量X，它的取值范围为1到10，每个值的概率相等，那么它的期望就是(1+2+3+4+5+6+7+8+9+10)/10=5.5。
期望可以帮助我们了解分布的中心位置，它是一个非常重要的统计量。
二阶矩，也称为方差，是指随机变量与其期望的差的平方的期望。
它是对分布的离散程度的度量。
例如，如果我们有一个随机变量X，它的取值范围为1到10，每个值的概率相等，那么它的方差就是((1-5.5)^2+(2-5.5)^2+...+(10-5.5)^2)/10=8.25。
方差可以帮助我们了解分布的离散程度，它越大表示分布越分散，越小表示分布越集中。
三阶矩，也称为偏度，是指随机变量与其期望的差的三次方的期望。
它是对分布的偏斜程度的度量。
例如，如果我们有一个随机变量X，它的取值范围为1到10，每个值的概率相等，那么它的偏度就是((1-5.5)^3+(2-5.5)^3+...+(10-5.5)^3)/10=0。
偏度可以帮助我们了解分布的偏斜程度，如果偏度为正，表示分布向右偏斜，如果偏度为
负，表示分布向左偏斜，如果偏度为0，表示分布对称。
一阶矩、二阶矩和三阶矩是统计学中最基本的三个概念，它们分别对应分布的中心位置、离散程度和偏斜程度。
在实际应用中，我们可以通过计算这些矩来了解分布的特征，从而更好地理解数据。
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
考研数学概率论与数理统计笔记知识点(全)
三 二二维连续型随机变量量（积分积出来的就是连续的）
1.定义：概率密度积分（二二重积分）
2.联合概率密度
1）性质：1.非非负性；2.规范性
2）应用用：求P，就是求二二重积分
在f（x，y）的连续点上，分布求二二阶倒数就是概率密度
步骤：1）画图（为了了解不不等式）
2）讨论
3）代入入（注意端点）
第三章 多维随机变量量及其分布
知识点：一一 二二维随机变量量及其分布函数 二二 二二维离散型随机变量量 三 二二维连续型随机变量量 四 二二维随 机变量量函数的分布
一一 二二维随机变量量及其分布函数
1.二二维随机变量量就是一一个（X，Y）向量量
要注意是一一维的（是用用一一个变量量表示）
4.离散+连续（一一定是使用用全概率公式的）
定义：X为离散型，Y为连续型，且相互独立立
六 全概率公式与⻉贝叶斯公式（关键在于完备事件组）
1.完备事件组：互斥是对立立的前提条件
2.全概率公式：由因到果（推导，画图）（全部路路径）
3.⻉贝叶斯公式：由果到因（推导，画图）（所占的比比例例）
Note：关键是1.完备事件组必须完备；2.要画图3注意抽签原理理
题型一一：概率的基本计算
1.事件决定概率，但是概率推不不出事件
3.边缘概率密度
1）具体就是边缘分布函数求导（详⻅见笔记）
Note：注意边缘的公式，在求时，注意取值范围，以及上下限（一一根直线传过去）（类似于 二二重积分的先积部分——后积先定限，限内画条线）
2）G是从几几何看出来的，不不要死记公式，要结合图像（G为非非零区域）
Note：1.在写公式之前要先保证分⺟母不不为0，即要先确定范围
概率论与数理统计-期末测试(新)第二章练习题
概率论与数理统计-期末测试(新)第二章练习题一、选择题1、离散型随机变量X 的分布律为(),1,2,kP X k b k λ===，则λ为（ ）。
(A)0λ>的任意实数 (B)1b λ=+ (C)11bλ=+(D)11b λ=-2、设随机变量X 的分布律为()!kP X k ak λ==(λ>0，k=1，2，3，…)，则a = ( )。
(A)e λ- (B) e λ (C) 1e λ-- (D) 1eλ-3、离散型随机变量X 的分布律为{},0,1,2,3!kAP X k k k ===则常数A 应为( )。
(A) 31e (B) 31-e (C) 3-e (D) 3e4、离散型随机变量X 20251357Pr.248Xa aaa-，则{||2|0}P X X ≤≥为（ ）。
(A)2129 (B)2229 (C)23 (D)135、随机变量X 服从0-1分布，又知X 取1的概14、如果（ ），则X 一定服从普哇松分布。
(A)()()E X Var X = (B)2()()E X E X =(C)X 取一切非负整数值(D) X 是有限个相互独立且都服从参数为λ的普哇松分布的随机变量的和。
15、设随机变量X 服从参数为λ的普哇松分布，又1()1x f x x ⎧=⎨-⎩为偶数为奇数，()Y f X =,则(1)P Y ==（ ）。
(A)212e λ-+ (B) 212e λ-- (C)22e λ- (D)以上都不对16、设随机变量X 只取正整数N ，且2()CP X N N ==，则C =（ ）。
(A)1 (B)26π (C)16 (D)1317、设随机变量X 的期望()0E X ≥，且21(1)22E X-=，11(1)22Var X -=，则()E X 等于（ ）。
(A)2218、设随机变量X 的二阶矩存在，则（ ）。
(A)2()()E X E X < (B) 2()()E XE X ≥ (C) 22()(())E XE X < (D)22()(())E X E X ≥19、设220()00xcx e x p x cx -⎧⎪>=⎨⎪≤⎩是随机变量X 的概率密度，则常数c 为（ ）。
考研数学一-概率论与数理统计随机变量的数字特征(一)
考研数学一-概率论与数理统计随机变量的数字特征(一)(总分：88.01，做题时间：90分钟)一、选择题(总题数：28，分数：28.00)1.设随机变量X的二阶矩存在，则(A) EX2＜EX． (B) EX2≥EX．(C) EX2＜(EX)2． (D) EX2≥(EX)2．（分数：1.00）A.B.C.D. √解析：[解析] 由DX=EX2-(EX)2≥0，即知正确选项为(D)．选项(A)、(B)对某些随机变量可能成立，对某些随机变量可能不成立．例如X服从参数为λ的泊松分布，则EX=DX=λ，EX2=DX+(EX)2=λ+λ2＞λ=EX，选项(B)成立；如果X在(0，1)上服从均匀分布，则，，选项(A)成立．2.设X是随机变量，EX=μ，DX=σ2(σ＞0)，则对任意常数C，有(A) E(X-C)2=EX2-C2． (B) E(X-C)2=E(X-μ)2．(C) E(X-C)2＜E(X-μ)2． (D) E(X-C)2≥E(X-μ)2．（分数：1.00）A.B.C.D. √解析：[解析]E(X-C)2≥E(X-μ)2，故选(D)．当然我们也可以通过计算来证明：E(X-X)2=E[(X-μ)+(μ-C)]2=E[(X-μ)2+2(μ-C)(X-μ)+(μ-C)2]=E(X-μ)2+2(μ-C)(EX-μ)+(μ-C)2=E(X-μ)2+(μ-C)2≥E(X-μ)2．3.设随机变量X的期望、方差都存在，则对任意常数C，有(A) E(X-C)2＜DX+E2(X-C)． (B) E(X-C2)2＞DX+E2(X-C)．(C) E(X-C)2=DX+E2(X-C)． (D) E(X-C)2=DX-E2(X-C)．（分数：1.00）A.B.C. √D.解析：[解析] 由于DX=D(X-X)=E(X-C)2-E2(X-C)，所以E(X-C)2=DX+E2(X-C)，故选(C)．4.设X为离散型随机变量，且p i=PX=a i(i=1，2，…)，则X的期望EX存在的充分条件是(A) ． (B)(C) (D)（分数：1.00）A.B.C.D. √解析：[解析] 由级数收敛的必要条件知，选项(A)或(B)不能选，否则(C)或(D)也成立．又收敛不能保证收敛(即EX存在)，因此选项(C)不能选．所以应该选(D)．下面我们证明：如果收敛，则收敛．事实上，由于，故已知，所以收敛，EX存在．5.