当前位置：文档之家 › 六个常用随机变量的数学期望与方差

六个常用随机变量的数学期望与方差

  • 格式：ppt
  • 大小：733.50 KB
  • 文档页数：17

下载文档原格式

  / 17

合集下载

第六章 数学期望与方差

第六章 数学期望与方差

解 引入随机变量 Xi ,
0, 在第 i 站没有人下车,
Xi
1,
在第 i 站有人下车,
则 X X1 X2 X10.
i 1,2,,10.
则有
P{ X i
0}
9
20
,
10
P{ X i
1}
1
9 20, 10
i 1,2,,10.
由此
E
(
X
i
)
1
9 10
20
,
i 1,2,.
得 E( X ) E( X1 X2 X10)
E( X1) E( X2 ) E( X10)
101
9 10
20
8.784(次).
*三、 随机变量函数的数学期望
1. 离散型随机变量函数的数学期望 设随机变量 X 的分布律为
X xk 1
0
1
P{X xk } pk p1
p2
p3
若 Y g( X ) X 2,求 E(Y ).
解 先求 Y X 2 的分布律
Y X2
0
1
p
p2
p1 p3
2 p4
4 p4
则有 E(Y ) E(g( X )) E( X 2 )
0 p2 1 ( p1 p2 ) 4 p4
0 p2 (1)2 p1 12 p2 22 p4
一、随机变量方差的概念及性质
1. 概念的引入
方差是一个常用来体现随机变量取值分散程度的量.
实例 有两批灯泡,其平均寿命都是 E(X)=1000小时.
•
• • • • • •• • •
O
1000
x
• •• • •
O

随机变量的期望和方差公式

随机变量的期望和方差公式

随机变量的期望和方差公式随机变量的期望与方差是数学统计分析中经常被研究和使用的重要概念，它们是描述随机变量分布特性和表示它们在统计分析中的重要指标。

在本文中，我们将介绍随机变量期望和方差的概念及其相关数学公式，并举例说明。

首先，让我们来看一下随机变量的定义。

随机变量是一个描述某个系统性质的变量，它的取值在进行抽样的时候是未知的，而且每次抽样的结果都是不同的，因此它是一种随机的变量。

例如，我们可以通过抽样来表示某种游戏中获胜者的人数，这就是一个随机变量。

其次，让我们来讨论随机变量的期望和方差。

期望是指一个随机变量的期待值，它是描述一个随机变量的核心概念。

它可以用来表示随机变量的整体行为特征，以及可能出现的结果在一定范围内的可能性大小。

期望的数学表示形式为：E(X)=∑XiP(Xi)其中，E(X)为期望，X表示随机变量的取值，P(Xi)表示X取值Xi的概率。

方差是指随机变量的波动程度，它可以用来描述随机变量的取值与已知期望之间的偏差程度。

方差的数学表示形式为：Var(X)=E[(X-E(X))^2]其中，Var(X)表示方差，E(X)表示期望，X表示随机变量的取值。

现在让我们来举个例子，来说明这两个公式。

假设我们有一个抛硬币的实验，抛出正面的概率为0.5，反面的概率也为0.5。

那么，这个实验的期望值可以由以下公式得到：E(X)=0.5*1+0.5*(-1)=0这表示，我们预期在这个实验中获得正面和反面的概率是一样的，所以期望的最终结果是0。

同样，我们可以用方差的公式来计算这个实验的方差：Var(X)=E[(X-E(X))^2]=0.5*(1-0)^2+0.5*(-1-0)^2=1 这表示，我们预期在这个实验中获得正面和反面的结果有一定的差异，所以方差的最终结果是1。

总之，本文介绍了随机变量的期望和方差的概念以及其相关的数学公式，并举例说明了它们的用法。

我们可以利用它们来更好地描述随机变量，从而更全面地理解和掌握它们。

第四章 随机变量的数学期望

第四章 随机变量的数学期望

1 dxdy y xe 2 x
x
x2 y2 2
dxdy
dy


e
x2 2
dx
ye
y2 2
1 dy 2



e
y2 2
y
xe
x2 2
dx

1

4.1.4
数学期望的性质
（1） EC＝C，(C为常数) （2） E(CX)＝CEX ，(C为常数) （3） E(X+Y)＝EX＋EY E(aX+b)＝aEX＋b， E(
2 2
2 2
2


