129第四章 随机变量的数字特征确定一个随机变量的分布往往不是一件容易的事，况且许多问题并不需要考虑随机变量的全面情况，只需知道它的某些特征数值.例如，在测量某种零件的长度时，测得的长度是一个随机变量，它有自己的分布,但是人们关心的往往是这些零件的平均长度以及测量结果的精确程度；再如，检查一批棉花的质量，既要考虑棉花纤维的平均长度，又要考虑纤维长度与平均长度的偏离程度，平均长度越大，偏离程度越小，质量越好.这些与随机变量有关的数值，我们称之为随机变量的数字特征，在概率论与数理统计中起着重要的作用.本章主要介绍随机变量的数学期望、方差、矩以及两个随机变量的协方差和相关系数.§1 数学期望1.1 数学期望的概念在实际问题中，我们常常需要知道某一随机变量的平均值，怎样合理地规定随机变量的的平均值呢？先看下面的一个实例.例1.1 设有一批钢筋共10根，它们的抗拉强度指标为110，135，140的各有一根；120和130的各有两根；125的有三根.显然它们的平均抗拉强度指标绝对不是10根钢筋所取到的6个不同抗拉强度：110，120，125，130，135，140的算术平均,而是以取这些值的次数与试验总次数的比值（取到这些值的频率）为权重的加权平均，即平均抗拉强度1(110120212531302135140)10=+⨯+⨯+⨯++⨯123211110120125130135140101010101010=⨯+⨯+⨯+⨯+⨯+⨯ 126=.从上例可以看出，对于一个离散型随机变量X ，其可能取值为12,,,n x x x ，如果将这n 个数相加后除n 作为“均值”是不对的.因为X取各个值的频率是不同的，对频率大的取值，该值出现的机会就大，也就是在计算取值的平均时其权数大.如果用概率替换频率，用取值的概率作为一种“权数”做加权计算平均值是十分合理的.经以上分析，我们可以给出离散型随机变量数学期望的一般定义.1.离散型随机变量的数学期望130定义 1.1 设X 为一离散型随机变量，其分布律为{}k kP X x p ==（1,2,k = ），若级数1kk k xp ∞=∑绝对收敛，则称此级数之和为随机变量X 的数学期望，简称期望或均值.记为()E X ，即1()kk k E X xp ∞==∑ （1.1）例 1.2. 某人从n 把钥匙中任取一把去试房门，打不开则除去，另取一把再试直至房门打开.已知钥匙中只有一把能够把房门打开，求试开次数的数学期望.解 设试开次数为X ，则分布律为1{},1,2,,P X k k n n=== ， 从而111(1)1()22nk n n n E X k n n =++=⋅=⋅=∑. 例1.3 设随机变量(,)X B n p ，求()E X .解 因为{}C (1)k kn k k n p P X k p p -===- (0,1,,)k n = ，11!()C (1)(1)(1)!()!nnnkkn kk n k k nk k k n E X kp k p p p p k n k --=====-=---∑∑∑11(1)11(1)!(1)(1)![1(1)]![(1)]nk n k k n n np p p k n k np p p np----=--=-----=+-=∑例1.4 设随机变量()X P λ ，求()E X . 解 因为()X P λ ，有131{}!kP X k e k λλ-==0,1,2,,k = （）因此11()!(1)!kk k k E X eee e k k λλλλλλλλλ-∞∞---=====⋅=-∑∑.我们可以类似地给出连续型随机变量数学期望的定义，只要把分布律中的概率k p 改为概率密度()f x ，将求和改为求积分即可.因此，我们有下面的定义.2 . 连续型随机变量的数学期望定义1.2 设X 为一连续型随机变量，其概率密度为()f x ，若广义积分()d xf x x +∞-∞⎰绝对收敛，则称广义积分()d xf x x +∞-∞⎰的值为连续型随机变量X 的数学期望或均值，记为()E X ，即 ()()d E X xf x x +∞-∞=⎰. （1.2）例1.5 设随机变量X 的概率密度为2,01()0,x x f x <<⎧=⎨⎩，其他，求()E X .解 依题意，得，12()()d 2d 3E X xf x x x x x +∞-∞==⋅=⎰⎰. 例1.6 设随机变量X 服从区间(,)a b 上的均匀分布，求()E X . 解 依题意，X 的概率密度为1,()0,a xb f x b a⎧<<⎪=-⎨⎪⎩，其他， 因此1321()()d d 2baa b E X xf x x x x b a +∞-∞+==⋅=-⎰⎰. 例1.7 设随机变量X 服从λ为参数的指数分布，求()E X . 解 依题意， X 的概率密度为e ,0,()0,0x x f x x λλ-⎧>=⎨≤⎩，因此1()()d e d x E X xf x x x x λλλ+∞+∞--∞==⋅=⎰⎰.例1.8 设随机变量X 服从正态分布2(,)N μσ，求()E X .解 由于22()2()x f x m s --= ()x -?<+?