概率论与数理统计（第4章） .docx

第4章随机变量的数字特征 4.1 数学期望 4.1.1 数学期望的概念 我们在解决实际问题时，常常需要求出某一个随机变量的平 均值.那么，如何确定随机变量的平均值呢?先看下面的例子. 例 1 某服装公司生产两种套装， 一种是大众装，每套200 元，生产900套，另一种是高档装，每套1800元，生产100套， 问该公司生产套装的平均价格是多少? 解 显然套装的平均价格绝对不是两种套装200元和1800 元的算术平均，而是以每种套装的套数与生产总套数的比值(取 到这些值的频率)为权重的加权平均，即 =200×0.9+1800×0.1=360 第4章随机变量的数字特征 4.1 数学期望 4.1.1 数学期望的概念 从上例可以看出，对于一个离散型随机变量 X, 其可能取 的值为x? ,x? ,…,x · 若将这n 个数相加后除以n 作为“均值” 是不对的，因为X 取各个值的频率是不同的，频率越大的取值， 出现的机会就越大，即计算取值的平均值时其权数就越大.如果 用概率替换频率，用取值的概率作为一种“权数”做加权计算平 均值是十分合理的. 通过以上分析，我们可以给出离散型随机变量的数学期望的 一般定义. 第4章随机变量的数字特征 4.1 数学期望 4.1.1 数学期望的概念 1. 1. 离散型随机变量的数学期望 定 义 1 设 X 是一个离散型随机变量，其分布律为P(X=x,}=Px(k=1,2,), 若级数 绝对收敛，则称此级数之和为随机变量X 的数学期望，记为E(X), 即 (4.1) 数学期望简称期望或均值. 一维离散随机变量数学期望的定义可以推广到多维随机变量，如设二维离散随机变量 (X,Y) 的联合分布律为 P(X=x;,Y=y;)=P(i,j=1,2 …), 则其数学期望为 (4-2) (4-3) 第4章随机变量的数字特征 4.1 数学期望 4.1.2 随机变量函数的数学期望 上述定理还可以推广到两个或两个以上随机变量函数的情况. 设二维离散随机变量(X,Y) 的分布律为P(X=x,Y=y;)(i=1,2,…,j=1,2,…), g(x,y)是实值连续函数，且级数 绝对收敛，则随机变量函数g(X,Y) 的数学 期望为 (4-9) 设连续型随机变量(X,Y) 的概率密度为f(x,y),g(x,y) 是实值连续函数，且积分 绝对收敛，则随机变量函数g(X,Y) 的数学期望为 (4-10) 第4章随机变量的数字特征 4.1 数学期望 4.1.2 随机变量函数的数学期望 例 1 0 国际市场每年对我国某种商品的需求量是随机变量X (单位： 吨),它服从[2000,4000]上的均匀分布 . 已知每售出1 吨商品，可挣得外 汇3万元；若商品无法售出而积压，则每吨商品需花费库存费等共1 万元， 问需要组织多少货源，才能使国家收益最大? 解 设组织货源t 吨， t ∈[2000,4000], 收益为随机变量Y (单位：万元),由 题意可知Y 是需求量X 的函数，即 整理得 第4章随机变量的数字特征 4.2 方差 4.2.1 方差的概念及计算公式 例 2 设离散型随机变量X 的分布律如表4-2所示，求D(X). 表4-2 X -1 0 1 2 P 0.1 0.3 0.4 0.2 解 因为 E(X)=(- 1)×0. 1+0×0.3+1×0.4+2×0.2=0.7, E(X2)=(-1)2×0.1+O2×0.3+l2×0.4+22×0.2=1.3, 所以 D(X)=E(X2)-[E(X)]2=1.3-0.72=0.81. 第4章随机变量的数字特征 4.2 方差 4.2.1 方差的概念和计算公式 为了便于记忆和比较，下面给出常用随机变量分布的数学期望和方差，如表4-3 所示 所示 . 名称与记号 分布律或概率密度 数学期望 方差 (0-1)分布 P{5=k)=p(1-p)1-^(k=0,1,0p1) p p(-p) 二项分布 B(n,p) P(4=A)=C (0p1,q=1-p,k=0,1,2,,n) np mp(1-p) 泊松分布 PA A λ 均匀分布 U[a,] 指数分布 E(2) 正态分布 N(μ,α3) μ σ 第4章随机变量的数字特征 4.3 协方差与相关系数 4.3.1 协方差 引入协方差的目的在于度量随机变量之间关系的强弱，但由于协方差有量纲，其数值受X 和 Y本身量纲的影响，为了克服这一缺点，我们对随机变量进行标准化. 为随机变量X 的标准化随机变量，不难验证E(X)=0,D(X)=1. 例如， X～N(μ,σ2)(σ0), 由于E(X)=μ,D(X)=σ2, X 和Y的标准化随机变量的协方差为 则有 上式表明，可以利用标