常用分布函数的数学期望与方差

(完整word版)常见分布的期望和方差

常见分布的期望和方差 x n (0,1) N()

概率与数理统计重点摘要 1、正态分布的计算：()()( )X F x P X x μ σ -=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞-∞ = ?? 具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　 　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1(,)(arctan )(arctan )23 x y F x y πππ2=++22的概率密度为：2222 6(,)(,)(4)(9)f x y F x y x y x y π?==??++ 5、二维随机变量的边缘分布： 边缘概率密度： ()(,)()(,)X Y f x f x y dy f y f x y dx +∞ -∞+∞ -∞ ==?? 边缘分布函数： ()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞ -∞-∞+∞ -∞ -∞ =+∞==+∞=?? ?? 二维正态分布的边缘分布为一维正态分布。 6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。简称X 与Y 独立。

常见分布的期望和方差

常见分布得期望与方差 ?概率与数理统计重点摘要 1、正态分布得计算:。 2、随机变量函数得概率密度:就是服从某种分布得随机变量,求得概率密度:。(参见P66～72) 3、分布函数具有以下基本性质: ⑴、就是变量x,y得非降函数; ⑵、,对于任意固定得ｘ,y有:; ⑶、关于x右连续,关于y右连续; ⑷、对于任意得,有下述不等式成立: ４、一个重要得分布函数:得概率密度为: ５、二维随机变量得边缘分布: 边缘概率密度: 边缘分布函数:二维正态分布得边缘分布为一维正态分布、 6、随机变量得独立性:若则称随机变量Ｘ,Y相互独立、简称X与Y独立。 7、两个独立随机变量之与得概率密度:其中Z=X+Y

8、两个独立正态随机变量得线性组合仍服从正态分布,即。 9、期望得性质:……(３)、;(4)、若X,Y 相互独立,则。 10、方差: 。 若X,Y 不相关,则,否则, 11、协方差:,若Ｘ,Y 独立,则,此时称:X 与Y 不相关。 1２、相关系数:,,当且仅当X 与Ｙ存在线性关系时,且 13、k 阶原点矩:,k 阶中心矩:。 1４、切比雪夫不等式:{} {}2 2 () () (),()1D X D X P X E X P X E X εεε ε -≥≤ -<≤- 或、贝努利大数定律:。 15、独立同分布序列得切比雪夫大数定律:因,所以。 1６、独立同分布序列得中心极限定理: (1)、当n 充分大时,独立同分布得随机变量之与得分布近似于正态分布。 (2)、对于得平均值,有,,即独立同分布得随机变量得均值当n 充分大时,近似服从正态分布、 (３)、由上可知:{}{}lim ()()()()n n n P a Z b b a P a Z b b a →∞ <≤=Φ-Φ?<≤≈Φ-Φ。 1７、棣莫弗-拉普拉斯中心极限定理:设ｍ就是ｎ次独立重复试验中事件A 发生得次数,p 就是事件A 发生得概率,则对任意, , 其中。 (1)、当n 充分大时,m 近似服从正态分布,。 (2)、当ｎ充分大时,近似服从正态分布,。 １８、参数得矩估计与似然估计:(参见P ２00) 19 20、关于正态总值均值及方差得假设检验,参见Ｐ243与P ２48。

随机变量的数学期望与方差

第9讲随机变量的数学期望与方差 教学目的：1.掌握随机变量的数学期望及方差的定义。 2.熟练能计算随机变量的数学期望与方差。 教学重点： 1．随机变量的数学期望 For personal use only in study and research; not for commercial use 2．随机变量函数的数学期望 3．数学期望的性质 4．方差的定义 For personal use only in study and research; not for commercial use 5．方差的性质 教学难点：数学期望与方差的统计意义。 教学学时：2学时。 For personal use only in study and research; not for commercial use 教学过程： 第三章随机变量的数字特征 §3.1 数学期望 For personal use only in study and research; not for commercial use 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。因此，在对随机变量的研究中，确定其某些数字特征是重要的，而在这些数字特征中，最常用的是随机变量的数学期望和方差。

