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

离散型随机变量是指其取值可以列举出所有可能结果的随机变量。这一单元将介绍离散型随机变量的主要数字特征，如期望值、方差和标准差等，帮助学生掌握如何通过数学期望和分布的其他特征对随机变量的分布特性进行分析和描述。

二、主要内容

离散型随机变量及其数字特征概述

离散型随机变量是指其取值集合为有限或可数无限的集合。常见的离散型随机变量包括骰子掷出的点数、抽样问题中的个体数量等。数字特征是用来描述离散型随机变量分布的数学指标，最常见的有期望值、方差和标准差等。这些特征可以帮助我们理解和预测随机现象的行为。

期望值（数学期望）

期望值是离散型随机变量最基本的数字特征，它反映了随机变量取值的“中心位置”。期望值的计算公式为：

E(X)=∑

i=1

n

x

i

?P(x

i

)

其中，

x

i

表示随机变量的取值，

P(x

i

)是随机变量取值

x

i

的概率。期望值有时被称为“加权平均数”，它是所有可能取值的概率加权和。

方差与标准差

方差是度量离散型随机变量取值离期望值的偏离程度。方差的计算公式为：

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

2

]=∑

i=1

n

(x

i

?E(X))

2

?P(x

i

)

标准差是方差的平方根，表示随机变量与期望值之间的平均偏离程度。标准差具有与原数据相同的单位，更加直观易懂。较大的方差或标准差表示随机变量的取值波动较大，较小的则表示其波动较小。

离散型随机变量的其他数字特征

除了期望值和方差外，离散型随机变量还有其他一些数字特征，如偏度和峰度。偏度衡量数据分布的不对称性，峰度衡量数据分布的尖锐程度。虽然这两个特征在离散型随机变量中不如期望值和方差常用，但它们在某些特定的概率分布分析中仍具有重要作用。

常见离散型随机变量的数字特征

常见的离散型随机变量包括二项分布、泊松分布和几何分布等。对于这些分布，期望值、方差等特征具有特定的计算公式。例如，对于二项分布，期望值为

E(X)=np，方差为

Var(X)=np(1?p)，其中

n是试验次数，

p是每次试验成功的概率。

三、详细解释与示例

期望值的计算示例

假设一个离散型随机变量

X表示一枚硬币正面朝上的次数，硬币每次投掷有50%的概率正面朝上，50%的概率反面朝上。若投掷硬币两次，

X的可能取值为0、1和2。

E

E(X)=0?P(X=0)+1?P(X=1)+2?P(X=2)

设

P(X=0)=P(X=2)=

4

1

,P(X=1)=

2

1

，则

E(X)=0?

4

1

+1?

2

1

+2?

4

1

=1

所以期望值为1，即硬币投掷两次后，正面朝上的平均次数是1。

方差和标准差的计算示例

延续上面的硬币投掷示例，已知期望值

E(X)=1，我们可以计算方差：

Var(X)=

i=0

∑

2

(x

i

?E(X))

2

?P(x

i

)

其中，

x

0

=0,x

1

=1,x

2

=2。

计算得到：

Var(X)=(0?1)

2

?

4

1

+(1?1)

2

?

2

1

+(2?1)

2

?

4

1

=

4

1

+0+

4

1

=

2

1

所以方差为0.5，标准差为

0.5

≈0.707，表明硬币投掷的结果离期望值的平均偏差大约为0.707。

四、摘要或结论

离散型随机变量的数字特征，如期望值、方差和标准差，帮助我们量化和理解随机现象的性质。期望值提供了随机变量的中心趋势，方差和标准差反映了其波动范围。在应用中，了解这些特征有助于我们进行更精确的预测和决策，尤其在处理概率分布时。

五、问题与反思

①如何在实际问题中应用期望值、方差和标准差进行决策分析？

②离散型随机变量的期望值和方差是否适用于所有类型的概率分布？

③对于较复杂的离散型分布（如多项式分布），如何快速计算这些数字特征？

周志华.《机器学习》.清华大学出版社,2016.

李治国.《概率论与数理统计》.高等教育出版社,2019.

孙海波.《概率论基础》.北京大学出版社,2020.

陈希孺.《离散数学与应用》.高等教育出版社,2015.