因此()()d E X xf x x x+∞+∞-∞-∞==⎰⎰2()2d x x m s --22()()ed t x t t t 令m s m s+?--?-==+22e d t t m +?--?==.例1.9 已知二维随机变量(,)X Y 的概率密度为(34)12e ,0,0,(,)0,x y x y f x y -+⎧>>=⎨⎩其他， 求()E X .解 由第三章例3.2的结果关于X 的边缘概率密度为33e ,0,()0,0x X x f x x -⎧>=⎨≤⎩，133即(3)X E ,因此1()3E X =. 1.2 随机变量函数的数学期望定理1.1 设随机变量Y 是随机变量X 的函数， ()Y g X =（其中g 为一元连续函数）.（1）X 是离散型随机变量，概率分布律为{}k k P X x p ==， 1,2,k = ，则当无穷级数1()kkk g x p∞=∑绝对收敛时，则随机变量Y 的数学期望为1()[()]()kkk E Y E g X g x p∞===∑; （1.3）（2）X 是连续型随机变量，其概率密度为()f x ，则当广义积分()()d g x f x x +?-?ò绝对收敛时，则随机变量Y 的数学期望为()[()]()()d E Y E g X g x f x x +∞-∞==⎰.（1.4） 这一定理的重要意义在于，求随机变量()Y g X =的数学期望时，只需利用X 的分布律或概率密度就可以了，无需求Y 的分布，这给我们计算随机变量函数的数学期望提供了极大的方便.定理的证明超出了本书的范围，下面我们仅就连续型随机变量，且()Y g X =单调的情形给出证明.证明 第二章定理4.2给出了随机变量Y 的概率密度[()](),()0,X Y f h y h y y f y αβ⎧⎪⎨⎪⎩'<<=，其他.其中)(x f X 为随机变量X 概率密度，函数)(x g y =是处处可导的严格单134调函数，它的反函数为)(y h x =，则有()()d Y E Y yf y y +∞-∞=⎰[()]|()|d X yf f y h y y βα'=⎰.当()0h y '>时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα+∞-∞'==⎰⎰，当()0h y '<时()E Y [()]()d ()()d X X yf f y h y y g x f x x βα-∞+∞'=-=-⎰⎰()()d X g x f x x +∞-∞=⎰.例1.10 设离散型随机变量X 的分布律为求随机变量232Y X =-的数学期望.解 依题意，可得，22()[3(1)2]0.1(302)0.3E Y =⨯--⨯+⨯-⨯2(312)0.4+⨯-⨯2(322)0.2+⨯-⨯1.9=.例1.11 随机变量X (0,1)N ，求2Y X =的数学期望. 解 依题意，可得22()()()d E Y E X x f x x +∞-∞==⎰222d x x x +∞--∞=⎰22dexx+∞--∞=2222e e dx xx x+∞+∞---∞-∞⎛⎫⎪=-⎪⎭⎰22e d1xx+∞--∞==例 1.12 国际市场每年对我国某种商品的需求量是随机变量X（单位：吨），它服从[2000,4000]上的均匀分布，已知每售出1吨商品，可挣得外汇3万元;若售不出去而积压，则每吨商品需花费库存费等共1万元，问需要组织多少货源，才能使国家受益期望最大？解设组织货源t吨，[2000,4000]tÎ，受益为随机变量Y（单位：万元），按照题意Y是需求X的函数3(),,()3,,X t X X tY g Xt X t当当ì--<ïï==íï³ïîX的概率密度为1,20004000()20000,xf xìïï＃ï=íïïïî其它.由（1.4），得()[()]()()dE Y E g X g x f x x+?-?==ò400020001{[3()]d3d}2000ttx t x x t x=--+蝌21[2140008000000]2000t t=-+-当3500t=时()E Y达到最大值，也就是说组织货源3500吨时国家的期望受益最大.135136例1.13 柯西分布211()1f x x π=+()x -∞<<+∞的数学期望由于21||d (1)x x x π+∞-∞=+∞+⎰，所以不存在.上述的定理可以推广到两个或两个以上随机变量的函数上去，我们有下面的定理.定理 1.2 设随机变量Z 是随机变量(,)X Y 的函数，(,)Z g X Y =,其中g 为二元连续函数，则（1）如果(,)X Y 为二维离散型随机变量,其分布律为ij j i p y Y x X P ===},{ ,1,2,i j = ,且11(,)ijijj i g x y p∞∞==∑∑绝对收敛，则随机变量(,)Z g X Y =的数学期望为11()[(,)](,)i j ij j i E Z E g X Y g x y p ∞∞====∑∑；（1.5） （2）如果(,)X Y 为二维连续型随机变量时，概率密度为(,)f x y ,且(,)(,)d d g x y f x y x y +∞+∞-∞-∞⎰⎰绝对收敛，则随机变量(,)Z g X Y =的数学期望为()[(,)](,)(,)d d E Z E g X Y g x y f x y x y +∞+∞-∞-∞==⎰⎰. （1.6）例1.14 设二维离散型随机变量(,)X Y 的分布律为137求()E XY 和()E Z ，其中max(,)Z X Y =.