概率论与数理统计-().pptVIP

第四章 第一节 例3 设随机变量X 的概率密度为 例6 求 E ( 1 / X )。 解 某公司按季度销售某商品的量X 服从 例7（最佳决策） [2000，4000]上的均匀分布，销售1公斤获利3元，屯仓 1公斤亏损1元，为获利最大，该公司应进货多少公斤？ 解 设 S 为进货量，则 ，获得利润为 由题意可得 则平均利润为 求 S 使E( Y )最大 可得 （公斤） 上述定理还可以推广到两个或两个以上随 机变量的函数的情况。 若 绝对收敛, 若级数 绝对收敛。 例8 已知( X,Y )的分布律为 求 解 已知 的概率密度 例9 求 解 同理 一般来说， ,那么何时相等？ 看下面数学期望性质 1. 设C 是常数，则E(C )=C ; 2. 若C 是常数，则E(CX )=CE(X ); 3. 三、数学期望的性质 证明: 设 4. 设X、Y 独立，则 E(XY )=E(X )E(Y ); 证明: 设 由独立性 （当Xi 独立时） 注意:由E(XY )=E(X )E(Y )不一定能推出X,Y 独立 5.（柯西-施瓦尔兹不等式） 四、几种重要分布的数学期望 Ⅰ. X为离散型随机变量 ⑴（0—1）分布 ⑵ 泊松分布 * 例 设系统L 由两个相互独立的子系统 ⑶ 备用（当系统1损坏时，系统2开始工作）。 设 试求系统 L 的寿命Z 的概率密度。 连结而成，连接的方式分别为⑴ 串联；⑵ 并联； 的寿命分别为X ,Y ,并且 解 由题意可得 ⑴ ⑵ ⑶ 则 ⑴ ⑵ ⑶ 时 时 所以 随机变量的数字特征 一、数学期望 二、方差 三、协方差及相关系数 四、矩、协方差矩阵 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 的概率分布，那么 X的全部概率特征也就知道了. 然而，在实际问题中，概率分布一般是较难确定的. 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. 随机变量的数字特征（即用数字表示随机变量的 分布特点）， 在理论上和应用上都是有重要意义的。 本章介绍随机变量常用的数字特征： 数学期望、方差、协方差和相关系数 数学期望 第四章 二、随机变量函数的数学期望 一 、数学期望的概念 三、数学期望的性质 四、几种重要分布的数学期望 一、数学期望的概念 对于随机变量来说， 有时不仅要知道它的概率分布， 还希望知道随机变量取值的“平均”大小。 起源： 法国数学家帕斯卡（Pascal，1623—1662） 法国数学家费马（ Fermat，1601—1665） 法国军人德.梅勒（De Mere，1607—1684） 帕斯卡 德.梅勒 约定先赢5局，获全部赌金 A：4 B：3 分赌金 写信 费马 假设再赌一局 A赢获全赌金：1 A输获赌金： 1/2 A最后获赌金：1/2×1+1/2×1/2=3/4 B最后获赌金：1/2×0+1/2×1/2=1/4 期望（提前分钱） 朋友 我们来看一个引例. 引例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？ 我们先观察小张100天的生产情况 （假定小张每天至多出现三件废品 ） 1、离散型随机变量的数学期望 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？ 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 当n很大时，频率接近于概率，所以我们在求废品数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 . 注：离散型随机变量的数学期望是一个绝对收敛的 若级数 绝对收敛 。 设离散型随机变量X 的分布律为 简称期望或均值，记为 E(X). 则称此级数的和为X 的数学期望。 即 级数的和. 数学期望是随机变量的平均值，