假设X是连续型随机变量，其分布函数为F(x)，如果X的期望EX存在，则当x→+∞时，1-F(x)的(A) 低阶无穷小． (B) 高阶无穷小．(C) 同阶但不等价无穷小． (D) 等价无穷小．（分数：1.00）A.B. √C.D.解析：[解析] 由题设，我们只能通过计算来确定正确选项．设X的密度函数为f(x)，则EX存在，所以即1-F(x)的高阶无穷小(当x→+∞)，故应选(B)．6.假设X服从二项分布B(n，p)，已知EX=2.4，DX=1.44，则n，p值分别为(A) 4；0.6． (B) 6；0.4． (C) 8；0.3． (D) 12；0.2．（分数：1.00）A.B. √C.D.解析：[解析] 由于X～B(n，p)，所以p=0.4．故应选(B)．求得n，p，从而确定正确选项．7.已知随机变量X的分布中含有若干个未知参数，如果仅对唯一的参数值才有EX=DX，则X必服从(A) 参数为(μ，σ2)的正态分布． (B) 参数为λ的指数分布．(C) 参数为λ的泊松分布． (D) 参数为a，b的[a，b]区间上的均匀分布．（分数：1.00）A.B. √C.D.解析：[解析] 直接由EX=DX来确定正确选项．如果X～N(μ，σ2)，则EX=DXμ=σ2．参数(μ，σ2)不唯一．X～E(λ)，则．参数λ唯一．X～P(λ)，则EX=DXλ=λ．参数λ不唯一．X～U[a，b]．参数a、b不唯一．因此正确选项是(B)．8.将一枚硬币重复掷n次，以X和Y分别表示正面向上和反而向上的次数，则X和Y的相关系数等于(A) -1．(B) 0．(D) 1．（分数：1.00）A. √B.C.D.解析：[解析] 由题设知X+Y=n，Y=-X+n，故选择(A)．事实上，X与Y的相关系数，cov(X，Y)=cov(X，-X+n)=-cov(X，X)=-DX，DY=D(-X+n)=DX，．所以选(A)．9.设随机事件A与B互不相容，0＜P(A) ＜1，0＜P(B) ＜1，记X与Y的相关系数为ρ，则(A) ρ=0． (B) ρ=1． (C) ρ＜0． (D) ρ＞0．（分数：1.00）A.B.C. √D.解析：[解析] 选项(B)不能选，否则(D)必成立．因此我们的问题转化为确定X、Y相关系数ρ的符号，而它仅取决于cov(X，Y)=EXY-EXEY，由题设知AB=，因此所以 cov(X，Y)=-P(A)P(B)＜0，ρ＜0，故应选(C)．10.设随机变量X与Y不相关且DX=DY≠0，则随机变量X与X+Y的相关系数ρ等于(A) -1． (B) 0．． (D) 1．（分数：1.00）A.B.C. √D.解析：[解析] 由题设cov(X，Y)=0，DX=DY，所以故应选(C)．11.已知随机变量X与Y的相关系数为ρ，随机变量ξ=aX+b，η=cY+d(abcd≠0)，则ξ与η的相关系数为(A) 0． (B) -p．(C) 当ac＞0时为ρ． (D) 当bd＞0时为ρ．（分数：1.00）A.B.C. √D.解析：[解析] 已知，所以ξ与η的相关系数为故应选(C)．12.设随机变量X与Y的方差相等且不为零，则ξ=X+Y与η=X-Y相关系数为(A) -1． (B) 0．． (D) 1．（分数：1.00）A.B. √C.D.解析：[解析] 已知DX=DY≠0，所以cov(ξ，η)=cov(X+Y，X-Y)=cov(X，Y)-cov(X，Y)+cov(Y，X)-cov(Y，Y)=DX-DY=0，即X与Y相关系数为0，故应选(B)．13.假设随机变量X，Y，Z两两不相关，方差相等且不为零，则X+Y与Y+Z的相关系数为(A) -1． (B) 0．． (D) 1．（分数：1.00）A.B.C. √D.解析：[解析] 已知cov(X，Y)=cov(X，Z)=cov(Y，Z)=0，DX=DY=DZ≠0，所以X+Y与Y+Z的相关系数为故应选(C)．14.已知二维随机变量(X，Y)的联合密度为f(x，y)且满足条件f(x，y)=f(-x，y) 或 f(x，y)=-f(x，-y)，则X与Y相关系数为(A) -1． (B) 0．． (D) 1．（分数：1.00）A.B. √C.D.解析：[解析] 依题意f(x，y)对每个变元都是偶函数，因此x(x，y)或yf(x，y)为奇函数，所以EXY=EXEY=0X与Y XY=0，故应选(B)．15.设X，Y为随机变量，现有6个等式①E(X+Y)=EX+EY；②D(X+Y)=DX+DY；③D(X-Y)=DX+DY；④EXY=EX·EY；⑤D(XY)=DX·DY；⑥)cov(X，Y)=0．则上面与“X和Y不相关”等价的等式共有(A) 0个． (B) 2个． (C) 4个． (D) 6个．（分数：1.00）A.B.C. √D.解析：[解析] ①对任意随机变量都成立，②、③、④、⑥是X与Y不相关的充要条件，因此选(X)．而⑤式DXY=E(XY)2-(EXY)2=DXDY并不能断言X与Y的相关性．16.假设随机变量X与Y的二阶矩都存在，则随机变量ξ=X+Y与η=X-Y不相关的充分必要条件是(A) EX=EY． (B) EX2=EY2．(C) EX2-E2X=EY2-E2Y． (D) EX2+E2X=EY2+E2Y．（分数：1.00）A.B.C. √D.解析：[解析] ξ与η不相关cov(ξ，η)=0cov(X+Y，X-Y)=DX-DY=0DX=DYEX2-E2X=EY2-E2Y，选择(C)．17.已知(X，Y)服从二维正态分布，且EX=μ1，X与Y相关系数为ρ，则X+bY与X-bY，相互独立的充分必要条件是参数b(A) 可以取任意实数． (B) 等于p．(C) 等于σ1/σ2． (D) 等于μ1/μ2．（分数：1.00）__________________________________________________________________________________________ 解析：18.已知(X，Y)服从二维正态分布，且EX=μ1，EY=μ2，DX=DY=σ2，ξ=aX+bY，η=aX-bY(ab≠0)，则ξ与η独立的充要条件是(A) a、b为任意实数． (B) a=b-1．(C) a2=62． (D) a=b+1．（分数：1.00）A.B.C. √D.解析：[解析] 由于对任意常数c，d(c、d不全为0)，有cξ+dη=c(aX+bY)+d(aX-bY)=a(c+d)X+b(c-d)Y服从一维正态分布，所以(ξ，η)服从二维正态分布．因此ξ与η独立ξ与η不相关cov(ξ，η)=0cov(aX+bY，aX-bY)=a2cov(X，X)+abcov(Y，X)-abcov(X，Y)-b2cov(Y，Y)=a2DX-b2DY=σ2(a2-b2)=0a2=b2．故应选(C)．19.设X与Y都是服从正态分布的随机变量，则X与Y不相关是X与Y独立的(A) 充分必要条件． (B) 充分非必要条件．(C) 必要非充分条件． (D) 非必要非充分条件．（分数：1.00）A.B.C. √D.解析：[解析] X与Y都服从正态分布并不意味着(X，Y)服从二维正态分布，因此X与Y不相关仅仅是独立的必要条件而不充分，所以选(C)．20.假设(X，Y)服从二维正态分布，且EX=μ1，EY=μ2，DX=DY=σ2，X与Y不相关，则下列四对随机变量中相互独立的是(A) X与X+Y． (B) X与X-Y．(C) X+Y与X-Y． (D) 2X+Y与X-Y．（分数：1.00）A.B.C. √D.解析：[解析] 由题设知各选项中的二个随机变量其联合分布都是二维正态分布，因此它们相互独立等价于不相关．又cov(X，Y)=0，DX=DY=σ2，所以 cov(X，X±Y)=DX=σ2≠0，cov(X+Y，X-Y)=DX-DY=0，cov(2X+Y，X-Y)=2DX-DY=σ≠0．故应选(C)．21.