推荐b站《概率论与数理统计》教学视频全集(宋浩)
第4章 随机变量的数字特征
4.1 随机变量的数学期望
随机变量的数学期望,也称为随机变量的平均值。数学期望刻画了随机变量取值的平均性质。
随机变量的方差刻画了随机变量取值的波动特性。
4.1.1 离散型随机变量的数学期望
定义 4.1 设
X
X
X 为离散型随机变量,其分布列为
P
(
X
=
x
i
)
=
p
i
,
i
=
1
,
2
,
⋯
,
P(X=x_{i})=p_{i},\qquad i=1,2,\cdots,
P ( X = x i ) = p i , i = 1 , 2 , ⋯ , 若级数
∑
i
=
1
∞
x
i
p
i
\sum_{i=1}^{\infty}x_{i}p_{i}
∑ i = 1 ∞ x i p i 绝对收敛,则称其和为随机变量
X
X
X (或其分布)的数学期望 ,简称为期望 或均值 ,记为
E
X
EX
E X ,即
E
X
=
∑
i
=
1
∞
x
i
p
i
.
EX=\sum_{i=1}^{\infty}x_{i}p_{i}.
E X = i = 1 ∑ ∞ x i p i . 当级数
∑
i
=
1
∞
x
i
p
i
\sum_{i=1}^{\infty}x_{i}p_{i}
∑ i = 1 ∞ x i p i 非绝对收敛时,称随机变量
X
X
X (或其分布)的数学期望不存在。
4.1.2 连续型随机变量的数学期望
定义 4.2 设随机变量
X
X
X 的密度函数为
f
(
x
)
f(x)
f ( x ) ,若积分
∫
−
∞
+
∞
x
f
(
x
)
d
x
\int_{-\infty}^{+\infty}xf(x)dx
∫ − ∞ + ∞ x f ( x ) d x 绝对收敛,则称其值为
X
X
X (或其分布)的数学期望 ,简称为期望 或均值 ,记为
E
X
EX
E X ,即
E
X
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
.
EX=\int_{-\infty}^{+\infty}xf(x)dx.
E X = ∫ − ∞ + ∞ x f ( x ) d x . (随机变量 乘 密度函数 求积分)
4.1.3 随机变量函数的数学期望
定理 4.1 设
Y
=
g
(
X
)
Y=g(X)
Y = g ( X ) ,其中
X
X
X 为随机变量,
g
(
x
)
g(x)
g ( x ) 为连续函数.
(1) 设离散型 随机变量
X
X
X 的分布列为
P
(
X
=
x
i
)
=
p
i
,
i
=
1
,
2
,
⋯
P(X=x_{i})=p_{i},\qquad i=1,2,\cdots
P ( X = x i ) = p i , i = 1 , 2 , ⋯ . 若级数
∑
i
=
1
∞
g
(
x
i
p
i
)
\sum_{i=1}^{\infty}g(x_{i}p_{i})
∑ i = 1 ∞ g ( x i p i ) 绝对收敛,则
Y
=
g
(
X
)
Y=g(X)
Y = g ( X ) 的数学期望为
E
Y
=
E
[
g
(
X
)
]
=
∑
i
=
1
∞
g
(
x
i
)
p
i
EY=E[g(X)]=\sum_{i=1}^{\infty}g(x_i)p_{i}
E Y = E [ g ( X ) ] = i = 1 ∑ ∞ g ( x i ) p i (2) 若连续型 随机变量
X
X
X 的密度函数为
f
(
x
)
f(x)
f ( x ) ,且积分
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
\int_{-\infty}^{+\infty}g(x)f(x)dx
∫ − ∞ + ∞ g ( x ) f ( x ) d x 绝对收敛,则
Y
=
g
(
X
)
Y=g(X)
Y = g ( X ) 的数学期望为
E
Y
=
E
[
g
(
X
)
]
=
∑
i
=
1
∞
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
EY=E[g(X)]=\sum_{i=1}^{\infty}\int_{-\infty}^{+\infty}g(x)f(x)dx
E Y = E [ g ( X ) ] = i = 1 ∑ ∞ ∫ − ∞ + ∞ g ( x ) f ( x ) d x 定理 4.2 设
Z
=
g
(
X
,
Y
)
Z=g(X,Y)
Z = g ( X , Y ) ,其中
g
(
x
,
y
)
g(x,y)
g ( x , y ) 为二元连续函数.
