随机变量的数学期望与方差
概率与统计中的随机变量的数学期望与方差
概率与统计中的随机变量的数学期望与方差概率与统计是数学的一个重要分支，主要研究随机事件的发生规律和统计数据的分析方法。
在概率与统计中，随机变量是一个映射，将随机试验的结果与实数建立关联。
随机变量的数学期望与方差是两个重要的概念，用来描述随机变量的平均值和离散程度。
本文将讨论概率与统计中的随机变量的数学期望与方差的定义与计算方法。
一、随机变量的定义在概率与统计中，随机变量是一个函数，将样本空间中的每个样本点映射到实数上。
随机变量可以分为离散型随机变量和连续型随机变量两种类型。
对于离散型随机变量，其取值有限或可数，并且每个取值与一个概率相关联。
如掷骰子的点数就是一个离散型随机变量，取值为1、2、3、4、5、6，每个取值发生的概率为1/6。
对于连续型随机变量，其取值在一个区间内，并且每个取值的概率为0。
取值区间的概率由概率密度函数给出。
如身高、体重等连续型随机变量的取值范围是无限的。
二、数学期望的定义与性质数学期望是用来描述随机变量的平均值的一个指标。
对于离散型随机变量，数学期望的定义为每个取值乘以其概率的和。
设X是一个离散型随机变量，其取值为$x_1, x_2, ..., x_n$，对应的概率为$p_1,p_2, ..., p_n$，则随机变量X的数学期望为：E(X) = x_1p_1 + x_2p_2 + ... + x_np_n$$对于连续型随机变量，数学期望的定义为随机变量X的取值乘以概率密度函数f(x)的积分。
设X是一个连续型随机变量，其概率密度函数为$f(x)$，则随机变量X的数学期望为：$$E(X) = \int xf(x)dx$$数学期望具有线性性质，即对于常数a和随机变量X、Y，有：$$E(aX + bY) = aE(X) + bE(Y)$$三、方差的定义与性质方差是用来描述随机变量离散程度的一个度量。
方差的定义为随机变量与其数学期望之差的平方的数学期望。
设X是一个随机变量，其数学期望为μ，则随机变量X的方差为：$$Var(X) = E[(X - \mu)^2]方差的开方称为标准差，用来度量随机变量的离散程度。
期望方差协方差
随机变量的数字特征一、数学期望E（x)的性质：性质一：常数C，E（C)=C;性质二：X为随机变量，C为常数，则E(CX）=CE（X)；性质三：X，Y为随机变量，则E(X+Y)=E(X)+E(Y)；性质三：X,Y为相互独立的随机变量时，E（XY）=E（Ｘ）Ｅ（Ｙ）二、方差的性质：D(X)=E(X²）-[E(X)]²性质一：C为常数，则D(C)=0；性质二：X为随机变量，C为常数，则D(CX)=C²D(X)D(X±C)=D(X)性质三：X，Y为相互独立随机变量Ｄ（X±Y)=D(X)+D(Y)当X，Y不相互独立时：D(X±Y）=D(X)+D(Y)±2COV(X,Y);关于协方差COV（X+Y，X-Y)=D(X)-D(Y)的证明？证：由COV（X，Y）=E（XY）-E(X)E(Y) 得COV（Ｘ＋Ｙ，Ｘ－Ｙ）＝E[(X+Y)（X-Y)]-E（X+Y)E(X-Y) =E（X^2-Y^2）-{[E(X)+E(Y)][E(X)-E(Y)]}=E(X^2)-E(Y^2)-E(X)E(X)+E(Y)E(Y)=E(X^2)-E(X)E(X)-[E(Y^2)-E(Y)(Y)]=D(X)-D(Y)三、常用函数期望与方差：⑴（0-1）分布：①分布律：P{X=K}=p^k(1-p)^1-k,k=0,1,2...(0<p<1）②数学期望：p③方差：pq (q=1-p)⑵二项分布B（n,p):①分布律：P{X=K}=（n,k)p^k(1-p)n-k (k=0,1..n;n>=1,0<p<1,q=1-p)②数学期望：np③方差：npq⑶泊松分布π（λ）：①分布律：P{X=k}=(λ^k *e^(-λ))/k! (k=0,1,2...;λ>0)②数学期望：λ③方差：λ⑷均匀分布U（a,b):①分布律：f(X)=1/(b-a), a<x<b; f(X)=0,x∈其他值时②数学期望：（a+b）/2③方差：（b-a)²/12⑸指数分布E（λ）：①分布律：f(X)=λe^(-λ), X>0; f(X)=0, X≦0;②数学期望：1/λ③方差：1/λ²⑹正态分布N（μ，ρ²）①分布律：f(x)=1/﹙√2π *ρ)*e^(-(x-μ)²/(2ρ²)),(-∞<x<+∞,ρ>0)②数学期望：μ③方差：ρ²四、切比雪夫不等式：随机变量的数学期望E(x)与方差D(x)存在，则对于任意整数ε，不等式：P{|X-E(X)|≥ε}≤D(X)/ε²成立。
