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
1
10
123211+12+1+0+⨯5+ 4⨯0 =[**************]=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
平均抗拉强度=(110+120⨯2+125⨯3+130⨯2+135+140) ⨯
x 1, x 2, , x n ,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
定义1.1 设X 为一离散型随机变量,其分布律为P {X =x k }=p k
(k =1,2, ),若级数
∑x
k =1
∞
k
则称此级数之和为随机变量X p k 绝对收敛,
的数学期望,简称期望或均值. 记为E (X ) ,即
E (X ) =
∑x
k =1
∞
k
p k (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
P {X =k }=从而
E (X ) =
1
, k =1, 2, , n , n
∑k ⋅
k =1
n
11n (n +1) n +1
. =⋅=
n n 22
例1.3 设随机变量X B (n , p ) ,求E (X ) .
k k
解 因为p k =P {X =k }=C n p (1-p ) n -k (k =0,1, , n ) ,
n
n
E (X ) =∑kp k =∑k C p (1-p )
k
n
k
k =0
k =1
n -k
=∑
n !
p k (1-p ) n -k
k =1(k -1)!(n -k )!
n
=np ∑
(n -1)!
p k -1(1-p ) n -1-(k -1)
k =1(k -1)![n -1-(k -1)]!
n
=np [p +(1-p )]n -1=np
例1.4 设随机变量X P (λ) ,求E (X ) . 解 因为X P (λ) ,有
P {X =k }=
因此
λk
k !
e -λ (k =0,1,2, ),
E (X ) =∑
k =0
∞
λk
k !
e
-λ
=λe
-λ
∑(k -1)! =λe λ⋅e λ=λ.
-
k =1
∞
λk -1
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p k 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
⎰
+∞
-∞
xf (x )d x 绝对收敛,则称广义积分⎰
+∞
-∞
xf (x )d 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 E (X ) =
⎰
+∞
-∞
xf (x )d x . (1.2)
例1.5 设随机变量X 的概率密度为
⎧2x , 0
f (x ) =⎨
⎩0, 其他,
求E (X ) .
解 依题意,得,
E (X ) =⎰
+∞
-∞
xf (x )d x =⎰x ⋅2x d x =
1
2. 3
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
, a
f (x ) =⎨b -a
⎪其他,⎩0,
因此
E (X ) =⎰
+∞
1-∞
xf (x )d x =⎰b
a
x ⋅
b -a d x =a +b 2
. 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
f (x ) =⎧⎨λe -λx , x >0,
⎩
0, x ≤0,
E (X ) =⎰
+∞
-∞
xf (x )d x =⎰
+∞
x ⋅λe -λx d x =
1
λ
.
例1.8 设随机变量X 服从正态分布N (μ, σ2) ,求E (X ) .
由于
f (x ) =-(x -m ) 2解 2s (-? x
E (X ) =⎰
+∞
-
(x -m ) 22s -∞
xf (x )d x =⎰
+∞
-∞
x
d x
(令t =x -m -t 22
s
) =
+?
-?
(s t +m )e
d t
=
+?
-t 22
-?
e d t =m .
例1.9 已知二维随机变量(X , Y ) 的概率密度为
⎧⎨
12e -(3x +4y ) f (x , y ) =, x >0, y >0,
⎩
0, 其他,E (X ) .
解 由第三章例3.2的结果关于X 的边缘概率密度为
⎧3e -3x f ) =⎨, x >0,
X (x ⎩0,
x ≤0,
因此因此求
即X E (3), 因此
E (X ) =
1. 3
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
P {X =x k }=p k , k =1,2, ,
则当无穷级数
∑g (x ) p
k
k =1
∞
k
绝对收敛时,则随机变量Y 的数学期望为
E (Y ) =E [g (X )]=
∑g (x ) p
k
k =1
∞
k
; (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
ò
+?
-?
g (x ) f (x )d x 绝对收敛时,则随机变量Y 的数学期望为
E (Y ) =E [g (X )]=⎰
+∞-∞
(1.4) g (x ) f (x )d x .
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
f Y (y ) =⎨
⎪⎩
⎧⎪f X [h (y )]h '(y ) ,
α
其他.
0,
其中f X (x ) 为随机变量X 概率密度,函数y =g (x ) 是处处可导的严格单
调函数,它的反函数为x =h (y ) ,则有
E (Y ) =⎰
当h '(y ) >0时
+∞
-∞
yf Y (y )d y =⎰yf X [f (y )]|h '(y ) |d y .
α
β
E (Y ) =⎰yf X [f (y )]h '(y )d y =⎰
α
β+∞
-∞
g (x ) f X (x )d x ,
当h '(y )
E (Y ) =-⎰yf X [f (y )]h '(y )d y =-⎰
α
β-∞
+∞
g (x ) f X (x )d x
=
⎰
+∞
-∞
g (x ) f X (x )d x .
例1.10 设离散型随机变量X 的分布律为
2
求随机变量Y =3X -2的数学期望.
解 依题意,可得,
E (Y ) =[3⨯(-1) 2-2]⨯0.1+(3⨯02-2) ⨯0.3
+(3⨯12-2) ⨯0.4+(3⨯22-2) ⨯0.2
=
1.9.
例1.11 随机变量X N (0,1),求Y =X 的数学期望. 解 依题意,可得
2
E (Y ) =E (X 2) =⎰
=
+∞
-∞
x 2f (x )d x
2
⎰
+∞
-∞
x 2
-x 2
d x
=
+∞
-∞
x de
-
x 22
x 2-⎛x e 2 =
+∞
-⎰e
-∞
-∞
+∞-
x 22
⎫d x ⎪
⎪⎭
=
+∞
-∞
e
-
x 22
d x =1
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,t Î[2000,4000],受益为随机变量Y (单位:万元),按照题意Y 是需求X 的函数
ì3X -(t -X ), 当X
ï3t , 当X ³t , ïî
X 的概率密度为
ì1ïï, 2000#x 4000
f (x ) =ï2000í
ïï其它. ïî0,
由(1.4),得
E (Y ) =E [g (X )]=
=
ò
+?
-?
g (x ) f (x )d x
t 40001
{蝌[3x -(t -x )]dx +3t d x } 2000t 20001
[-2t 2+14000t -8000000] =
2000
当t =3500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.
例1.13 柯西分布f (x ) =
1
(-∞
π1+x 2
1
⎰
+∞
-∞
|x |
1
d x =+∞,
π(1+x 2)
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
P {X =x i , Y =y j }=p ij i , j =1,2, ,
且
∑∑g (x , y ) p
i
j
j =1i =1
∞∞
ij
绝对收敛,则随机变量Z =g (X , Y ) 的数学期望为
(1.5) E (Z ) =E [g (X , Y )]=∑∑g (x i , y j ) p ij ;
j =1i =1
∞∞
(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
⎰⎰
-∞
+∞+∞
-∞
则随机变量Z =g (X , Y ) 的数学期g (x , y ) f (x , y )d x d y 绝对收敛,
望为
E (Z ) =E [g (X , Y )]=
⎰⎰
-∞
+∞+∞
-∞
g (x , y ) f (x , y )d x d y . (1.6)
例1.14 设二维离散型随机变量(X , Y ) 的分布律为
求E (XY ) 和E (Z ) ,其中Z =max(X , Y ) .
解 依题意,可得
E (XY ) =0⨯0⨯0.1+0⨯1⨯0.3+1⨯0⨯0.4+1⨯1⨯0.2=0.2; E (Z ) =0⨯0.1+1⨯0.9=0.9.
例1.15 设二维连续型随机变量(X , Y ) 的概率密度为
⎧12y 2, 0≤y ≤x ≤1,
f (x , y ) =⎨
其他,⎩0,
求(1)E (XY ) ;(2)E (X 2) .
解 (1)由公式(1.6)得,
E (XY ) =⎰
2
+∞
-∞
⎰
+∞
-∞
xy f (x , y )d x d y =⎰x d x ⎰y (12y 2)d y =
1x
1
, 2
(2)将X 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
E (X ) =⎰
2
+∞
-∞
⎰
+∞
-∞
2
x f (x , y )d x d y =⎰x d x ⎰12y 2d y =.
003
2
1
2
x
需要说明的是:本题在求解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E (X ) =
2
2
⎰
+∞
-∞
x 2f X (x )d x ,求解E (X 2) (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
ì1000Y , Y £X , ï
Z =g (X , Y ) =ïí
ïïî1000X +500(Y -X ), Y >X ,
由于(X , Y ) 的概率密度为
ì1ïï, 10#x
f (x , y ) =ï100í
ïïïî0,
所以
20,10#y 其他,
20,
E (Z ) =
=
蝌
102010
202010
g (x , y ) f (x , y )d x d y
20y
蝌d y
2010
11000y x
100
2010
蝌d y
10
20
1
500(x +y ) x 10100
y
=10蝌y (20-y )d y +5=
3
(y 2-10y -50)d y 2
20000
+5椿150014166.67(元). 3
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f X (x ) 和f Y (y ) ,则有
E (X +Y ) =⎰
=
+∞
-∞+∞
⎰
+∞
-∞+∞
(x +y ) f (x , y )d x d y xf (x , y )d x d y +⎰
+∞-∞
⎰⎰
-∞
-∞
⎰
+∞
-∞
yf (x , y )d x d y
= =
⎰
+∞
-∞
+∞+∞+∞
x ⎡⎰f (x , y )d y ⎤d x +⎰y ⎡⎰f (x , y )d x ⎤d y
⎢-∞⎥⎢-∞⎥-∞⎣⎦⎣⎦
⎰
+∞
-∞
xf X (x )d x +⎰
+∞
-∞
yf Y (y )d y
=E (X ) +E (Y ) .
如果X 和Y 相互独立,则f (x , y ) =f X (x ) f Y (y ) ,有
E (XY ) = =
⎰⎰
-∞
+∞+∞
-∞
xyf (x , y )d x d y
⎰
+∞
-∞
xyf X (x ) f Y (y )d x d y
=⎰
+∞
-∞
xf X (x )d x ⋅⎰
+∞
-∞
yf Y (y )d y
=E (XY )
例1.17 设两个随机变量X 和Y ,设E (X 2) 和E (Y 2) 都存在,证明: [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
g (t ) =E [(X +tY ) ] 由数学期望的性质,有
E [(X +tY ) ]=E (X +2tXY +t Y ) =E (X ) +2tE (XY ) +t E (Y ) 因此 g (t ) =E (X ) +2tE (XY ) +t E (Y )
由于g (t ) ≥0,上述关于t 的二次函数的判别式小于或等于0. 即 ∆=4[E (XY )]-4E (X ) E (Y ) ≤0
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
139
因此 [E (XY )]2≤E (X 2) E (Y 2)
例1.18 设随机变量X 和Y 相互独立,且各自的概率密度为
⎧3e -3x , x >0, ⎧4e -4y , y >0,
f Y (y ) =⎨ f X (x ) =⎨
其他,其他,⎩0, ⎩0,
求E (XY ) .