已知随机变量X在[-1，1]上服从均匀分布，Y=X3，则X与Y(A) 不相关且相互独立． (B) 不相关且相互不独立．(C) 相关且相互独立． (D) 相关且相互不独立．（分数：1.00）A.B.C.D. √解析：[解析] 由于Y=X3，因此Y与X不独立，但又有某种线性相依的关系，即Y与X相关，所以选择(D)．事实上，已知EXY≠EX·EY，因此X与Y相关．下面证明Y=X3与X不独立．X与Y=X3相互独立，y∈R有P{X≤x，Y≤y}=P{X≤x}P{Y≤y}，即P{X≤x，X3≤y}=P{X≤x}P{X3≤y}．取，则，故而所以故X与Y=X3不独立．22.假设随机变量X与Y相互独立且有非零的方差，则(A) 3X+1与4Y-2相关． (B) X+Y与X-Y不相关．(C) X+Y与2Y+1相互独立． (D) e X与2Y+1相互独立．（分数：1.00）A.B.C.D. √解析：[解析] 由于X与Y相互独立，由独立性质知e X与2Y+1相互独立，所以选(D)．下面我们对各选项逐一加以验证．由于X与Y相互独立，所以cov(X，Y)=0．(A)：cov(3X+1，4Y-2)=12cov(X，Y)=0，3X+1与4Y-2不相关，选项(A)不成立．(B)：cov(X+Y，X-Y)=cov(X，X)-cov(X，Y)+cov(Y，X)-cov(Y，Y)选项(B)不成立．(C)：cov(X+Y，2Y+1)=2cov(X，Y)+2cov(Y，Y)=2DY≠0，X+Y与2Y+1相关，因而不独立，选项(C)不成立．(D)：x，y∈R，如果x＞0，则=P{e X≤x}P{2Y+1≤y}．如果x≤0，则P{e X≤x}=0．P{e X≤x，2Y+1≤y}=0=P{e X≤x}P{2Y+1≤y}，所以e X与2Y+1相互独立，选项(D)成立．23.设X，Y为随机变量，其期望与方差都存在，则下列与PX=Y=1不等价的是，有P|X-Y|≥ε=0．(B) EX=EY，DX=DY．(C) EX=EY，D(Y-X)=0．(D) EX=EY，EX2=EY2，X与Y的相关系数为1．（分数：1.00）A.B. √C.D.解析：[解析] 从四个选项中我们可以看到选项(B)是EX=EY，DX=DY，而这并不意味着X与Y以概率1相等即P{x=Y}=1，所以选(B)．下面我们证明其他三个选项都与P{X=Y}=1等价．(A)：P{X=Y}=1P{X≠Y}=0．，有{|X-Y|≥ε}{X≠Y}P{|X-Y|≥ε}=0．反之，如果，P{|X-Y|≥ε}=0，则由．选项(A)成立．(C)：EX=EY，D(Y-X)=0E(Y-X)=0，D(Y-X)=0P{Y-X=E(Y-X)}=1即P{Y-X=0}=P{Y=X}=1．选项(C)成立．(D)：EX=EY，EX2=EY2，X与Y相关系数ρXY=1，EX=EY，EX2=EY2，P{y=aX+b}=1，其中，b=EY-aEX=0．从而{Y=X}=1．反之若ρXY=1，且，EX2=EY2，ρXY=1，所以(D)成立．24.设随机变量X1和X2不相关，且DX1=DX2=σ2≠0，令X=X1+aX2，Y=X1+bX2(ab≠0)，如果X与Y不相关，则(A) a与b可以是任意实数． (B) a=b．(C) ab=-1． (D) ab=1．（分数：1.00）A.B.C. √D.解析：[解析] 已知cov(X1，X2)=0且DX1=DX2=σ2≠0，所以X与Y不相关cov(X，Y)=0cov(X1+aX2，Xl+bX2)=DX1+abDX2=σ2(1+ab)=0ab=-1，选(C)．25.设X是连续型随机变量且方差存在，则对任意常数C和ε＞0，必有(A)(B)(C)（分数：1.00）A.B.C. √D.解析：[解析] 各个选项左式全为P{|X-C|≥ε}，因此希望通过计算选出正确选项．设X的密度函数为f(x)，则故应选(C)．26.设随机变量X的方差DX存在，并且有则一定有(A) DX=2．(B) DX≠2．(C) (D)（分数：1.00）A.B.C.D. √解析：[解析] 由题设P{|X-EX|≥3}≤，可得故应选(D)．27.设事件A在每次试验中发生的概率都是p，将此试验独立重复进行n次．X表示n次试验中A发生的次数，Y表示n次试验中A发生的次数，则下面结论不成立的是(A) D(X+Y)=0．(B) D(X-Y)=0．(C) PX=k=PY=n-k(k=0，1，…，n)．(D) X～B(n，p)，Y～B(n，1-p)．（分数：1.00）A.B. √C.D.解析：[解析] 依题意X～B(n，p)，Y～B(n，1-p)，X+Y=n，所以选项(A)、(C)、(D)都成立，不成立的是(B)．事实上，Y=-X+n，又DX=np(1-p)，DY=n(1-p)p，所以 D(X-Y)=DX+DY-2cov(X，Y)=2np(1-p)+2np(1-p)=4np(1-p)．28.已知试验E1为：每次试验事件A发生的概率都是p(0＜p＜1)，将此试验独立重复进行n次，以X1表示在这n次试验中A发生的次数；试验E2为：第i次试验事件A发生的概率为p i(0＜p i＜1，i=1，2，…)，将此试验独立进行n次，以X2表示在这n次试验中A，则(A) EX1＜EX2． (B) EX1=EX2．(C) EX1＞EX2． (D) 以上结论都不对．（分数：1.00）A.B. √C.D.解析：[解析] 依题意X1～B(n，p)，．对试验E2而言，如果记故应选(B)．二、填空题(总题数：17，分数：20.00)29.设随机变量X1，X2，X3相互独立，其中X1服从区间[0，6]上的均匀分布，X2服从正态分布N(0，22)，X3服从参数为3的泊松分布，则D(X1-2X2+3X3)=______．（分数：1.00）填空项1:__________________ （正确答案：46）解析：[解析]D(X1-2X2+3X3)=DX1+4DX2+9DX3=3+4×4+9×3=46．30.设随机变量X和Y独立同服从正态分 N(0，1/2)，则D|X-Y|=______．（分数：1.00）填空项1:__________________解析：[解析] 易见，E(X-Y)=0，D(X-Y)=1，故U=X-Y～N(0，1)．因此E|U|2=EU2=DU+(EU)2=1．31.设X服从参数为2的指数分布，则E(X+e-X)=______．（分数：1.00）填空项1:__________________解析：[解析] 由指数分布的数学期望知EX=1/2，又于是32.设随机变量X和Y的联合概率分布为则X2和Y2的协方差cov(X2，Y2)=______．（分数：1.00）填空项1:__________________ （正确答案：-0.02）解析：[解析] 由题设可知，EX2=0.60，EY2=0.50，EX2EY2=0.30，又EX2Y2=P{X=1，Y=-1}+P{X=1，Y=1}=0.28，于是 cov(X2，Y2)=EX2Y2-EX2EY2=-0.02．33.以X表示接连10次独立重复射击命中目标的次数，已知每次射击命中目标的概率为0.4，则EX2= 1．（分数：1.00）填空项1:__________________ （正确答案：18.4）解析：[解析] 由题设知，10次独立重复射击命中目标的次数X服从参数为(10，0.4)的二项分布．因此，EX=4，DX=2.4．于是EX2=DX+(EX)2=18.4．34.设对某一种商品的需求量X(件)是一随机变量，其概率分布为则期望需求量为______．（分数：1.00）填空项1:__________________解析：[解析] 由数学期望的定义，可知期望需求量为35.假设无线电测距仪无系统误差，其测量的随机误差服从正态分布．已知随机测量的绝对误差以概率0.95不大于20米，则随机测量误差的标准差σ=______．（分数：1.00）填空项1:__________________ （正确答案：10.20）解析：[解析] 由题设条件“无系统误差”知，测量误差X服从正态分布N(0，σ2)，所以由可知36.100次独立重复试验成功次数的标准差的最大值等于 1．（分数：1.00）填空项1:__________________ （正确答案：5）解析：[解析] 设每次试验成功的概率为p，则100次独立重复试验成功的次数X服从参数为(100，p)的二项分布，故DX=100p(1-p)．易见，当p=0.5时，p(1-p)取最大值．这时DX=100pq=100×0.25=25，因此，标准差的最大值等于5。