1．离散随机变量的数学期望 我们来看一个问题： 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 取值的平均值呢？ 若统计100天，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。这样可以得到这100天中每天的平均废品数为 27.1100 213100172100301100320=?+?+?+? 这个数能作为X 取值的平均值吗？ 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。 对于一个随机变量X ，若它全部可能取的值是 ,,21x x ， 相应的概率为 ,,21P P ， 则对X 作一系列观察(试验)所得X 的试验值的平均值是随机的。但是，如果试验次数 很大，出现k x 的频率会接近于K P ，于是试验值的平均值应接近 ∑∞=1k k k p x 由此引入离散随机变量数学期望的定义。 定义1 设X 是离散随机变量，它的概率函数是 ,2 ,1,)()(====k P x X P x p K K k 如果 ∑∞ =1||k k k p x 收敛，定义X 的数学期望为 ∑∞ ==1)(k k k p x X E 也就是说,离散随机变量的数学期望是一个绝对收敛的级数的和。 例1 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。

常见分布的期望和方差

5

5 概率与数理统计重点摘要 1、正态分布的计算：()()( )X F x P X x μ σ -=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞-∞ = ?? 具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　 　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1(,)(arctan )(arctan )23 x y F x y πππ2=++22的概率密度为：2222 6(,)(,)(4)(9)f x y F x y x y x y π?==??++ 5、二维随机变量的边缘分布： 边缘概率密度： ()(,)()(,)X Y f x f x y dy f y f x y dx +∞ -∞+∞ -∞ ==?? 边缘分布函数： ()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞ -∞-∞+∞ -∞ -∞ =+∞==+∞=?? ?? 二维正态分布的边缘分布为一维正态分布。

离散型随机变量的期望与方差

开锁次数的数学期望和方差 例 有n 把看上去样子相同的钥匙，其中只有一把能把大门上的锁打开．用它们去试开门上的锁．设抽取钥匙是相互独立且等可能的．每把钥匙试开后不能放回．求试开次数ξ的数学期望和方差． 分析：求)(k P =ξ时，由题知前1-k 次没打开，恰第k 次打开．不过，一般我们应从简单的地方入手，如3,2,1=ξ，发现规律后，推广到一般． 解：ξ的可能取值为1，2，3，…，n ． Λ;12112121)111()11()3(;111111)11()2(,1)1(n n n n n n n n n P n n n n n n P n P =-?--?-=-?--?-===-?-=-?-====ξξξ n k n k n k n n n n n n n k n k n n n n k P 111212312111)211()211()111()11()(=+-?+-+---?--?-=+-?+----?--?-==ΛΛξ；所以ξ的分布列为： 2 31211=?++?+?+?=n n n n n E Λξ； n n n n n k n n n n n n D 1)21(1)21(1)213(1)212(1)211(22222?+-++?+-++?+-+?+-+?+- =ΛΛξ ?? ?????+++++++-++++=n n n n n n 22222)21()321)(1()321(1ΛΛ 1214)1(2)1()12)(1(611222-=?? ????+++-++=n n n n n n n n n 说明：复杂问题的简化处理，即从个数较小的看起，找出规律所在，进而推广到一般，方差的公式正确使用后，涉及一个数列求和问题，合理拆项，转化成熟悉的公式，是解决的关键． 次品个数的期望

常见分布的期望和方差

常见分布的期望和方差

概率与数理统计重点摘要 1、正态分布的计算：()()()X F x P X x μ σ-=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞-∞=??具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　 　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1(,)(arctan )(arctan )23 x y F x y πππ2=++22的概率密度为：22226(,)(,)(4)(9)f x y F x y x y x y π?==??++ 5、二维随机变量的边缘分布： 边缘概率密度：()(,)()(,)X Y f x f x y dy f y f x y dx +∞-∞ +∞-∞==? ? 边缘分布函数：()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞ -∞ -∞+∞-∞-∞=+∞==+∞=???? 二维正态分布的边缘分布为一维正态分布。 6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。简称X 与Y 独立。

