概率论 第22讲.pptVIP

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. 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 1、概念的引入： 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？ 某电话交换台每天8:00-9:00收到的呼叫数X是一个随机变量. 如何定义X的平均值即该交换台每天8:00-9:00收到的平均呼叫数呢？ 我们来看第一个问题. 若统计100天, 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？ 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？ 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, 则对X作一系列观察(试验)，所得X的试验值的平均值也是随机的. 由此引入离散型r.vX的数学期望的定义如下: 对于一个随机变量，若它可能取的值是X1,X2, …, 相应的概率为 p1,p2, …, 但是，如果试验次数很大，出现Xk的频率会接近于pk，于是可期望试验值的平均值接近 定义1 设X是离散型随机变量，它的概率函数是: P(X=Xk)=pk , k=1,2,… 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. 如果 有限,定义X的数学期望 例1 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 定义2 设X是连续型随机变量，其密度函数 为 f (x),如果 有限,定义X的数学期望为 也就是说,连续型随机变量的数学期望是一个绝对收敛的积分. 二、连续型随机变量的数学期望 若X~U(a,b),即X服从( a,b)上的均匀分布,则 若X服从 若X服从参数为 由随机变量数学期望的定义，不难计算得： 这意味着，若从该地区抽查很多个成年男子，分别测量他们的身高，那么，这些身高的平均值近似是1.68. 已知某地区成年男子身高X~ 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？ 下面的基本公式指出，答案是肯定的. 类似引入上述E(X)的推理，可得如下的基本公式: 设X是一个随机变量，Y=g(X)，则 当X为离散型时,P(X= xk)=pk ; 当X为连续型时,X的密度函数为f(x). 推广到两个以上r.v的基本公式，见教材. 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. 将g(X)特殊化，可得到各种数字特征: 其中 k 是正整数. 四、数学期望的性质 1. 设C是常数，则E(C)=C; 4. 设X、Y独立，则 E(XY)=E(X