随机变量的数学期望与方差
随机变量的数学期望与方差随机变量是概率论和统计学中的重要概念，用来表示随机试验的结果。
在研究随机变量时，我们常常关注它们的数学特征，其中最常用的指标是数学期望和方差。
一、数学期望数学期望是描述随机变量平均取值的一个指标，记作E(X)。
对于离散型随机变量，数学期望的计算公式为：E(X) = ∑(x * P(X = x))其中，x 表示随机变量可能的取值，P(X = x)表示随机变量取值为 x 的概率。
通过这个公式，我们可以计算出随机变量的平均取值。
例如，假设我们抛一枚公平的硬币，正面为1，反面为0。
随机变量 X 表示硬币正面朝上的次数，那么 X 的所有可能取值及其概率为：X = 0，P(X = 0) = 1/2X = 1，P(X = 1) = 1/2根据数学期望的计算公式，我们可以计算得到该随机变量的数学期望为：E(X) = 0 * 1/2 + 1 * 1/2 = 1/2这意味着，在多次独立重复抛硬币的实验中，硬币正面朝上的平均次数大约为 1/2。
对于连续型随机变量，数学期望的计算公式稍有不同，可以使用积分的方法计算。
二、方差方差是描述随机变量取值分散程度的一个指标，记作Var(X)或σ²。
对于离散型随机变量，方差的计算公式为：Var(X) = ∑((x - E(X))² * P(X = x))其中，x 表示随机变量可能的取值，E(X)表示随机变量的数学期望，P(X = x)表示随机变量取值为 x 的概率。
通过这个公式，我们可以计算出随机变量的方差。
方差的计算公式可以拆解为方差等于随机变量与数学期望的偏差的平方乘以概率的和。
这意味着方差可以用来衡量随机变量的取值与其期望值之间的差异程度。
例如，我们继续以抛硬币的例子来说明方差的计算过程。
在之前的例子中，我们已经计算出随机变量 X 的数学期望为 1/2。
现在，我们可以使用方差的公式来计算方差：Var(X) = (0 - 1/2)² * 1/2 + (1 - 1/2)² * 1/2 = 1/4这意味着在多次独立重复抛硬币的实验中，硬币正面朝上的次数与其期望值的差异程度可以用方差 1/4 来描述。
连续型随机变量的数学期望与方差
(1)D( )
E[
E( )]2
[x
E( )]2
p( x)dx
(2)方差的简便计算公式
D( )=E（ 2） E（2 ）
x2 p(x)dx
x p( x)dx
例2 随机变量的概率密度函数
6x(1 x)，当0 x 1
p(x)
0
当x 0或x 1时
求随机变量的方差。
12
4、方差的性质 设 k ,b,c均为常数，则有
E( ) xp(x)dx
15
2、数学期望的性质
(1)EaX b aEX b
(2)EaX aEX
(3)EX b EX b
(4)Eb b
(5)EX Y EX EY
(6)E( f ( )) f (x)p(x)dx
(6)E f ( ) f (xk )PK
k
16
（二）连续型随机变量ξ取值的方差
(1)D(c) 0
(2)D(k ) k 2D( ) (3)D( b) D( )
(4)D(k b) k 2D( )
13
下页
三、练习
• 课本第90页 第6题
14
四、小结 （一）连续型随机变量ξ取值的数学期望
1、连续型随机变量的数学期望的定义 p(x) 设连续型随机变量 的密度函数为
若积分 xp(x绝)d对x 收敛，则 的数学期望为：
x0 x1 x2 L xn
xi xi1 xi
b i
【xi
,
xi
）
+1
y p(x)
o
x0b0 x1 xi bi xi1
xn x
6
连续型随机变量ξ的概率分布
ξ 【x0 , x1）【x1, x2）