0
(x ) e


( x )2 2 2
dx
( x )2 2 2
2 x 2 e 0 2 2 2
2 2

(x ) d 2 2
2
3 2 1 ( ) 2 2 2
4.2.3

EZ Eg ( X , Y ) g ( xi , y j ) pij
j 1 i 1
（2）若（X，Y）是二维连续型随机变量，有
EZ



g ( x , y ) f ( x , y ) dx dy
例1：设 X～B（n，p），求EX(X－1)。 解：因X～B（n，p），则X的分布律为
1 x2 y2 f ( x, y ) exp{ } 2 2 1 x2 y2 E[max{ X , Y }] max{ X , Y }exp{ 2 }dxdy 2
1 2
1 2
x y
解：由题设，(X，Y)的联合密度为
ye

期望与方差公式汇总

期望与方差公式汇总

期望与方差公式汇总
期望与方差是统计学中最基本的概念，它们是用来衡量随机变量分布特征的两个重要指标。

期望是概率分布的数学期望，它反映了随机变量的期望值，即随机变量取值的期望值。

期望的计算公式为：E(X)=∑xP(X)，其中x表示随机变量的取值，P(X)表示随机变量取值x
的概率。

方差是概率分布的数学期望，它反映了随机变量的变异程度，即随机变量取值的变异程度。

方差的计算公式为：D(X)=∑(x-E(X))^2P(X)，其中x表示随机变量的取值，E(X)表示随机
变量的期望值，P(X)表示随机变量取值x的概率。

期望与方差是统计学中最基本的概念，它们可以帮助我们了解随机变量的分布特征。

期望与方差的计算公式分别为E(X)=∑xP(X)和D(X)=∑(x-E(X))^2P(X)。

随机变量与期望方差

随机变量与期望方差

0.1 b=
0.4 .
归纳求离散型随机变量期望的步骤： ①、确定离散型随机变量可能的取值。
②、写出分布列，并检查分布列的正确与否。
③、求出期望。
例1、随机抛掷一个骰子，设随机变量ξ 为所得骰子的点数，
(1)求随机变量ξ 的概率分布律； (2)求Eξ 。 解：（1）随机变量ξ的概率分布律为： x P(ξ =x) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6
解：(1) X～B（3，0.7）
X P 0 1
3
2
2
3
0.3
C 0.7 0.3
1 3
C 0.7 0.3
2 3 2
0.7
3
1 2 (2) EX 0 0.33 1 C3 0.7 0.32 2 C3 0.72 0.3 3 0.73
EX 2.1 3 0.7
k
…
pqk-1 …
q D 2 p
例4 有一批数量很大的产品,其次品率是 15%,对这批产品进行抽查,每次抽出1件, 如果抽出次品,则抽查终止,否则继续抽查, 直到抽出次品,但抽查次数最多不超过10 次.求抽查次数ξ的期望（结果保留三个有 效数字）.
分析： （1）P（ξ=k）=0.85 k-1×0.15,（ k=1,2,…,9） k=10时,前9次取出的都是正品,第10次可能取出次品,也 可能取出正品, 所以P（ξ=10）=0.859×（0.15+0.85）=0.859 （2）写出ξ的分布列,由概率分布可得
x 6 7 8 9 10 上海队员： P ( x ) 0 0.3 0.4 0.2 0.1
x 6 7 8 9 10 辽宁队员： P( x) 0.04 0.24 0.44 0.22 0.06