解 由性质3得
E (XY ) =E (X ) E (Y )
=⎰
+∞
-∞+∞
xf X (x )d x ⨯⎰
-3x
+∞
-∞
yf Y (y )d y
=⎰3xe d x ⨯⎰4ye -4y d y
+∞
111
=⨯=. 3412
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.
⎧1, 第i 个盒子有球,
解 令随机变量X i =⎨i =1,2, , M
0, 第i 个盒子无球,⎩
显然有 X =
∑X
i =1
M
i
.
对于第i 个盒子而言,每只球不放入其中的概率为 1-
⎛
⎝
1M
⎫
⎪,n 个球⎭
1⎫⎛
都不放入的概率为 1-⎪,因此
M ⎝⎭
1⎫⎛
P {X i =0}= 1-⎪
⎝M ⎭1⎫⎛
P {X i =1}=1- 1-⎪
⎝M ⎭
140
n n
n
1⎫⎛
由于 E (X i ) =1⨯P {X i =1}+0⨯P {X i =0}=1- 1-⎪
⎝M ⎭
由数学期望的性质,可以得到
n
⎛⎛1⎫⎫
E (X ) =∑E (X i ) =M 1- 1-. ⎪⎪ ⎪M ⎭⎭i =1⎝⎝
M
n
§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
,我们有下面关于方差的定义. E {[X -E (X ) ]来表示}
2
定义2.1 设X 为一随机变量,如果随机变量[X -E (X )]的数学期望存在,则称之为X 的方差,记为D (X ) ,即
D (X )=E {[X -E (X )]} (2.1)
为随机变量X 的标准差或均方差,记作σ(X ) . 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[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
2
2
, , P {X =x k }=p k , k =1, 2
141
则有 D (X )=E {[X -E (X )]}=
2
∑[x
k =1
∞
k
-E (X )]2p k .
如果X 连续型随机变量,其概率密度为f (x ) ,则有
D (X )=E {[X -E (X )]2}=⎰[x -E (X )]2f (x )d x .
-∞
+∞
根据数学期望的性质,可得
D (X )=E {[X -E (X )]2}
=E {X 2-2X ? E (X )
[E (X )]2}
[E (X )]2
=E (X 2) -2E (X ) ? E (X )
=E (X 2) -[E (X )]2 .
即 D (X ) =E (X 2) -[E (X )]2 (2.2) 这是计算随机变量方差常用的公式
例2.1
X (X )求D .
(X )=(-1) ⨯0.1+0⨯0.3+1⨯0.4+2⨯0.2=0.7, 解 因为E
E (X ) =(-1) ⨯0.1+0⨯0.3+1⨯0.4+2⨯0.2=1.3,
2
2
2
2
2
D (X )=E (X 2) -[E (X )]2=1.3-0.72=0.81.
(X )例2.2 设X B (n , p ) ,求D .
解 E (X ) =np ,令q =1-p ,
142
E (X ) =
2
åå
n
n
k n -k
k 2C k p q n
k =0
=[k (k -1) +k ]
k =1n
n !
p k q n -k
k !(n -k )!
=
å
(k -1)
n
k =1
n (n -1)(n -2)! 2k -2(n -2) -(k -2)
p p q
(k -1)!(n -k )!
+
n !
p k q n -k åk =1(k -1)!(n -k )!
2
=n (n -1) p
(n -2)!
p k -2q (n -2) -(k -2) +E (X ) åk =2(k -2)!(n -k )!
n
=n (n -1) p 2+np ,
所以 D (X )=E (X 2) -[E (X )]2=n (n -1) p 2+np -n 2p 2=npq .
(X )例2.3 设X P (λ) ,求D .
解 E (X ) =l
l k e -l
E (X ) =邋k =
k ! k =0
2
ゥ
2l k e -l
[(k -1) +1]
(k -1)! k =1
l k
? e -l
k =1(k -1)!
l 2×l k -2-l
=? e
(k -2)! k =2
ゥ
=l
2
+l
2
所以 D (X )=(l
+l ) -l 2=l .
例2.4 设随机变量X 服从几何分布X G (p ) ,即 P {X =k }=pq
k -1
, k =1,2,
143
其中0
解 E (X ) =∑∞
kpq
k -1
∞
=p k =1
∑kq k -1
k =1
由于
∑∞
q k =1
k =1-q
,0
对此级数逐项求导,得
d ⎛∞k ⎫d q ⎝∑∞ q k =0⎪⎭=∑d q k ∞=k =0d q ∑kq k -1
, k =1
因此
∑∞
kq k -1=
d ⎛1⎫1
k =1
d q ⎝1-q ⎪⎭=(1-q )
2
, 从而
E (X ) =p ⋅1(1-q ) 2=1
p
。
又
E (X 2
) =
∑∞
∞
k
2
pq
k -1
=1) pq
k -1
+k =1
∑k (k -k =1
∑∞
kpq k -1
k =1
∞
=pq
∑k (k -1) q k -2+
1p
。 k =2
∞
对
∑kq k -1=
1
k (1-q )
2
两边求导,得 =1
∞
∑k (k -1) q
k -2
=d ⎛∞k =2
d q ⎝∑kq k -1⎫k =1⎪⎭=d ⎛d q 1⎫2
⎝(1-q ) 2⎪⎭
=(1-q ) 3
于是
144
212q 1
E (X 2
) =pq (1-q ) 3
+p =p 2+p
, 因此
D (X ) =E (X 2) -[E (X )]2
=2q p 2+1p -1p 2=1-p
p
2, 即
E (X ) =
1p , D (X ) =1-p
p
2。 例2.5 设X U (a , b ) ,求DX . 解 E (X ) =
a +b 2
, E (X 2
) =
ò
+?
-? x 2f (x )d x
=
òb
x 2? 1
1a
b -a
d x 3(b 2+ab +a 2) 于是 D
(X )=E (X 2) -[E (X )]2=1
12
(b -a ) 2. 例2.6 设X E (λ) ,求D (X ).
解 E (X ) =
1l
, E (X 2
) =
蝌
+?
-?
x 2
f (x )d x =
?
x 2e -l x d x =
2
l 2
,
因此 D
(X )=E (X 2) -[E (X )]2=211
l 2-l 2=l
2. 例2.7 设X N (μ, σ2
) ,求D (X ).
解 由于E (X ) =m ,
+?
-(x -m ) 2 D (X )=
ò
(x -m ) 22s -?
e
d x
145
x -
m 2(令=t ) =
s 2
+?
-?
t 2e
-
t 2
2
d t
t 22
轾2
犏-t 2
-t e
=犏犏犏臌
+?
+
-?
ò
+?
-?
e
-
d t =s 2.
这样对于X N (m , s 2) ,两个参数m , s 2分别是X 的数学期望和方差.因而正态分布完全可由它的数学期望和方差确定.
2.2 方差的性质
设C 为常数,随机变量X ,Y 的方差都存在. 关于方差有如下性质: 性质1. D (X ) =0;
事实上,D (X ) =E {{C -E (C )]2}=0.
性质2. D (CX ) =C D (X ) ; 事实上,D (CX ) =E {[CX -E (CX )]}
=C E {[X -E (X )]}=C D (X ) .
2
2
2
2
2
(X )性质3. D (X +C ) =D ;
事实上,D (X +C ) =E {[(X +C ) -E (X +C )]} =E {[X +C -E (X ) -C ]} =E {[X -E (X )]} =D (X ).
性质4. 如果随机变量X ,Y 相互独立,则
2
2
2
D (X +Y ) =D (X ) +D (Y ) .
146
事实上,
D (X +Y ) =E [X -E (X ) +(Y -E (Y ))]2
=E [X -E (X )]2+2E [(X -E (X ))(Y -E (Y ))]+E [Y -E (Y )]2
=D (X )+2E [(X -E (X ))(Y -E (Y ))]+D (Y )
注意到X 和Y 相互独立,因此X -E (X ) 和Y -E (Y ) 也相互独立,由数学期望的性质,有
E [(X -E (X ))(Y -E (Y ))]=E [X -E (X )]? E [Y 于是 D (X +Y ) =D (X ) +D (Y ) .
性质5 随机变量X 的方差D (X ) =0的充分必要条件是:X 以概率1取值常数C ,即
P {X =C }=1.
E (Y )]=0
下面的结论在数理统计中是很有用的。
例2.8 设X 1, X 2, , X n 相互独立并且服从同一分布,若
E (X 1) =m , D (X 1) =s 2,
s 21n
. 记=åX i , 证明:E () =m , D () =n n i =1
证明:由数学期望的性质 E (邋X i ) =
i =1
n n
E (X i ) =n m ,
i =1
又由独立性和方差的性质知
D (邋X i ) =
i =1
n n i =1
D (X i ) =n s 2 ,
n
1s 2
于是 E () =m , D () =2D (åX i ) =.
n n i =1
147
若用X 1, X 2, , X n 表示对物体重量的n 次重复测量的误差,而s 为
2
s 2
误差大小的度量,公式D () =表明n 次重复测量的平均误差是单次
n
测量误差的n ,也就是说,重复测量的平均精度要比单次测量的精度高.
§3 协方差与相关系数
上两节中,介绍了用于描述单个随机变量取值的平均值和偏离程度的
两个数字特征---数学期望和方差. 对于二维随机变量, 不仅要考虑单个随机变量自身的统计规律性,还要考虑两个随机变量相互联系的统计规律性. 因此,我们还需要反映两个随机变量之间关系的数字特征,协方差和相关系数就是这样的数字特征.
3.1 协方差
在上节我们方差性质的证明中,我们看到,如果两个随机变量X 与Y 相互独立时,则有
E [(X -E (X ))(Y -E (Y ))]=0
这表明,当E [(X -E (X ))(Y -E (Y ))]? 0时,X 与Y 不独立,因而存在一定的关系,我们可以把这个作为描述X 和Y 之间相互关系的一个数字特征,有下面的定义.
定义3.1 设随机变量X 与Y 数学期望E (X ) 和E (Y ) 都存在,如果随机变量[X -E (X )][Y -E (Y )]的数学期望存在,则称之为随机变量X 和
Y 的协方差,记作C ov(X , Y ) :
C ov(X , Y ) =E {[X -E (X )][Y -E (Y )]}. (3.1)
利用数学期望的性质,容易得到协方差的另一计算公式
C ov(X , Y ) =E (XY ) -E (X ) E (Y ) (3.2)
容易验证协方差有如下性质:
148
性质1 C ov(X , Y ) =C ov(Y , X ) ; 性质2 C ov(X , X ) =D (X ) ;
性质3 C ov(aX , bY ) =abC ov(X , Y ) ,其中a , b 为常数; 性质4 Cov (X +Y , Z ) =Cov (X , Z ) +Cov (Y , Z ) . 事实上
Cov (X +Y , Z ) =E [(X +Y ) Z ]-E (X +Y ) E (Z ) =E (XZ ) +E (YZ ) -E (X ) E (Z ) -E (Y ) E (Z )
=[E (XZ ) -E (X ) E (Z )]+[E (YZ ) -E (Y ) E (Z )] =Cov (X , Z ) +Cov (Y , Z ) 由此容易得到计算方差的一般公式
D (X +Y ) =D (X ) +D (Y ) +2Cov (X , Y ) (3.3) 或一般地
⎛n ⎫n 2
D ∑a i X i ⎪=∑a i D (X i ) +2∑a i a j Cov (X i , X j ) (3.4)
i
其中a i (i =1,2, , n ) 为常数.