随机变量的数学期望与方差
| x | 2
2
f ( x)dx
f ( x)dx
2
| x |
| x |
2 2 ( x ) f ( x)dx 2
1
切比雪夫不等式也可以写成 2 P(| X | ) 1 2
注意点
在概率论中" X E( X ) " 称为大偏差.
2
1
3
2
0
1
= 7/6 Var(X) = E(X2)[E(X)2] = 7/6 1 = 1/6
课堂练习
设
则方差 Var(X)=(
)。
随机变量的标准化
X E( X ) 设 Var(X)>0, 令 Y Var( X )
则有 E(Y)=0, Var(Y)=1. 称 Y 为 X 的标准化.
例2.2.3
e x , 设X的密度函数为f ( x) 0, 解： 依题意, X的概率密度为
e x , f ( x) 0,
x0 , 求E ( X ) x0
x0 x0
于是有
E ( X ) xf ( x)dx xex dx
其概率 P X E ( X ) 称为大偏差发生的概率。
例2.3.2 xn x e x0 p( x ) n ! 设 X~
0
证明 P(0 X 2(n 1))
x0
n n 1
xn x 证明: E(X) = x e dx 1 (n 2) = n+1 0 n! n! xn x 2) = x 2 e dx 1 (n 3) = (n+1)(n+2) E(X 0 n! n! 所以, Var(X) = E(X2)(EX)2 = n+1, 由此得
概率论中的期望与方差计算技巧
概率论中的期望与方差计算技巧概率论是数学中的一个重要分支，它研究的是随机事件的规律性。
在概率论中，期望和方差是两个重要的概念，它们能够帮助我们描述和分析随机变量的特征和变异程度。
本文将介绍一些计算期望和方差的技巧，帮助读者更好地理解和应用概率论。
首先，我们来了解一下期望的概念。
在概率论中，期望是随机变量的平均值，它是对随机变量取值的加权平均。
对于离散型随机变量，期望的计算公式为：E(X) = ΣxP(X=x)其中，X表示随机变量，x表示随机变量的取值，P(X=x)表示随机变量取值为x的概率。
这个公式的意义是，将每个取值乘以其对应的概率，然后将所有结果相加，即可得到期望。
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)表示随机变量的概率密度函数。
这个公式的意义是，将每个取值乘以其对应的概率密度，然后对所有结果进行积分，即可得到期望。
接下来，我们来讨论一下方差的计算技巧。
方差是用来衡量随机变量的离散程度的指标，它表示随机变量与其期望之间的差异。
方差的计算公式为：Var(X) = E[(X-E(X))^2]其中，E(X)表示随机变量的期望。
这个公式的意义是，将随机变量与其期望的差值平方，然后对所有结果进行加权平均，即可得到方差。
在实际计算中，计算期望和方差可能会遇到一些复杂的情况。
下面，我们将介绍一些常见的计算技巧，帮助读者更好地应用概率论。
首先，对于独立随机变量的期望和方差计算，可以利用期望和方差的性质进行简化。
如果X和Y是独立随机变量，那么它们的期望和方差的计算可以分别简化为：E(X+Y) = E(X) + E(Y)Var(X+Y) = Var(X) + Var(Y)这个性质在实际计算中非常有用，可以简化复杂问题的求解过程。
其次，对于二项分布和泊松分布的期望和方差计算，可以利用分布的特性进行简化。
对于二项分布，期望和方差的计算公式为：E(X) = npVar(X) = np(1-p)其中，n表示试验次数，p表示每次试验成功的概率。
随机变量的数学期望与方差
随机变量的数学期望与方差随机变量在概率论中具有重要地位，它描述了随机事件的变化规律，数学期望和方差是衡量随机变量分布的重要指标。
一、数学期望数学期望是对随机变量取值的平均值的度量，记作E(X)，其中X为随机变量。
数学期望可以理解为长期重复试验中，随机变量取值的平均结果。
对于离散型随机变量，数学期望的计算公式为：E(X) = ∑(x * P(X=x))其中x为随机变量的取值，P(X=x)为该取值发生的概率。