(1) 若二维离散型 随机变量
(
X
,
Y
)
(X,Y)
( X , Y ) 的分布列为
P
(
X
=
x
i
,
Y
=
y
i
)
=
p
i
j
,
i
,
j
=
1
,
2
,
⋯
P(X=x_i,Y=y_i)=p_{ij},\; i,j=1,2,\cdots
P ( X = x i , Y = y i ) = p i j , i , j = 1 , 2 , ⋯ ,且级数
∑
i
=
1
∞
∑
j
=
1
∞
g
(
x
i
,
y
i
)
p
i
j
\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}g(x_i,y_i)p_{ij}
∑ i = 1 ∞ ∑ j = 1 ∞ g ( x i , y i ) p i j 绝对收敛,则
E
Z
=
E
[
g
(
X
,
Y
)
]
=
∑
i
=
1
∞
∑
j
=
1
∞
g
(
x
i
,
y
i
)
p
i
j
EZ=E[g(X,Y)]=\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}g(x_i,y_i)p_{ij}
E Z = E [ g ( X , Y ) ] = i = 1 ∑ ∞ j = 1 ∑ ∞ g ( x i , y i ) p i j (2) 若二维连续型 随机变量
(
X
,
Y
)
(X,Y)
( X , Y ) 的密度函数为
f
(
x
,
y
)
f(x,y)
f ( x , y ) ,且积分
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y 绝对收敛,则
E
Z
=
E
[
g
(
X
,
Y
)
]
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
EZ=E[g(X,Y)]=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
E Z = E [ g ( X , Y ) ] = ∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y 特别地,当
(
X
,
Y
)
(X,Y)
( X , Y ) 是连续型随机变量时,X,Y 的数学期望分别为
E
X
=
∫
−
∞
+
∞
∫
−
∞
+
∞
x
f
(
x
,
y
)
d
x
d
y
EX=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xf(x,y)dxdy
E X = ∫ − ∞ + ∞ ∫ − ∞ + ∞ x f ( x , y ) d x d y
E
Y
=
∫
−
∞
+
∞
∫
−
∞
+
∞
y
f
(
x
,
y
)
d
x
d
y
EY=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}yf(x,y)dxdy
E Y = ∫ − ∞ + ∞ ∫ − ∞ + ∞ y f ( x , y ) d x d y
4.1.4 数学期望的性质
设
X
,
Y
X,Y
X , Y 为随机变量,且
E
X
,
E
Y
EX,EY
E X , E Y 存在.
E
C
=
C
EC=C
E C = C .
E
(
a
X
+
b
Y
)
=
a
E
X
+
b
E
Y
E(aX+bY)=aEX+bEY
E ( a X + b Y ) = a E X + b E Y .
E
(
a
X
)
=
a
E
X
,
E
(
X
+
Y
)
=
E
X
+
E
Y
E(aX)=aEX, E(X+Y)=EX+EY
E ( a X ) = a E X , E ( X + Y ) = E X + E Y .
E
(
k
X
+
b
)
=
k
E
X
+
b
E(kX+b)=kEX+b
E ( k X + b ) = k E X + b
若
X
,
Y
X,Y
X , Y 相互独立 ,则有
E
(
X
Y
)
=
(
E
X
)
(
E
Y
)
E(XY)=(EX)(EY)
E ( X Y ) = ( E X ) ( E Y ) .
若
X
≥
0
X\geq 0
X ≥ 0 ,则有
E
X
≥
0
EX \geq 0
E X ≥ 0 ;若
X
≤
Y
X\leq Y
X ≤ Y ,则有
E
X
≤
E
Y
EX \leq EY
E X ≤ E Y .
∣
E
X
∣
≤
E
∣
X
∣
|EX|\leq E|X|
∣ E X ∣ ≤ E ∣ X ∣ .
4.2 随机变量的方差
方差的的定义
定义 4.3 设
X
X
X 为随机变量,若
E
(
X
−
E
X
)
2
E(X-EX)^2
E ( X − E X ) 2 存在,则称它为随机变量
X
X
X 的方差 ,记为
D
X
DX
D X 。即
D
X
=
E
(
X
−
E
X
)
2
DX=E(X-EX)^2
D X = E ( X − E X ) 2 而
D
X
\sqrt{DX}
D X
称为随机变量
X
X
X 的标准差 或均方差 .
离散型:
D
X
=
∑
k
(
x
k
−
E
X
)
2
p
k
DX=\sum_{k}(x_k-EX)^{2}p_k
D X = ∑ k ( x k − E X ) 2 p k
连续型 :
D
X
=
∫
−
∞
+
∞
(
x
−
E
X
)
2
f
(
x
)
d
x
DX=\int_{-\infty}^{+\infty}(x-EX)^2f(x)dx
D X = ∫ − ∞ + ∞ ( x − E X ) 2 f ( x ) d x
常用的 计算随机变量方差的另一公式 :
D
X
=
E
(
X
2
)
−
(
E
X
)
2
DX=E(X^2)-(EX)^2
D X = E ( X 2 ) − ( E X ) 2
方差的性质
D
C
=
0
DC=0
D C = 0
对任一随机变量
X
X
X 有
D
X
≥
0
DX\geq 0
D X ≥ 0 .
D
X
=
0
DX=0
D X = 0 的充要条件 是存在常数 C, 使得
P
(
X
=
C
)
=
1
P(X=C)=1
P ( X = C ) = 1 .
