§数学期望解读.pptVIP

* * 随机变量及其分布全面刻画了随机变量的统计规律. 然而由此决定的具有某些特征的数字, 我们称之为数字特征, 对描述随机变量的某些性态、特征更直观、更方便. 第四章 随机变量的数字特征 我们首先介绍随机变量的 数学期望. 在这些数字特征中, 最常用的是数学期望、方差 随机变量的数学期望是概率论中最重要的概念之一. 它的定义来自习惯上的平均值的概念. 我们首先介绍离散型随机变量的数学期望 §4.1、数学期望 1. 引例： 一. 离散型随机变量的数学期望 若统计 100 天, 例1 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？ 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？ 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. n0 天没有出废品; n1 天每天出一件废品; n2 天每天出两件废品; n3 天每天出三件废品. 可以得到 n 天中每天的平均废品数为 (假定小张每天至多出三件废品) 一般来说, 若统计 n 天, 这是以频率为权 的加权平均 由频率和概率的关系 不难想到，在求废品数 X 的平均值时，用概率代替 频率，得平均值为 这是以概率为权 的加权平均 这样得到一个确定的数. 我们就用这个数作为随机变量 X 的平均值 . 由此引入离散型 r.v. X 的数学期望的定义如下: 2. 定义1. 设 X 是离散型随机变量，它的 概率函数是: P(X=xk)=pk , k=1, 2, … 也就是说, 离散型随机变量的数学期望是一个绝对收敛的级数的和. 如果 收敛, 定义 X 的数学期望 二. 连续型随机变量的数学期望 定义2. 设 X 是连续型随机变量，其密度函数 为 f (x), 如果 有限, 定义 X 的数学期望为: 也就是说, 连续型随机变量的数学期望是一个绝对收敛的积分. 若 X~ (0,1)-p, 若 X~P(λ) 则: E(X)=1.p+0.(1-p)= p 由随机变量数学期望的定义, 不难计算得到 常见分布的数学期望： 若 X~U(a,b), 若 X ~ e (λ) 若 X~N(μ,σ2), 例2 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. P(X=k)= 1/n , k=1, 2, …, n E(X) 于是 三、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 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？ 如何计算随机变量函数的数学期望? 一种方法是，先求出随机变量函数的分布, 然后按照数学期望的定义把随机变量函数的计算出来. 使用这种方法必须先求出随机变量函数的分布,一般是比较复杂的 . 那么是否可以不用计算随机变量函数的分布, 而只根据原随机变量的分布求得随机变量函数的分布呢？ 我们有如下的基本公式: 定理1 设 X 是一个随机变量, Y=g(X)，则 当 X 为离散型时, P(X= xk)=pk ; 当 X 为连续型时, X 的密度函数为 f(x). 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期望带来很大方便. 定理1 的结论可推广到二维随机变量的情形: 定理2 设 (X,Y) 是二维随机变量, Z=g(X,Y), 则 当 (X,Y) 为离散型时, P(X= xi,Y=yj)=pij ; 当 (X,Y) 为连续型时, 联合密度函数为 f(x,y). 例3 若某家电商场对某种电器的需求量为 X, 且X~U[200, 400], 商场售出1台, 可赚300元, 若售不出, 则需保管费100元. 问应组织多少货源, 商场才能使收益的期望值最大 解: 设应组织货源 n台, 收益 Y 元. 所以 n=350台