概率论与数理统计 | (7) 随机变量的期望与方差

最新推荐文章于 2022-05-06 19:01:04 发布

CoreJT

最新推荐文章于 2022-05-06 19:01:04 发布

阅读量3.3w

点赞数 12

分类专栏：概率论与数理统计文章标签：概率论与数理统计期望方差

本文链接：https://blog.csdn.net/sdu_hao/article/details/102928670

版权

概率论与数理统计专栏收录该内容

17 篇文章 18 订阅

订阅专栏

1. 随机变量的数学期望

随机变量的数字特征

1）数学期望

2）方差

3）协方差与相关系数

4）其他数字特征

5）多元正态分布的性质

例题

定义

设离散型随机变量X的分布律为： $P(X=x_k)=p_k,k=1,2,...$ ,若级数 $\sum_{k=1}^{+\infty}x_kp_k$ 绝对收敛，则称级数 $\sum_{k=1}^{+\infty}x_kp_k$ 的值为随机变量X的数学期望，记为E(X)，即：

$p_k$ 可以理解为“加权平均”中 $x_k$ 的权重，数学期望简称期望，又叫均值。

设连续型随机变量X的概率密度函数为f(x),若积分 $\int_{-\infty}^{+\infty}xf(x)dx$ 绝对收敛（即 $\int_{-\infty}^{+\infty}|x|f(x)dx<+\infty$ ）,则称积分 $\int_{-\infty}^{+\infty}xf(x)dx$ 的值为随机变量X的数学期望，即：

例题

还可以得到：

1）二项分布B(n,p)的期望为np

2）参数为p的几何分布的期望为1/p

3) 均匀分布U(a,b)的期望为(a+b)/2

2. 随机变量函数的数学期望

定理1

设Y是随机变量X的函数：Y=g(X),X是离散型随机变量，他的分布律为 $P(X=x_k)=p_k,k=1,2,...$ ,若 $\sum_{k=1}^{\infty}g(x_k)p_k$ 绝对收敛，则 $E(Y) = E(g(X)) = \sum_{k=1}^{\infty}g(x_k)p_k$ .

设Y为随机变量X的函数：Y=g(X),X是连续型随机变量，他的概率密度函数为f(x),若 $\int_{-\infty}^{+\infty}g(x)f(x)dx$ 绝对收敛，则 $E(Y) = E(g(X)) =\int_{-\infty}^{+\infty}g(x)f(x)dx$ .

定理的重要意义在于我们求E(Y)时，不必求出Y的分布律或概率密度函数，而只要利用X的分布律或概率密度函数以及Y与X之间的关系就行了。

该定理也可以推广到两个或两个以上随机变量的函数的情况。

定理2

设Z是随机变量X，Y的函数：Z=h(X,Y),若二元离散型随机变量(X,Y)的分布律为： $P(X=x_i,Y=y_j) = p_{ij},i,j=1,2...$ ,则 $E(Z) = E[h(X,Y)]=\sum_{i=1}^{+\infty}\sum_{j=1}^{+\infty}h(x_i,y_j)p_{ij}$

设Z是随机变量X，Y的函数：Z=h(X,Y),若二元连续型随机变量(X,Y)的概率密度函数为f(x,y)则 $E(Z) = E[h(X,Y)]=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}h(x,y)f(x,y)dxdy$ .特别地， $E(X) = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xf(x,y)dxdy$ , $E(Y) = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}yf(x,y)dxdy$ .

3. 数学期望的性质

性质

1）设c是常数，则E(c) = c

2) 设X是一个随机变量，c是常数，则E(cX) = cE(X)

3) 设X，Y是两个随机变量，则E(X+Y) = E(X) + E(Y),把(1)-(3)结合起来有E(aX+bY+c) = aE(X)+bE(Y)+c；可以推广到任意有限个随机变量线性组合的情况：

$E(c_0 + \sum_{i=1}^{n}c_iX_i) = c_0 + \sum_{i=1}^{n}c_iE(X_i)$

4) 设X，Y是相互独立的两个随机变量，则有： $E(XY) = E(X)E(Y)$ ,可以推广到任意有限个相互独立的随机变量之积的情况：

$E(\prod_{i=1}^{n}X_i) = \prod_{i=1}^{n}E(X_i)$

其中 $X_i,i=1,2,...$ 相互独立。

证明

例题

将X分解成数个随机变量之和，然后利用随机变量和的数学期望等于随机变量数学期望之和来求。

4. 方差定义和计算公式

随机变量X的均值/期望：E(X)

X对于均值的离差：X-E(X)

X对于均值的平均离差：E(X-E(X))

反应随机变量波动性可以用方差： $E([X-E(X)]^2)$

定义

设X是一个随机变量，若 $E([X-E(X)]^2)$ 存在，称其为X的方差，记作D(X)或Var(X),即：

$D(X)=Var(X)=E([X-E(X)]^2)$

把 $\sqrt{D(X)}$ 记作 $\sigma(X)$ ,称为X的标准差或均方差。

D(X)和 $\sigma(X)$ 刻画了X取值的波动性, 是衡量X取值分散程度的数字特征.若D(X)较小，则X取值比较集中；反之，若D(X)较大，则说明X取值比较分散。 $\sigma(X)$ 是与随机变量X具有相同量纲的量。

注意到，当取 $g(x) = [x-E(X)]^2$ ，则D(X)=E(g(X))

对于离散型随机变量X，其分布律为 $P(X=x_i) = p_i,i=1,2,...$ ,则 $D(X) = \sum_{i=1}^{\infty}[x_i-E(X)]^2p_i$ .

对于连续型随机变量X，其概率密度函数为f(x),则 $D(X)=\int_{-\infty}^{+\infty}[x-E(X)]^2f(x)dx$

利用数学期望的性质，可得方差的计算公式: $D(X) = E(X^2)-E^2(X)$

例题

CoreJT

关注

12
点赞
踩
81

收藏

觉得还不错? 一键收藏
0
评论
概率论与数理统计 | (7) 随机变量的期望与方差

目录1. 随机变量的数学期望2. 随机变量函数的数学期望3. 数学期望的性质4. 方差定义和计算公式1. 随机变量的数学期望随机变量的数字特征1）数学期望2）方差3）协方差与相关系数4）其他数字特征5）多元正态分布的性质例题定义设离散型随机变量X的分布律为：,若级数绝对收敛，则称级数的值为随机变量X的数学期望，记为E(X)，即：可以...
复制链接

扫一扫