常用分布的数学期望及方差

常用分布的数学期望及方差

方差的性质
方差具有可加性
对于两个独立的随机变量X和Y，有Var(X+Y) = Var(X) + Var(Y)。
方差具有对称性
对于一个常数a和随机变量X，有Var(aX) = |a|^2 * Var(X)。
方差具有非负性
对于随机变量X，有Var(X) >= 0，其中 Var(X) = 0当且仅当X是一个常数。
05 数学期望与方差的应用
在统计学中的应用
描述性统计
数学期望和方差用于描述一组数据的中心趋势和 离散程度，帮助我们了解数据的基本特征。
参数估计
通过样本数据的数学期望和方差，可以对总体参 数进行估计，如均值和方差的无偏估计。
假设检验
在假设检验中，数学期望和方差用于构建检验统 计量，判断原假设是否成立。
常见分布的数学期望
均匀分布的数学期望为
$E(X) = frac{a+b}{2}$，其中a和b是均匀分布的下限和上 限。
柯西分布的数学期望为
$E(X) = frac{pi}{beta} sinh(frac{1}{beta})$，其中β是柯西 分布的参数。
拉普拉斯分布的数学期望为
$E(X) = frac{beta}{pi} tan(frac{pi}{beta})$，其中β是拉普 拉斯分布的参数。
03
泊松分布
正态分布是一种常见的连续型随机变量 分布，其方差记作σ²。正态分布的方差 描述了随机变量取值的分散程度。
二项分布是一种离散型随机变量分布， 用于描述在n次独立重复的伯努利试验 中成功的次数。其方差记作σ²，且σ² = np(1-p)，其中n是试验次数，p是单次 试验成功的概率。
泊松分布是一种离散型随机变量分布， 用于描述在一段时间内随机事件发生的 次数。其方差记作σ²，且σ² = λ，其中 λ是随机事件发生的平均速率。

六个常用分布的数学期望和方差


即
12
若随机变量X~U( a , b ),则
ab
(b a)2
E(X)
, D( X )
2
12
五.指数分布
随机变量X服从参数为λ的指数分布，其概率密度为：
f
(
x)
1
θ
e
x θ
0
x0 x0
E(X )
xf ( x)dx
x
1
e
x θ
dx
x
（ x）de θ
0
θ
0
（
x）e
x
x
e dx
X X1 X2 Xn
E( X ) E( X1 ) E( X 2 ) E( X n ) np
D( X ) D( X1 ) D( X 2 ) D( X n ) np(1 p)
即： 若随机变量X~B( n , p ),则
E( X ) np，D( X ) np(1 p)
E[3( X 2 1)] 3E( X 2 ) 3
3{D( X ) [E( X )]2 } 3 33
例2.已知X和Y相互独立，且X在区间(1，5)上服从
均匀分布， Y ~ N (1,求9)(1, ) (X,Y)的联合概率密度;(2)
E(3X 4Y 2) , D(3X 4Y 2)
E( X ) xf ( x)dx
b
x
1
dx
a ba
1 x2 b
ba 2 a
ab 2
E( X 2 ) b x 2
1
b3 a3 dx
a 2 ab b2
a ba
3(b a)
3
D( X )
E( X 2 ) [E( X )]2

数学期望与方差

因此，在对随机变量的研究中，确定某些数 字特征是重要的 .在这些数字特征中，最常用的是 数学期望、方差、协方差和相关系数
第四章 随机变量Biblioteka 数字特征第一节 随机变量的 数学期望
一、数学期望的概念
二、随机变量函数的数学期望 三、数学期望的性质
四、应用实例
下 回
停
一、数学期望的概念
1. 问题的提出 1654年, 一个名叫德.梅尔的贵族就“两个 赌徒约定赌若干局, 且谁先赢 c 局便算赢家, 若 在一赌徒胜a局 (a<c), 另一赌徒胜b局(b<c)时便 终止赌博, 问应如何分赌本” 为题求教于帕斯 卡, 帕斯卡与费马通信讨论这一问题, 于1654 年 共同建立了概率论的第一个基本概念 — 数学 期望
0 . 3 0 .1 0 . 6
8 9 10
乙射手
0 .2 0 .5 0 .3
试问哪个射手技术较好?
解 运动员的水平是通过其平均水平来衡量的, 因而甲、乙两射手的平均水平分别为
甲 : 8 0.3 9 0.1 10 0.6 9.3(环) , 乙 : 8 0.2 9 0.5 10 0.3 9.1(环), 故甲射手的技术比较好.
若级数 xk pk 绝对收敛, 即 xk pk , 则称
级数 xk pk 的和为随机变量 X 的数学期望,
k 1 k 1
k 1

PX xk pk , k 1,2,.

记为EX, 即 E X
k 1
xk pk .

