概率论与数理统计14讲.pptVIP

概率论与数理统计第14讲 3.3 条件期望 例 两封信随机投向1,2,3,4四个信箱, X1,X2代表头两个信箱里的信数目, 求在第2个邮箱里有一封信条件下第一个邮箱内信数的平均数. 解 因已经计算出 对于二元离散型随机变量(X,Y), 在X取某一个定值, 比如X=xi的条件下, 求Y的数学期望, 称此期望为给定X=xi时Y的条件期望, 记作E(Y|X=xi), 有 对于二元连续型随机变量, 定义 其中f(y|x)及f(x|y)分别是在X=x条件下关于Y的条件概率密度和在Y=y条件下关于X的条件概率密度. 当然这个定义假定各式都是有意义的. 方差 例 设甲,乙两炮射击弹着点与目标的距离分别为X1,X2(为简便起见, 假定它们只取离散值), 并有如下分布律. 则两炮有相同的期望值(EXi=90,i=1,2), 但比较两组数据可知乙炮较甲炮准确.弹着点集中. 图示比较: 有两批钢筋, 每批各10根, 它们的抗拉强度指标如下: 第一批: 110, 120, 120, 125, 125, 125, 130, 130, 135, 140 第二批: 90, 100, 120, 125, 130, 130, 135, 140, 145, 145 它们的平均抗拉强度指标都是126, 但是, 使用钢筋时, 一般要求抗拉强度指标不低于一个指定数值(如115). 那么, 第二批钢筋的抗拉强度指标与平均值偏差较大, 即取值较分散, 不合格的多, 可以认为第二批比第一批质量差. 可见在实际问题中, 仅靠期望值(或平均值)不能完善地说明随机变量的分布特征, 还必须研究期离散程度. 通常人们关心的是随机变量X对期望值E(X)的离散程度. 定义 如果随机变量X的数学期望E(X)存在, 称X-E(X)为随机变量的离差. 显然, 随机变量离差的期望是零, 即 E[X-E(X)]=0 不论正偏差大还是负偏差大, 同样都是离散程度大, 为了消除离差X-E(X)的符号, 用[X-E(X)]2来衡量X与E(X)的偏差. 定义 如果X是离散型随机变量, 并且P{X=xk}=pk (k=1,2,...), 则 在数学推导中喜欢用方差D(X), 而在实际应用中则更喜欢用标准差sX ,这是因为标准差的量纲和随机变量的量纲一样, 随机变量的单位是元, 则标准差的单位也是元, 随机变量的单位是公斤, 则标准差的单位也是公斤. 对于一些测量工具的误差通常用标准差来描述, 而这是有国家标准的. 一个经验之谈, 任何随机变量在实际实验中和它的数学期望之差超过3到5倍的标准差是实际不可能的, 但数学上不承认这一点. 例如, 假设一个秤的标准差为一克, 它称一公斤的东西可能不会正好一公斤, 但决无可能是0.994公斤, 也无可能是1.006公斤. 图示, 方差大和方差小的情况 方差小 例 计算参数为p的0-1分布的方差 解 根据X的概率函数 P{X=1}=p P{X=0}=1-p=q 则E(X)=0?q+1?p=p D(X)=(0-p)2q+(1-p)2p=p2q+q2p =pq(p+q)=pq=p(1-p) E(X)=p D(X)=pq 例 计算本节开始所举甲乙两炮射击中D(X1), 及D(X2) 解 已算得E(X1)=E(X2)=90, 则 D(X1)=102?0.2+52?0.2+02?0.2+52?0.2+ 102?0.2=50 D(X2)=52?0.2+2.52?0.2+02?0.2+2.52?0.2 +52?0.2=12.5 方差的性质 常量的方差等于零 证 D(c)=E(c-Ec)2=E(c-c)2=0 (2) 随机变量与常量之和的方差就等于这个随机变量的方差本身 证 D(X+c)=E[X+c-E(X+c)]2=E[X+c-EX-c)]2 =E(X-EX)2=D(X) (3) 常量与随机变量乘积的方差, 等于这常量的平方与随机变量方差的乘积. 证 D(cX)=E[cX-E(cX)]2=E{c[X-E(X)]}2 =E{c2[X-E(X)]2}=c2DX 图示性质 图示性质 (4) 两个独立随机变量之和的方差, 等于这两个随机变量方差的和 证 D(X+Y)=E[X+Y-E(X+Y)]2 =E[X-E(X)+Y-E(Y)]2 =E{[X-E(X)]2+[Y-E(Y)]2 +2[X-E(X)][Y-E(Y)]} =E[X-E(X)]2+E[Y-E(Y)]2 +2E{[X-E(X)][Y-E(Y)]} =D(X)+D(Y) 这是因为X与Y独立, 则X-E(X)与Y-E(Y)也独立, 因此E{[X-E(X)][Y-E(Y)]} = E[X-E(X)]E[Y-E(Y)]=0 性质4可以推广到任意有限个随机变量 即, 若X1,X2