概率与数理统计第13讲.pptVIP

作业：127页 4.1; 4.7; 4.8； 4.9。 因此， 显然，y = 3500 时，E (Y )最大， E(Y)max =8250万元. 例9.（续） (2)同理，当y2000时，Y=3y, E(Y)=3y。 当y4000时，Y=4X-y, E(Y)=E(4X-y)=12000-y。 * 第四章.数学期望和方差 　 分布函数能够完整地描述随机变量的统计特 性，但在实际问题中，随机变量的分布函数较难 确定，而它的一些数字特征较易确定．并且在很 多实际问题中，只需知道随机变量的某些数字特 征也就够了. 　　另一方面，对于一些常用的重要分布，如二 项分布、泊松分布、指数分布、正态分布等，只 要知道了它们的某些数字特征，就能完全确定其 具体的分布。 随机变量的平均取值 —— 数学 期望 随机变量取值平均偏离平均值的 情况 —— 方差 描述两个随机变量之间的某种关 系的数 —— 协方差与相关系数 本 章 内 容 引例: 测量 50 个圆柱形零件直径（见下表） 则这 50 个零件的平均直径为 尺寸（cm） 8 9 10 11 12 数量（个） 8 7 15 10 10 50 §4.1 数学期望 换个角度看，从这50个零件中任取一个，它 的尺寸为随机变量X , 则X 的概率分布为 X P 8 9 10 11 12 则这 50 个零件的平均直径为 称之为这 5 个数字的加权平均，数学期望的 概念源于此. 定义1.1：设离散型随机变量X 的概率分布为 若无穷级数 绝对收敛，则称其和为随机变量 X 的数学期望或均值，记作 E( X )。 数学期望的定义 常见离散型随机变量的数学期望 (1) 0－1分布 这时 P(X=1)=p, P(X=0)=1-p. 故 E(X)=0×P(X=0)+1×P(X=1)= p. (2) 二项分布 X的取值为0,1,…,n. 且 P(X=k)= Cnk pk (1-p)n-k, k= 0, 1, …, n. (3)泊松分布 X的所有可能取值为0,1,2,…,且 (4)几何分布 X的可能取值为1,2,…, 且 P(X=k)= qk-1 p, k= 1,2,…. p+q=1. 注:在第三个等号中利用了等式 这可以由等式 两边同时对x求导数得到。 例1.对产品进行抽样，只要发现废品就认为这批产品不合格，并结束抽样。若抽样到第 n件仍未发现废品则认为这批产品合格。假设产品数量很大，抽查到废品的概率是 p，试求平均需抽查的件数。 解： 设X为停止检查时，抽样的件数，则X的可能取值为1,2,…,n，且 例1.（续） 定义1. 2 ：设 X 为连续型随机变量, 其密度函数为　　，若积分 绝对收敛，则称此积分为随机变量 X 的数学期望或均值，记作 E( X )。 注意：随机变量的数学期望的本质就是加权平均数，它是一个数，不再是随机变量。 (5)指数分布E(?) 随机变量X的密度为： 常见连续型分布的数学期望 定理1.1.设X的数学期望有限，概率密度f(x)关于 对称，f( +x) = f( -x)。则E(X)= 。 证明：令g(t)＝tf(t+ )，由g(-t)＝-g(-t)知g(t)是奇函数。于是， 推论1.2.若X～N( )，则 E(X)= 。 若X～U( a,b ), 则 E(X)＝(a+b)/2。 例2.设X 的概率密度为： 求E(X)。 解: 注: 由于f(x)是偶函数，由定理1.1也知E(X)=0。 注意：不是所有的随机变量都有数学期望 例如：Cauchy分布的密度函数为 但 发散 它的数学期望不存在 注：虽然f(x)是偶函数，但不能用定理1.1。 设已知随机变量X的分布，我们需要计算的不是X的数学期望， 而是X的某个函数的数学期望，比如说g(X)的数学期望. 那么应该如何计算呢？ 更一般的，已知随机向量(X1 , X2 …,Xn ) 的联合分布， Y= g(X1, X2 …,Xn ) 是 (X1 , X2 …,Xn ) 的函数, 需要计算Y 的数学期望，应该如何计算呢？ 我们下面就来处理这个问题。 §4.2 数学期望的性质 A. 随机向量函数的数学期望 设X=(X1 ,…, Xn)为离散型随机向量，概率 分布为 Z = g(X1 ,…, Xn), 若级数 绝对收敛，则 随机向量函数