概率与数理统计书稿第四章 随机变量数字特征.doc

PAGE 85 -第四章 随机变量的数字特征由前两章的讨论知道，分布函数完整地描述了随机变量的统计规律，然而在一些实际问题中要确定一个随机变量的分布函数却是非常困难的，而且有许多实际问题，并不要求全面考察随机变量的统计规律，而只需知道它的某些特征，因而并不需要求出它的分布函数．例如，在检查各批棉花的质量时，关心的是棉花纤维的平均长度及纤维长度相对于平均长度的偏离程度，在棉花纤维的平均长度一定的情况下，这个偏离程度越大，表示棉花质量越差；在考察日光灯管的质量时，常常关心的是日光灯管的平均寿命以及日光灯管的寿命与平均寿命的偏离程度，只有平均寿命较长同时偏离程度又较小的日光灯管才是质量较好的．由此可见，随机变量的平均值、随机变量与其平均值偏离的程度是随机变量的两个重要的数量特征．这些与随机变量有关的数量，虽不能完整地描述它的统计规律，但已反映出随机变量在某些方面的重要特征，它们在理论和实践上都具有重要的意义．本章将介绍常用的随机变量的数字特征：数学期望、方差、协方差和相关系数． §4.1 随机变量的数学期望 4.1.1 离散型随机变量的数学期望 为引入数学期望的概念，先看如下问题：为了对两个水稻品种进行比较，将两个水稻品种在种植条件大致相同的土地上种植，得到它们的产量数据（单位：kg）如下：品种1525550525490550525550546525490品种2478519560519542542542490542519试问哪个水稻品种较优呢？从上面的数据很难立即看出结果，我们可以从其平均产量来评定其优劣．品种1的平均产量为 ,品种2的平均产量为 .所以从平均产量来看，品种1优于品种2.以表示水稻的产量，则在前面计算品种1的平均产量时，分别是事件, , , 在10次试验中发生的频率，平均产量表示为．显然，产量数据越多，计算结果越能反映客观实际，而且当产量数据非常多时，事件的频率非常接近于它的概率．因此，用计算平均产量是客观实际的真实表达．定义1 设离散型随机变量的概率分布为若，则称的和为随机变量的数学期望或均值，简称期望，记为，即 (4.1)随机变量的数学期望完全是由的概率分布确定的，而不应受的可能取值的排列次序的影响，因此要求，否则，称随机变量的数学期望不存在． 若把看成轴上质点的坐标，而看成相应质点的质量，质量总和=1，则(4.1)式就表示质点系的重心坐标． 例1 设随机变量的分布列为P求． 解 由(4.1)式易知 . 若将此例视为甲、乙两队“比赛”，甲队赢的概率为0.6，输的概率为0.4，并且甲队每赢一次得3分，每输一次扣1分，则是指甲队平均每次可得分． 例2 按规定，某公交车每天8点至9点和9点至10点都恰有一辆到站，各车到站的时刻是随机的，且各车到站的时间是相互独立的，其规律为到站时刻8:10/9:108:30/9:308:50/9:50概率0.20.40.4某乘客8:20到站，求他候车时间的数学期望．解 设乘客的候车时间为(单位：min)，若该乘客8:20到车站，而8点到9点的一趟车已于8:10开走，第二趟车9:10开，则他候车的时间为50 min，对应的概率为事件“第一趟车8:10开走，且第二趟9:10开”发生的概率，即 ．该乘客其余候车时间对应的概率可类似得到，于是候车时间的分布列为X10305070900.40.40.040.080.08从而该乘客候车时间的数学期望为 . 例3 设二维离散型随机变量的联合概率分布表为 Y X123121/41/81/81/81/41/8求随机变量X和Y的数学期望．解 由的联合分布律可得关于X、Y的边缘分布分别为X12Y123P5/83/8P3/81/43/8于是有，.事实上，我们不需要先求关于X、Y的边缘分布，可以直接由的联合分布律求X和Y的数学期望．定理1 设二维离散型随机变量的联合概率分布为 则, ． (4.2)证 关于X的边缘分布为，于是有，同理可得． 4.1.2 连续型随机变量的数学期望 若为连续型随机变量，其密度函数为，则X落入内的概率可近似地表为，它与离散型随机变量的类似，下面给出连续型随机变量数学期望的定义．定义2 设连续型随机变量的密度函数为．若积分收敛，则称积分的值为随机变量的数学期望或均值，简称期望，记为，即 (4.3)若积分不收敛，则称随机变量X的数学期望不存在．设在x轴上连续分布着质量，其线密度为，则由可知的物理意义是质量密度为的一维连