比如
X的分布律为
正态分布 指数分布

1 λ
λe λx , x 0 p x x0 0,

六个常用随机变量的数学期望与方差(谷风教学)


x
1
e
x
θ
dx
（
x
x）de θ
0
θ
0
（
x）e
x
x
e dx
0
0
x
e
θ
0
沐风教育
9
E( X 2 )
x
2
f
(
x)dx
x2
1
x
eθ
dx
0
θ
（
x
2）de
x θ
0
（
x
2）e
x
x
2xe dx
0
0
（
2θx）de
x θ
0
（
2x）e
x
2
x
e dx
0
0
2
2
e
x
2θ 2 ， D( X ) E( X 2 ) [E( X )]2
E(3X 4Y 2) , D(3X 4Y 2)
解： （1）X在区间(1，5)上服从均匀分布, Y ~ N(1,9) ,
1
f
X
(
x)
4
0
1 x5 ,
其它
fY ( y)
3
1
2
( y1)2
e 18
,
y ,
沐风教育
14
由X和Y相互独立得：
f (x, y) f X (x) fY ( y)
0
θ2
即 若随机变量X服从参数为θ的指数分布，则
E( X ) θ，D( X ) θ 2
沐风教育
10
六.正态分布
随机变量 X ~ N ( ，,其2概) 率密度为：
f (x)

期望与方差的概念及计算

期望与方差的概念及计算概率统计是应用最广泛的数学分支之一。

其中，期望和方差是两个极为重要的统计量。

他们体现了随机变量的特征和性质，为我们理解数据的特征提供了帮助。

本文将着重介绍期望和方差的概念及其计算方法。

一、期望的概念及计算期望，又称数学期望，是一个随机变量的平均值，其表现了样本空间中各种结果的权重平均值。

我们可以根据随机变量的取值和概率来求期望。

对于离散型随机变量，期望的计算公式为：E(X)=∑xiPi其中，xi是随机变量取得的各个值，Pi是相应的概率。

将每个xi乘以其对应的Pi，再求和，就可以得到该离散型随机变量的期望。

对于连续型随机变量，期望的计算公式为：E(X)= ∫xf(X)dx其中，f(X)是随机变量的概率密度函数。

同样，我们需要将随机变量的每个取值乘以该取值的密度函数值，再在整个样本空间上对其进行积分，即可得到该连续型随机变量的期望。

二、方差的概念及计算方差是随机变量与其期望之间偏离程度的一个度量。

方差越大，说明随机变量分布的波动范围越大。

方差的公式为：Var(X)= E[(X- μ)2] = E(X2)- [E(X)]2其中，μ是随机变量的期望值。

这个公式看起来比较复杂，我们可以简单地理解为：计算随机变量的每个取值与期望的距离的平方，再将这些平方值加起来，再除以总共的取值个数，就得到了方差的值。

那么，如何计算每个取值与期望的距离呢？我们可以借助离差的概念来处理这个问题。

离差，指的是随机变量每个取值与其期望值的差值。

利用离差的概念，我们可以将方差公式写为如下形式：Var(X)= ∑ (xi-μ)2Pi同样，对于连续型随机变量，其方差的计算公式为：Var(X)= ∫ (x-μ)2f(X)dx三、期望和方差的性质期望和方差是随机变量与概率密度函数之间的一个重要关系。

