概率论与数理统计-第五章 随机变量的数字特征与极限定理

随机变量的数字特征与极限定理第五章在前面的课程中，我们讨论了随机变量及其分布，如果知道了随机变量X的概率分布，那么X的全部概率特征也就知道了.然而，在实际问题中，概率分布一般是较难确定的.而在一些实际应用中，人们并不需要知道随机变量的一切概率性质，只要知道它的某些数字特征就够了.第一讲数学期望因此，在对随机变量的研究中，确定某些数字特征是重要的.这一讲，我们先介绍随机变量的数学期望.在这些数字特征中，最常用的是数学期望和方差一、离散型随机变量的数学期望1、概念的引入：某车间对工人的生产情况进行考察.车工小张每天生产的废品数X是一个随机变量.如何定义X的平均值呢？某电话交换台每天8:00-9:00收到的呼叫数X是一个随机变量.如何定义X的平均值即该交换台每天8:00-9:00收到的平均呼叫数呢？我们来看第一个问题.若统计100天,例1某车间对工人的生产情况进行考察.车工小张每天生产的废品数X是一个随机变量.如何定义X的平均值呢？32天没有出废品;30天每天出一件废品;17天每天出两件废品;21天每天出三件废品;27.1100213100172100301100320可以得到这100天中每天的平均废品数为这个数能否作为X的平均值呢？可以想象，若另外统计100天，车工小张不出废品，出一件、二件、三件废品的天数与前面的100天一般不会完全相同，这另外100天每天的平均废品数也不一定是1.27.n0天没有出废品;n1天每天出一件废品;n2天每天出两件废品;n3天每天出三件废品.nnnnnnnn32103210可以得到n天中每天的平均废品数为(假定小张每天至多出三件废品)一般来说,若统计n天,这是以频率为权的加权平均nnnnnnnn32103210由频率和概率的关系不难想到，在求废品数X的平均值时，用概率代替频率，得平均值为32103210pppp这是以概率为权的加权平均这样得到一个确定的数.我们就用这个数作为随机变量X的平均值.这样做是否合理呢？我们采用计算机模拟.不妨把小张生产中出废品的情形用一个球箱模型来描述:22300031112200033111有一个箱子，里面装有10个大小，形状完全相同的球，号码如图.规定从箱中任意取出一个球，记下球上的号码，然后把球放回箱中为一次试验.记X为所取出的球的号码(对应废品数).X为随机变量，X的概率分布列为下面我们用计算机进行模拟试验.2230003111X0123P0.30.30.20.2nnnnnnnnnM32103210)(输入试验次数(即天数)n,计算机对小张的生产情况进行模拟,统计他不出废品，出一件、二件、三件废品的天数n0,n1,n2,n3,并计算与32103210pppp进行比较.下面我们一起来看计算机模拟的结果.2230003111请看演示随机变量均值的确定则对X作一系列观察(试验)，所得X的试验值的平均值也是随机的.由此引入离散型r.vX的数学期望的定义如下:1kkkpx对于一个随机变量，若它可能取的值是X1,X2,…,相应的概率为p1,p2,…,但是，如果试验次数很大，出现Xk的频率会接近于pk，于是可期望试验值的平均值接近定义1设X是离散型随机变量，它的概率分布列是:P(X=Xk)=pk,k=1,2,…也就是说,离散型随机变量的数学期望是一个绝对收敛的级数的和.1)(kkkpxXE1||kkkpx如果有限,定义X的数学期望如果发散，则X的数学期望不存在。iiipx1EX的物理意义：表示一维离散质点系的重心坐标例2某人的一串钥匙上有n把钥匙，其中只有一把能打开自己的家门，他随意地试用这串钥匙中的某一把去开门.若每把钥匙试开一次后除去，求打开门时试开次数的数学期望.解:设试开次数为X,P(X=k)=1/n,k=1,2,…,nE(X)nknk112)1(1nnn21n于是例3(0－1分布)设X的分布列为X01P1－pp求EX解:EX＝0×(1－p)＋1×p＝p例4．（泊松分布）设X的分布列为,2,1,0!)(kekkXPk求EX。ekeekekkEXkkkkkk-e1110)!1()!1(!解:二、连续型随机变量的数学期望设X是连续型随机变量，其密度函数为f(x),在数轴上取很密的分点x0x1x2…,则X落在小区间[xi,xi+1)的概率是1)(iixxdxxfiixxf)(小区间[xi,xi+1)阴影面积近似为iixxf)())((1iiixxxf小区间[Xi,Xi+1)由于xi与xi+1很接近,所以区间[xi,xi+1)中的值可以用xi来近似代替.iiiixxfx)(这正是dxxfx)(的渐近和式.阴影面积近似为iixxf)(近似,iixxf)(因此X与以概率取值xi的离散型r.v该离散型r.v的数学期望是由此启发我们引进如下定义.定义2设X是连续型随机变量，其密度函数为f(x),如果dxxfx)(||有限,定义X的数学期望为dxxfxXE)()(也就是说,连续型随机变量的数学期望是一个绝对收敛的积分.EX物理意义：以f(x)为密度的一维连续质点系的重心坐标。.2)(badxabxdxxxfEXba例5．（均匀分布）设X的概率密度为其它0bxaabxf1)(求EX解:例6．（指数分布）设X的概率密度为00x)(00xexxf求EX解:1)1(])[()(000000xxxxxxedxedxexexdedxexdxxxfEX例7．