(1)设C为常数,则D(C)=0.
证 D(C)=E(C 2)-(E(C))2=C 2-C 2=0. □
(2)设X为随机变量,C为常数,则有
D(CX)=C 2 D(X).
证 D(CX)=E(C 2 X 2)-(E(CX))2
=C 2(E(X 2)-(E(X))2)=C 2 D(X). □
(3)设随机变量X和Y相互独立,则有
D(X+Y)=D(X)+D(Y).
证 D(X+Y)=E(((X+Y)-E(X+Y))2)
=E(((X-E(X))+(Y-E(Y)))2)
=E((X-E(X))2)+E((Y-E(Y))2) +2E((X-E(X))(Y-E(Y)))
=D(X)+D(Y)+2E((X-E(X))(Y-E(Y))).
又因为
E((X-E(X))(Y-E(Y)))
=E(XY+E(X)E(Y)-XE(Y)-YE(X))
=E(XY)+E(X)E(Y)-E(X)E(Y)-E(Y)E(X)
=E(XY)-E(X)E(Y),
因为X与Y独立,故有
E(XY)=E(X)E(Y),
代入上式,得
E((X-E(X))(Y-E(Y)))=0.
因此
D(X+Y)=D(X)+D(Y). □
性质(3)还可以推广到有限个相互独立的随机变量X1,X2,…,Xn,即有
D(X1+X2+…+Xn)=D(X1)+D(X2)+…+D(Xn).
若X和Y相互独立,a,b为常数,由(2)、(3)有
D(aX+bY)=a 2 D(X)+b 2 D(Y).
特别地,有
D(X-Y)=D(X)+D(Y).
(4)D(X)=0的充分必要条件是X依概率1取常数C,即P(X=C)=1.显然,E(X)=C.
证 只证充分性(必要性这里从略).由
P(X=C)=1,
得
E(X)=C×1=C,
E(X 2)=C 2×1=C 2,
则
D(X)=E(X 2)-(E(X))2=C 2-C 2=0. □
利用方差的性质,常常能使方差的计算简化.
例3 设随机变量X服从参数为n,p的二项分布,求D(X).
解 X~B(n,p),其分布律为
P(X=k)=p kq n-k, k=0,1,2,…,n.
我们已经算出过E(X)=np,则
D(X)=E(X 2)-(E(X))2(www.xing528.com)
=E(X(X-1)+X)-n 2 p 2
=E(X(X-1))+E(X)-n 2 p 2
=
=n(n-1)p 2·p k-2q(n-2)-(k-2)+np-n 2p 2
=n(n-1)p 2(q+p)n-2+np-n 2p 2
=n(n-1)p 2+np-n 2 p 2
=np(1-p)=npq.
我们还可以用下面更简单的方法来计算二项分布的E(X),D(X).
在n重伯努利试验中,每次试验事件A发生的概率为p,A不发生的概率为q=1-p.引入随机变量
显然,X=X1+X2+…+Xn就代表A发生的次数.这里X~B(n,p),Xi~(0-1)分布,且X1,X2,…,Xn是相互独立的,根据前面的计算知
E(Xi)=p, D(Xi)=pq,
于是可得
E(X)=E(X1+X2+…+Xn)
=E(X1)+E(X2)+…+E(Xn)
=np,
D(X)=D(X1+X2+…+Xn)
=D(X1)+D(X2)+…+D(Xn)
=npq.
例4 设随机变量X服从参数为λ的泊松分布,求D(X).
解 X~π(λ),其分布律为
又知E(X)=λ,故
D(X)=E(X 2)-(E(X))2=E(X(X-1)+X)-(E(X))2
=E(X(X-1))+E(X)-(E(X))2
=
=
=λ2 e-λeλ+λ-λ2=λ.
例5 设随机变量X服从均匀分布,其密度函数为
求D(X).
解 D(X)=E(X 2)-(E(X))2=
=
=
=
例6 设随机变量X服从指数分布,其密度函数为
式中,θ>0,求D(X).
解 D(X)=E(X 2)-(E(X))2=
=-
=
例7 设随机变量X服从正态分布,其密度函数为
求D(X).
解 X~N(μ,σ2),知E(X)=μ,故
令=t,则
从上面所举的例子中可以看到,一些常用分布的期望方差知道后,则其分布的参数也就知道了,从而分布也就唯一确定,由此也可看出数字特征的重要性.
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。