对于连续型随机变量，数学期望的计算公式为：E(X) = ∫(x * f(x))dx其中f(x)为随机变量的概率密度函数。
二、方差方差是随机变量取值分散程度的度量，记作Var(X)或σ^2，其中X为随机变量。
方差描述的是随机变量取值与其数学期望之间的偏离情况。
对于离散型随机变量，方差的计算公式为：Var(X) = ∑((x - E(X))^2 * P(X=x))其中x为随机变量的取值，E(X)为该随机变量的数学期望。
对于连续型随机变量，方差的计算公式为：Var(X) = ∫((x - E(X))^2 * f(x))dx其中f(x)为随机变量的概率密度函数。
三、应用举例为了更好理解数学期望与方差的作用和计算方法，下面以骰子为例进行说明。
假设我们有一个六面骰子，其取值范围为1到6，每个面出现的概率相等。
我们可以定义骰子的随机变量X表示投掷后骰子的结果。
1. 计算数学期望：E(X) = (1 * 1/6) + (2 * 1/6) + (3 * 1/6) + (4 * 1/6) + (5 * 1/6) + (6 * 1/6) = 3.5所以，这个六面骰子的数学期望为3.5，即在长期重复的投掷中，平均每次的点数是3.5。
2. 计算方差：Var(X) = ((1-3.5)^2 * 1/6) + ((2-3.5)^2 * 1/6) + ((3-3.5)^2 * 1/6) + ((4-3.5)^2 * 1/6) + ((5-3.5)^2 * 1/6) + ((6-3.5)^2 * 1/6) ≈ 2.92所以，这个六面骰子的方差为2.92，即在长期重复的投掷中，每次投掷结果与平均值3.5偏离的程度。
随机变量的期望与方差知识点
随机变量的期望与方差知识点统计学中的随机变量是指在一次试验中可以取得不同数值的变量。
对于随机变量，我们常常关注它的期望与方差，这些是描述随机变量性质的重要指标。
本文将介绍随机变量的期望与方差的概念、计算方法以及它们的实际含义。
一、随机变量的期望随机变量的期望是一个数学期望值，用来衡量随机变量的平均取值水平。
对于离散型随机变量X，其期望的计算公式为：E(X) = Σ[x * P(X=x)]其中Σ 表示求和，x 表示随机变量X可以取到的值，P(X=x) 表示随机变量X取到值x的概率。
对于连续型随机变量X，其期望的计算公式为：E(X) = ∫ [x * f(x)]dx其中∫ 表示积分，x 表示随机变量X可以取到的值，f(x) 表示X的密度函数。
期望的计算方法可以帮助我们了解随机变量的平均取值水平。
例如，在某个游戏中，随机变量X表示一次投掷骰子的结果。
假设骰子是均匀的，那么它的每个面出现的概率都是1/6。
我们可以通过计算期望来了解投掷骰子的平均结果是多少。
二、随机变量的方差随机变量的方差是衡量随机变量取值的离散程度，它描述了随机变量偏离期望的程度。
方差的定义如下：Var(X) = E[(X-E(X))^2]其中 E(X) 表示随机变量X的期望。
方差的计算方法可以帮助我们了解随机变量取值的离散程度。
对于同样表示投掷骰子结果的随机变量X，假设我们想知道投掷10次骰子的结果的离散程度。
我们可以通过计算方差来了解。
三、随机变量期望与方差的实际含义随机变量的期望和方差都是对随机变量的性质进行描述的重要指标。
它们不仅有着严格的数学定义，也有着实际的含义。
期望是描述随机变量的平均取值水平，它可以用来预测随机变量的未来表现。
例如，在股票市场中，可以用过去的股价数据计算股票未来收益的期望，帮助投资者做出投资决策。
方差是描述随机变量取值离散程度的指标，它可以用来评估随机变量的风险。
例如，在金融领域中，可以利用方差来衡量投资组合的风险。
- 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、"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、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)。
