概率论与数理统计李云龙 5.1 数学期望新.ppt

5.1 随机变量的数学期望 * * 在前面的课程中，我们讨论了随机变量及其分布，若已知r.v.X的分布函数(或分布律、密度函数)，那么能完整地描述 r.v.X的统计特性。但是在一些实际应用中，人们并不需要知道随机变量的一切概率性质以及分布函数，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,确定某些数字特征是重要的 .而数字特征中最常用的是数学期望、方差。 例如判断棉花质量时，既看纤维的平均长度,又要看纤维长度与平均长度的偏离程度.平均长度越长,偏离程度越小,质量就越好. 考察一射手的水平,既要看他的平均环数是否高,还要看他弹着点的范围是否小,即数据的波动是否小. 离散型随机变量的数学期望 连续型随机变量的数学期望 随机变量函数的数学期望 数学期望的性质 随机变量某一方面的概率特性都可用数字来描写 r.v.X的平均取值——数学期望 r.v.X的取值平均偏离均值的情况 —————方差 本 章 内 容 一、离散型随机变量的数学期望 1、概念的引入： 引例：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的平均值呢？ 我们先观察小张100天的生产情况 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; 可以得到这100天中 每天的平均废品数为 这个数能否作为 X的平均值呢？ （假定小张每天至多出现三件废品 ） 2、定义 设X是离散型随机变量，它的分布律是: P{X=xk}=pk , k=1,2,… 注意：离散型随机变量的数学期望是一个绝对收敛的级数的和。数学期望简称期望，亦称为均值。 若级数 绝对收敛， 则称级数和 即 为随机变量X的数学期望，记为 例1 0.8 0.2 0 P 2 1 0 0.1 0.3 0.6 P 2 1 0 例2 某种产品即将投放市场，根据市场调查估计每件产品有60%的把握按定价售出，20%的把握打折售出及20%的可能性低价甩出。上述三种情况下每件产品的利润分别为5元，2元和-4元。问厂家对每件产品可期望获利多少？ 解: 设X表示一件产品的利润(单位:元),X的分布律为 0.2 0.2 0.6 P -4 2 5 X X的数学期望: 虽然任一件产品投放市场都有亏损的风险，但每件产品的平均利润为2.6元，还是有利可图的。 课堂练习 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, 于是 E(X) P(X=k)=1/n,k=1, 2, …, n 3、常见离散型分布的期望: 0-1,B(n,p),P(λ) (1)0-1分布 E(X)=0×(1-p)+1×p=p (2)二项分布B(n, p) p 1-p P 1 0 X (3)泊松分布P(λ) 定义：设X是连续型随机变量，其密度函数为 f(x)， 如果广义积分 绝对收敛，则称此积分为X的数学期望, 即 注意 : 连续型r.v.的数学期望是一个绝对收敛的积分; 数学期望的本质是加权平均,它是一个数不再是 r.v. 二、连续型随机变量的数学期望 例3 例4 设随机变量X的密度函数为 (1) 2、常见连续型分布的期望 (2)指数分布X～E(λ) X的密度函数为 X的数学期望为 (3) 正态分布X～ N(?, ?2) 常见 r.v. X的数学期望 分布类型 期望 分布律 0-1 p B(n,p) np P(?) ? 分布类型 期望 密度函数 区间(a,b)上的 均匀分布 E(?) N(?,? 2) 注意：不是所有的 r.v.都有数学期望。 反例：柯西(Cauchy)分布的密度函数为 但 发散 它的数学期望不存在! 三、随机变量函数的数学期望 1. 问题的提出： 设已知随机变量X的分布，我们需要计算的不是X的期望，而是X的某个函数的期望，比如说g(X)的期望. 那么应该如何计算呢？ 一种方法是，因为g(X)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g(X)的分布，就可以按照期望的定义把E[g(X)]计算出来. 例5 设随机变量X的分布律为 解: 求随机变量Y=X2的数学期望。 X P -1 0 1 Y P 1 0 那么是否可以不先求g