第1章 概率论9-11节
k1
院
CY
u
N
ki
C
X
u；
2. EX n jn d nC X u u 0；
du n
3. C X u在原点的台劳级数展开式
CX
u
d nCX u du n
n0
un
u0 n! n0 E
Xn
( ju )n n!
性质3表明：不但C( u )与f ( x )可唯一确定，而且f ( x )与EX n
学
则称 E( X k ) 为X的 k 阶原点矩。
通 若 E X E( X )k , k 1,2,... 存在，则称其为X的
信
k 阶中心矩。
学 院
若 E( X kY l ),k, l 1,2,... 存在，则称其为X和Y的 k+l 阶混合矩。
若 E X E( X )k Y E(Y )l 存在，则称其为X和Y的
院 C11 C12 ...C1n
都存在，则称
C
C C.
21
.
n1
C22 ..
Cn2
. . .
. . .
.C1n . .. .C nn
为n维随机变量的协
方差矩阵。因为 Cij C ji ，故C为对称阵。
上 海
§10 特征函数* （自学参考内容）
大 学
定义: 随机变量X的特征函数定义为
通 信 学
绝对收敛，则称此积分为X的数学期
望。记为
E[
X
]
xf
(
x)dx
上
海
例1.甲乙两人打靶问题,设
大 学
X1 0 1 2
X2 0 1 2
通
Pk 0 0.2 0.8
第一讲概率论基本知识
第一章 概率论基础知识概率论是随机过程的基础，在传统的概率论中，限于各种原因，往往借助于直观理解来说明一些基本概念，这对于简单随机现象似乎无懈可击，但对于一些复杂随机现象就难以令人信服了.随着随机数学理论的不断完善，随机过程越来越成为现代概率论的一个重要分支和发展方向. 为了更好地学习随机过程，我们必须对基础概率论的理论有一个比较深入和全面的了解.本章就是在此基础上系统介绍概率论基础知识，包括概率空间、随机变量及其分布、数学期望的若干性质、特征函数和母函数、随机变量列的收敛性及其相互关系、条件数学期望等.1．1 概率空间概率论是研究随机现象统计规律的一门数学分科，由于随机现象的普遍性，使得概率论具有极其广泛的应用.随机试验是概率论的基本概念之一，随机试验所有可能结果组成的集合称为这个试验的样本空间，记为Ω.Ω中的元素ω称为样本点，Ω中的子集A 称为随机事件，样本空间Ω也称为必然事件，空集Φ称为不可能事件.定义 1.1 设Ω是一个集合，F 是Ω的某些子集组成的集合簇（collection ）（或称集类），如果 （1）Ω∈F ；（2）若A ∈F ，则\A A =Ω∈F ；（取余集封闭） （3）若n A ∈F ,1,2,n = ，则1n n A ∞=∈ F ；（可列并封闭）则称F 为σ-代数（sigma algebra -）（B orel 域或事件域（field of events ）），（,ΩF ）称为可测空间（m easurable space ）.由定义可以得到 （4）Φ∈F ；（5）若,A B ∈F ，则\A B ∈F ；（取差集封闭）（6）n A ∈F ,1,2,n = ，则1ni i A = ，1ni i A = ，1i i A ∞= ∈F （有限交，有限并，可列交封闭）定义1.2 设（,ΩF ）为可测空间，()P ⋅是定义在F 上的实值函数，如果 （1）任意A ∈F ,0()1P A ≤≤；（非负性） （2）()1P Ω=；（正规性）（3）对两两互不相容事件12,,A A （当i j ≠时，i j A A =Φ ），有11()i ii i P A P A ∞∞==⎛⎫=⎪⎝⎭∑ （可列可加性）. 则称P 是（,Ω F）上的概率（p r o b a b i l i ），(,ΩF ，P ）称为概率空间（probability space ），()P A 为事件A 的概率. 由定义知（4）,A B ∈F ,A B ⊂，则(\)()()P B A P B P A =- （可减性）一事件列{,1}n A n ≥称为单调增列，若1,1n n A A n +⊂≥；称为单调减列，若1,n n A A +⊃1n ≥. 显然，如果{,1}n A n ≥为单调增列，则1lim n in i A A∞→∞==；如果{,1}n A n ≥为单调减列，则1lim n in i A A∞→∞==.（5）（概率的连续性）若{,1}n A n ≥是递增或递减的事件列，则lim ()(lim )n n n n P A P A →∞→∞=定义1.3 设(,ΩF ，P ）为概率空间，B ∈F ，且()0P B >，如果对任意A ∈F ，记()(|)()P AB P A B P B =则称(|)P A B 为事件B 发生条件下事件A 发生的条件概率（conditional probability ）. 由条件概率的定义可得到： （1）乘法公式 设,A B ∈F ，则()()(|)P AB P B P A B =一般地，若i A ∈F ,1,2,,i n = ，且121()0n P A A A -> ，则121121312121()()(|)(|)(|)n n n P A A A P A P A A P A A A P A A A A --=（2） 全概率公式 设(,ΩF ，P ）是概率空间，A ∈F ，i B ∈F ,1,2,,i n =()i j B B i j =Φ≠，且1,()0,ni i i B P B ==Ω> ，则1()()(|)niii P A P B P A B ==∑（3） （Bayes 公式）设(,ΩF ，P ）是概率空间，A ∈F ，i B ∈F ,1,2,,i n =()i j B B i j =Φ≠，且1,()0,()0ni i i B P B P A ==Ω>> ，则1()(|)(|)()(|)i i i niii P B P A B P B A P B P A B ==∑一般地，若12,,,n A A A ∈ F ，有11()()nni ii i P A P A ===∏ , 则称F 为独立事件簇.1.2 随机变量及其分布随机变量是概率论的主要研究对象之一，随机变量的统计规律用分布函数来描述. 定义 1.4 设(,ΩF ，P ）为概率空间，()X X ω=是定义在Ω上的实值函数，如果对于任意实数x ，有()1(,]Xx --∞={}:()X x ωω≤∈F ，则称()X ω为F上的随机变量（random variable ），简记为..r v X .随机变量实质上是（,ΩF ）到(,R B ()R ）上的可测映射（函数），记1(){()|X XB B σ-=∈B ()R }⊂F ，称()X σ为随机变量X 所生成的σ域.称{}()1()():()((,])(,]F x P X x P X xP X x P Xx ωω-=≤=≤=∈-∞=-∞为随机变量X 的分布函数(distribution function )(简记.d f ).