第十六章随机变量的数字特征.doc

第十六章 随机变量的数字特征 本章将介绍如何用确定的数值来刻划随机变量的统计特征（称为数字特征）.主要有：用于刻划取值的平均位置或集中位置的数学期望；用于刻划取值分散程度的方差；用于刻划两个随机变量之间内在相关性的相关系数以及矩等. 在介绍了以上数字特征概念的基础上，本章进而介绍常见分布的数字特征，求随机变量函数的数学期望的常用公式以及期望、方差和相关系数的性质，本章还将简单介绍极限理论以及切比雪夫不等式. §1 数学期望 一 、 数学期望的概念 对于随机变量，时常要考虑它的平均取什么值.先来看一个例子：经过长期观察积累，某射手在每次射击中命中的环数服从分布： 0 5 6 7 8 9 10 0 0.05 0.05 0.1 0.1 0.2 0.5 （其中0表示脱靶） 一种很自然的考虑是：假定该射击手进行了100次射击，那么，约有5次命中5环，5次命中6环，10次命中7环，10次命中8环，20次命中9环，50次命中10，没有脱靶的. 从而在一次射击中，该射手平均命中的环数为 (环) 它是的可能取值与对应概率的乘积之和.由此引进如下定义： 定义1 设为一离散型堕机变量，其分布列为,，若级数绝对收敛，则称这级数为的数学期望，简称期望或均值.记为，即 = （16.1） 否则，称的数学期望不存在. 在定义1中，要求绝对收敛是必需的，因为的数学期望是一确定的量，不受在级数中的排列次序的影响，这在数学上就要求级数绝对收敛. 的数学期望也称为数以概率为权的加权平均. 定义2 设为一连续型随机变量，其密度函数是，若时，则称 （16.2） 为的数学期望，否则称的数学期望不存在. 二、 常见分布的数学期望 二点分布 设～b(1,p),即,,,. 由（16.1）式，有 　　　　　　　. 二项分布 设～b(n,p),即, …,n, , . 按（16.1）式，有 　 泊松分布 设，即 ，0, 1, 2, …，. 由（16.1）式，有 . 这说明，泊松分布的参数就是服从泊松分布的随机变量的均值. 均匀分布 设,即的密度函数为 按（16.2）式，有 它恰好是区间的中点，这与均值意义相符. 指数分布 设，即的密度函数为 按（16.2）式，有 . 正态分布 设, 即的密度函数为 按（16.2）式，有 这说明正态分布的参数是正态随机变量的均值. 三 、 数学期望的性质 定理16.1 数学期望具有下列性质： ; ; 设、相互独立，则， 其中上面各式中的为常数，所提及的数学期望都存在，定理的证明从定义出发直接验证，证明从略. 根椐定理16.1,运用归纳法，易得如下推论： 推论1 其中均是常数，特别有 . 推论 2 若相互独立，则 . 数学期望的性质有助于简化数学期望的计算. 关于随机变量函数的期望，这里只介绍两面个重要公式而不加证明. 如果是一离散型堕机变量，概率分布列为,，则它的函数的数学期望可按下面公式计算： (16.3) 如果是连续型随机变量，密度函数为,则的期望可按下面公式计算： (16.4) 上面两个公式的重要意义在于当我们求时，不必知道的分布，只要知道的分布就可以了，上述两个公式还可以推广到多维随机变量的情形，在此从略. 例1 设求 解 因为所以从而 因此，按数学期望的性质，得 . 例 2 设的分布列为 1 2 3 P 0.1 0.7 0.2 求的数学期望. 解 按公式（16.3），得 （1） （2） 例3 掷20个骰子，求这20个骰子出现的点数之和的数学期望. 解 设为第骰子出现的点数，，那么，20个骰子点数之和就等于 易知，有相同的分布列所以 于是， 本例将随机变量分解成若干个随机变量之和，利用随机变量和的期望公式，把的计算转化为求若干个随机变量的期望，使的计算大为简化.这种处理方法具有一定的普遍性. 例 4 已知, 求． 解 的密度函数为 按公式（16.4） . 例5 假定国际市场上每年对我国某种出口商品需求量是随机变量（单位：吨），它服从[2000, 4000]上的均