期望-方差公式

期望与方差的相关公式 -、数学期望的来由 早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目，题目是这样的：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，赢家可以获得100法郎的奖励。当比赛进行到第三局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？ 用概率论的知识，不难得知，甲获胜的概率为1/2+(1/2)*(1/2)=3/4，或者分析乙获胜的概率为(1/2)*(1/2)＝1/4。因此由此引出了甲的期望所得值为100*3/4=75法郎，乙的期望所得值为25法郎。 这个故事里出现了“期望”这个词，数学期望由此而来。 定义1 若离散型随机变量ξ可能取值为i a （i =1，2，3 ，…），其分布列为i p （i =1，2，3， …），则当i i i p a ∑∞ =1 <∞时，则称ξ存在数学期望，并且数学期望为E ξ=∑∞ =1 i i i p a ， 如果i i i p a ∑∞ =1 =∞，则数学期望不存在。[]1 定义2 期望：若离散型随机变量ξ，当ξ=x i 的概率为P （ξ=x i ）=P i （i =1，2，…，n ，…），则称E ξ=∑x i p i 为ξ的数学期望，反映了ξ的平均值. 期望是算术平均值概念的推广，是概率意义下的平均.E ξ由ξ的分布列唯一确定. 二、数学期望的性质 （1）设C 是常数，则E(C )=C 。 （2）若k 是常数，则E (kX )=kE (X )。 （3）)E(X )E(X )X E(X 2121+=+。 三、 方差的定义 前面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，

常见分布的期望和方差78835

常见分布的期望和方差 5

5 概率与数理统计重点摘要 1、正态分布的计算：()()( )X F x P X x μ σ -=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞-∞ = ?? 具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　 　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1(,)(arctan )(arctan )23 x y F x y πππ2=++22的概率密度为：2222 6(,)(,)(4)(9)f x y F x y x y x y π?==??++ 5、二维随机变量的边缘分布： 边缘概率密度： ()(,)()(,)X Y f x f x y dy f y f x y dx +∞ -∞+∞ -∞ ==?? 边缘分布函数： ()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞ -∞-∞+∞ -∞ -∞ =+∞==+∞=?? ?? 二维正态分布的边缘分布为一维正态分布。

概率、期望与方差的计算和性质

概率与统计 知识点一：常见的概率类型与概率计算公式； 类型一：古典概型； 1、 古典概型的基本特点： （1） 基本事件数有限多个； （2） 每个基本事件之间互斥且等可能； 2、 概率计算公式： A 事件发生的概率()A P A = 事件所包含的基本事件数 总的基本事件数 ; 类型二：几何概型； 1、 几何概型的基本特点： （1） 基本事件数有无限多个； （2） 每个基本事件之间互斥且等可能； 2、 概率计算公式： A 事件发生的概率()A P A = 构成事件的区域长度（或面积或体积或角度） 总的区域长度（或面积或体积或角度） ； 注意： （1） 究竟是长度比还是面积比还是体积比，关键是看表达该概率问题需要几个变量，如 果需要一个变量，则应该是长度比或者角度比；若需要两个变量则应该是面积比；当然如果是必须要三个变量则必为体积比； （2） 如果是用一个变量，到底是角度问题还是长度问题，关键是看谁是变化的主体，哪 一个是等可能的； 例如：等腰ABC ?中，角C= 23 π ，则： （1） 若点M 是线段AB 上一点，求使得AM AC ≤的概率； （2） 若射线CA 绕着点C 向射线CB 旋转，且射线CA 与线段AB 始终相交且交点是M ，求 使得AM AC ≤的概率； 解析：第一问中明确M 为AB 上动点，即点M 是在AB 上均匀分布，所以这一问应该是长度 之比，所求概率： 13P =; 而第二问中真正变化的主体是射线的转动，所以角度的变化是均匀的，所以这一问应该是角度之比的问题，所以所求的概率：2755 = =1208 P ?； 知识点二：常见的概率计算性质； 类型一：事件间的关系与运算； A+B （和事件）：表示A 、B 两个事件至少有一个发生； A B ?（积事件） ：表示A 、B 两个事件同时发生； A （对立事件） ：表示事件A 的对立事件；