它们有以下几个基本性质：1. 常数的期望等于这个常数。

2. 线性组合的期望等于各个随机变量的期望的线性组合。

3. 期望的加法分配律。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

3
4
(b a)2
即
12
若随机变量X~U( a , b ),则
ab
(b a)2
E(X)
, D( X )
2
12
五.指数分布
随机变量X服从参数为θ的指数分布，其概率密度为：
f
(
x)
1θe源自x θ0x0 x0
E( X )
xf ( x)dx
x
1
e
x
θ
dx
（
x
x）de θ
0
θ
0
（
x）e
三.泊松分布
随机变量 X ~ ，(其) 分布律为：
P{ X
k}
λk e λ ,
k!
k 0,1,2, ,
E( X )
k e
k
e
k 1
k0 k!
k1 (k 1)!
e e
E( X 2 ) E[X ( X 1) X ] E[X ( X 1)] E( X )
k(k 1) k e
若随机变量X~N（μ,σ2 ）, 则
E( X ) μ , D( X ) σ 2
例1.已知 X ~ (3) , Y 求2X 1 , E(Y ) , D(Y ) , E[3( X 2 1)] 解：X ~ (3) , E(X ) 3 , D( X ) 3 则
E(Y ) E(2X 1) 2E( X ) 1 5
谢谢观看！ 2020
1
t2
( t )e 2 d t
t2
e 2 dt
2
2
D( X ) E{[ X E( X )]2 }
(x
)2
1
( x )2
e 2 2 dx
2
（令 t x ）
2
t2
t
2
e
2
dt
2
2
2
t2
( t )de
2
2
t2
te 2
2
t 2
e 2 dt
2
2
即
2 2
0
θ2
即 若随机变量X服从参数为θ的指数分布，则
E( X ) θ，D( X ) θ 2
六.正态分布
随机变量 X ~ N ( ，,其2概) 率密度为：
f (x)
1
( x )2
e 2 2 ,
2
x
E( X )
xf ( x)dx
x
1
2
( x )2
e 2 2 dx （令
t
x ）
01 1-p p
X X1 X2 Xn
E( X ) E( X1 ) E( X 2 ) E( X n ) np
D( X ) D( X1 ) D( X 2 ) D( X n ) np(1 p) 即：
若随机变量X~B( n , p ),则
E( X ) np，D( X ) np(1 p)
b
E( X ) xf ( x)dx x
1
dx
a ba
1 x2 b
ba 2 a
ab 2
E( X 2 ) b x 2
1
b3 a3 dx
a 2 ab b2
a ba
3(b a)
3
D( X ) E( X 2 ) [E( X )]2
a 2 ab b2 a 2 2ab b2
P{ X
k}
C
k n
pk (1
p)nk ,
k 1,2, , n
由二项分布定义可知，X是n重贝努利试验中事件A发
生的次数，且在每次试验中A发生的概率为p，设
1 X k 0
A在 第k次 发 生 , k 1,2, , n
A在 第k次 不 发 生
则Xk服从二点分布，其分布律为： X
E( X k ) p , D( X k ) p(1 p) pk
D(Y ) D(2X 1) 4D( X ) 12
E[3( X 2 1)] 3E( X 2 ) 3
3{D( X ) [E( X )]2 } 3 33
例2.已知X和Y相互独立，且X在区间(1，5)上服从
均匀分布， Y ~ N (1,求9)(1, ) (X,Y)的联合概率密度;(2)
E(3X 4Y 2) , D(3X 4Y 2)
2e
k2
k0
k!
k2 (k 2)!
2ee 2
D( X ) E( X 2 ) [E( X )]2
即： 若随机变量X~π(λ),则 E( X ) λ , D( X ) λ
四.均匀分布
设随机变量X在区间(a,b)上服从均匀分布，其概率
密度为
1
f
(x)
b
a
a xb ,
0 其它
几种重要随机变量的数学期望和方差
一.二点分布 二.二项分布 三.泊松分布
四.均匀分布 五.正态分布 六.指数分布
一.二点分布
若随机变量X服从二点分布，其分布律为：
X
0
1
Pk
1-p
p
E( X ) p D( X ) p(1 p) E(X 2) p
二.二项分布
随机变量X~B(n,p),其分布律为：
(2) X ~ U(1,5) ,
E(X) 1 5 3
2
D( X ) (5 1)2
12
4 3
Y ~ N(1,9) , E(Y ) 1 , D(Y ) 9
E(3X 4Y 2) 3E( X ) 4E(Y ) 2 3
D(3X 4Y 2) 9D( X ) (4)2 D(Y ) 156
x
x
e dx
0
0
x
e
θ
0
E( X 2 )
x
2
f
(
x)dx
x2
1
x
eθ
dx
0
θ
（
x
2）de
x θ
0
（
x
2）e
x
x
2xe dx
0
0
（
2θx）de
x θ
0
（
2x）e
x
2
x
e dx
0
0
2
2
e
x
2θ 2 ， D( X ) E( X 2 ) [E( X )]2
解： （1）X在区间(1，5)上服从均匀分布, Y ~ N(1,9) ,
1
f
X
(
x)
4
0
1 x5 ,
其它
fY ( y)
3
1
2
( y1)2
e 18
,
y ,
由X和Y相互独立得：
f (x, y) f X (x) fY ( y)
12
1
2
( y1)2
e 18
,
0
1 x 5 , y 其它