李永乐复习全书概率论与数理统计 第四章 随机变量的数字特征

4.1  随机变量的数学期望和方差

例8  设随机变量$X\sim P(\lambda )$，试证$E(X)=\lambda$。

证   P { X = k } = λ k k ! e − λ , k = 0 , 1 , 2 , ⋯ P\{X=k\}=\cfrac{\lambda^k}{k!}e^{-\lambda},k=0,1,2,\cdots P{X=k}=k!λk​e−λ,k=0,1,2,⋯，故
$$\begin{array}{rl}E(X)& =\sum _{k=0}^{+\infty }k\cdot \frac{{\lambda }^k}{k!}{e}^{-\lambda }=\sum _{k=1}^{+\infty }\frac{{\lambda }^k}{(k-1)!}{e}^{-\lambda }\\ & =\sum _{i=0}^{+\infty }\frac{{\lambda }^{i+1}}{i!}{e}^{-\lambda }=\lambda \sum _{i=0}^{+\infty }\frac{{\lambda }^i}{i!}{e}^{-\lambda }=\lambda .\end{array}$$
（这道题主要利用了二次项展开式求解）

例9  设随机变量$X$的分布函数为$F(x)=0.3\Phi (x)+0.7\Phi \left(\frac{x-1}{2}\right)$，其中$\Phi (x)$为标准正态分布函数，则$E(X)=$______。

解  $f(x)=F^{\prime }(x)=0.3\phi (x)+\frac{0.7}{2}\phi \left(\frac{x-1}{2}\right)$，其中$\phi (x)$为标准正态分布函数。
$$\begin{array}{rl}E(X)& ={\int }_{-\infty }^{+\infty }xf(x)\mathrm{d}x=0.3{\int }_{-\infty }^{+\infty }x\phi (x)\mathrm{d}x+\frac{0.7}{2}{\int }_{-\infty }^{+\infty }x\phi \left(\frac{x-1}{2}\right)\mathrm{d}x\\ & =0.3\times 0+0.7{\int }_{-\infty }^{+\infty }(2t+1)\phi (t)\mathrm{d}t=0.7.\end{array}$$
（这道题主要利用了积分求解）

例11  设随机变量$X$和$Y$独立同分布，已知$X\sim N(\mu ,{\sigma }^2)$，求$Z=\min (X,Y)$的数学期望$E(Z)$。

解  设$\xi =\frac{X-\mu }{\sigma },\eta =\frac{Y-\mu }{\sigma }$，$\xi ,\eta$独立同为标准正态分布$N(0,1)$。显然
$$\begin{gathered} Z=\min (X,Y)=\min (\sigma \xi +\mu ,\sigma \eta +\mu )=\sigma \min (\xi ,\eta )+\mu , \\ \begin{array}{rl}E[\min (\xi ,\eta )]& ={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }\min (X,Y)\frac{1}{2\pi }{e}^{-\frac{x^2+y^2}{2}}\mathrm{d}x\mathrm{d}y\\ & =\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }{e}^{-\frac{x^2}{2}}\mathrm{d}x{\int }_{-\infty }^{x}y{e}^{-\frac{y^2}{2}}\mathrm{d}y+\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }{e}^{-\frac{y^2}{2}}\mathrm{d}y{\int }_{-\infty }^{y}x{e}^{-\frac{x^2}{2}}\mathrm{d}x\\ & =2\cdot \frac{1}{2\pi }{\int }_{-\infty }^{+\infty }(-1)e^{-x^2}\mathrm{d}x=-\frac{1}{\sqrt{\pi }}.\end{array} \end{gathered}$$
  所以$E(Z)=\sigma E[\min (\xi ,\eta )]+\mu =\mu -\frac{\sigma }{\sqrt{\pi }}$。（这道题主要利用了积分公式求解）

4.2  矩、协方差和相关系数

例2  设随机变量$X_1,X_2,\cdots ,X_n$相互独立且均服从标准正态分布，记$\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i,Y_i=X_i-\overline{X}$，则$\mathrm{C}\mathrm{o}\mathrm{v}(Y_1,Y_n)=$______。

解
E ( X ‾ ) = E ( 1 n ∑ i = 1 n X i ) = 1 n ∑ i = 1 n E ( X i ) = 0 , E ( Y i ) = E ( X i ) − E ( X ‾ ) = 0. C o v ( Y 1 , Y n ) = E { [ Y 1 − E ( Y 1 ) ] [ Y n − E ( Y n ) ] } = E ( Y 1 Y n ) = E [ ( X 1 − X ‾ ) ( X n − X ‾ ) ] = E ( X 1 X n − X 1 X ‾ − X n X ‾ + X ‾ 2 ) = E ( X 1 X n ) − E ( X 1 X ‾ ) − E ( X n X ‾ ) + E ( X ‾ 2 ) . E(\overline{X})=E\left(\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i\right)=\cfrac{1}{n}\displaystyle\sum^n_{i=1}E(X_i)=0,\\ E(Y_i)=E(X_i)-E(\overline{X})=0.\\ \begin{aligned} \mathrm{Cov}(Y_1,Y_n)&=E\{[Y_1-E(Y_1)][Y_n-E(Y_n)]\}\\ &=E(Y_1Y_n)=E[(X_1-\overline{X})(X_n-\overline{X})]\\ &=E(X_1X_n-X_1\overline{X}-X_n\overline{X}+\overline{X}^2)\\ &=E(X_1X_n)-E(X_1\overline{X})-E(X_n\overline{X})+E(\overline{X}^2). \end{aligned} E(X)=E(n1​i=1∑n​Xi​)=n1​i=1∑n​E(Xi​)=0,E(Yi​)=E(Xi​)−E(X)=0.Cov(Y1​,Yn​)​=E{[Y1​−E(Y1​)][Yn​−E(Yn​)]}=E(Y1​Yn​)=E[(X1​−X)(Xn​−X)]=E(X1​Xn​−X1​X−Xn​X+X2)=E(X1​Xn​)−E(X1​X)−E(Xn​X)+E(X2).​
  由于$X_1,X_n$相互独立，$E(X_1{X}_n)=E(X_1{X}_n)$，由对称性得出$E(X_1\overline{X})=E(X_n\overline{X})$，而$E({\overline{X}}^2)=D(\overline{X})+[E(\overline{X}){]}^2=D\left(\frac{1}{n}\sum _{i=1}^n{X}_i\right)+0^2=\frac{1}{n^2}\sum _{i=1}^{n}D(X_i)=\frac{1}{n}$。
  总之，
$$\begin{array}{rl}\mathrm{C}\mathrm{o}\mathrm{v}(Y_1,Y_n)& =E(X_1)E(X_n)-2E(X_1\overline{X})+\frac{1}{n}\\ & =0-2\cdot \frac{1}{n}\cdot E\left(X_1^2+\sum _{i=2}^n{X}_1{X}_i\right)+\frac{1}{n}\\ & =-\frac{2}{n}(1+0)+\frac{1}{n}=-\frac{1}{n}.\end{array}$$
（这道题主要利用了方差性质求解）

写在最后

  如果觉得文章不错就点个赞吧。另外，如果有不同的观点，欢迎留言或私信。
  欢迎非商业转载，转载请注明出处。