期望与方差例题选讲含详解

概率统计（理）典型例题选讲 (1)等可能性事件(古典概型)的概率：P (A )＝) ()(I card A card ＝n m ; 等可能事件概率的计算步骤： ① 计算一次试验的基本事件总数n ; ② 设所求事件A ，并计算事件A 包含的基本事件的个数m ; ③ 依公式()m P A n =求值; ④ 答，即给问题一个明确的答复. (2)互斥事件有一个发生的概率：P (A ＋B )＝P (A )＋P (B ); 特例：对立事件的概率：P (A )＋P (A )＝P (A ＋A )＝1. (3)相互独立事件同时发生的概率：P (A ·B )＝P (A )·P (B ); 特例：独立重复试验的概率：P n (k )＝k n k k n p p C --)1(.其中P 为事件A 在一次试验中发生的概率，此式为二项式[(1-P)+P]n 展开的第k+1项. (4)解决概率问题要注意“四个步骤，一个结合”： ① 求概率的步骤是： 第一步，确定事件性质???? ???等可能事件 互斥事件 独立事件 n 次独立重复试验 即所给的问题归结为四类事件中的某一种.

第二步，判断事件的运算?? ?和事件积事件 即是至少有一个发生，还是同时发生，分别运用相加或相乘事件. 第三步，运用公式()()()()()()()()(1) k k n k n n m P A n P A B P A P B P A B P A P B P k C p p -? =???+=+? ??=??=-??等可能事件: 互斥事件： 独立事件： n 次独立重复试验:求解 第四步，答，即给提出的问题有一个明确的答复. 典型例题分析 1.有10张卡片，其中8张标有数字2，有2张标有数字5.从中随机地抽取3张卡片，设3张卡片上的数字和为ξ，求Eξ与Dξ. 解：这3张卡片上的数字和ξ这一随机变量的可能取值为6，9，12，且“ξ=6”表示取 出的3张卡上都标有2，则P （ξ=6)=.“ξ=9”表示取出的3张卡片上两张为2， 一张为5，则P (ξ=9)= . “ξ=12”表示取出的3张卡片上两张为5，一张为2， 则P (ξ=12)=. 则期望Eξ=6×+9×+12×=, 方差Dξ= 2 + 2 + 2 =. 2.（2010江西）某迷宫有三个通道，进入迷宫的每个人都要经过一扇智能门．首次到达此门，系统会随机(即等可能)为你打开一个通道．若是1号通道，则需要1小时走出迷宫；若是2号、

期望-方差公式-方差和期望公式

期望与方差的相关公式 -、数学期望的来由 早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目，题目是这样的：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，赢家可以获得100法郎的奖励。当比赛进行到第三局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？ 用概率论的知识，不难得知，甲获胜的概率为1/2+(1/2)*(1/2)=3/4，或者分析乙获胜的概率为(1/2)*(1/2)＝1/4。因此由此引出了甲的期望所得值为100*3/4=75法郎，乙的期望所得值为25法郎。 这个故事里出现了“期望”这个词，数学期望由此而来。 定义1 若离散型随机变量ξ可能取值为i a （i =1，2，3 ，…），其分布列为i p （i =1，2，3， …），则当i i i p a ∑∞=1<∞时，则称ξ存在数学期望，并且数学期望为E ξ=∑∞ =1i i i p a ，如果i i i p a ∑∞ =1=∞，则数学期望不存在。[]1 定义2 期望：若离散型随机变量ξ，当ξ=x i 的概率为P （ξ=x i ）=P i （i =1， 2，…，n ，…），则称E ξ=∑x i p i 为ξ的数学期望，反映了ξ的平均值. 期望是算术平均值概念的推广，是概率意义下的平均.E ξ由ξ的分布列唯一确定. 二、数学期望的性质 （1）设C 是常数，则E(C )=C 。 （2）若k 是常数，则E (kX )=kE (X )。 （3）)E(X )E(X )X E(X 2121+=+。 三、 方差的定义 前面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，

