第四章数学期望研讨.ppt

§4.1 数学期望 一、离散型随机变量的数学期望 二、连续型随机变量的数学期望 三、随机变量函数的数学期望 四、数学期望的性质 五、小结 这一讲，我们介绍了随机变量的数学期望，它反映了随机变量取值的平均水平，是随机变量的一个重要的数字特征. 小结 * 第四章 随机变量的 数字特征 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的分布函数，那么X的全部概率特征也就知道了. 然而，在实际问题中，分布函数一般是较难确定的. 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，确定某些数字特征是重要的 . 这一讲，我们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 期望和方差 一、离散型随机变量的数学期望 平均值是日常生活中最常用的一个数字特征， 它对评 判事物作出决策等具有重要作用. 例如， 某商场计划于5月1日在户外搞一次促销活动， 统计资料表明， 如果在商场内搞 可获得经济效益 3万元； 在商场外搞， 如果不遇雨天可获得12万元， 遇到雨天则带 来经济损失5万元；若前一天的天气 预报称当日有雨 的概率为40%，则商场应如何选择 促销方式？ 1.概念的引入 显然商场在该日搞促销活动预期获得的经济效益 是一个随机变量， 其概率分布为 要作出决策就要将此时的平均效益与3万元进行比较, 如何求平均效益呢？ 要客观地反映平均效益, 虑 的所有取值， 又要考虑 取每一个值时的概率， 即为 既要考 （万元）. 称这个平均效益5.2万元为随机变量 的数学期望, 2.数学期望的定义 定义 设 是离散型随机变量，其概率分布为 如果 绝对收敛， 为随机变量 的数学期望 （又称 均值） 完 则称 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. 例1 甲, 乙两人进行打靶, 所得分数分别记为 它们的分布律分别为 试评定他们的成绩的好坏. 解 我们来计算 的数学期望, 得 (分). 这意味着, 如果甲进行很多次的射击, 那么, 所 得分数的算术平均就接近 1.8, 很明显, 乙的成绩远不如甲的成绩. 完 而乙所得分数的 数学期望为 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 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？ 如何计算随机变量函数的数学期望? 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. 使用这种方法必须先求出随机变量函数g(X)的分布，一般是比较复杂的 . 那么是否可以不先求g(X)的分布而只根据X的分布求得E[g(X)]呢？ 定理1 设 是一个随机变量， 下面引入有关计算随机变量函数的数学期望的定理. 且 存 在, 于是 (1) 若 为离散型随机变量， 其概率分布为 则 的数学期望为 (2) 若 为连续型随机变量， 其概率密度为 则 的数学期望为 注：定理的重要性在于： 求 时， 不必知 道 的分布， 只需知道 的分布即可. 这给求随机变量函数的数学期望带来很大方便. 完 定理2 设 是二维随机向量， 且 存在， (1) 若 为离散型随机向量， 其概率分布 为 则 的数学期望为 (2) 若 为连续型随机向量， 其概率密度为 则 的数学期望为 注： 上述定理可推广到二维以上的情形 例3 设 的联合概率分布为: 求 解 要求 和 需先求出 和 的边缘 分布. 关于 和 的边缘分布为 则有 四、数学期望的性质 1. 设 是常数， 则 2. 若 是随机变量， 若 是常数， 则 3. E(X1+X2) = E(X1)+E(X2); 4. 设X、Y独立，则 E(XY)=E(X)E(Y); 注意:由E(XY)=E(X)E(Y) 不一定能推出X,Y独立 数学期望的性质 4. 若 是二维随机向量， 且 相互独立, 则 相互独立). 注： 推广到 维随机向量的情形， 有 2. 若 是随机变量， 若 是常数， 则 证 这里只对离散型情形进行证明， 连续型情形留 给读者. 设 的概率分布为