解 依题意，可得()000.1010.3100.4110.20.2E XY =⨯⨯+⨯⨯+⨯⨯+⨯⨯=; ()00.110.90.9E Z =⨯+⨯=.例1.15 设二维连续型随机变量(,)X Y 的概率密度为212,01,(,)0,y y x f x y ⎧≤≤≤=⎨⎩其他， 求（1）()E XY ；（2）2()E X .解 （1）由公式（1.6）得，1201()(,)d d d (12)d 2xE XY xy f x y x y x x y y y +∞+∞-∞-∞===⎰⎰⎰⎰, （2）将2X 看成是函数(,)Z g X Y =的特殊情况，从而利用公式（1.6）进行求解，即12222002()(,)d d d 12d 3xE X x f x y x y x x y y +∞+∞-∞-∞===⎰⎰⎰⎰.需要说明的是：本题在求解2()E X 时，也可以先求出(,)X Y 关于X 的边缘概率密度，再利用公式22()()d X E X x f x x +∞-∞=⎰，求解2()E X （请读者自行完成）.例 1.16 一商店经销某种商品，每周进货量X 与顾客对商品的需求量Y 是相互独立的随机变量，且都服从[10,20]上的均匀分布，商店每售出一单位商品可得利润1000元，若需求量超过进货量，商店可从其它商店调剂供应，这时每单位商品获利润500元，计算经销此商品每周所获得平均利润.解 设Z 表示商店每周所获利润，依题意1000,,(,)1000500(),,Y Y X Z g X Y X Y X Y X ì£ïï==íï+->ïî138由于(,)X Y 的概率密度为1,1020,1020(,)1000,xy f x y ，其他，ìïï＃＃ï=íïïïî所以20201010()(,)(,)d d E Z g x y f x y x y =蝌20202010101011d 1000d d 500()d 100100yyyy xyx y x =?+?蝌蝌 202021010310(20)d 5(1050)d 2y y y y y y =-+--蝌 200005150014166.673=+椿（元）. 1.3 数学期望的性质设C 为常数，随机变量X ,Y 的数学期望都存在.关于数学期望有如下性质成立：性质1.则()E X C =； 性质2.()()E CX CE X =； 性质3.()()()E X Y E X E Y +=+;性质4. 如果随机变量X 和Y 相互独立，则()()()E XY E X E Y =. 这里只就连续型随机变量的情形对性质3和性质4给出证明，对于离散型随机变量情况，请读者自行完成.证明：设二维连续型随机变量(,)X Y 的概率密度为(,)f x y ，(,)X Y 关于X 和关于Y 的边缘概率密度为()X f x 和()Y f y ，则有()()(,)d d E X Y x y f x y x y +∞+∞-∞-∞+=+⎰⎰(,)d d xf x y x y +∞+∞-∞-∞=⎰⎰(,)d d yf x y x y +∞+∞-∞-∞+⎰⎰139(,)d d x f x y y x +∞+∞-∞-∞⎡⎤=⎢⎥⎣⎦⎰⎰(,)d d y f x y x y +∞+∞-∞-∞⎡⎤+⎢⎥⎣⎦⎰⎰()d X xf x x +∞-∞=⎰()d Y yf y y +∞-∞+⎰()()E X E Y =+.如果X 和Y 相互独立，则(,)f x y =()X f x ()Y f y ，有()(,)d d E XY xyf x y x y +∞+∞-∞-∞=⎰⎰()()d d X Y xyf x f y x y +∞-∞=⎰()d ()d X Y xf x x yf y y +∞+∞-∞-∞=⋅⎰⎰()E XY =例1.17 设两个随机变量X 和Y ，设2()E X 和2()E Y 都存在，证明： 222[()]()()E XY E X E Y ≤ （1.7） 这一不等式称为柯西—许瓦兹（Cauchy Schwarz -）不等式证明 对于任意实数t ，令2()[()]g t E X tY =+ 由数学期望的性质，有2222[()](2)E X tY E X tXY t Y +=++ 222()2()()E X tE XY t E Y =++ 因此 222()()2()()g t E X tE XY t E Y =++由于()0g t ≥，上述关于t 的二次函数的判别式小于或等于0.即 2224[()]4()()0E XY E X E Y ∆=-≤140因此 222[()]()()E XY E X E Y ≤例1.18 设随机变量X 和Y 相互独立，且各自的概率密度为33,0,()0,x X e x f x -⎧>=⎨⎩其他， 44,0,()0,y Y e y f y -⎧>=⎨⎩其他， 求()E XY .