概率分布期望方差汇总

1.编号1,2,3的三位学生随意入座编号为 1, 2 , 3的三个座位，每位学生坐一个座位 设与座位编号相同的学生的个数是 X. （1） 求随机变量X 的分布列； （2） 求随机变量X 的数学期望和方差. 解（1）P （ X=0）= _L =1 - A 33 ； P （ X=1）=-C3 = 1 ； P （ X=3）= 2 =丄； A 3 2 A 3 6 (2) E (X ) =1 X 丄 +3 X 丄=1. 2 6 D (X ) =(1-0) 2 1 +(1-1) 2 丄+(3-1) 2 1 =1. 3 2 6 2某商场举行抽奖促销活动，抽奖规则是：从装有9个白球、1个红球的箱子中每次 随机地摸岀一个球，记下颜色后放回，摸岀一个红球可获得奖金 10元；摸岀两个红 球可获得奖金50元.现有甲、乙两位顾客，规定:甲摸一次，乙摸两次，令X 表示 甲、乙两人摸球后获得的奖金总额.求： （1 ） X 的分布列； （2） X 的均值. 解 （1 ） X 的所有可能取值为0，10，20，50，60. 9 1 9 P(X=50)= X =- 10 102 1 000 1 1 P(X=60)= 3 = . ' 103 1 000 故X 的分布列为 P (X=0 ) @ 1 = 729 10 = 1 000 P ( X=10)」X 「2 X C 2 X 丄 10 〔0 丿 10 10 9 X 一 = 243 1 000 P(X=20)= 丄 X C 2 X 丄 X ?= 10 10 10 18 1 000

729 243 18 9 (2 ) E ( X ) =0 X +10 X -243+20 X 18+50 X — +60 X 1 000 1 000 1 000 1 000 1 =3.3（兀）. 1 000 ' ' 3 （本小题满分13分） 为了解甲、乙两厂的产品质量，采用分层抽样的方法从甲、乙两厂生 产的产品中分别抽出取14件和5件，测量产品中的微量元素x,y的含 （1）已知甲厂生产的产品共有98件，求乙厂生产的产品数量； （2）当产品中的微量元素x,y满足x》175 ,且y》75时,该产品为优等 品。用上述样本数据估计乙厂生产的优等品的数量； （3）从乙厂抽出的上述5件产品中，随机抽取2件，求抽取的2件产品中优等品数?的分布列极其均值（即数学期望）。 & 98 解：（1）7,5 7=35，即乙厂生产的产品数量为35件。 14 （2）易见只有编号为 2 , 5的产品为优等品，所以乙厂生产的产品中

论文 随机变量的期望和方差的计算方法

序 言 数学方差和期望比较集中的反映随机变量的某个侧面的平均特性,因此对随机变量的期望和方差的计算具有很深的实际意义. 本论文着重总结了随机变量期望和方差的几种常用计算方法,并通过具体例子阐述在不同情况下应该采用的计算方法,以达到使计算最简便化的目的. 一、 离散型随机变量期望的计算方法 方法一 定义法 [1] 即若已知离散型随机变量ξ的分布列为 则ξ的期望为1111(2)()()p p A B p A B ξ==+ 例1 某项考试按科目A 和科目B 依次进行,只有当科目A 成绩合格时,才可继续参加科目B 的考试,已知每个科目只允许有一次补考机会,两个科目成绩均合格方可获得证书.现某人参加这项考试,科目A 每次考试成绩合格的 的考试机会,记他参加考试的次数为ξ,求ξ的数学期望E ξ. 解 设“科目A 第一次考试合格”为事件1A ,“科目A 补考合格”为事件2A ,“科目 B 第一次考试合格”为事件1B ,“科目B 补考合格”为事件2B ,已知得ξ=2,3,4注意到各 事件之间的独立性与互斥性,可得 1111(2)()() 21113233114399 p p A B p A B ξ==+=?+?= +=