例3.1 蒙特摩特(Montmort )配对问题
n 个人将自己的帽子放在一起,充分混合后每人随机地取出一顶,求选中自己帽子人数的均值和方差.
解 令X 表示选中自己帽子的人数,设 X i =⎨
⎧1, 如第i 人选中自己的帽子,
⎩0, 其他.
i =1,2, , n ,则有
X =X 1+X 2+ +X n ,
149
易知
P {X i =1}=所以
E (X i ) =因此
E (X ) =E (X 1) +E (X 2) + +E (X n ) =1. 注意到
X i X j =⎨
1n -1, P {X i =0}=, n n
1n -1
, D (X i ) =2,i =1,2, , n , n n
⎧1, 如第i 人与第j 人都选中自己的帽子,
⎩0, 反之.
i ≠j ,于是
E (X 1X j ) =P {X i =1, X j =1}
=P {X i =1}P {X j =1|X i =1}=
1
,
n (n -1) 1
2
n (n -1)
Cov (X i , X j ) =E (X i X j ) -E (X i ) E (X j ) =
从而
D (X ) =
∑D (X ) +2∑Cov (X , X
i
i
i =1
i
n
j
)
=
n -112
+2C n 2n n (n -1)
=1
引入协方差的目的在于度量随机变量之间关系的强弱, 但由于协方差有量纲,其数值受X 和Y 本身量纲的影响,为了克服这一缺点,我们对随机变量进行标准化。
称X =
*
为随机变量X 的标准化随机变量,不难验证
150
E (X *) =0,D (X *) =1。例如,X N (μ, σ2)(σ>0) ,由于E (X ) =μ, D (X =σ) 2,有X *=
X -μ
σ
N (0,1) .
下面我们对X 和Y 的标准化随机变量求协方差,有
Cov (X *, Y *) =E (X *Y *) -E (X *) E (Y *) =E (X *Y *)
=E ⎛⎫
=
=
上式表明,可以利用标准差对协方差进行修正,从而我们可以得到一个能更好地度量随机变量之间关系强弱的数字特征---相关系数。
3.2 相关系数
定义3.2 设随机变量X 和Y 的方差都存在且不为零,X 和Y 的协方差Cov (X , Y
) 为随机变量X 和Y 的相关系数,
记作ρXY ,即
ρXY =
(3.5)
如果ρXY =0,则称X 和Y 不相关;如果ρXY >0,则称X 和Y 正相关,特别地,如果ρXY =1,则称X 和Y 完全正相关;如果ρXY
容易验证X 和Y 的相关系数r XY 有如下性质:
151
性质1 |ρXY |≤1;
事实上,由柯西—许瓦兹不等式,有
[Cov (X , Y )]2={E {[X -E (X )][Y -E (Y )]}}2 ≤E {[X -E (X )]2}E {[Y -E (Y )]}2 =D (X ) D (Y ) 有
|Cov (X , Y )|≤即
|ρXY |=
≤1
性质2 |ρXY |=1的充分必要条件是:存在常数a ,b 使得
P {Y =a X +}b =1. (3.6)
22
事实上,设D (X ) =σX >0, D (Y ) =σY >0,对于任意实数b ,有
D (Y -bX ) =E {[Y -bX -E (Y -bX )]} =E {{[Y -E (Y )]-b [X -E (X )]}}
=E {[Y -E (Y )]}-2bE {[Y -E (Y )][X -E (X )]} +b E {[X -E (X )]} =b σX -2bCov (X , Y ) +σY . 在上式中,取b =
2
2
2
2
2
2
2
2
Cov (X , Y )
2
σX
,则有
D (Y -bX ) =
[Cov (X , Y )]2
σ
2X
-2
[Cov (X , Y )]2
σ
2X
2 +σY
152
=σ-
2Y
[Cov (X , Y )]2
σ
2X
⎧[Cov (X , Y )]2⎫
=σ⎨1-⎬ 22
σσ⎩X Y ⎭
2
Y
22
=σY (1-ρXY ).
因此|ρXY |=1的充分必要条件是D (Y -bX ) =0.
由方差的性质5知D (Y -bX ) =0的充分必要条件是Y -bX 概率为1取常数a =E (Y -bX ) ,即
P {Y -bX =a }=1,
也就是
P {Y =a +bX }=1.
X 由此可见,相关系数定量地刻画了X 和Y 的相关程度:|r XY |越大,
和Y 的相关程度越大,r XY =0时相关程度最低. 需要说明的是:X 和Y 相关的含义是指X 和Y 存在某种程度的线性关系,因此,若X 和Y 不相关,只能说明X 与Y 之间不存在线性关系,但并不排除X 和Y 之间存在其它关系.
对于随机变量X 与Y ,容易验证下列事实是等价的:
(1)Cov (X , Y ) =0; (2) X 和Y 不相关; (3)E (XY ) =E (X ) E (Y ) ;
(X )+D (Y ). (4)D (X +Y ) =D
例3.2 设Θ是[-π, π]上均匀分布的随机变量,又
153
X =sin Θ, Y =cos Θ 求X 与Y 之间的相关系数.
解 由于
E (X ) =
1π
sin x d x =0, 2π⎰-π1π
E (Y ) =cos x d x =0,
2π⎰-π
1π12
E (X 2) =sin x d x =, ⎰-π2π2
1π12
E (Y 2) =cos x d x =, ⎰-π2π2
1π
E (XY ) =sin x cos x d x =0,
2π⎰-π
因此
C ov(X , Y ) =E (XY ) -E (X ) E (Y ) =0 于是
ρXY =
=0
2
2
上例中X 与Y 是不相关的,但显然有X +Y =1. 也就是说X 与Y 虽然没有线性关系,但有另外一种函数关系,从而X 与Y 是不独立的. 综上所述,当ρXY =0时,X 与Y 可能独立,也可能不独立.
例3.3 将一颗均匀的骰子重复投掷n 次,随机变量X 表示出现点数小于3的次数,Y 表示出现点数不小于3的次数. (1)证明:X 与Y 不相互独立; (2)证明:X +Y 和X -Y 不相关; (3)求3X +Y 和X -3Y 的相关系数. 证明:由于
1n 2n
X B (n , ) , E (X ) =, D (X ) =,
339
22n 2n
Y =n -X B (n , ) ,E (Y ) =, D (Y ) =;
339
154
(1)Cov (X , Y ) =Cov (X , n -X ) =-D (X ) =-因此X 和Y 不相互独立;
2n
? 0, 9
(2)Cov (X +Y , X -Y ) =Cov (X , X ) -Cov (Y , Y ) =D (X ) -D (Y ) =0 因此,X +Y 和X -Y 不相关;
(3)D (3X +Y ) =9D (X ) +6Cov (X , Y ) +D (Y ) =
8n , 932n
D (X -3Y ) =D (X ) -6Cov (X , Y ) +9D (Y ) =,
9
16n
, 9
Cov (3X +Y , X -3Y ) =3D (X ) -8Cov (X , Y ) -3D (Y ) =
于是,3X +Y 和X -3Y 的相关系数为
r =
=1.
例3.4 设X 1, X 2, , X n +m (n >m ) 独立同分布,且有有限方差. 求
Y =∑X k 与Z =∑X m +k 的相关系数.
k =1
k =1
n n
解 设E (X k ) =μ, D (X k ) =σ2,则 Cov (Y , Z ) =E {[Y -E (Y )][Z -E (Z )]}
=E {[
∑(X
k =1
n
k
-μ)][∑(X m +k -μ)]}
k =1
n
注意到,当i ≠j 时,有
E {[(X i -μ)][(X j -μ)]}=E [(X i -μ)]⋅E [(X j -μ)]=0
因此
⎡n -m ⎤
Cov (Y , Z ) =E ⎢∑(X m +k -μ) 2⎥=(n -m ) σ2
⎣k =1⎦
155
又 D (Y ) =D (Z ) =n σ2 所以
ρXY =
n -m
=.
n 例3.4 设二维随机变量(X , Y ) 在单位圆域D ={(x , y ) |x 2+y 2≤1}上服从均匀分布,(1)求X 和Y 的相关系数ρXY ;(2)X 和Y 是否相互独立?
解 (1)因为(X , Y ) 在单位圆D 上服从均匀分布,所以
⎧122
⎪, x +y ≤1,
f (x , y ) =⎨π
⎪⎩0, 其他,
因此,
E (XY ) =
x 2+y 2≤1
⎰⎰xy x d y =⎰d θ⎰
1
2π1
1
π
00
π
r 3sin θcos θd r =0,
E (X ) =
2
x +y 2≤1
⎰⎰
2π111
x x d y =⎰d θ⎰r 2cos θd r =0,
π
00
π
E (Y ) =于是
x 2+y 2≤1
⎰⎰
2π111
y x d y =⎰d θ⎰r 2sin θd r =0,
π
00
π
Cov (X , Y ) =E (XY ) -E (X ) E (Y ) =0,
从而
ρXY =0,
即X 和Y 不相关; (2)因为
156
⎧+∞⎪-1≤x ≤1,
f X (x ) =⎰f (x , y )d y =⎨π -∞
⎪0, 其他,
⎩+∞-1≤y ≤1,
f Y (y ) =⎰f (x , y )d x = -∞
⎪0, 其他,⎩
显然
f (x , y ) ≠f X (x ) f Y (y ) ,
因此,X 和Y 不相互独立.
例3.6 设A , B 为随机事件,且P (A ) =p 1>0, P (B ) =p 2>0,定义随机变量
X =⎨
⎧1,
⎩0,
A 发生,
A 不发生,
Y =⎨
⎧1, B 发生,
⎩0, B 不发生.
证明:X 与Y 相互独立的充分必要条件是X 与Y 不相关.
证明 依题意,有
X B (1, p 1), Y (1, p 2)
有 E (X ) =p 1, E (Y ) =p 2, 如果X 与Y 不相关,则有
E (XY ) =1⨯P {X =1, Y =1}
=E (X ) E (Y ) =P {X =1}P {Y =1}, 此时
P {X =1, Y =0}=P {X =1}-P {X =1, Y =1} =P {X =1}[1-P {Y =1}]
157
=P {X =1}P {Y =0}., 同理可证 P {X =0, Y =1}=P {X =0}P {Y =1}, P {X =0, Y =0}=P {X =0}P {Y =0}.
从而X 与Y 相互独立.
反过来,若X 与Y 相互独立必有X 与Y 不相关. 得证
从上面的讨论我们知道,随机变量的独立性和不相关性都是随机变量之间的联系“薄弱”的一种反应. “不相关”是一个比“独立”更弱的一个概念. 不过对于最常用的正态分布来说,不相关性和独立性是一致的.
例3.7 设二维随机变量(X , Y ) N (μ1, μ2, σ12, σ22, ρ) ,证明:X 与
Y 相互独立的充分必要条件是X 与Y 不相关.