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 use2．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 use5．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27.1100213100172100301100320=⨯+⨯+⨯+⨯ 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。
解 设试开次数为X ，则n k X p 1)(==，n , ,2 ,1 =k于是 ∑=⋅=n k n k X E 11)(2)1(1n n n+⋅=21+=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)(dx x X x p +≤<=⎰+dxx x dx t f )(dx x f )(≈由于区间] , (dx x x +的长度非常小，随机变量X 在] , (dx x x +内的全部取值都可近似为x ，而取值的概率可近似为dx x f )(。
参照离散随机变量数学期望的定义，我们可以引入连续随机变量数学期望的定义。
定义2 设X 是连续随机变量，其密度函数为)(x f 。
如果⎰∞∞-dx x f x )(||收敛，定义连续随机变量X 的数学期望为⎰∞∞-=dx x f x X E )()( 也就是说,连续随机变量的数学期望是一个绝对收敛的积分。
由连续随机变量数学期望的定义不难计算：若),(~b a U X ，即X 服从), (b a 上的均匀分布,则2)(b a X E += 若X 服从参数为的泊松分布，则λλ=)(X E若X 服从则 ),,(2σμNμ=)(X E3.随机变量函数的数学期望设已知随机变量X 的分布，我们需要计算的不是随机变量X 的数学期望，而是X的某个函数的数学期望，比如说)(X g 的数学期望，应该如何计算呢？这就是随机变量函数的数学期望计算问题。
一种方法是，因为)(X g 也是随机变量，故应有概率分布，它的分布可以由已知的X 的分布求出来。
一旦我们知道了)(X g 的分布，就可以按照数学期望的定义把)]([X g E 计算出来，使用这种方法必须先求出随机变量函数)(X g 的分布，一般是比较复杂的。
那么是否可以不先求)(X g 的分布，而只根据X 的分布求得)]([X g E 呢？答案是肯定的，其基本公式如下：设X 是一个随机变量，)(X g Y =，则⎪⎩⎪⎨⎧==⎰∑∞∞-∞=连续离散X dx x f x g X p x g X g E Y E k k k ,)()(,)()]([)(1 当X 是离散时, X 的概率函数为 ,2 ,1 ,)()(====k P x X P x P K K k ；当X 是连续时，X 的密度函数为)(x f 。
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数学期望带来很大方便。
4.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+=+。
推广到n 个随机变量有∑∑===ni i n i i X E X E 11)(][。
（4）设X 、Y 相互独立，则有 E (XY )=E (X )E (Y )。
推广到n 个随机变量有 ∏∏===ni i n i i X E X E 11)(][5.数学期望性质的应用例2 求二项分布的数学期望。
解 若 ),(~p n B X ，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。
若设⎩⎨⎧=次试验失败如第次试验成功如第i i X i 01 i =1,2，…，n 则n X X X X +++= 21，因为 P X P i ==)1(，q P X P i =-==1)0(所以p p q X E i =*+*=10)(，则=)(X E np X E X E ni i n i i ==∑∑==11)(][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 。