由定义，分布函数有如下性质：（1）()F x 为不降函数：即当12x x <时，有12()()F x F x ≤； （2）()lim ()0,x F F x →-∞-∞==()lim ()1x F F x →+∞+∞==；（3）()F x 是右连续的，即()()F x F x ο+=可以证明，定义在R 上的实值函数()F x ，若满足上述三个性质，必能作为某个概率空间(,ΩF ，P ）上某个随机变量的分布函数.推广到多维情形，类似可得到定义 1.5 设(,ΩF ，P ）为概率空间，()12()(),(),,()n X X X X X ωωωω== 是定义在Ω上的n 维空间n R 中取值的向量实值函数.对于任意12(,,,)n n x x x x R =∈ ，有{}1122:(),(),,()n n X x X x X x ωωωω≤≤⋅⋅⋅≤∈F ，则称()X X ω=为n 维随机变量，称12()(,,,)n F x F x x x P =⋅⋅⋅={}1122:(),(),,()n n X x X x X x ωωωω≤≤⋅⋅⋅≤为()12()(),(),,()n X X X X X ωωωω==⋅⋅⋅的联合分布函数.随机变量有两种类型：离散型随机变量和连续型随机变量，离散型随机变量的概率分布用概率分布列来描述：(),1,2,k k p P X x k === ，其分布函数为()k k x xF x p ≤=∑；连续型随机变量的概率分布用概率密度函数()f x 来描述，其分布函数为()()x F x f t dt -∞=⎰.类似地可定义n 维随机变量12(,,,)n X X X X = 的联合分布列和联合分布函数如下： 对于离散型随机变量12(,,,)n X X X X = ，联合分布列为()121122,,,n x x x n n p P X x X x X x ====其中,i i i x I I ∈为离散集，1,2,,i = n ，X 的联合分布函数为： 1,12,,121,2,,(,,,)(,,,)n i i nn x x n x y i n F y y y p y y y R ≤==⋅⋅⋅∈∑对于连续型随机变量12(,,,)n X X X X = ，如果存在n R 上的非负函数12(,,,)n f x x x ，对于任意12(,,,)nn y y y R ∈ ，有12(,,,)n X X X X = 的联合分布函数12121212(,,,)...(,,,)n y y y n n n F y y y f x x x dx dx dx -∞-∞-∞⋅⋅⋅=⋅⋅⋅⋅⋅⋅⎰⎰⎰12(,,,)n f x x x 为X 的联合密度函数.1.3 数学期望及其性质设()X X =⋅是定义在概率空间(,ΩF ，P ）上的.r v ，如果||X dP Ω<∞⎰，就称.r v .X的数学期望（expectation ）或均值存在（或称.r v .X 是可积的），记为E X ，有下列定义：EX XdP Ω=⎰利用积分变换，也可写成()EX xdF x +∞-∞=⎰.设()g x 是1R 上的B orel 可测函数，如果.r v .()g X 的数学期望存在，即|()|E g X <∞，由积分变换可知()()()()Eg X g X dP g x dF x +∞Ω-∞==⎰⎰设k 是正整数，若.r v .k X 的数学期望存在，就称它的k 阶原点矩（k th -moment aboutthe origin ），记为k α，即()kkk EXx dF x α+∞-∞==⎰设k 是正整数，若.r v .||k X 的数学期望存在，就称它的k 阶绝对原点矩（k th - absolute m o m e n tabout the origin ），记为k β，即 ||||()kkk E X x dF x β+∞-∞==⎰类似地，X 的k 阶中心矩（k th - central moment ）k μ和k 阶绝对中心矩（k th -absolutely central moment ）k υ分别定义为1()()()kkk E X EX x dF x μα+∞-∞=-=-⎰1||||()kkk E X EX x dF x να+∞-∞=-=-⎰我们称二阶中心矩为方差（variance ），记为V a r X 或D X ，显然有22221VarX μναα===-关于数学期望，容易验证下列的性质：（1）若.r v .X ，Y 的期望E X 和E Y 存在，则对任意实数,αβ，()E X Y αβ+也存在，且()E X Y EX EY αβαβ+=+（2）设A ∈F ，用A I 表示集A 的示性函数，若E X 存在，则()A E XI 也存在，且()A AE XI XdP =⎰（3）若{}k A 是Ω的一个划分，即()i j A A i j =Φ≠ ，且i iA Ω= ，则iA i EX XdP XdP Ω==∑⎰⎰关于矩的存在性，有如下的必要条件和充分条件定理1.1 设对.r v X 存在0p >，使||pE X <∞，则有lim (||)0px x P X x →∞≥=定理1.2 设对.r v X 0(.)a s ≥，它的.d f 为()F x ，那么E X <∞的充要条件是(1())F x dx ∞-<∞⎰此时EX =(1())F x dx ∞-⎰推论1.1 ||E X <∞的充要条件是0()F x dx -∞⎰与0(1())F x dx +∞-⎰均有限，这时有EX =(1())F x dx ∞-⎰()F x dx -∞-⎰推论 1.2 对于0,||pp E X <<∞<∞的充要条件是11(||)p n P X n ∞=≥<∞∑，也等价于11(||)p n nP X n ∞-=≥<∞∑1.4 特征函数和母函数特征函数是研究随机变量分布又一个很重要的工具，用特征函数求分布律比直接求分布律容易得多，而且特征函数有良好的分析性质.定义 1.6 设X 是n 维随机变量（随机向量），分布函数为()F x ，称()F x 的Fourier Stieltjes -变换()()(),itXitxg t E ee dF x t ∞-∞==-∞<<∞⎰为X 的特征函数(characteristic function ).简记.c f从本质上看，特征函数是实变量t 的复值函数，随机变量的特征函数一定是存在的. 当X 是离散型随机变量，分布列(),1,2,k k p P X x k === ，则1()kitx k k g t ep ∞==∑当X 是连续型随机变量，概率密度函数为()f x ，则()(),itxg t ef x dx t ∞-∞=-∞<<∞⎰从定义，我们能够看出特征函数有如下性质： （1）(0)1;g =（2）（有界性）|()|1;g t ≤ （3）（共轭对称性）()();g t g t -=（4）（非负定性）对于任意正整数n 及任意实数12,,,n t t t 和复数12,,,n z z z ，有,1()0nk l k l k l g t t z z =-≥∑（5）（连续性）()g t 为n R 上一致连续函数；（6）有限多个独立随机变量和的特征函数等于各自特征函数的乘积，即随机变量12,,,n X X X 相互独立，12n X X X X =+++ 的特征函数为：12()()()()n g t g t g t g t =其中()i g t 为随机变量i X 的特征函数；（7）（特征函数与矩的关系）若随机变量X 的n 阶矩n EX 存在，则X 的特征函数()g t 可微分n 次，且当k n ≤时，有()(0)k k k g i EX =；（8）随机变量的分布函数由其特征函数唯一确定.定理1.3 (B ocher 定理) n R 上函数()g t 是某个随机变量特征函数当且仅当()g t 连续非负定且(0)1g =.