证明:(X , Y ) 的概率密度为
f (x , y ) =
-2ρ
⎧⎡(x -μ1) 21⎪⎨- 2⎢22(1-ρ) σ⎪⎣1⎩
(x -μ1)(y -μ2)
σ1σ2
(y -μ2) 2⎤⎫⎪
+⎬
σ22⎥⎪⎦⎭-∞
两个边缘概率密度为 f X (x
) =同理
⎧(x -μ1) 2⎫⎨-⎬, ,-∞
2σ⎩1⎭
⎧(y -μ2) 2⎫ f Y (y ) =⎨-⎬,-∞
2σ2⎭⎩
由此
E (X ) =μ1, E (Y ) =μ2, D (X ) =σ1, D (Y ) =σ2. 由于
C ov(X , Y ) =E {[X -E (X )][Y -E (Y )]}
2
2
158
=⎰
+∞
-∞
⎰
+∞
-∞
(x -μ1)(y -μ2) f (x , y )d x d y
、
=
⎰⎰
-∞
+∞+∞
-∞
(x -μ1)(y -μ2)
⎧⎡(x -μ1) 2(x -μ1)(y -μ2) (y -μ2) 2⎤⎫1⎪⎪exp ⎨--2ρ+⎥⎬d x d y
2⎢22
⎪⎩2(1-ρ) ⎣σ1σ1σ2σ2⎦⎪⎭
=
⎰+∞
⎧-∞(x -μ1)(y -μ2) exp ⎨⎩-(x -μ1) 2⎫
2σ2⎬ ⎰
+∞
-∞
1⎭
exp ⎧⎫⎨-1⎡⎢y -μ2
2-ρx -μ1⎤
⎥⎪
⎩2(1-ρ2
) y ⎣σ2σ1⎦
⎬d x d ⎪⎭
令
t =
y -μ2σ-ρx -μ1⎫,x -μ1
,则有
2σ⎪u =1⎭σ 1u 2Cov (X , Y ) =
1
+∞+∞
2π
⎰-∞
⎰
-∞
σ1σ2+ρu 2)e -
t 22
e
-
2
d t d u
22=
-
t 2
+∞-
u 2
+∞
-∞
t e d t ⎰
-∞
u e
d u
22+ρσ+∞
-
t 1σ2⎰
2
+∞
2
-
u 2
-∞
d t ⎰-∞e d u
由于
t 2+∞
u 2⎰
+∞
-
t 22
-
2
2
-∞
t e d t =-e
=0, ⎰
+∞u -
-∞
e
d u =0,
-∞
⎰
+∞
-t 22
-∞
d t =1 又
2
⎰
+∞
2-u 2-∞
e d u =+∞
-
u 2
2
-∞
u de
159
u 2-⎛u e 2 =+∞
-⎰e
-∞
-∞
+∞-
u 22
⎫d u ⎪
⎪⎭
=
+∞
-∞
e
-
u 22
d u =1
因此 Cov (X , Y ) =ρσ1σ2, 从而
ρXY =
ρσ1σ2
==ρ. σσ12
由第三章例4.6知,二维随机变量(X , Y ) N (μ1, μ2, σ12, σ22, ρ) ,则随机变量X 和Y 相互独立的充分必要条件是参数ρ=0. 且由于
ρ=ρXY ,所以X 与 Y 相互独立的充分必要条件是X 与Y 不相关.
从上面的例子我们还看到,二维正态随机变量(X , Y ) 的概率密度中的参数ρ就是X 与Y 的相关系数,因此,二维正态随机变量(X , Y ) 的分布完全由X 和Y 的数学期望、方差以及X 与Y 的相关系数所确定.
为了更好地描述随机变量的特征,除了前面介绍过的数学期望、方差、协方差和相关系数等概念之外,在本节的最后,我们介绍一种在理论和应用中都起到重要作用的数学特征—矩.
3.3 原点矩与中心矩
设X 是随机变量,关于矩有如下定义:
定义3.3 设X 为随机变量,如果X 的数学期望存在,则称之为随机变量X 的k 阶原点矩,记作μk ,即
μk =E (X k ) , k =1,2, . (3.7) 定义3.4 设X 为随机变量,如果随机变量[X -E (X )]的数学期望
k
k
160
存在,则称之为随机变量X 的k 阶中心矩,记为νk ,即
νk =E {[X -E (X )]k }, k =1,2, . (3.8)
显然,随机变量X 数学期望E (X ) 即为一阶原点矩,方差D (X ) 即为二阶中心矩.
例3.8 设随机变量X N (μ, σ2) ,求X 的k 阶中心矩. 解 由于
νk =E {[X -E (X )]k }=E [(X -μ) ]
=令t =
k
⎰
+∞
-∞
(x -μ) k e
-
(x -μ) 22σd x .
x -μ
σ
,则
νk =
k
+∞
-∞
t k e d t .
-
t 22
当k 为奇数时,νk =0, 当k 为偶数时,令t =2z ,此时
2
νk =
=
k
⎰
+∞
t e d t =
k
-
t 22
k k
+∞
z
k -12-z
e d z
k 2k
⎛k +1⎫ ⎪.
2⎝⎭
⎛1⎫
⎪=2⎝⎭
)
=s Γ(s ) ,且Γ 利用Γ函数的性质,当s >0时,Γ(s +1
于是
k
νk =(k -1)!! σ, k =2, 4,6, (3.9)
161
习题四
(A )
1. 设一盒子中有5个球,其中2个是红球,3个是黑球,从中任意抽取3个球. 令随机变量X 表示抽取到的白球数,求E (X ) .
2.一批产品中有9个合格品和3个废品. 装配仪器时,从这批零件中任取一个,如果取出的是废品,则扔掉后重新任取一个. 求在取到合格品钱已经扔掉的废品数的数学期望.
3.一台设备由三大部件构成,在设备运转的过程中各部件需要维护的概率分别为0.1,0.2,0.3. 假设各部件的状态都是相互独立的,以X 表示同时需要调整的部件数,求E (X ) .
4. 已知投资某一项目的收益率X 是一随机变量,其分布律为
一位投资者在该项目上投资了10万元,求他预期获得多少收益?
⎧x ,⎪
5.已知随机变量X 的概率密度为f (x ) =⎨2-x ,
⎪0, ⎩
常数a ;(2
)E (X ) .
60≤x 2
3
2
求(1)常数c ;(2)E (X ) ;(3)E (X ) ;(4)E (2X -3X +1) .
162
7.设随机变量X 在区间[-1, 2]上服从均匀分布,令随机变量
⎧1, 若X >0, ⎪
Y =⎨0, 若X =0,
⎪-1, 若X
求E (X ) .
8. 设随机变量X 的概率密度为
⎧32
⎪x , 0
f (x ) =⎨8
⎪其他,⎩0,
求(1)E (
1
) ;(2)E (X 2) . X
⎧0,⎪
9.已知X 的分布函数为F (x ) =⎨x 2,
⎪0, ⎩
x
(1)E (0≤x
x ≥1,
1
) ;(2)X
E (3X 2+4) .
10.已知二维随机变量(X , Y ) 的分布律为
2
2
求(1)E (X ) ;(2)E (X ) ;(3)E (XY ) ;(4)E [(X -Y ) ].
11.已知随机变量X 和Y 相互独立,且各自的分布律为
163
求(1)E (X ) ;(2)E (XY ) ;(3)E (
) ;(4)E [(X -Y ) 2]. X
12.已知二维随机变量(X , Y ) 的概率密度为
⎧2xy
⎪x +, 0
f (x , y ) =⎨3
⎪其他,⎩0,
求(1)E (X ) ;(2)E (X 2) ;(3)E (XY ) .
13.已知随机变量X 与Y 相互独立,且各自的概率密度为
⎧4x (1-x 2), 0≤x ≤1, ⎧4y 3, 0≤y ≤1,
f Y (y ) =⎨ f X (x ) =⎨
其他,其他,⎩0, ⎩0,
求(1)E (X ) ;(2)E (XY ) .
14.已知随机变量X 和Y 相互独立,且各自的概率密度为
⎧e -y , y >0, ⎧1, 0
f Y (y ) =⎨ f X (x ) =⎨
0, 其他,其他,⎩⎩0,
求(1)E (X +Y ) ;(2)E (X Y ) ;(3)E (2X -3Y ) .
15.设二维随机变量(X , Y ) 在区域D =
{(x , y ) |0
16.已知随机变量X 的分布律为
2
2
2
164
求(1)E (X 2-X ) ;(2)D (X ) .
17.设二维随机变量(X , Y ) 的分布律为
求(1)E (X ) ;(2)D (X ) ;(3)Cov (X , Y ) ;(4)判断X 和Y 是否相互独立;(5)判断X 和Y 是否相关.
18.设二维随机变量(X , Y ) 的概率密度为
⎧6, 0
f (x , y ) =⎨
其他,⎩0,
(1)求Cov (X , (2)判断X 和Y 是否相互独立;(3)判断X 和Y 是Y ) ;否相关.
19.已知二维随机变量(X , Y ) 的概率密度为
⎧1
⎪(x +y ), 0≤x ≤2,0≤y ≤2,
f (x , y ) =⎨8
⎪其他,⎩0,
求(1)E (X ) ;(2)E (Y ) ;(3)Cov (X , Y ) 和ρXY ;(4)D (X +Y ) .
165
20.设随机变量X 和Y 相互独立,且E (X ) =E (Y ) =1,D (X ) =2,
D (Y ) =3,求D (XY ) .
21.设D (X ) =25,D (Y ) =36,ρXY =
1
,求(1)D (X +Y ) ;(2)6
D (X -Y ) .
22.已知三个随机变量X 、Y 和Z 满足E (X ) =E (Y ) =E (Z ) =-1,
1D (X ) =D (Y ) =D (Z ) =1,ρXY =0,ρYZ =-.
2
求(1)E (X +Y +Z ) ;(2)D (X +Y +Z ) .
23.假设随机变量X 和Y 相互独立,且服从同一个正态分布:
N (μ, σ2) ,令Z 1=αX +βY ,Z 2=αX -βY (其中α,β为不为零的
常数),求ρZ 1, Z 2.
(B )
1. 设X 服从参数为1的泊松分布,求P {X =EX }.
2.设某企业生产线上产品的合格率为0.96,不合格产品中只有
2
3
的4
产品可进行再加工,且再加工的合格率为0.8,其余均为废品. 已知每件合格品可获利80元,每件废品亏损20元,为保证该企业每天平均利润不低于2万元,问该企业每天至少应生产多少产品?
3.设随机变量X 与Y 相互独立且同分布,且X 的分布律为
令U =max{X , Y },V =min{X , Y },求(1)(U , V ) 的分布律;(2)
166
Cov (U , V ) .
4.设二维随机变量(X , Y ) 的分布律为
其中a ,b ,c 为常数,且E (X ) =-0.2,P {Y ≤0|X ≤0}=0.5,令
Z =X +Y . 求(1)a ,b ,c 的值;(2)Z 的分布律;(3)P {X =Z }.
