概率4.1随机变量的数学期望.ppt

概率论 概率论 §4.1 随机变量的数学期望 随机变量的数学期望 数学期望的性质 随机变量函数的数学期望 课堂练习 小结 布置作业 在前面的课程中，我们讨论了随机变量及其分布，只要知道了随机变量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. 有时一些实际应用中，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. 在这些数字特征中，最常用的是 数学期望、方差、协方差和相关系数 一、随机变量的数学期望 1、概念的引入： 例1 X是从1、2、1、3、1、2中任取得一个数， X的分布如下，如何定义X的平均值呢？ X 1 2 3 P 3/6 2/6 1/6 设X取值N次，其中1、2、3出现的次数分别为n1、n2、n3 当N很大时，频率接近于概率，X的平均值时，用概率代替频率，得平均值为 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 . X 0 1 2 Pi 0.6 0.3 0.1 定义1 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，又称为均值。 即 随机变量X的数学期望，记为 , 例2 解：X的分布律为 定义2 设X是连续型随机变量，其密度函数为 f (x),如果积分 绝对收敛,则称此积分值为X的数学期望, 即 注意 : 连续型随机变量的数学期望是一个绝对收敛的积分. 设X是连续型随机变量，其密度函数为f (x),在数轴上取很密的分点x0 x1x2 …,则X落在小区间[xi, xi+1)的概率是 小区间[xi, xi+1) 阴影面积近似为 由于xi与xi+1很接近, 所以区间[xi, xi+1)中的值可以用xi来近似代替. 这正是 的渐近和式. 近似, 因此X与以概率 取值xi的离散型r.v 该离散型r.v 的数学期望是 小区间[xi, xi+1) 阴影面积近似为 例3 例4 常见分布的数学期望 四、数学期望的性质 1. 设C是常数，则E(C)=C; 5. 设X、Y 相互独立，则 E(XY)=E(X)E(Y); 2. 若k是常数，则E(kX)=kE(X); 3. E(X+Y) = E(X)+E(Y); 请注意:由E(XY)=E(X)E(Y)不一定能推出X,Y 独立 设X、Y 相互独立， 四、随机变量函数的数学期望 1. 问题的提出： 设已知r.v.X的分布，计算X的函数g(X)的期望; 一种方法是，因为g(X)也是随机变量，故由X的分布求出g(X)的分布，就可以按期望的定义计算E[g(X)]. 求随机变量函数g(X)分布一般是比较复杂的 . 那么是否可以不求g(X)的分布而只根据X的分布求得E[g(X)]呢？ (1) 当X为离散型时,它的分布律为P(X= xk)=pk ; (2) 当X为连续型时,它的密度函数为f(x).若 定理 设Y是随机变量X的函数:Y=g (X) (g是连续函数) 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. (1)若二维连续型r.v.( X ,Y )的概率密度为f(x,y)，则 设Z是r.v.X ,Y 函数Z=g(X,Y)，g是连续函数,则 (2)若二维离散型r.v.( X ,Y )的概率分布为 例5 解： 一个样品的价值为Y=5-0.5X ,求E(Y) 某矿物的一个样品含有杂质的比例为X， 其概率密度为 例6 解： 求E(X) , E(XY) 五、数学期望的应用 例7 若 X~B(n,p)，求X的数学期望 . i=1,2，…，n 则 X= X1+X2+…+Xn 因为 P(Xi =1)= p, 可见，服从参数为n和p的二项分布的随机变量X的数学期望是 n p. 例8 （风险型决策模型）某渔船要对下个月是否出海打鱼作出决策，如果出海后是好天，可获收益5000元，若出海后天气变坏，将损失2000元；若不出海，都要损失1000元，据预测下个月好天的概率为0.6，天气变坏的概率为0.4，应如何选择最佳方案？ X 5000 2000 P 0.6 0.4 例9 明星片利润计算1994年中国邮政有奖明星片一组编号000001到9999