[理学]lec10 随机变量的数字特征.ppt

 随机变量的数字特征 第十讲 大纲  随机变量的数字特征 期望 方差 两个随机变量的协方差和相关系数 随机变量的矩 随机变量的数字特征  对于离散型随机变量，我们可以作出它的概率分布图，对于连续型随机变量，可以作出它的概率密度图，这些都非常类似于在描述统计中学到的频率或频数分布图 这意味着对于随机变量，我们也可以像研究数据那样，用类似于平均数、方差这样的数字特征来刻画它们的分布 二项分布：曾经讨论过分布的偏态性 随机变量的数学期望 设X是离散型随机变量，X 取值x1, x2, ···, xi, ···其相应的概率为p1, p2, ···, pi, ···, 则称 为X的数学期望 若X是连续型随机变量，有概率密度函数f(x)，则称 为X的数学期望 理解连续型随机变量的数学期望 令xi 为无限分割后区间[xi-1, xi] 的组中值 回忆一下运用分组资料计算平均数的公式： 当△ xi → 0时， xi → xi 对上式求极限，并运用定积分的定义得到： 更加直观的理解 对期望的解释 随机变量的数学期望就是随机变量所有可能取值的加权平均数，形式上类似于我们前面学过的一组数字的算术平均数 数学期望是用概率加权，而一般平均数用频率加权 一般平均数说明的是实际存在的平均水平，数学期望反映的则是预期的平均结果 因为概率是一种事前的预期，所以用概率加权得到的数学期望是事前预期的平均数，而非实际存在的平均水平 例 某国际旅行团规定每位旅客须参加意外险，保险赔付额是每位旅客$10000。假如每次旅游发生事故的概率为1/200，则平均的保费应是多少？ 保险公司付给每位旅客$10000的概率是0.005。令X代表保险公司付给旅客的赔付金，则X的概率分布为：  则X的数学期望值为： E（X）=0×0.995+10000×0.005=$ 50 X 10000 0 p 0.05 0.95 随机变量函数的期望 设随机变量Y是随机变量X的函数：Y=g(X) X为离散型随机变量，其概率分布为p(X = xi) = p(xi) X为连续型随机变量，其概率分布为 f (x) 例 市场上对某种产品每年需求量为 X 吨，X ~ U[2000,4000]，每出售一吨可赚3万元，售不出去，则每吨需仓库保管费1万元，问应该生产这中商品多少吨，才能使平均利润最大？ 设每年生产 y 吨的利润为 Y 显然，2000 y 4000 y=3500 时, E(Y )最大, E (Y )= 8250万元 应用：期望效用理论 彩票：一种风险的描述方法 s种可能的结果X=(x1, x2, …, xs) 每种结果出现的概率p=(p1, p2, …, ps) 记彩票 例：体育彩票 有两个可能的结果：中奖得到1万元，不中奖得到0 中奖的概率为0.1% 期望效用 期望效用函数 机会的效用函数、风险的效用函数 冯.纽依曼-摩根斯坦恩(VNM)期望效用函数 三类风险效用函数：u(w)为确定收入的效用函数 线性 凹性 凸性 风险态度 风险规避(厌恶)者 效用函数u(w)是凹的 机会的效用小于该机会带来的期望结果的效用 数学期望的性质 E(c) = c E(kX) = kE(X) E(kX+b) = kE(X) + b E(X+Y) = E(X) + E(Y) 若X和Y相互独立，则E(X·Y) = E(X) · E(Y) 独立：设(X,Y )为二维随机变量，若对任何实数 x, y 都有 E(X·Y) = E(X) · E(Y)并不保证X和Y相互独立 随机变量的方差 方差反映的是随机变量偏离数学期望的程度，它是随机变量所有可能取值与其数学期望的离差平方的数学期望，即用概率加权的平均离差平方。 在描述统计学中，我们学过的总体方差是一组资料中各数值与其算术平均数离差平方的平均数。即 在概率论中，我们则是通过概率加权来进行平均的 设X是一随机变量，若E[X－E(X)]2 存在，则称它为X的方差，记作： D(X) =E[X－E(X)]2 为均方差或标准差 若X为离散随机变量，则 若X为连续随机变量，则 方差与风险 方差反映的是随机变量偏离其数学期望的程度，是用概率加权的离差平方 随机变量的方差反映的是风险和不确定性大小 风险是指人们预期的收益与实际收益之间的差异，这种差异既来自客观世界的不确定性（即外在的不确定性），也来自人们对客观世界的认识能力的局限性（通常意义的内在不确定性）。 不确定性是指事物运行过程中随机性、偶然性的变化或不可预测的趋势 方差的性质 D(C) = 0 D(aX) = a2D(X) D(aX+b ) =