【提供者:路磊】
167
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
1
10
123211+12+1+0+⨯5+ 4⨯0 =[**************]=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
平均抗拉强度=(110+120⨯2+125⨯3+130⨯2+135+140) ⨯
x 1, x 2, , x n ,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
定义1.1 设X 为一离散型随机变量,其分布律为P {X =x k }=p k
(k =1,2, ),若级数
∑x
k =1
∞
k
则称此级数之和为随机变量X p k 绝对收敛,
的数学期望,简称期望或均值. 记为E (X ) ,即
E (X ) =
∑x
k =1
∞
k
p k (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
P {X =k }=从而
E (X ) =
1
, k =1, 2, , n , n
∑k ⋅
k =1
n
11n (n +1) n +1
. =⋅=
n n 22
例1.3 设随机变量X B (n , p ) ,求E (X ) .
k k
解 因为p k =P {X =k }=C n p (1-p ) n -k (k =0,1, , n ) ,
n
n
E (X ) =∑kp k =∑k C p (1-p )
k
n
k
k =0
k =1
n -k
=∑
n !
p k (1-p ) n -k
k =1(k -1)!(n -k )!
n
=np ∑
(n -1)!
p k -1(1-p ) n -1-(k -1)
k =1(k -1)![n -1-(k -1)]!
n
=np [p +(1-p )]n -1=np
例1.4 设随机变量X P (λ) ,求E (X ) . 解 因为X P (λ) ,有
P {X =k }=
因此
λk
k !
e -λ (k =0,1,2, ),
E (X ) =∑
k =0
∞
λk
k !
e
-λ
=λe
-λ
∑(k -1)! =λe λ⋅e λ=λ.
-
k =1
∞
λk -1
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p k 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
⎰
+∞
-∞
xf (x )d x 绝对收敛,则称广义积分⎰
+∞
-∞
xf (x )d 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 E (X ) =
⎰
+∞
-∞
xf (x )d x . (1.2)
例1.5 设随机变量X 的概率密度为
⎧2x , 0
f (x ) =⎨
⎩0, 其他,
求E (X ) .
解 依题意,得,
E (X ) =⎰
+∞
-∞
xf (x )d x =⎰x ⋅2x d x =
1
2. 3
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
, a
f (x ) =⎨b -a
⎪其他,⎩0,
因此
E (X ) =⎰
+∞
1-∞
xf (x )d x =⎰b
a
x ⋅
b -a d x =a +b 2
. 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
f (x ) =⎧⎨λe -λx , x >0,
⎩
0, x ≤0,
E (X ) =⎰
+∞
-∞
xf (x )d x =⎰
+∞
x ⋅λe -λx d x =
1
λ
.
例1.8 设随机变量X 服从正态分布N (μ, σ2) ,求E (X ) .
由于
f (x ) =-(x -m ) 2解 2s (-? x
E (X ) =⎰
+∞
-
(x -m ) 22s -∞
xf (x )d x =⎰
+∞
-∞
x
d x
(令t =x -m -t 22
s
) =
+?
-?
(s t +m )e
d t
=
+?
-t 22
-?
e d t =m .
例1.9 已知二维随机变量(X , Y ) 的概率密度为
⎧⎨
12e -(3x +4y ) f (x , y ) =, x >0, y >0,
⎩
0, 其他,E (X ) .
解 由第三章例3.2的结果关于X 的边缘概率密度为
⎧3e -3x f ) =⎨, x >0,
X (x ⎩0,
x ≤0,
因此因此求
即X E (3), 因此
E (X ) =
1. 3
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
P {X =x k }=p k , k =1,2, ,
则当无穷级数
∑g (x ) p
k
k =1
∞
k
绝对收敛时,则随机变量Y 的数学期望为
E (Y ) =E [g (X )]=
∑g (x ) p
k
k =1
∞
k
; (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
ò
+?
-?
g (x ) f (x )d x 绝对收敛时,则随机变量Y 的数学期望为
E (Y ) =E [g (X )]=⎰
+∞-∞
(1.4) g (x ) f (x )d x .
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
f Y (y ) =⎨
⎪⎩
⎧⎪f X [h (y )]h '(y ) ,
α
其他.
0,
其中f X (x ) 为随机变量X 概率密度,函数y =g (x ) 是处处可导的严格单
调函数,它的反函数为x =h (y ) ,则有
E (Y ) =⎰
当h '(y ) >0时
+∞
-∞
yf Y (y )d y =⎰yf X [f (y )]|h '(y ) |d y .
α
β
E (Y ) =⎰yf X [f (y )]h '(y )d y =⎰
α
β+∞
-∞
g (x ) f X (x )d x ,
当h '(y )
E (Y ) =-⎰yf X [f (y )]h '(y )d y =-⎰
α
β-∞
+∞
g (x ) f X (x )d x
=
⎰
+∞
-∞
g (x ) f X (x )d x .
例1.10 设离散型随机变量X 的分布律为
2
求随机变量Y =3X -2的数学期望.
解 依题意,可得,
E (Y ) =[3⨯(-1) 2-2]⨯0.1+(3⨯02-2) ⨯0.3
+(3⨯12-2) ⨯0.4+(3⨯22-2) ⨯0.2
=
1.9.
例1.11 随机变量X N (0,1),求Y =X 的数学期望. 解 依题意,可得
2
E (Y ) =E (X 2) =⎰
=
+∞
-∞
x 2f (x )d x
2
⎰
+∞
-∞
x 2
-x 2
d x
=
+∞
-∞
x de
-
x 22
x 2-⎛x e 2 =
+∞
-⎰e
-∞
-∞
+∞-
x 22
⎫d x ⎪
⎪⎭
=
+∞
-∞
e
-
x 22
d x =1
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,t Î[2000,4000],受益为随机变量Y (单位:万元),按照题意Y 是需求X 的函数
ì3X -(t -X ), 当X
ï3t , 当X ³t , ïî
X 的概率密度为
ì1ïï, 2000#x 4000
f (x ) =ï2000í
ïï其它. ïî0,
由(1.4),得
E (Y ) =E [g (X )]=
=
ò
+?
-?
g (x ) f (x )d x
t 40001
{蝌[3x -(t -x )]dx +3t d x } 2000t 20001
[-2t 2+14000t -8000000] =
2000
当t =3500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.
例1.13 柯西分布f (x ) =
1
(-∞
π1+x 2
1
⎰
+∞
-∞
|x |
1
d x =+∞,
π(1+x 2)
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
P {X =x i , Y =y j }=p ij i , j =1,2, ,
且
∑∑g (x , y ) p
i
j
j =1i =1
∞∞
ij
绝对收敛,则随机变量Z =g (X , Y ) 的数学期望为
(1.5) E (Z ) =E [g (X , Y )]=∑∑g (x i , y j ) p ij ;
j =1i =1
∞∞
(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
⎰⎰
-∞
+∞+∞
-∞
则随机变量Z =g (X , Y ) 的数学期g (x , y ) f (x , y )d x d y 绝对收敛,
望为
E (Z ) =E [g (X , Y )]=
⎰⎰
-∞
+∞+∞
-∞
g (x , y ) f (x , y )d x d y . (1.6)
例1.14 设二维离散型随机变量(X , Y ) 的分布律为
求E (XY ) 和E (Z ) ,其中Z =max(X , Y ) .
解 依题意,可得
E (XY ) =0⨯0⨯0.1+0⨯1⨯0.3+1⨯0⨯0.4+1⨯1⨯0.2=0.2; E (Z ) =0⨯0.1+1⨯0.9=0.9.
例1.15 设二维连续型随机变量(X , Y ) 的概率密度为
⎧12y 2, 0≤y ≤x ≤1,
f (x , y ) =⎨
其他,⎩0,
求(1)E (XY ) ;(2)E (X 2) .
解 (1)由公式(1.6)得,
E (XY ) =⎰
2
+∞
-∞
⎰
+∞
-∞
xy f (x , y )d x d y =⎰x d x ⎰y (12y 2)d y =
1x
1
, 2
(2)将X 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
E (X ) =⎰
2
+∞
-∞
⎰
+∞
-∞
2
x f (x , y )d x d y =⎰x d x ⎰12y 2d y =.
003
2
1
2
x
需要说明的是:本题在求解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E (X ) =
2
2
⎰
+∞
-∞
x 2f X (x )d x ,求解E (X 2) (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
ì1000Y , Y £X , ï
Z =g (X , Y ) =ïí
ïïî1000X +500(Y -X ), Y >X ,
由于(X , Y ) 的概率密度为
ì1ïï, 10#x
f (x , y ) =ï100í
ïïïî0,
所以
20,10#y 其他,
20,
E (Z ) =
=
蝌
102010
202010
g (x , y ) f (x , y )d x d y
20y
蝌d y
2010
11000y x
100
2010
蝌d y
10
20
1
500(x +y ) x 10100
y
=10蝌y (20-y )d y +5=
3
(y 2-10y -50)d y 2
20000
+5椿150014166.67(元). 3
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f X (x ) 和f Y (y ) ,则有
E (X +Y ) =⎰
=
+∞
-∞+∞
⎰
+∞
-∞+∞
(x +y ) f (x , y )d x d y xf (x , y )d x d y +⎰
+∞-∞
⎰⎰
-∞
-∞
⎰
+∞
-∞
yf (x , y )d x d y
= =
⎰
+∞
-∞
+∞+∞+∞
x ⎡⎰f (x , y )d y ⎤d x +⎰y ⎡⎰f (x , y )d x ⎤d y
⎢-∞⎥⎢-∞⎥-∞⎣⎦⎣⎦
⎰
+∞
-∞
xf X (x )d x +⎰
+∞
-∞
yf Y (y )d y
=E (X ) +E (Y ) .
如果X 和Y 相互独立,则f (x , y ) =f X (x ) f Y (y ) ,有
E (XY ) = =
⎰⎰
-∞
+∞+∞
-∞
xyf (x , y )d x d y
⎰
+∞
-∞
xyf X (x ) f Y (y )d x d y
=⎰
+∞
-∞
xf X (x )d x ⋅⎰
+∞
-∞
yf Y (y )d y
=E (XY )
例1.17 设两个随机变量X 和Y ,设E (X 2) 和E (Y 2) 都存在,证明: [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
g (t ) =E [(X +tY ) ] 由数学期望的性质,有
E [(X +tY ) ]=E (X +2tXY +t Y ) =E (X ) +2tE (XY ) +t E (Y ) 因此 g (t ) =E (X ) +2tE (XY ) +t E (Y )
由于g (t ) ≥0,上述关于t 的二次函数的判别式小于或等于0. 即 ∆=4[E (XY )]-4E (X ) E (Y ) ≤0
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
139
因此 [E (XY )]2≤E (X 2) E (Y 2)
例1.18 设随机变量X 和Y 相互独立,且各自的概率密度为
⎧3e -3x , x >0, ⎧4e -4y , y >0,
f Y (y ) =⎨ f X (x ) =⎨
其他,其他,⎩0, ⎩0,
求E (XY ) .