解 由性质3得()()()E XY E X E Y =()d ()d X Y xf x x yf y y +∞+∞-∞-∞=⨯⎰⎰3403d 4d xy xe x ye y +∞+∞--=⨯⎰⎰1113412=⨯=. 例1.19 将n 个球随机放入M 个盒子中去，设每个球放入各盒子是等可能的，求有球盒子数X 的期望.解 令随机变量1,1,2,,0,i i X i M i ⎧==⎨⎩第个盒子有球，第个盒子无球，显然有 1Mii X X==∑.对于第i 个盒子而言，每只球不放入其中的概率为11M⎛⎫-⎪⎝⎭，n 个球都不放入的概率为11nM ⎛⎫- ⎪⎝⎭，因此1{0}1ni P X M ⎛⎫==- ⎪⎝⎭1{1}11n i P X M ⎛⎫==-- ⎪⎝⎭141由于 1()1{1}0{0}11ni i i E X P X P X M ⎛⎫=⨯=+⨯==-- ⎪⎝⎭由数学期望的性质，可以得到11()()11nMi i E X E X M M =⎛⎫⎛⎫==-- ⎪ ⎪ ⎪⎝⎭⎝⎭∑.§2 方差2.1 方差及其计算公式数学期望体现了随机变量所有可能取值的平均值，是随机变量最重要的数字特征之一.但在许多问题中只知道这一点是不够的，还需要知道与其数学期望之间的偏离程度.在概率论中，这个偏离程度通常用2{[()]}E X E X -来表示，我们有下面关于方差的定义． 定义2.1 设X 为一随机变量，如果随机变量2[()]X E X -的数学期望存在，则称之为X 的方差，记为()D X ，即2{[()]}D X E X E X =-（） （2.1）为随机变量X 的标准差或均方差，记作()X σ . 由定义2.1可知，随机变量X 的方差反应了X 与其数学期望()E X 的偏离程度，如果X 取值集中在()E X 附近，则方差()D X 较小；如果X 取值比较分散，方差()D X 较大.不难看出，方差()D X 实质上是随机变量X 函数2[()]X E X -的数学期望．如果X 是离散型随机变量，其概率分布律为{}k k P X x p ==， 1,2,k = ，142则有 221{[()]}[()].kk k D X E X E X xE X p ∞==-=-∑（）如果X 连续型随机变量，其概率密度为()f x ，则有22{[()]}[()]()d .D X E X E X x E X f x x +∞-∞=-=-⎰（）根据数学期望的性质，可得2{[()]}D X E X E X （）=-22{2()[()]}E X X E X E X =-?22()2()()[()]E X E X E X E X =-?22()[()]E X E X =- ．即 22()()[()]D X E X E X =- （2.2） 这是计算随机变量方差常用的公式例2.1X 求D X （）.解 因为(1)0.100.310.420.20.7EX =-⨯+⨯+⨯+⨯=（）， 22222()(1)0.100.310.420.2 1.3E X =-⨯+⨯+⨯+⨯=，222()[()] 1.30.70.81D X E X E X =-=-=（）．例2.2 设(,)X B n p ，求D X （）.解 ()E X np =，令1q p =-，143220()C nk k n knk E X k p q -==å 1![(1)]!()!nk n k k n k k k p q k n k -==-+-å22(2)(2)1(1)(2)!(1)(1)!()!nk n k k n n n k p p qk n k ----=--=---å1!(1)!()!nk n k k n p q k n k -=+--å 22(2)(2)2(2)!(1)()(2)!()!nk n k k n n n pp q E X k n k ----=-=-+--å 2(1)n n p np =-+，所以 22222()[()](1)D X E X E X n n p np n p npq （）=-=-+-=．例2.3 设()X P λ ，求D X （）.解 ()E X l =2201e e ()[(1)1]!(1)!k k k k E X k k k k lll l --ゥ====-+-邋 2221ee (2)!(1)!k kk k k k ll l l l -ゥ--==×=??--邋2ll =+所以 22().D X （）ll l l =+-=例2.4 设随机变量X 服从几何分布()X G p ，即 1{},1,2,k P X k pqk -===144其中01,1p q p <<=-，求(),().E X D X解 1111()k k k k E X kpqp kq ∞∞--====∑∑由于1,011k k q q q∞==<<-∑， 对此级数逐项求导，得1001d d d d k k k k k k q q kq q q ∞∞∞-===⎛⎫== ⎪⎝⎭∑∑∑， 因此121d 11d 1(1)k k kq q q q ∞-=⎛⎫== ⎪--⎝⎭∑， 从而211()(1)E X p q p=⋅=-。
