随机变量的数字特征.doc

随机变量的数字特征 一、数学期望 离散型随机变量的数学期望 定义：设离散型随机变量的分布律为若级数绝对收敛，则称为随机变量的数学期望或平均值，简称期望或均值,记为，即. (4-1) 随机变量的数学期望完全是由的分布律确定的，而不应受的可能取值的排列次序的影响，因此要求级数绝对收敛。若级数不绝对收敛，则称随机变量的数学期望不存在。 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，下面给出定义。 定义:设连续型随机变量的密度函数为。若积分绝对收敛，称该积分值为随机变量的数学期望或平均值，简称期望或均值，记为，即 若积分不绝对收敛，则称随机变量X的数学期望不存在。 随机变量函数的数学期望 在实际问题中常常需要求出随机变量的函数的数学期望，例如，要求。我们可以不必求出的分布律或密度函数，而直接由的分布律或密度函数来求,即——X是离散型随机变量. ——X是连续型随机变量. 若，则——（X,Y）是离散型随机变量. ——(X,Y)是连续型随机变量. 例 1 设二维随机变量的密度函数为 ，求 解 例 2 设二维随机变量的密度函数为 求和 解 4、数学期望的性质 1、设为常数，则有 2、设为常数，为随机变量，则有 3、设为任意两个随机变量，则有 4、设为相互独立的随机变量，则有 二、随机变量的方差 定义:设X是一个随机变量。若存在，则称为X的方差，记为D (X )，即。 与X具有相同量纲的量称为X的均方差或标准差，记为。 由定义，随机变量X的方差反映出X的取值与其数学期望的偏离程度。若D (X )较小，则X取值比较集中，否则，X取值比较分散。因此，方差D (X )是刻化X取值分散程度的一个量。 方差实际上是随机变量X的函数的数学期望。故若X为离散型随机变量，其分布律为则；若X为连续型随机变量，其密度函数为f (x)，则.另外，还有一个常用的计算方差的重要公式：. 事实上， 例 1、 设随机变量X服从（0-1）分布，分布律为 P（X=1）= p，P（X=0）=1-p =q， 求D (X )。 解 因为 所以D（X）=pq. 2、方差的性质 假定下面所遇到的随机变量的方差均存在。 设C为常数，则D (C )=0。 2. 设X为随机变量，C为常数，则有. 证 3. 设随机变量X与Y相互独立，则有D (X+Y )=D (X )+D (Y )。 证 因为 由于X与Y相互独立，E (XY )=E (X )E (Y )，故 E [X-E (X )][Y-E (Y )]=0, 所以D(X+Y )=D (X )+D (Y )。 性质3可推广到有限多个相互独立的随机变量之和的情形。即若相互独立，则有。 若X与Y是相互独立的随机变量，为常数，则有 特别地，D (X-Y )=D (X ) + D (Y )。 4. D (X )=0的充分必要条件是X依概率1取常数C，即P {X = C } =1，显然，这里C = E (X )(证略)。 三、几种重要随机变量的数学期望和方差 服从(0-1)分布的随机变量的数学期望与方差已在例1中作了计算. 1、二项分布 设随机变量X服从参数为n、p的二项分布，即X ~ B (n，p)，其分布律为,其中0 p1，p + q=1，则 对于服从二项分布的随机变量，还可用更简单的方法来计算E (X )与D (X ). 在n重贝努里试验中，每次试验事件A发生的概率为p，不发生的概率为q=1-p，若引入随机变量 ,i=1,2,…,n. 则A发生的次数为，分布，且是相互独立的，所以.于是由数学期望的性质可得 2、泊松分布 设随机变量X服从参数为泊松分布，即，其分布律为则 3、均匀分布 设随机变量X在区间[a，b]上服从均匀分布，即，其密度函数 则 4、指数分布 设随机变量X服从以为参数的指数分布，即，其密度函数 则 5 正态分布 设随机变量X服从参数为的正态分布，即，其密度函数 则 从上面所述的各种随机变量可见，一些常用分布的数学期望和方差知道后，其分布中的参数也就知道了，从而分布也就唯一确定。由此可见随机变量数字特征的重要性。 几种重要随机变量的数学期望和方差可在课本中找到加深印象。 在概率论里，有时需要将随机变量“标准化”，即对任意随机变量X，若其数学期望E (X )，方差D (X )均存在，且D (X )0，则称 为X的标准化随机变量 四、协方差和相关系数 对于二维随机变量，我们除了讨论随机变量X与Y的数学期望和方差之外，还要给出一个描述X与Y之间相互关系的数字特征。我们知道，若X与Y相互独立，则有；若，则说明与不相互独立，而是有一定的关系的。因此给出以下定义。 1、定义 设是一个二维随机变量，若存在，