解 由性质3得
E (XY ) =E (X ) E (Y )
=⎰
+∞
-∞+∞
xf X (x )d x ⨯⎰
-3x
+∞
-∞
yf Y (y )d y
=⎰3xe d x ⨯⎰4ye -4y d y
+∞
111
=⨯=. 3412
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.
⎧1, 第i 个盒子有球,
解 令随机变量X i =⎨i =1,2, , M
0, 第i 个盒子无球,⎩
显然有 X =
∑X
i =1
M
i
.
对于第i 个盒子而言,每只球不放入其中的概率为 1-
⎛
⎝
1M
⎫
⎪,n 个球⎭
1⎫⎛
都不放入的概率为 1-⎪,因此
M ⎝⎭
1⎫⎛
P {X i =0}= 1-⎪
⎝M ⎭1⎫⎛
P {X i =1}=1- 1-⎪
⎝M ⎭
140
n n
n
1⎫⎛
由于 E (X i ) =1⨯P {X i =1}+0⨯P {X i =0}=1- 1-⎪
⎝M ⎭
由数学期望的性质,可以得到
n
⎛⎛1⎫⎫
E (X ) =∑E (X i ) =M 1- 1-. ⎪⎪ ⎪M ⎭⎭i =1⎝⎝
M
n
§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
,我们有下面关于方差的定义. E {[X -E (X ) ]来表示}
2
定义2.1 设X 为一随机变量,如果随机变量[X -E (X )]的数学期望存在,则称之为X 的方差,记为D (X ) ,即
D (X )=E {[X -E (X )]} (2.1)
为随机变量X 的标准差或均方差,记作σ(X ) . 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[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
2
2
, , P {X =x k }=p k , k =1, 2
141
则有 D (X )=E {[X -E (X )]}=
2
∑[x
k =1
∞
k
-E (X )]2p k .
如果X 连续型随机变量,其概率密度为f (x ) ,则有
D (X )=E {[X -E (X )]2}=⎰[x -E (X )]2f (x )d x .
-∞
+∞
根据数学期望的性质,可得
D (X )=E {[X -E (X )]2}
=E {X 2-2X ? E (X )
[E (X )]2}
[E (X )]2
=E (X 2) -2E (X ) ? E (X )
=E (X 2) -[E (X )]2 .
即 D (X ) =E (X 2) -[E (X )]2 (2.2) 这是计算随机变量方差常用的公式
例2.1
X (X )求D .
(X )=(-1) ⨯0.1+0⨯0.3+1⨯0.4+2⨯0.2=0.7, 解 因为E
E (X ) =(-1) ⨯0.1+0⨯0.3+1⨯0.4+2⨯0.2=1.3,
2
2
2
2
2
D (X )=E (X 2) -[E (X )]2=1.3-0.72=0.81.
(X )例2.2 设X B (n , p ) ,求D .
解 E (X ) =np ,令q =1-p ,
142
E (X ) =
2
åå
n
n
k n -k
k 2C k p q n
k =0
=[k (k -1) +k ]
k =1n
n !
p k q n -k
k !(n -k )!
=
å
(k -1)
n
k =1
n (n -1)(n -2)! 2k -2(n -2) -(k -2)
p p q
(k -1)!(n -k )!
+
n !
p k q n -k åk =1(k -1)!(n -k )!
2
=n (n -1) p
(n -2)!
p k -2q (n -2) -(k -2) +E (X ) åk =2(k -2)!(n -k )!
n
=n (n -1) p 2+np ,
所以 D (X )=E (X 2) -[E (X )]2=n (n -1) p 2+np -n 2p 2=npq .
(X )例2.3 设X P (λ) ,求D .
解 E (X ) =l
l k e -l
E (X ) =邋k =
k ! k =0
2
ゥ
2l k e -l
[(k -1) +1]
(k -1)! k =1
l k
? e -l
k =1(k -1)!
l 2×l k -2-l
=? e
(k -2)! k =2
ゥ
=l
2
+l
2
所以 D (X )=(l
+l ) -l 2=l .
例2.4 设随机变量X 服从几何分布X G (p ) ,即 P {X =k }=pq
k -1
, k =1,2,
143
其中0
解 E (X ) =∑∞
kpq
k -1
∞
=p k =1
∑kq k -1
k =1
由于
∑∞
q k =1
k =1-q
,0
对此级数逐项求导,得
d ⎛∞k ⎫d q ⎝∑∞ q k =0⎪⎭=∑d q k ∞=k =0d q ∑kq k -1
, k =1
因此
∑∞
kq k -1=
d ⎛1⎫1
k =1
d q ⎝1-q ⎪⎭=(1-q )
2
, 从而
E (X ) =p ⋅1(1-q ) 2=1
p
。
又
E (X 2
) =
∑∞
∞
k
2
pq
k -1
=1) pq
k -1
+k =1
∑k (k -k =1
∑∞
kpq k -1
k =1
∞
=pq
∑k (k -1) q k -2+
1p
。 k =2
∞
对
∑kq k -1=
1
k (1-q )
2
两边求导,得 =1
∞
∑k (k -1) q
k -2
=d ⎛∞k =2
d q ⎝∑kq k -1⎫k =1⎪⎭=d ⎛d q 1⎫2
⎝(1-q ) 2⎪⎭
=(1-q ) 3
于是
144
212q 1
E (X 2
) =pq (1-q ) 3
+p =p 2+p
, 因此
D (X ) =E (X 2) -[E (X )]2
=2q p 2+1p -1p 2=1-p
p
2, 即
E (X ) =
1p , D (X ) =1-p
p
2。 例2.5 设X U (a , b ) ,求DX . 解 E (X ) =
a +b 2
, E (X 2
) =
ò
+?
-? x 2f (x )d x
=
òb
x 2? 1
1a
b -a
d x 3(b 2+ab +a 2) 于是 D
(X )=E (X 2) -[E (X )]2=1
12
(b -a ) 2. 例2.6 设X E (λ) ,求D (X ).
解 E (X ) =
1l
, E (X 2
) =
蝌
+?
-?
x 2
f (x )d x =
?
x 2e -l x d x =
2
l 2
,
因此 D
(X )=E (X 2) -[E (X )]2=211
l 2-l 2=l
2. 例2.7 设X N (μ, σ2
) ,求D (X ).
解 由于E (X ) =m ,
+?
-(x -m ) 2 D (X )=
ò
(x -m ) 22s -?
e
d x
145
x -
m 2(令=t ) =
s 2
+?
-?
t 2e
-
t 2
2
d t
t 22
轾2
犏-t 2
-t e
=犏犏犏臌
+?
+
-?
ò
+?
-?
e
-
d t =s 2.
这样对于X N (m , s 2) ,两个参数m , s 2分别是X 的数学期望和方差.因而正态分布完全可由它的数学期望和方差确定.
2.2 方差的性质
设C 为常数,随机变量X ,Y 的方差都存在. 关于方差有如下性质: 性质1. D (X ) =0;
事实上,D (X ) =E {{C -E (C )]2}=0.
性质2. D (CX ) =C D (X ) ; 事实上,D (CX ) =E {[CX -E (CX )]}
=C E {[X -E (X )]}=C D (X ) .
2
2
2
2
2
(X )性质3. D (X +C ) =D ;
事实上,D (X +C ) =E {[(X +C ) -E (X +C )]} =E {[X +C -E (X ) -C ]} =E {[X -E (X )]} =D (X ).
性质4. 如果随机变量X ,Y 相互独立,则
2
2
2
D (X +Y ) =D (X ) +D (Y ) .
146
事实上,
D (X +Y ) =E [X -E (X ) +(Y -E (Y ))]2
=E [X -E (X )]2+2E [(X -E (X ))(Y -E (Y ))]+E [Y -E (Y )]2
=D (X )+2E [(X -E (X ))(Y -E (Y ))]+D (Y )
注意到X 和Y 相互独立,因此X -E (X ) 和Y -E (Y ) 也相互独立,由数学期望的性质,有
E [(X -E (X ))(Y -E (Y ))]=E [X -E (X )]? E [Y 于是 D (X +Y ) =D (X ) +D (Y ) .
性质5 随机变量X 的方差D (X ) =0的充分必要条件是:X 以概率1取值常数C ,即
P {X =C }=1.
E (Y )]=0
下面的结论在数理统计中是很有用的。
例2.8 设X 1, X 2, , X n 相互独立并且服从同一分布,若
E (X 1) =m , D (X 1) =s 2,
s 21n
. 记=åX i , 证明:E () =m , D () =n n i =1
证明:由数学期望的性质 E (邋X i ) =
i =1
n n
E (X i ) =n m ,
i =1
又由独立性和方差的性质知
D (邋X i ) =
i =1
n n i =1
D (X i ) =n s 2 ,
n
1s 2
于是 E () =m , D () =2D (åX i ) =.
n n i =1
147
若用X 1, X 2, , X n 表示对物体重量的n 次重复测量的误差,而s 为
2
s 2
误差大小的度量,公式D () =表明n 次重复测量的平均误差是单次
n
测量误差的n ,也就是说,重复测量的平均精度要比单次测量的精度高.
§3 协方差与相关系数
上两节中,介绍了用于描述单个随机变量取值的平均值和偏离程度的
两个数字特征---数学期望和方差. 对于二维随机变量, 不仅要考虑单个随机变量自身的统计规律性,还要考虑两个随机变量相互联系的统计规律性. 因此,我们还需要反映两个随机变量之间关系的数字特征,协方差和相关系数就是这样的数字特征.
3.1 协方差
在上节我们方差性质的证明中,我们看到,如果两个随机变量X 与Y 相互独立时,则有
E [(X -E (X ))(Y -E (Y ))]=0
这表明,当E [(X -E (X ))(Y -E (Y ))]? 0时,X 与Y 不独立,因而存在一定的关系,我们可以把这个作为描述X 和Y 之间相互关系的一个数字特征,有下面的定义.
定义3.1 设随机变量X 与Y 数学期望E (X ) 和E (Y ) 都存在,如果随机变量[X -E (X )][Y -E (Y )]的数学期望存在,则称之为随机变量X 和
Y 的协方差,记作C ov(X , Y ) :
C ov(X , Y ) =E {[X -E (X )][Y -E (Y )]}. (3.1)
利用数学期望的性质,容易得到协方差的另一计算公式
C ov(X , Y ) =E (XY ) -E (X ) E (Y ) (3.2)
容易验证协方差有如下性质:
148
性质1 C ov(X , Y ) =C ov(Y , X ) ; 性质2 C ov(X , X ) =D (X ) ;
性质3 C ov(aX , bY ) =abC ov(X , Y ) ,其中a , b 为常数; 性质4 Cov (X +Y , Z ) =Cov (X , Z ) +Cov (Y , Z ) . 事实上
Cov (X +Y , Z ) =E [(X +Y ) Z ]-E (X +Y ) E (Z ) =E (XZ ) +E (YZ ) -E (X ) E (Z ) -E (Y ) E (Z )
=[E (XZ ) -E (X ) E (Z )]+[E (YZ ) -E (Y ) E (Z )] =Cov (X , Z ) +Cov (Y , Z ) 由此容易得到计算方差的一般公式
D (X +Y ) =D (X ) +D (Y ) +2Cov (X , Y ) (3.3) 或一般地
⎛n ⎫n 2
D ∑a i X i ⎪=∑a i D (X i ) +2∑a i a j Cov (X i , X j ) (3.4)
i
其中a i (i =1,2, , n ) 为常数.
