第四篇 随机变量的数值特征.pptVIP

;§4.1 数学期望 1. 数学期望的定义 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。 定义 1： 设 X 是离散型随机变量，它的概率分布律为 P(X=xk)=pk, k=1,2,…。如果 有限，定义 X 的数学期望; 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。 定义 2： 设 X 是连续型随机变量，其密度函数为 f (x)，如果 有限，定义 X 的数学期望为 ;2. 随机变量函数的数学期望 设已知随机变量 X 的分布，需要计算的不是 X 的期望，而是 X 的函数 g(X) 的期望。 该如何计算呢？ 一种方法是，首先求随机变量函数 g(X) 的分布，然后按数学期望的定义计算 E[g(X)] 。但是，求随机变量函数 g(X) 的分布，一般比较复杂。 可否不先求 g(X) 的分布而只根据 X 的分布来求得E[g(X)]呢？ 可以！;定理： 设 X 是一个随机变量，当 X 为离散型时，其分布律为 P(X= xk)=pk；当 X 为连续型时，其密度函数为 f (x)。 Y=g(X)，则;3. 数学期望的性质 1）设 C 是常数，则 E(C) = C； 2）若 k 是常数，则 E(kX) = kE(X)； 3）E(X1+X2) = E(X1)+E(X2)； 推广;例. 电视塔观光电梯每整点的第5分钟、25分钟和55分钟从底层起行。假设一游客在早8点至9点之间随机来到底层候梯处，求该游客等候时间的数学期望。;§4.2 方差 随机变量的数学期望体现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。但是，仅仅知道平均值是不够的，还需要知道随机变量取值在其中心附近的离散程度。这个数字特征就是方差。 1. 方差的定义 设 X 是一个随机变量，若 E[(X-E(X)]2 ∞，则称; 方差的算术平方根 称为标准差。由于它与 X 具有相同的度量单位，在实际问题中经常使用。 方差刻划了随机变量的取值对于其数学期望的离散程度。若 X 的取值比较集中，则方差较小；若 X 的取值比较分散，则方差较大；若方差 D(X) = 0，则随机变量 X 以概率 1 取常数值。;X 为离散型 P(X=xk)=pk;2. 方差的性质 1） 设 C 是常数；则 D(C)=0； 2） 若 C 是常数，则 D(CX)= C2D(X)； 3） 若 X1 与 X2 独立，则 ;3. 切比雪夫不等式 设随机变量 X 有数学期望 E(X) = ? 和方差 D(X) = ? 2，则对于任意正数 ? 0，下述不等式成立：;例. 在每次试验中，事件 A 发生的概率为 0.75。试利用切比雪夫不等式求，n 需要多大时，才能使得在 n 次独立重复试验中 A 出现的频率在 0.74~0.76 之间的概率至少为 0.9？;4. 几种重要随机变量的期望和方差 1） (0-1) 分布 X ~ E(X ) =p， D(X ) =p(1-p) 2） 二项分布 X ~ b(n,p) E(X ) =np， D(X ) =np(1-p) 3）泊松分布 X ~ ? (?) E(X ) =D(X ) = ? 4）正态分布 X ~ N(?,? 2) E(X ) = ?， D(X ) = ? 2;§4.3 协方差及相关系数 前面我们介绍了随机变量的数学期望和方差，对于多维随机变量，反映分量之间关系的数字特征中，最重要的，就是现在要讨论的协方差及相关系数。 协方差 任意两个随机变量 X 和 Y 的协方差记为 Cov(X,Y)， 定义为： ;1）Cov (X,Y)= Cov (Y,X) 2）Cov(aX,bY) = ab Cov (X,Y) a,b 是常数 3） Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y);D(X+Y) =E{[(X+Y) – E(X+Y)]2} = E{{[X–E(X)]+[Y–E(Y)]}2} = E{[X–E(X)]2 +[Y–E(Y)]2 +2[X–E(X)] [Y–E(Y)]} =D(X )+D(Y )+ 2Cov(X,Y );相关系数 定义：设 D(X) 0，D(Y) 0，称; 相关系数刻划