D
(
C
X
+
b
)
=
C
2
D
X
D(CX+b)=C^2DX
D ( C X + b ) = C 2 D X
D
(
X
±
Y
)
=
D
X
+
D
Y
±
2
E
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
D(X\pm Y)=DX+DY\pm 2E[(X-EX)(Y-EY)]
D ( X ± Y ) = D X + D Y ± 2 E [ ( X − E X ) ( Y − E Y ) ]
特别地,若 X 与 Y 独立 ,则有
D
(
X
±
Y
)
=
D
X
+
D
Y
D(X\pm Y)=DX+DY
D ( X ± Y ) = D X + D Y (注意最后一定是+)
对任意常数
C
≠
E
X
C\neq EX
C = E X ,有
D
X
=
E
(
X
−
E
X
)
2
<
E
(
X
−
C
)
2
DX=E(X-EX)^2<E(X-C)^2
D X = E ( X − E X ) 2 < E ( X − C ) 2
标准化:
X
∗
=
X
−
E
X
D
X
X^*=\frac{X-EX}{\sqrt{DX}}
X ∗ = D X
X − E X
E
X
∗
=
0
EX^*=0
E X ∗ = 0
D
X
∗
=
1
DX^*=1
D X ∗ = 1
证
明
:
E
X
∗
=
E
(
X
−
E
X
D
X
)
=
1
D
X
(
E
X
−
E
X
)
=
0
证明:EX^*=E(\frac{X-EX}{\sqrt{DX}})=\frac{1}{\sqrt{DX}}(EX-EX)=0
证 明 : E X ∗ = E ( D X
X − E X ) = D X
1 ( E X − E X ) = 0
证
明
:
D
X
∗
=
1
D
X
D
(
X
−
E
X
)
=
D
X
D
X
=
1
证明:DX^*=\frac{1}{DX}D(X-EX)=\frac{DX}{DX}=1
证 明 : D X ∗ = D X 1 D ( X − E X ) = D X D X = 1
常见分布的期望和方差:
分布
定义
EX
DX
0-1分布
P
(
X
=
k
)
=
p
k
(
1
−
p
)
1
−
k
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=p^k(1-p)^{1-k},k=0,1,2,\cdots
P ( X = k ) = p k ( 1 − p ) 1 − k , k = 0 , 1 , 2 , ⋯
p
p
p
p
q
pq
p q
二项分布
B
(
n
,
p
)
B(n,p)
B ( n , p )
P
(
X
=
k
)
=
C
n
k
p
k
q
n
−
k
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=C_n^k p^kq_{n-k},k=0,1,2,\cdots
P ( X = k ) = C n k p k q n − k , k = 0 , 1 , 2 , ⋯
n
p
np
n p
n
p
q
npq
n p q
几何分布
G
(
p
)
(
1
<
p
<
1
)
G(p)(1<p<1)
G ( p ) ( 1 < p < 1 )
P
(
X
=
k
)
=
(
1
−
p
)
k
−
1
p
,
k
=
1
,
2
,
⋯
P(X=k)=(1-p)^{k-1}p,k=1,2,\cdots
P ( X = k ) = ( 1 − p ) k − 1 p , k = 1 , 2 , ⋯
1
p
\frac{1}{p}
p 1
1
−
p
p
2
\frac{1-p}{p^2}
p 2 1 − p
泊松分布
P
(
λ
)
(
λ
>
0
)
P(\lambda)(\lambda>0)
P ( λ ) ( λ > 0 )
P
(
X
=
k
)
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},k=0,1,2,\cdots
P ( X = k ) = k ! λ k e − λ , k = 0 , 1 , 2 , ⋯
λ
\lambda
λ
λ
\lambda
λ
均匀分布
f
(
x
)
=
{
1
b
−
a
,
x
∈
[
a
,
b
]
0
,
e
l
s
e
f(x)=\begin{cases} \frac{1}{b-a}, & x\in [a,b] \\ 0, & else \end{cases}
f ( x ) = { b − a 1 , 0 , x ∈ [ a , b ] e l s e
a
+
b
2
\frac{a+b}{2}
2 a + b
(
b
−
a
)
2
12
\frac{(b-a)^2}{12}
1 2 ( b − a ) 2
指数分布
E
(
λ
)
(
λ
>
0
)
E(\lambda)(\lambda>0)
E ( λ ) ( λ > 0 )
f
(
x
)
=
{
λ
e
−
λ
x
,
x
>
0
0
,
e
l
s
e
f(x)=\begin{cases} \lambda e^{-\lambda x}, & x>0 \\ 0, & else \end{cases}
f ( x ) = { λ e − λ x , 0 , x > 0 e l s e
1
λ
\frac{1}{\lambda}
λ 1
1
λ
2
\frac{1}{\lambda ^2}
λ 2 1
正态分布
N
(
μ
,
σ
2
)
(
σ
>
0
)
N(\mu,\sigma ^2)(\sigma>0)
N ( μ , σ 2 ) ( σ > 0 )
N
(
μ
,
σ
2
)
(
σ
>
0
)
N(\mu,\sigma ^2)(\sigma>0)
N ( μ , σ 2 ) ( σ > 0 )
μ
\mu
μ
σ
2
\sigma ^2
σ 2