定理1.4 （逆转公式） 设()F x 是随机变量X 的分布函数，相应的特征函数为()g t 若12,x x 为()F x 的连续点，则12211()()lim()2itx itx TT Tee F x F x g t dt itπ--→∞---=-⎰很显然，具有相同特征函数的两个分布函数是恒等的.由此还可推出一个事实：一个随机变量是对称的，当且仅当它的特征函数是实的. 事实上，由X 的对称性知X 和X -有相同的分布函数，根据定义()()()itX itXg t E e E eg t g t -===-=，也就是说()g t 是实的；反之，从()()()itX itXg t Ee g t g t Ee -===-=知X 和X -有相同的特征函数，因此，它们的分布函数相等，这说明X 是对称的.例1.1 设X 服从(,)B n p ，求X 的特征函数()g t 及2,,EX EX D X解 X 的分布列为{},1,0,1,2,,k k n kn P X k C p q q p k n -===-=()()()n nitxk k n kk it k n kit nnnk k g t eC p qCpe qpe q --=====+∑∑因此 0(0)()|itt d E X ig ipe qnp dt='=-=-+=22222202()(0)()()|it t d EXi g i pe q npq n p dt=''=-=-+=+故 22()D X EX EX npq =-= 例1.2 设~(0,1)X N ，求X 的特征函数()g t解 22()itx xg t edx ∞--∞=由于2222||||itx xxixe xe--=221||xx edx ∞--∞<∞⎰，可对上式两边求导，得2222()()itx xitx xg t ixedx e de∞∞---∞-∞'==-⎰2222()x x itx itx edx tg t ∞∞---∞-∞=--=-于是得到微分方程 ()()g t t g t '+=. 这是变量可分离型方程，有()()dg t tdt g t =-两边积分得 2l n ()2g t tc=-+，得方程的通解为 22()tcg t e -+=.由于(0)1g =，因此，0c =.于是X 的特征函数为22()tg t e -=例1.3 设,X Y 相互独立，~(,),~(,)X B n p Y m p ，证明：~(,)X Y n m p ++ 证明 ,X Y 的特征函数分别为()(),()(),1itnitmX Y g t q pe g t q pe q p =+=+=-X Y +的特征函数为()()()(),1it n mX Y X Y g t g t g t q pe q p ++==+=-即X Y +的特征函数是服从参数为,n m p +二项分布的特征函数，由唯一性定理~(,)X Y n m p ++附表一给出了常用分布的均值、方差和特征函数.在研究只取非负整数值的随机变量时，以母函数代替特征函数比较方便.定义1.7 设随机变量X 的分布列为(),0,1,2,k p P X k k === 其中01k k p ∞==∑，称()()kk k k P s E s p s ∞===∑为X 的母函数（或称概率生成函数）（p r o b a b i l i t y generating function ）.母函数具有下列性质：（1）非负整数值随机变量的分布列由其母函数唯一确定； （2）(1)1P =，()P s 在||1s ≤绝对且一致收敛；（3）若随机变量X 的l 阶矩存在，则可以用母函数在1s =的导数值来表示，特别地， 有2(1),(1)(1)EX P EXP P ''''==+；（4）独立随机变量之和的母函数等于母函数的积.证明 （1）01(),0,1,2,nkkkk k k k k k n P s p s p s p s n ∞∞===+==+=∑∑∑两边对s 求n 阶导数，得到()1()!(1)(1)n k nn k k n Ps n p k k k n p s∞-=+=+--+∑令0s =，则()(0)!n n p n p =，因此()(0),0,1,!n n pp n n ==（3）由0()kk k P s p s ∞==∑，得到11()k kk P s kps∞-='=∑，令1s ↑，得到1(1)kk EX kpP ∞='==∑，类似可得到 2(1)(1)E X PP '''=+ 例1.4 从装有号码为1,2,3,4,5,6的小球的袋中，有放回地抽取5个球，求所得号码总和为15的概率.解 令i X 为第i 次取得的小球的号码，且i X 相互独立，125X X X X =+++ 为所取的球的号码的总和.i X 的母函数为261()()6i P s s s s =+++X 的母函数为 5265655551()()(1)(1)66s P s s s s s s -=+++=--所求概率为()P s 展开式的15s 的系数，因此，5651{15}6P X ==1.5 随机变量列的收敛性定义 1.8设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量，如果存在集A ∈F ，()0P A =，当cA ω∈时，有lim ()()n n X X ωω→∞=，则称n X 几乎处处收敛（convergencealm ost everywhere ）到X ，简称n X ..a s 收敛到X ，记为n X X → ..a s下面我们给出..a s 收敛的一个判别准则.定理1.5 n X X → ..a s 的充分必要条件是任一ε>0，有lim (||)0m n m n P X X ε∞→∞=⎧⎫-≥=⎨⎬⎩⎭下面给出定理1.3的一个应用.例1.5 设{}n X 是..r v 列，且11()()2n n n P X n P X n +===-=，1111122n n n P X P X n n ⎧⎫⎧⎫⎛⎫===-=-⎨⎬⎨⎬ ⎪⎩⎭⎩⎭⎝⎭对于给定的ε>0,考虑1n ε>，有 1(||)0,2m mm nm n P X n ε∞∞==⎧⎫≥≤→→∞⎨⎬⎩⎭∑，因此 0n X →，..a s定义1.9 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量,如果对任一0ε>，{}lim ||0n n P X X ε→∞-≥=则称n X 依概率收敛（convergence in probability ）到X ，简记Pn X X −−→. 由定义，n X 依概率收敛到X ，那么极限随机变量X ..a s 是唯一的.定义 1.10 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量,若||rn E X （0r >）存在，且lim ||0rn n E X X →∞-=，则称 n X r 阶平均收敛（convergence in mean oforder r ）到X ，特别地，当2r =时，称为均方收敛.定义1.11 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量，其分布函数序列()n F x 满足lim ()()n n F x F x →∞=在每个()F x 连续点处成立，则称n X 依分布收敛（convergence indistribution ）到X .简记dn X X −−→.这里()F x 为X 的分布函数.