7.3离散型随机变量的数字特征 单元设计.docxVIP

7.3离散型随机变量的数字特征单元设计

一、主题/概述

离散型随机变量的数字特征主要是通过一系列数学方法和统计量来描述随机变量的分布特征。它们包括期望值、方差、标准差等，能够帮助我们更直观地理解数据的集中趋势和离散程度。在这一单元中，我们将探讨这些特征的定义、计算方法以及它们在实际问题中的应用。

二、主要内容

1.离散型随机变量的期望值

期望值（数学期望或均值）是描述离散型随机变量中心位置的一个重要统计量，通常用

E(X)表示。它反映了随机变量取值的加权平均值，权重为每个取值的概率。

?定义：对于离散型随机变量

X，其期望值

E(X)定义为所有可能取值的加权平均数，公式为：

E(X)=

i=1

∑

n

x

i

P(x

i

)

其中，

x

i

表示随机变量的每个可能取值，

P(x

i

)表示对应取值的概率。

?解释：期望值并不是随机变量实际可能的一个结果，而是描述其概率分布的一个“中心”点。例如，在掷骰子的例子中，期望值可以帮助我们理解在多次实验中，骰子上的点数的平均水平。

2.离散型随机变量的方差与标准差

方差和标准差是描述随机变量离散程度的重要指标。它们反映了随机变量各个取值相对于期望值的偏离程度。

?方差定义：离散型随机变量

X的方差

Var(X)定义为：

Var(X)=E[(X?E(X))

2

]=

i=1

∑

n

(x

i

?E(X))

2

P(x

i

)

?标准差定义：标准差是方差的平方根，用于衡量数据的波动性或离散程度：

σ(X)=

Var(X)

?解释：方差越大，表示随机变量的取值偏离期望值的程度越大，数据波动性越强。标准差是方差的单位和原始数据一致，通常用于实际应用中更为直观。

3.离散型随机变量的偏度与峰度

偏度和峰度是描述分布形态的两个统计量。偏度反映了分布的对称性，而峰度则反映了分布的尖锐程度。

?偏度定义：偏度描述数据分布的偏斜程度。如果偏度为正，说明数据分布偏向左侧；如果偏度为负，则分布偏向右侧。

偏度=

(Var(X))

3/2

E[(X?E(X))

3

]

?峰度定义：峰度衡量分布尾部的厚度，即数据分布是否比正态分布更集中或更分散。较高的峰度表示分布更加尖锐，而较低的峰度则表示分布更为平坦。

峰度=

(Var(X))

2

E[(X?E(X))

4

]

详细解释与示例

期望值的应用实例：

假设一个掷骰子的实验，骰子有六个面，分别标记为

x

1

=1,x

2

=2,…,x

6

=6。每个面出现的概率均为

6

1

。那么掷骰子的期望值计算为：

E(X)=1×

6

1

+2×

6

1

+3×

6

1

+4×

6

1

+5×

6

1

+6×

6

1

=3.5

这一期望值表明，在多次掷骰子的实验中，骰子的点数的平均值会接近3.5。

方差与标准差的计算：

继续使用上面的掷骰子例子，期望值

E(X)=3.5。方差计算为：

Var(X)=(1?3.5)

2

×

6

1

+(2?3.5)

2

×

6

1

+(3?3.5)

2

×

6

1

+?+(6?3.5)

2

×

6

1

=2.92

标准差则为方差的平方根：

σ(X)=

2.92

≈1.71

这意味着，尽管期望值是3.5，但每次掷骰子的结果平均会偏离期望值约1.71。

三、摘要或结论

离散型随机变量的数字特征包括期望值、方差、标准差、偏度和峰度等，它们能够帮助我们全面理解随机变量的概率分布。期望值给出了随机变量的平均水平，方差和标准差反映了数据的离散程度，而偏度和峰度则描述了分布的形态特征。掌握这些概念，对于进一步理解概率论和统计学的核心内容至关重要。

四、问题与反思

①期望值是否总是一个可能的取值？如果期望值是一个非整数，如何理解这个概念？

②在计算方差时，如果某些取值的概率较低，但极端离散，方差的计算结果是否依然具有代表性？

③偏度和峰度如何影响我们对数据分布的解释？它们是否可以作为对比不同分布形态的主要依据？

王洪远.《概率论与数理统计》.高等教育出版社,2019.

曹红梅.《概率论与统计基础》.清华大学出版社,2020.

许三多.《数学统计学》.人民教育出版社,2018.