例3.1 蒙特摩特(Montmort )配对问题
n 个人将自己的帽子放在一起,充分混合后每人随机地取出一顶,求选中自己帽子人数的均值和方差.
解 令X 表示选中自己帽子的人数,设 X i =⎨
⎧1, 如第i 人选中自己的帽子,
⎩0, 其他.
i =1,2, , n ,则有
X =X 1+X 2+ +X n ,
149
易知
P {X i =1}=所以
E (X i ) =因此
E (X ) =E (X 1) +E (X 2) + +E (X n ) =1. 注意到
X i X j =⎨
1n -1, P {X i =0}=, n n
1n -1
, D (X i ) =2,i =1,2, , n , n n
⎧1, 如第i 人与第j 人都选中自己的帽子,
⎩0, 反之.
i ≠j ,于是
E (X 1X j ) =P {X i =1, X j =1}
=P {X i =1}P {X j =1|X i =1}=
1
,
n (n -1) 1
2
n (n -1)
Cov (X i , X j ) =E (X i X j ) -E (X i ) E (X j ) =
从而
D (X ) =
∑D (X ) +2∑Cov (X , X
i
i
i =1
i
n
j
)
=
n -112
+2C n 2n n (n -1)
=1
引入协方差的目的在于度量随机变量之间关系的强弱, 但由于协方差有量纲,其数值受X 和Y 本身量纲的影响,为了克服这一缺点,我们对随机变量进行标准化。
称X =
*
为随机变量X 的标准化随机变量,不难验证
150
E (X *) =0,D (X *) =1。例如,X N (μ, σ2)(σ>0) ,由于E (X ) =μ, D (X =σ) 2,有X *=
X -μ
σ
N (0,1) .
下面我们对X 和Y 的标准化随机变量求协方差,有
Cov (X *, Y *) =E (X *Y *) -E (X *) E (Y *) =E (X *Y *)
=E ⎛⎫
=
=
上式表明,可以利用标准差对协方差进行修正,从而我们可以得到一个能更好地度量随机变量之间关系强弱的数字特征---相关系数。
3.2 相关系数
定义3.2 设随机变量X 和Y 的方差都存在且不为零,X 和Y 的协方差Cov (X , Y
) 为随机变量X 和Y 的相关系数,
记作ρXY ,即
ρXY =
(3.5)
如果ρXY =0,则称X 和Y 不相关;如果ρXY >0,则称X 和Y 正相关,特别地,如果ρXY =1,则称X 和Y 完全正相关;如果ρXY
容易验证X 和Y 的相关系数r XY 有如下性质:
151
性质1 |ρXY |≤1;
事实上,由柯西—许瓦兹不等式,有
[Cov (X , Y )]2={E {[X -E (X )][Y -E (Y )]}}2 ≤E {[X -E (X )]2}E {[Y -E (Y )]}2 =D (X ) D (Y ) 有
|Cov (X , Y )|≤即
|ρXY |=
≤1
性质2 |ρXY |=1的充分必要条件是:存在常数a ,b 使得
P {Y =a X +}b =1. (3.6)
22
事实上,设D (X ) =σX >0, D (Y ) =σY >0,对于任意实数b ,有
D (Y -bX ) =E {[Y -bX -E (Y -bX )]} =E {{[Y -E (Y )]-b [X -E (X )]}}
=E {[Y -E (Y )]}-2bE {[Y -E (Y )][X -E (X )]} +b E {[X -E (X )]} =b σX -2bCov (X , Y ) +σY . 在上式中,取b =
2
2
2
2
2
2
2
2
Cov (X , Y )
2
σX
,则有
D (Y -bX ) =
[Cov (X , Y )]2
σ
2X
-2
[Cov (X , Y )]2
σ
2X
2 +σY
152
=σ-
2Y
[Cov (X , Y )]2
σ
2X
⎧[Cov (X , Y )]2⎫
=σ⎨1-⎬ 22
σσ⎩X Y ⎭
2
Y
22
=σY (1-ρXY ).
因此|ρXY |=1的充分必要条件是D (Y -bX ) =0.
由方差的性质5知D (Y -bX ) =0的充分必要条件是Y -bX 概率为1取常数a =E (Y -bX ) ,即
P {Y -bX =a }=1,
也就是
P {Y =a +bX }=1.
X 由此可见,相关系数定量地刻画了X 和Y 的相关程度:|r XY |越大,
和Y 的相关程度越大,r XY =0时相关程度最低. 需要说明的是:X 和Y 相关的含义是指X 和Y 存在某种程度的线性关系,因此,若X 和Y 不相关,只能说明X 与Y 之间不存在线性关系,但并不排除X 和Y 之间存在其它关系.
对于随机变量X 与Y ,容易验证下列事实是等价的:
(1)Cov (X , Y ) =0; (2) X 和Y 不相关; (3)E (XY ) =E (X ) E (Y ) ;
(X )+D (Y ). (4)D (X +Y ) =D
例3.2 设Θ是[-π, π]上均匀分布的随机变量,又
153
X =sin Θ, Y =cos Θ 求X 与Y 之间的相关系数.
解 由于
E (X ) =
1π
sin x d x =0, 2π⎰-π1π
E (Y ) =cos x d x =0,
2π⎰-π
1π12
E (X 2) =sin x d x =, ⎰-π2π2
1π12
E (Y 2) =cos x d x =, ⎰-π2π2
1π
E (XY ) =sin x cos x d x =0,
2π⎰-π
因此
C ov(X , Y ) =E (XY ) -E (X ) E (Y ) =0 于是
ρXY =
=0
2
2
上例中X 与Y 是不相关的,但显然有X +Y =1. 也就是说X 与Y 虽然没有线性关系,但有另外一种函数关系,从而X 与Y 是不独立的. 综上所述,当ρXY =0时,X 与Y 可能独立,也可能不独立.
例3.3 将一颗均匀的骰子重复投掷n 次,随机变量X 表示出现点数小于3的次数,Y 表示出现点数不小于3的次数. (1)证明:X 与Y 不相互独立; (2)证明:X +Y 和X -Y 不相关; (3)求3X +Y 和X -3Y 的相关系数. 证明:由于
1n 2n
X B (n , ) , E (X ) =, D (X ) =,
339
22n 2n
Y =n -X B (n , ) ,E (Y ) =, D (Y ) =;
339
154
(1)Cov (X , Y ) =Cov (X , n -X ) =-D (X ) =-因此X 和Y 不相互独立;
2n
? 0, 9
(2)Cov (X +Y , X -Y ) =Cov (X , X ) -Cov (Y , Y ) =D (X ) -D (Y ) =0 因此,X +Y 和X -Y 不相关;
(3)D (3X +Y ) =9D (X ) +6Cov (X , Y ) +D (Y ) =
8n , 932n
D (X -3Y ) =D (X ) -6Cov (X , Y ) +9D (Y ) =,
9
16n
, 9
Cov (3X +Y , X -3Y ) =3D (X ) -8Cov (X , Y ) -3D (Y ) =
于是,3X +Y 和X -3Y 的相关系数为
r =
=1.
例3.4 设X 1, X 2, , X n +m (n >m ) 独立同分布,且有有限方差. 求
Y =∑X k 与Z =∑X m +k 的相关系数.
k =1
k =1
n n
解 设E (X k ) =μ, D (X k ) =σ2,则 Cov (Y , Z ) =E {[Y -E (Y )][Z -E (Z )]}
=E {[
∑(X
k =1
n
k
-μ)][∑(X m +k -μ)]}
k =1
n
注意到,当i ≠j 时,有
E {[(X i -μ)][(X j -μ)]}=E [(X i -μ)]⋅E [(X j -μ)]=0
因此
⎡n -m ⎤
Cov (Y , Z ) =E ⎢∑(X m +k -μ) 2⎥=(n -m ) σ2
⎣k =1⎦
155
又 D (Y ) =D (Z ) =n σ2 所以
ρXY =
n -m
=.
n 例3.4 设二维随机变量(X , Y ) 在单位圆域D ={(x , y ) |x 2+y 2≤1}上服从均匀分布,(1)求X 和Y 的相关系数ρXY ;(2)X 和Y 是否相互独立?
解 (1)因为(X , Y ) 在单位圆D 上服从均匀分布,所以
⎧122
⎪, x +y ≤1,
f (x , y ) =⎨π
⎪⎩0, 其他,
因此,
E (XY ) =
x 2+y 2≤1
⎰⎰xy x d y =⎰d θ⎰
1
2π1
1
π
00
π
r 3sin θcos θd r =0,
E (X ) =
2
x +y 2≤1
⎰⎰
2π111
x x d y =⎰d θ⎰r 2cos θd r =0,
π
00
π
E (Y ) =于是
x 2+y 2≤1
⎰⎰
2π111
y x d y =⎰d θ⎰r 2sin θd r =0,
π
00
π
Cov (X , Y ) =E (XY ) -E (X ) E (Y ) =0,
从而
ρXY =0,
即X 和Y 不相关; (2)因为
156
⎧+∞⎪-1≤x ≤1,
f X (x ) =⎰f (x , y )d y =⎨π -∞
⎪0, 其他,
⎩+∞-1≤y ≤1,
f Y (y ) =⎰f (x , y )d x = -∞
⎪0, 其他,⎩
显然
f (x , y ) ≠f X (x ) f Y (y ) ,
因此,X 和Y 不相互独立.
例3.6 设A , B 为随机事件,且P (A ) =p 1>0, P (B ) =p 2>0,定义随机变量
X =⎨
⎧1,
⎩0,
A 发生,
A 不发生,
Y =⎨
⎧1, B 发生,
⎩0, B 不发生.
证明:X 与Y 相互独立的充分必要条件是X 与Y 不相关.
证明 依题意,有
X B (1, p 1), Y (1, p 2)
有 E (X ) =p 1, E (Y ) =p 2, 如果X 与Y 不相关,则有
E (XY ) =1⨯P {X =1, Y =1}
=E (X ) E (Y ) =P {X =1}P {Y =1}, 此时
P {X =1, Y =0}=P {X =1}-P {X =1, Y =1} =P {X =1}[1-P {Y =1}]
157
=P {X =1}P {Y =0}., 同理可证 P {X =0, Y =1}=P {X =0}P {Y =1}, P {X =0, Y =0}=P {X =0}P {Y =0}.
从而X 与Y 相互独立.
反过来,若X 与Y 相互独立必有X 与Y 不相关. 得证
从上面的讨论我们知道,随机变量的独立性和不相关性都是随机变量之间的联系“薄弱”的一种反应. “不相关”是一个比“独立”更弱的一个概念. 不过对于最常用的正态分布来说,不相关性和独立性是一致的.
例3.7 设二维随机变量(X , Y ) N (μ1, μ2, σ12, σ22, ρ) ,证明:X 与
Y 相互独立的充分必要条件是X 与Y 不相关.
