概率论与数理统计-4.pptxVIP

第四章

随机变量的数字特征

上一章介绍了随机变量的分布函数、概率函数和分布律，它们都能完整地描述随机变量，但是在某些实际或理论问题中，往往人们感兴趣的只是能够描述随机变量的某一种特征常数。

例如，一足球队队员的球龄是随机变量，但观众往往关注的只是平均年龄；一个白领一年十二个月的收入是一个随机变量，但人们往往只关注月平均收入。这种由随机变量的分布所确定的，能刻画随机变量某一方面特征的常数称为数字特征。

序言

01

数学期望

X

0

1

2

…

200

次数

m0

m1

m2

…

m200

频率

…

由表知，同时工作的车床数平均值为

这个数是与随机变量X密切相关的，但由于频率随观察次数n的变动而不同，所以这个数值带有一定的波动性。

定义1设离散型随机变量X的分布律为 ，若级数 绝对收敛，则称级数 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。

数学期望完全由随机变量X及其分布所确定，式（4-1）既是数学期望的定义式，也同时是数学期望的计算式。

解

解由定义式（4-1）知：

解由定义式（4-1）知：

定义2设连续型随机变量X的概率密度为f(x)，若积分 绝对收敛，则称积分 为随机变量X的数学期望，记为E(X)，即

（4-1）

数学期望完全由随机变量X及其分布所确定，式（4-2）既是数学期望的定义式，也同时是数学期望的计算式。

解由定义式（4-2）知：

解由定义式（4-2）知：

令

则

解因为

所以积分 非绝对收敛，故E(X)不存在。

随机变量数学期望的定义可以推广到多维随机变量．譬如，设二维离散随机变量(X,Y)的联合分布律为

则其数学期望为

(4-3)

(4-4)

二维连续随机变量(X,Y)的数学期望为

(4-5)

(4-6)

其中为联合分布律，f(x,y)为联合分布函数。

Y

X

1

2

3

1

0

2

0

X

1

2

P

解根据表可知，随机变量(X,Y)关于X和Y的边缘分布如表所示。

Y

1

2

3

P

所以

解(x,y)的分布如图所示

定理1设离散型随机变量X的分布律为 是实值连续函数，且级数 绝对收敛，则随机变量函数g(X)的数学期望为

(4-7)

定理2设连续型随机变量X的概率密度为f(x)，g(x)是实值连续函数，且积分 绝对收敛，则随机变量函数g(X)的数学期望为

(4-8)

X

-1

0

1

P

解根据表可知，关于Y的边缘分布如表所示。

Y

0

1

P

因此，由式（4-7）知，

解记圆面积为S，则

又由已知X的概率密度为

则由式（4-8）有

定理3设二维离散随机变量(X,Y)的分布律为

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）

定理4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）

解

解设t表示进货量，易知应取8t16。进货t所得利润记为W(X)，且有

利润W(X)是随机变量函数，求最大利润即为求“平均利润”的最大值．X的概率密度函数为

由式（4-8）知

令

得

而

所以，当t=14时，E[W(X)]取极大值，也是最大值．也就是说，进货为14kg时，平均利润最大，即所获得的利润最大．

解记随机变量Xi，则 指第i次试验中事件A发生， 指第i次试验中事件A不发生， ，其中，P(A)=P

由例1可知，

所以

02

方差

先从例子说起。例如，有一批灯泡，其平均寿命是E(X)=1000h，仅由这一指标我们还不能判定这批灯泡的质量好坏。事实上，有可能其中绝大部分灯泡的寿命都在950～1050h；也有可能其中约有一半是高质量的，它们的寿命大约有1300h，另一半却是质量很差的，其寿命大约只有700h。为要评定这批灯泡质量的好坏，还需进一步考察灯泡寿命X与其均值E(X)=1000的偏离程度．若偏离程度较小，表示质量比较稳定。从这个意义上来说，我们认为质量较好。

前面也曾提到一个白领一年十二个月的收入是一个随机变量，但人们往往关注月平均收入，但两份月平均收入相同的工作，哪份工作会更好呢？这个时候就要考虑每个月实际收入和平均收入的偏离程度。

由此可见，研究随机变量与其均