下面我们不加证明地给出几种收敛之间的关系.a sPn n X X X X −−→⇒−−→dn X X ⇒−−→⇓..k a s n X X −−→且11(||)2kn kk P X X ∞=-≥<∞∑⇑,r rn n X X X X '−−→⇒−−→ 0r r '<< 1.6 条件数学期望设,X Y 是离散型随机变量，对一切使{}0P Y y =>的y ，定义给定Y y =时，X 的条件概率为 {,}{|}{}P X x Y y P X x Y y P Y y ======；给定Y y =时，X 的条件分布函数为(|){|}F x y P X x Y y =≤=； 给定Y y =时，X 的条件期望为(|)(|){|}xE X Y y xdF x y xP Xx Y y =====∑⎰设,X Y 是连续型随机变量，其联合密度函数为(,)f x y ，对一切使()0Y f y ≥，给定Y y =时，X 的条件密度函数为(,)(|)()Y f x y f x y f y =；给定Y y =时，X 的条件分布函数(|){|}F x y P X x Y y =≤==(|)xf x y dx ⎰； 给定Y y =时，X 的条件期望定义为 (|)(|)(|)E X Y y x d F x y x f x y d x===⎰⎰由定义可以看出，条件概率具有无条件概率的所有性质.(|)E X Y y =是y 的函数，y 是Y 的一个可能值，若在Y 已知的条件下，全面考察X 的均值，需要用Y 替代y ，(|)E X Y y =是Y 的函数，显然，它也是随机变量，称为X 在Y 条件下的条件期望（conditional expectation ）.条件期望在概率论、数理统计和随机过程中是一个十分重要的概念，下面我们列举以下性质：设,,X Y Z 为随机变量，()g x 在R 上连续，且,,,[()]EX EY EZ E g Y Z ⋅都存在. （1） 当X 和Y 相互独立时，(|)E X Y EX =； （2） [(|)]EX E E X Y =；（3） [()|]()(|)E g Y X Y g Y E X Y ⋅=； （4） (|)E c Y c =，c 为常数；（5） （线性可加性）[()|](|)(|)E aX bY Z aE X Z bE Y Z +=+ （,a b 为常数）； （6） 若0,X ≥则(|)0,..E X Y a s ≥ 下面只对（2）和（3）证明：证明 （2）离散型情况.设(,)X Y 的联合分布列为{,},,1,2,i j ij P X x Y y p i j ====则 [(|)](|){}jj j y E E X Y E XY y P Y y ===∑{|}{}ji i i j j y x x P X x Y y P Y y ⎡⎤====⎢⎥⎣⎦∑∑ {,}{}ji ii i j i y x x x P X x Y y P Xx EX ⎡⎤======⎢⎥⎣⎦∑∑∑由此可见，E X 是给定j Y y =时X 条件期望的一个加权平均值，每一项(|)j E X Y y =所加的权数是作为条件事件的概率，称(|){}jj j y EX E XY y P Y y ===∑为全期望公式.连续型情形：设(,)X Y 的联合密度函数为(,)f x y ，则[](|)(|)()(|)()Y Y E E X Y E X Y y f y dy xf x y dx f y dy ∞∞∞-∞-∞-∞⎡⎤===⎢⎥⎣⎦⎰⎰⎰(,)(,)x f x y d x d yx f x y dy d x∞∞∞∞-∞-∞-∞-∞⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦⎰⎰⎰⎰()X xf x dx EX ∞-∞==⎰(|)()Y EX E X Y y f y dy ∞-∞==⎰也称为全期望公式.全期望公式表明：条件期望的期望是无条件期望. （3）只需证明对任意使[]()|E g Y X Y y ⋅=存在的y 都有[]()|()(|)E g y X Y y g y E X Y y ⋅===因为[|](|)E X Y y xdF x y ∞-∞==⎰，因此，当y 固定时，[]()|()(|)()(|)E g y X Y y g y xdF x y g y xdF x y ∞∞-∞-∞⋅===⎰⎰()[|]g y E X Y y ==例1.6 设在某一天走进商店的人数是期望为1000的随机变量，又设这些顾客在该商店所花钱数都为期望为100元的相互独立的随机变量，并设一个顾客花钱数和进入该商店的总人数独立，问在给定的一天内，顾客们在该商店所花钱数的期望是多少？解 设N 表示这天进入该商店的总人数，i X 表示第i 个顾客所花的钱数，则N 个顾客所花的总数为1Ni i X =∑.由于 11|N N i i i i E X E E X N ==⎡⎤⎡⎤⎛⎫=⎢⎥ ⎪⎢⎥⎣⎦⎝⎭⎣⎦∑∑而 1111||N n n i i i i i i E X N n E X N n E X nEX ===⎡⎤⎡⎤⎡⎤=====⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦∑∑∑因此 11|,N i i E X N N E X =⎡⎤=⎢⎥⎣⎦∑[]111N i i E X E N E X E N E X =⎡⎤=⋅=⎢⎥⎣⎦∑由题设 11000,100EN EX == 于是11000100100000Ni i X ==⨯=∑即该天顾客花费在该商店的钱数的期望为100000元.。
数学期望
在前面的课程中，我们讨论了随机变量及其分布，如果知道了随机变量X 的概率分布，那么X 的全部概率特征也就知道了.(x )xo x P(x)o然而，在实际问题中，概率分布一般是较难确定的. 而在一些实际应用中，人们并不需要知道随机变量的一切概率性质，只要知道它的某些数字特征就够了.某型号电视机的平均寿命18000小时±200小时因此，在对随机变量的研究中，确定某些数字特征是重要的.在这些数字特征中，最常用的是期望和方差我们先介绍随机变量的数学期望.随机变量的数学期望是概率论中最重要的概念之一. 它的定义来自习惯上的平均概念.我们从离散型随机变量的数学期望开始.一、离散型随机变量的数学期望1、概念的引入：某车间对工人的生产情况进行考察. 车工小张每天生产的废品数X是一个随机变量. 如何定义X的平均值呢？某电话交换台每天8:00-9:00收到的呼叫数X是一个随机变量. 如何定义X的平均值即该交换台每天8:00-9:00收到的平均呼叫数呢？我们来看第一个问题.若统计100天, 例1某车间对工人的生产情况进行考察. 车工小张每天生产的废品数X 是一个随机变量. 如何定义X 的平均值呢？32天没有出废品;30天每天出一件废品;17天每天出两件废品;21天每天出三件废品;27.1100213100172100301100320=⋅+⋅+⋅+⋅可以得到这100天中每天的平均废品数为这个数能否作为X 的平均值呢？可以想象，若另外统计100天，车工小张不出废品，出一件、二件、三件废品的天数与前面的100天一般不会完全相同，这另外100天每天的平均废品数也不一定是1.27.n 0天没有出废品;n 1天每天出一件废品;n 2天每天出两件废品;n 3天每天出三件废品.nn n n n n n n 32103210⋅+⋅+⋅+⋅可以得到n 天中每天的平均废品数为(假定小张每天至多出三件废品) ,若统计n 天,这是以频率为权的加权平均n n n n n n n n 32103210⋅+⋅+⋅+⋅由频率和概率的关系X的平均值时，用概率代替频率，得平均值为32103210p p p p ⋅+⋅+⋅+⋅这是以概率为权的加权平均这样得到一个确定的数. 我们就用这个数作为随机变量X 的平均值.这样做是否合理呢？不妨把小张生产中出废品的情形用一个球箱模型来描述:22300031112200033111有一个箱子，里面装有10个大小，形状完全相同的球，号码如图.