对于某些实际问题中的随机变量,如果能够断定它服从某常见的典型分布（如二项分布、超几何分布等）,则此随机变量的期望可直接利用这种典型分布的期望公式求得. 方法二 公式法 设随机变量ξ服从二项分布(,,)B b n p ,其分布列为： {}(1) (0,1,2)k k n k n P k C p p k n ξ-===-=???, 则我们有： 01 1 11 11 1 !()(1) !()!! (1)!()! (1) (1)(1) n k n k k n k n k k n k k n k n k n i i n i n i i n E k p p k n k n p p k n k np p p np p p np i k C C ξ-=-=----=----== ? --= --=-=-==-∑ ∑ ∑ ∑ 由此便推出服从二项分布的随机变量的数学期望的计算公式为()E np ξ=. 例2 一个实验学科的考察方案：考生从6道选题中一次性随机抽取3题,按题目要求独立完成全部实验操作.规定：至少正确完成其中2题者方可通过,已知6道备选题中考生甲有4 不影响. 分别求出甲、乙两考生正确完成题数的数学期望. 解 设考生甲正确完成的题数为ξ,则ξ服从超几何分布,其中6,4,3N M n ===, ∴3426 nM E N ξ?= == 设考生乙正确完成的题数为η,则 2 ~[3,]3B η,2323E np η==? = 方法三 性质法 即利用期望的性质求期望,所用到的性质主要有:

(完整版)随机变量的数学期望与方差

第9讲 随机变量的数学期望与方差 教学目的：1.掌握随机变量的数学期望及方差的定义。 2.熟练能计算随机变量的数学期望与方差。 教学重点： 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．方差的定义 5．方差的性质 教学难点：数学期望与方差的统计意义。 教学学时：2学时。 教学过程： 第三章 随机变量的数字特征 §3.1 数学期望 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。因此，在对随机变量的研究中，确定其某些数字特征是重要的，而在这些数字特征中，最常用的是随机变量的数学期望和方差。 1．离散随机变量的数学期望 我们来看一个问题： 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 取值的平均值呢？ 若统计100天，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。这样可以得到这100天中每天的平均废品数为 27.1100 213100172100301100320=?+?+?+? 这个数能作为X 取值的平均值吗？

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。 对于一个随机变量X ，若它全部可能取的值是Λ,,21x x ， 相应的概率为 Λ,,21P P ，则对X 作一系列观察(试验)所得X 的试验值的平均值是随机的。但是，如果试验次数很大，出现k x 的频率会接近于K P ，于是试验值的平均值应接近 ∑∞=1k k k p x 由此引入离散随机变量数学期望的定义。 定义1 设X 是离散随机变量，它的概率函数是 Λ ,2 ,1,)()(====k P x X P x p K K k 如果 ∑∞ =1||k k k p x 收敛，定义X 的数学期望为 ∑∞ ==1)(k k k p x X E 也就是说,离散随机变量的数学期望是一个绝对收敛的级数的和。 例1 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 ，则 n k X p 1)(==，n , ,2 ,1Λ=k 于是 ∑=? =n k n k X E 11)(2)1(1n n n +?=2 1+=n 2. 连续随机变量的数学期望 为了引入连续随机变量数学期望的定义，我们设X 是连续随机变量，其密度函数为)(x f ，把区间) , (∞+-∞分成若干个长度非常小的小区间，考虑随机变量X 落在任意小区间] , (dx x x +内的概率，则有