概率论与数理统计第四章第二节（概率统计）.pptVIP

(3) D(X±Y)= E[(X±Y)-E(X±Y)]2 = E[(X-E(X)±(Y-E(Y)]2 = E[(X-E(X)] 2 +E[(Y-E(Y)]2 ±2E{[X-E(X)][Y-E(Y)]} =D(X)+D(Y)±2E{[X-E(X)][Y-E(Y)]}. 由于X与Y相互独立, 故X-E(X)与Y-E(Y)也相互独立. 从而 E{[X-E(X)][Y-E(Y)]} = E[X-E(X)] E [Y-E(Y)] =0 , 于是， D(X±Y)=D(X)+D(Y). 结合结论(2), (3), 可以推知结论(4). 讲评 (1) D(2-3X)=9D(X), 不是 D(2-3X)=-3D(X). (2) X与Y不相互独立(即任意的随机变量)时, D(X±Y)=D(X)+D(Y) ±2Cov(X, Y). 例4.2.4 设随机变量X的数学期望E(X)和方差D(X)均存在, 且D(X)0, 定义一个新随机变量X * 为 (4.2.9) 求证E(X *)=0, D(X *)=1. 通常称X *为X的标准化随机变量. 证 讲评 这里X不一定是正态随机变量. 对正态随机变量X～N(μ, σ2), 则标准化随机变量 几种重要分布的数学期望与方差 (1) 0-1分布 设随机变量X～B(1, p), 则 E(X)=p, D(X)=pq. 这里q=1-p. 证 由于X的分布率为 故知X2的分布率也是 4.2.5′ 理论应用 X 0 1 P q p X2 0 1 P q p E(X)=0·q+1·p=p, E(X 2)=0·q+1·p=p. 从而 D(X)=E(X 2)-[E(X)]2= p-p2=p(1-p)=pq. 于是 二项分布可看成n个独立的0-1分布 之和, 即设Xi～B(1, p)(i=1,2,…, n)且相互独立, 得到 (2) 二项分布 设随机变量X～B(n, p), 则 E(X)=np, D(X)=npq. 证 因此， (3) 泊松分布 设随机变量X～P(λ), 则 E(X)=D(X)=λ. 证 又由于 从而 D(X)=E(X 2)-[E(X)]2 =λ2 +λ-λ2 =λ. (4) 均匀分布 设随机变量X～U(a,b), 则 E(X)= D(X)= . 证 由于X的概率密度 , 得 又 从而 (5) 指数分布 证 X的概率密度为 设随机变量X～E(λ), 则 E(X) = , D(X)= 有 由于 我们得到 讲评 (1) 由期望和方差关系可知，只需 确定一个参数λ即可完全确定指数分布. (2) 指数分布的一个重要性质是“无记忆 性”, 即当元件运行了时间t后如果仍正常, 则 从t时刻开始其寿命同新的一样. 用式子表示 就是 P{Xt+τ|Xt}=P{Xτ}. (3) 概率密度为 的数学期望E(X) = , D(X)= 一般地, 对任何正整数n, 有 Γ(n+1)=n! . (4) 关于Γ函数, 有如下性质: (i) (ii) 递推公式Γ(s+1)=sΓ(s) (s0) . (iiii) Γ(1)= Γ(2)= 1. (iii) (5) 正态分布 设随机变量X～N (μ,σ2), 则 E(X)= μ, D(X)=σ2. 证 由正态分布的定义知, 又 例4.2.5 设随机变量X,Y,Z相互独立, 且 已知X～N(2, 4), Y～E