规定从箱中任意取出一个球，记下球上的号码，然后把球放回箱中为一次试验.X 为所取出的球的号码(对应废品数) . X 为随机变量，X 的概率函数为⎪⎪⎭⎫ ⎝⎛2.02.03.03.03210~X 2230003111nn n n n n n n n M 32103210)(⋅+⋅+⋅+⋅=对试验次数(即天数)n ,及小张的生产情况进行统计，统计他不出废品，出一件、二件、三件废品的天数n 0,n 1,n 2,n 3 , 并计算与32103210p p p p ⋅+⋅+⋅+⋅进行比较.2230003111则对X 作一系列观察(试验)，所得X 的试验值的平均值也是随机的.由此引入离散型r.vX 的数学期望的定义如下: ∑∞=1k kk p x对于一个随机变量，若它可能取的值是X 1, X 2, …, 相应的概率为p 1, p 2,…,但是，如果试验次数很大，出现X k 的频率会接近于p k ，于是可期望试验值的平均值接近定义1设X 是离散型随机变量，它的概率函数是: P (X =X k )=p k , k =1,2,…也就是说,离散型随机变量的数学期望是一个绝对收敛的级数的和.∑∞==1)(k kk p x X E ∑∞=1||k k k p x 如果有限,定义X 的数学期望例1某人的一串钥匙上有n把钥匙，其中只有一把能打开自己的家门，他随意地试用这串钥匙中的某一把去开门.若每把钥匙试开一次后除去，求打开门时试开次数的数学期望.解: 设试开次数为X,P(X=k)= 1/n, k=1,2,…,nE(X) ∑=⋅=nknk112)1(1nnn+⋅=21+=n于是二、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x 0<x 1<x 2< …,则X 落在小区间[x i , x i +1)的概率是⎰+1)(i i x x dx x f ii x x f ∆=)(小区间[x i , x i+1)阴影面积近似为i i x x f ∆)())((1i i i x x x f -≈+小区间[X i , X i+1)由于x i 与x i +1很接近, 所以区间[x i , x i +1)中的值可以用x i 来近似代替.∑∆i iii x x f x )(这正是⎰∞∞-dxx f x )(的渐近和式.阴影面积近似为ii x x f ∆)(近似,i i x x f ∆)(因此X 与以概率取值x i 的离散型r.v该离散型r.v 的数学期望是由此启发我们引进如下定义.定义2设X是连续型随机变量，其密度函数为f (x),如果⎰∞∞-dx||(xfx)有限,定义X的数学期望为⎰∞∞-=dx(()E)xXfx也就是说,连续型随机变量的数学期望是一个绝对收敛的积分.2)(b a X E +=若X ~U (a ,b ),即X 服从( a ,b )上的均匀分布,则μ=)(X E 若X 服从则),,(2σμN λ=)(X E 若X 服从参数为的泊松分布，则λ由随机变量数学期望的定义，不难计算得：这意味着，若从该地区抽查很多个成年男子，分别测量他们的身高，那么，这些身高的平均值近似是1.68.68.1)(==μX E 已知某地区成年男子身高X ~),,.(2681σN三、随机变量函数的数学期望1. 问题的提出：设已知随机变量X的分布，我们需要计算的不是X的期望，而是X的某个函数的期望，比如说g(X)的期望. 那么应该如何计算呢？如何计算随机变量函数的数学期望?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.使用这种方法必须先求出随机变量函数g(X)的分布，一般是比较复杂的.那么是否可以不先求g(X)的分布而只根据X的分布求得E[g(X)]呢？下面的基本公式指出，答案是肯定的.类似引入上述E (X )的推理，可得如下的基本公式:设X 是一个随机变量，Y =g (X )，则⎪⎩⎪⎨⎧==⎰∑∞∞-∞=连续型离散型X dx x f x g X p x g X g E Y E k k k ,)()(,)()]([)(1当X 为离散型时,P (X = x k )=p k ;当X 为连续型时,X 的密度函数为f (x ).⎪⎩⎪⎨⎧==⎰∑∞∞-∞=连续型离散型X dx x f x g X p x g X g E Y E k k k ,)()(,)()]([)(1该公式的重要性在于: 当我们求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.将g(X)特殊化，可得到各种数字特征: k阶原点矩XE(k)XEk-E阶中心矩X))]([k(EXk阶绝对原点矩(|k)|E阶绝对中心矩Xk-X)|)E((|k 其中k 是正整数.四、数学期望的性质1. 设C 是常数，则E (C )=C ;4. 设X 、Y 独立，则E (XY )=E (X )E (Y );2. 若k 是常数，则E (kX )=kE (X );3. E (X 1+X 2) =E (X 1)+E (X 2);∑∑===n i i ni i X E X E 11)(][:推广∏∏===ni i n i i X E X E 11)(][:推广（诸X i 独立时）注意:由E (XY )=E (X )E (Y )不一定能推出X ,Y 独立五、数学期望性质的应用例1求二项分布的数学期望若X~B(n,p)，则X表示n重贝努里试验中的“成功”次数.现在我们来求X的数学期望.可见，服从参数为n 和p 的二项分布的随机变量X 的数学期望是np .X ~B (n ,p ), 若设则X = X 1+X 2+…+X n=np⎩⎨⎧=次试验失败如第次试验成功如第i i X i 01i =1,2，…，n 因为P (X i =1)= p ,P (X i =0)= 1-p ∑=n i i X E 1)(所以E (X )=则X 表示n 重贝努里试验中的“成功”次数.E (X i )= )1(01p p -⋅+⋅= p例2把数字1,2,…,n 任意地排成一列，如果数字k 恰好出现在第k 个位置上，则称为一个巧合，求巧合个数的数学期望.由于E (X k )=P (X k =1) 解: 设巧合个数为X ,⎩⎨⎧=否则，个位置上恰好出现在第数字0,1k k X k k =1,2, …,n ∑==n k kX X 1则!)!1(n n -=n 1=∑==n k k X E X E 1)()(故11=⋅=n n 引入例3 设甲、乙两人玩必分胜负的赌博游戏，假定游戏的规则不公正，以致两人获胜的概率不等，甲为p ,乙为q ，p >q ,p+q =1.为了补偿乙的不利地位，另行规定两人下的赌注不相等，甲为a , 乙为b , a >b . 现在的问题是：a 究竟应比b 大多少，才能做到公正？解：设甲赢的钱数为X ，乙赢的钱数为Y ，依题意,~⎪⎪⎭⎫ ⎝⎛-q p a b X ,~⎪⎪⎭⎫ ⎝⎛-p q b a Y解：设甲赢的钱数为X ，乙赢的钱数为Y ，为对双方公正,应有依题意,~⎪⎪⎭⎫ ⎝⎛-q p a b X ,~⎪⎪⎭⎫ ⎝⎛-p q b a Y E (X )=bp +(-a )q , E (Y )=aq +(-b )pbp -aq =aq -bp=0, qbp a =故期望与风险并存．数学家从期望值来观察风险，分析风险，以便作出正确的决策．例如，有一家个体户，有资金一笔，如经营西瓜，风险大但利润高(成功的概率为0.7，获利2000元)；如经营工艺品，风险小但获利少(95％会赚，但利润为1000元)．究竟该如何决策？于是计算期望值：若经营西瓜，期望值E1=0.7×2000=1400元．而经营工艺品期望值E2＝0.95×1000＝950元．所以权衡下来，情愿“搏一记”，去经营西瓜，因它的期望值高．我们介绍了随机变量的数学期望，它反映了随机变量取值的平均水平，是随机变量的一个重要的数字特征.接下来我们将向大家介绍随机变量另一个重要的数字特征：方差。