需要指出，不是所有的随机变量都存在数学期望。
例3 设随机变量X 服从柯西分布,概率密度为 +∞<<-∞=+x x f x ,)()1(12π 求数学期望)(X E 。
解 依数学期望的计算公式有 dx X E x x⎰+∞∞-+=11)( 因为广义积分dx x x⎰+∞∞-+12不收敛，所以数学期望)(X E 不存在。
§3.2 方差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，是随机变量一个重要的数字特征。
但是在一些场合下，仅仅知道随机变量取值的平均值是不够的，还需要知道随机变量取值在其平均值附近的离散程度，这就是我们要学习的方差的概念。
1. 方差的定义定义3 设随机变量X 的数学期望)(X E 存在，若]))([(2X E X E -存在，则称]))([(2X E X E - (3.1)为随机变量X 的方差，记作)(X D ，即]))([()(2X E X E X D -=。
方差的算术平方根)(X D 称为随机变量X 的标准差，记作)(X σ，即)()(X D X =σ由于)(X σ与X 具有相同的度量单位，故在实际问题中经常使用。
方差刻画了随机变量的取值对于其数学期望的离散程度，若X 的取值相对于其数学期望比较集中，则其方差较小；若X 的取值相对于其数学期望比较分散，则方差较大。
若方差)(X D =0，则随机变量X 以概率1取常数值。
由定义1知，方差是随机变量X 的函数2)]([)(X E X X g -=的数学期望，故⎪⎩⎪⎨⎧--=⎰∑∞∞-∞=连续时当离散时当X dx x f X E x p X E x X D k k k k ,)()]([X ,)]([)(212 当X 离散时, X 的概率函数为 ,2 ,1 ,)()(====k P x X P x P K K k ；当X 连续时，X 的密度函数为)(x f 。
计算方差的一个简单公式：22)]([)()(X E X E X D -=证22222)]([)(])]([)(2[]))([()(X E X E x E X XE X E X E X E X D -=+-=-=请用此公式计算常见分布的方差。
例4 设随机变量X 服从几何分布，概率函数为1)1(--=k k p p P , k =1,2,…,n其中0<p <1，求)(X D 。
解 记q =1-p∑∞=-=11)(k k kpqX E ∑∞==1)'(k k q p ∑∞==1)'(k k q p )'1(q q p -=p 1= ∑∞=-=1122)(k k pqk X E ])1([1111∑∑∞=-∞=-+-=k k k k kq q k k p ∑∞=''=1)(k k q qp +E (X ) p q q qp 1)1(+''-=p q qp 1)1(23+-=pp q 122+= 22)]([)()(X E X E X D -=22pp -=21p -21p p -= 2. 方差的性质（1）设C 是常数,则D (C )=0。
（2）若C 是常数,则)()(2X D C CX D =。
（3）若X 与Y 独立，则)()()(Y D X D Y X D +=+。
证 由数学期望的性质及求方差的公式得{}{})()()]([)()]([)()()(2)]([)]([)()(2)()()]()([]2[)]([])[()(2222222222222Y D X D Y E Y E X E X E Y E X E Y E X E Y E X E Y E X E Y E x E XY Y X E Y X E Y X E Y X D +=-+-=---++=+-++=+-+=+ 可推广为：若1X ,2X ，…，n X 相互独立，则∑∑===ni i n i i X D X D 11)(][∑∑===ni i i n i i i X D C X C D 121)(][（4） D (X )=0 ⇔P (X = C )=1， 这里C =E (X )。