证明:(X , Y ) 的概率密度为
f (x , y ) =
-2ρ
⎧⎡(x -μ1) 21⎪⎨- 2⎢22(1-ρ) σ⎪⎣1⎩
(x -μ1)(y -μ2)
σ1σ2
(y -μ2) 2⎤⎫⎪
+⎬
σ22⎥⎪⎦⎭-∞
两个边缘概率密度为 f X (x
) =同理
⎧(x -μ1) 2⎫⎨-⎬, ,-∞
2σ⎩1⎭
⎧(y -μ2) 2⎫ f Y (y ) =⎨-⎬,-∞
2σ2⎭⎩
由此
E (X ) =μ1, E (Y ) =μ2, D (X ) =σ1, D (Y ) =σ2. 由于
C ov(X , Y ) =E {[X -E (X )][Y -E (Y )]}
2
2
158
=⎰
+∞
-∞
⎰
+∞
-∞
(x -μ1)(y -μ2) f (x , y )d x d y
、
=
⎰⎰
-∞
+∞+∞
-∞
(x -μ1)(y -μ2)
⎧⎡(x -μ1) 2(x -μ1)(y -μ2) (y -μ2) 2⎤⎫1⎪⎪exp ⎨--2ρ+⎥⎬d x d y
2⎢22
⎪⎩2(1-ρ) ⎣σ1σ1σ2σ2⎦⎪⎭
=
⎰+∞
⎧-∞(x -μ1)(y -μ2) exp ⎨⎩-(x -μ1) 2⎫
2σ2⎬ ⎰
+∞
-∞
1⎭
exp ⎧⎫⎨-1⎡⎢y -μ2
2-ρx -μ1⎤
⎥⎪
⎩2(1-ρ2
) y ⎣σ2σ1⎦
⎬d x d ⎪⎭
令
t =
y -μ2σ-ρx -μ1⎫,x -μ1
,则有
2σ⎪u =1⎭σ 1u 2Cov (X , Y ) =
1
+∞+∞
2π
⎰-∞
⎰
-∞
σ1σ2+ρu 2)e -
t 22
e
-
2
d t d u
22=
-
t 2
+∞-
u 2
+∞
-∞
t e d t ⎰
-∞
u e
d u
22+ρσ+∞
-
t 1σ2⎰
2
+∞
2
-
u 2
-∞
d t ⎰-∞e d u
由于
t 2+∞
u 2⎰
+∞
-
t 22
-
2
2
-∞
t e d t =-e
=0, ⎰
+∞u -
-∞
e
d u =0,
-∞
⎰
+∞
-t 22
-∞
d t =1 又
2
⎰
+∞
2-u 2-∞
e d u =+∞
-
u 2
2
-∞
u de
159
u 2-⎛u e 2 =+∞
-⎰e
-∞
-∞
+∞-
u 22
⎫d u ⎪
⎪⎭
=
+∞
-∞
e
-
u 22
d u =1
因此 Cov (X , Y ) =ρσ1σ2, 从而
ρXY =
ρσ1σ2
==ρ. σσ12
由第三章例4.6知,二维随机变量(X , Y ) N (μ1, μ2, σ12, σ22, ρ) ,则随机变量X 和Y 相互独立的充分必要条件是参数ρ=0. 且由于
ρ=ρXY ,所以X 与 Y 相互独立的充分必要条件是X 与Y 不相关.
从上面的例子我们还看到,二维正态随机变量(X , Y ) 的概率密度中的参数ρ就是X 与Y 的相关系数,因此,二维正态随机变量(X , Y ) 的分布完全由X 和Y 的数学期望、方差以及X 与Y 的相关系数所确定.
为了更好地描述随机变量的特征,除了前面介绍过的数学期望、方差、协方差和相关系数等概念之外,在本节的最后,我们介绍一种在理论和应用中都起到重要作用的数学特征—矩.
3.3 原点矩与中心矩
设X 是随机变量,关于矩有如下定义:
定义3.3 设X 为随机变量,如果X 的数学期望存在,则称之为随机变量X 的k 阶原点矩,记作μk ,即
μk =E (X k ) , k =1,2, . (3.7) 定义3.4 设X 为随机变量,如果随机变量[X -E (X )]的数学期望
k
k
160
存在,则称之为随机变量X 的k 阶中心矩,记为νk ,即
νk =E {[X -E (X )]k }, k =1,2, . (3.8)
显然,随机变量X 数学期望E (X ) 即为一阶原点矩,方差D (X ) 即为二阶中心矩.
例3.8 设随机变量X N (μ, σ2) ,求X 的k 阶中心矩. 解 由于
νk =E {[X -E (X )]k }=E [(X -μ) ]
=令t =
k
⎰
+∞
-∞
(x -μ) k e
-
(x -μ) 22σd x .
x -μ
σ
,则
νk =
k
+∞
-∞
t k e d t .
-
t 22
当k 为奇数时,νk =0, 当k 为偶数时,令t =2z ,此时
2
νk =
=
k
⎰
+∞
t e d t =
k
-
t 22
k k
+∞
z
k -12-z
e d z
k 2k
⎛k +1⎫ ⎪.
2⎝⎭
⎛1⎫
⎪=2⎝⎭
)
=s Γ(s ) ,且Γ 利用Γ函数的性质,当s >0时,Γ(s +1
于是
k
νk =(k -1)!! σ, k =2, 4,6, (3.9)
161
习题四
(A )
1. 设一盒子中有5个球,其中2个是红球,3个是黑球,从中任意抽取3个球. 令随机变量X 表示抽取到的白球数,求E (X ) .
2.一批产品中有9个合格品和3个废品. 装配仪器时,从这批零件中任取一个,如果取出的是废品,则扔掉后重新任取一个. 求在取到合格品钱已经扔掉的废品数的数学期望.
3.一台设备由三大部件构成,在设备运转的过程中各部件需要维护的概率分别为0.1,0.2,0.3. 假设各部件的状态都是相互独立的,以X 表示同时需要调整的部件数,求E (X ) .
4. 已知投资某一项目的收益率X 是一随机变量,其分布律为
一位投资者在该项目上投资了10万元,求他预期获得多少收益?
⎧x ,⎪
5.已知随机变量X 的概率密度为f (x ) =⎨2-x ,
⎪0, ⎩
常数a ;(2
)E (X ) .
60≤x 2
3
2
求(1)常数c ;(2)E (X ) ;(3)E (X ) ;(4)E (2X -3X +1) .
162
7.设随机变量X 在区间[-1, 2]上服从均匀分布,令随机变量
⎧1, 若X >0, ⎪
Y =⎨0, 若X =0,
⎪-1, 若X
求E (X ) .
8. 设随机变量X 的概率密度为
⎧32
⎪x , 0
f (x ) =⎨8
⎪其他,⎩0,
求(1)E (
1
) ;(2)E (X 2) . X
⎧0,⎪
9.已知X 的分布函数为F (x ) =⎨x 2,
⎪0, ⎩
x
(1)E (0≤x
x ≥1,
1
) ;(2)X
E (3X 2+4) .
10.已知二维随机变量(X , Y ) 的分布律为
2
2
求(1)E (X ) ;(2)E (X ) ;(3)E (XY ) ;(4)E [(X -Y ) ].
11.已知随机变量X 和Y 相互独立,且各自的分布律为
163
求(1)E (X ) ;(2)E (XY ) ;(3)E (
) ;(4)E [(X -Y ) 2]. X
12.已知二维随机变量(X , Y ) 的概率密度为
⎧2xy
⎪x +, 0
f (x , y ) =⎨3
⎪其他,⎩0,
求(1)E (X ) ;(2)E (X 2) ;(3)E (XY ) .
13.已知随机变量X 与Y 相互独立,且各自的概率密度为
⎧4x (1-x 2), 0≤x ≤1, ⎧4y 3, 0≤y ≤1,
f Y (y ) =⎨ f X (x ) =⎨
其他,其他,⎩0, ⎩0,
求(1)E (X ) ;(2)E (XY ) .
14.已知随机变量X 和Y 相互独立,且各自的概率密度为
⎧e -y , y >0, ⎧1, 0
f Y (y ) =⎨ f X (x ) =⎨
0, 其他,其他,⎩⎩0,
求(1)E (X +Y ) ;(2)E (X Y ) ;(3)E (2X -3Y ) .
15.设二维随机变量(X , Y ) 在区域D =
{(x , y ) |0
16.已知随机变量X 的分布律为
2
2
2
164
求(1)E (X 2-X ) ;(2)D (X ) .
17.设二维随机变量(X , Y ) 的分布律为
求(1)E (X ) ;(2)D (X ) ;(3)Cov (X , Y ) ;(4)判断X 和Y 是否相互独立;(5)判断X 和Y 是否相关.
18.设二维随机变量(X , Y ) 的概率密度为
⎧6, 0
f (x , y ) =⎨
其他,⎩0,
(1)求Cov (X , (2)判断X 和Y 是否相互独立;(3)判断X 和Y 是Y ) ;否相关.
19.已知二维随机变量(X , Y ) 的概率密度为
⎧1
⎪(x +y ), 0≤x ≤2,0≤y ≤2,
f (x , y ) =⎨8
⎪其他,⎩0,
求(1)E (X ) ;(2)E (Y ) ;(3)Cov (X , Y ) 和ρXY ;(4)D (X +Y ) .
165
20.设随机变量X 和Y 相互独立,且E (X ) =E (Y ) =1,D (X ) =2,
D (Y ) =3,求D (XY ) .
21.设D (X ) =25,D (Y ) =36,ρXY =
1
,求(1)D (X +Y ) ;(2)6
D (X -Y ) .
22.已知三个随机变量X 、Y 和Z 满足E (X ) =E (Y ) =E (Z ) =-1,
1D (X ) =D (Y ) =D (Z ) =1,ρXY =0,ρYZ =-.
2
求(1)E (X +Y +Z ) ;(2)D (X +Y +Z ) .
23.假设随机变量X 和Y 相互独立,且服从同一个正态分布:
N (μ, σ2) ,令Z 1=αX +βY ,Z 2=αX -βY (其中α,β为不为零的
常数),求ρZ 1, Z 2.
(B )
1. 设X 服从参数为1的泊松分布,求P {X =EX }.
2.设某企业生产线上产品的合格率为0.96,不合格产品中只有
2
3
的4
产品可进行再加工,且再加工的合格率为0.8,其余均为废品. 已知每件合格品可获利80元,每件废品亏损20元,为保证该企业每天平均利润不低于2万元,问该企业每天至少应生产多少产品?
3.设随机变量X 与Y 相互独立且同分布,且X 的分布律为
令U =max{X , Y },V =min{X , Y },求(1)(U , V ) 的分布律;(2)
166
Cov (U , V ) .
4.设二维随机变量(X , Y ) 的分布律为
其中a ,b ,c 为常数,且E (X ) =-0.2,P {Y ≤0|X ≤0}=0.5,令
Z =X +Y . 求(1)a ,b ,c 的值;(2)Z 的分布律;(3)P {X =Z }.
【提供者:路磊】
167