（正态分布）设),,(~2NX求EX解:.222212222)(22222dttedtedtetxtdxexEXtttx令例8．（柯西分布）设X的概率密度为xxxf)1(1)(2求EX解:002200222)1ln(1)1(2)1()1()1(xxxdxxxdxxxdxxdxx故EX不存在。2)(baXE若X~U[a,b],即X服从[a,b]上的均匀分布,则)(XE若X服从则),,(2N)(XE若X服从参数为的泊松分布，则由随机变量数学期望的定义，不难计算得：若X~B(1,P)则EX=P若X~E(λ)则若X服从几何分布，则1EXpEX1这意味着，若从该地区抽查很多个成年男子，分别测量他们的身高，那么，这些身高的平均值近似是1.68.68.1)(XE已知某地区成年男子身高X~),,.(2681N类似引入上述E(X)的推理，可得如下的基本公式:设X是一个随机变量，Y=g(X)，则连续型离散型XdxxfxgXpxgXgEYEkkk,)()(,)()]([)(1当X为离散型时,P(X=xk)=pk;当X为连续型时,X的密度函数为f(x).三、随机变量函数的数学期望连续型离散型XdxxfxgXpxgXgEYEkkk,)()(,)()]([)(1该公式的重要性在于:当我们求E[g(X)]时,不必知道g(X)的分布，而只需知道X的分布就可以了.这给求随机变量函数的期望带来很大方便.将g(X)特殊化，可得到各种数字特征:)(kXEk阶原点矩))](([kXEXEk阶中心矩)|(|kXEk阶绝对原点矩)|)((|kXEXEk阶绝对中心矩其中k是正整数.例1.设X的分布列为81418121X0123P求XE11解：966731181211811114101121)11(XE例2.设公共汽车起点站在每小时的10分，30分，50分发车，一位不知发车时间的乘客，每小时内到达车站的时间是随机的，求该乘客在车站等车的数学期望。解：设每小时内乘客到达车站的时间为X，等车时间为Y.X~U[0,60].其它,,,)(0600601xxf则6050106050XXXXgY50X3030X10X,-3010X0X,-10,,)(则1060505030100301060170601506013060110dxxdxxdxxdxxXEgEY)()()()()(设(X,Y)是二维随机变量,Z=g(X,Y)，则连续型离散型),(,),(),(),(,),()],([11YXdxdyyxfyxgYXpyxgYXgEEZijijji当(X,Y)是离散型时：分布列为,,,)(21jipyYxXPijji当(X,Y)是连续型时：联合概率密度为f(x,y)由此可知：已知(X,Y)的联合概率密度f(x,y),可以求EX，EYdxdyyxyfEYdxdyyxxfEX),(),(即四、数学期望的性质1.设C是常数，则E(C)=C;4.设X、Y独立，则E(XY)=E(X)E(Y);2.若k是常数，则E(kX)=kE(X);3.E(X1+X2)=E(X1)+E(X2);niiniiXEXE11)(][:推广niiniiXEXE11)(][:推广（诸Xi独立时）注意:由E(XY)=E(X)E(Y)不一定能推出X,Y独立五、数学期望性质的应用例1求二项分布的数学期望若X~B(n,p)，则X表示n重贝努里试验中的“成功”次数.现在我们来求X的数学期望.可见，服从参数为n和p的二项分布的随机变量X的数学期望是np.X~B(n,p),若设则X=X1+X2+…+Xn=np次试验失败如第次试验成功如第iiXi01i=1,2，…，n因为P(Xi=1)=p,P(Xi=0)=1-pniiXE1)(所以E(X)=则X表示n重贝努里试验中的“成功”次数.E(Xi)=)1(01pp=p例2把数字1,2,…,n任意地排成一列，如果数字k恰好出现在第k个位置上，则称为一个巧合，求巧合个数的数学期望.由于E(Xk)=P(Xk=1)解:设巧合个数为X,否则，个位置上恰好出现在第数字0,1kkXkk=1,2,…,nnkkXX1则!)!1(nnn1nkkXEXE1)()(故11nn引入下面我们给出数学期望应用的一个例子.合理验血问题请看演示这一讲，我们介绍了随机变量的数学期望，它反映了随机变量取值的平均水平，是随机变量的一个重要的数字特征.接下来的一讲中，我们将向大家介绍随机变量另一个重要的数字特征：方差上一讲我们介绍了随机变量的数学期望，它体现了随机变量取值的平均水平，是随机变量的一个重要的数字特征.但是在一些场合，仅仅知道平均值是不够的.第二讲方差例如，某零件的真实长度为a，现用甲、乙两台仪器各测量10次，将测量结果X用坐标上的点表示如图：若让你就上述结果评价一下两台仪器的优劣，你认为哪台仪器好一些呢？a甲仪器测量结果a乙仪器测量结果较好测量结果的均值都是a因为乙仪器的测量结果集中在均值附近又如,甲、乙两门炮同时向一目标射击10发炮弹，其落点距目标的位置如图：你认为哪门炮射击效果好一些呢?甲炮射击结果乙炮射击结果乙炮因为乙炮的弹着点较集中在中心附近.中心中心为此需要引进另一个数字特征,用它来度量随机变量取值在其中心附近的离散程度.这个数字特征就是我们这一讲要介绍的方差一、方差的定义采用平方是为了保证一切差值X-E(X)都起正面的作用由于它与X具有相同的度量单位，在实际问题中经常使用.方差的算术