第6讲随机变量的数字特征.pptVIP

§1 随机变量的数学期望 随机变量的特征数：用来刻划随机变量某种特征的数。如：数学期望、方差、标准差、中位数、相关系数等等。 问该射手在一次射击中平均命中的环数是多少? 甲的所得 X 是一个可能取值为0 或100 的随机变量，其分布列为： 定义1 设离散随机变量X的分布列为 P(X=xn) = pn, n = 1, 2, ... 注: (1)数学期望本质上为加权平均, 权就是取值 的概率. 连续随机变量的数学期望 定义2 设连续随机变量X 的密度函数为p(x), 若积分 2.2.3 数学期望的性质 定理1 设 Y=g(X) 是随机变量X的函数， 若 E(g(X)) 存在，则 §2 随机变量的方差与标准差 问题的提出： 我们已经知道,期望反映了随机变量取值的平均位置,在许多问题中,只要知道这个平均值就可以了.但是,期望仅仅反映了随机变量的一个侧面,有一定的局限性,在某些场合,仅仅知道期望是不够的. 引例: 甲乙两射手，他们每次射击命中的环数分别用Ｘ，Ｙ表示，其分布列为 想法: (1)偏差的平均值,即X与EX的偏差X-EX的平均值:E(X-EX). 定义1 若 E(X?E(X))2 存在，则称偏差平方的数学期望E(X?E(X))2 为 X 的方差，记为 注 意 点 (2)称 2.3.2 方差的性质 泊松分布 总结：（１）常用离散分布的数学期望 总结：（２）常用离散分布的方差 正态分布 正态分布的数学期望与方差： 总结：（１）常用连续分布的数学期望 总结：（２）常用连续分布的方差 血液检查中的经济学 §3 分布的其它特征数 重点：矩、分位数的概念. 难点：分位数. k 阶矩 变异系数 分位数 上侧 p -- 分位数 中位数 统计中常用的 p - 分位数 2004年数学一选择（13）： 设随机变量X服从正态分布N(0,1)，对给定的 ，数 满足 ，若 ，则 等于： 二项分布 其中 0p1,q=1-p 定义： 设X为n重伯努里试验中事件A发生的次数, 且 ，则X 的分布列为 这种分布称为二项分布，记为 其中 为参数。 二项分布的期望与方差： 定义：若随机变量 X 的概率分布为 则称 X 服从参数为? 的泊松分布,记为 X～P(?)， 其中?（0）参数。 泊松分布的期望与方差： 0-1 分布的数学期望 = p 二项分布 b(n, p)的数学期望 = np 泊松分布 P(?) 的数学期望 = ? 0-1 分布的方差 = p(1?p) 二项分布 b(n, p)的方差 = np(1?p) 泊松分布 P(?) 的方差= ? 2008年数学一填空（14）： 设随机变量X服从参数为1的泊松分布， 则 =_____. 均匀分布 定义：设随机变量X的密度函数为 记为X ~ U(a, b) 则称X服从区间［a,b］上的均匀分布, 均匀分布的期望和方差： E(X)=(a+b)/2; Var(X)=(b-a)2/12. 指数分布 则称X服从指数分布，记为 X ～Exp(?),其中? 0. 定义：若随机变量X的密度函数为 指数分布的数学期望和方差： 则称X服从正态分布，记为X ~ N(?, ?2), 其中? 0， ? 是任意实数. ? 是位置参数. ? 是尺度参数. 定义：若随机变量X的密度函数为 设 ，则 均匀分布 U(a, b) : E(X) = (a+b)/2 指数分布 Exp(?) : E(X) = 1/? 正态分布 N(?, ?2) : E(X) = ? 均匀分布 U(a, b) 的方差 = (b ?a)2/12 指数分布 Exp(?) 的方差= 1/?2 正态分布 N(?, ?2) 的方差= ?2 　　第二次世界大战期间，必须招募很多人到军队，要检查申请者中某种罕见的疾病需要对每一个人进行血液检查，这无疑是一项巨大的工作。尽管被淘汰的比率很低，但这个检验是决定一个人是否能参军的关键。如何保证“有问题的”会被淘汰掉，同时又减少检验次数呢？ 　　混合样本监测的方法现已广泛实践于环境保护研究和其他领域，用于削减实验检测费用。 用X 表示该人群中每个人需要的验血次数，则