概率论第四章ch4_1.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 的统计特征也就知道了. 然而在实际问题中，可能只关心它的某些特征，并不需要知道随机变量的概率分布情况，因而并不需要求出它的分布函数，当然如果能得到它们的概率分布就更好了。 本章我们将学习随机变量的数字特征， 包括它们的取值的均值、方差等等。 第四章 随机变量的数字特征 数学期望的概念 引例：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. (假定小张每天至多出三件废品) X={0,1，2,3}，问小张平均每天产生几个废品？ 若统计100天,可以得到这100天中平均每天的废品数为： 1 30 3 2 0 X 21 17 32 天数 一般来说,若统计n天,可以得到n天中平均每天的废品数 1 n1 3 2 0 X n3 n2 n0 天数 由频率和概率的关系： 用概率代替频率，得平均每天的次品数为 这样得到一个确定的数，它与实验次数无关，我们就用这个数作为平均每天生产的次品数，称为随机变量X 的数学期望,它表示随机变量X取值的概率平均值。 若级数 绝对收敛即取绝对值后的级数 定义1 ：设离散型随机变量X 的分布律为 离散型随机变量的数学期望 收敛，则称其为X 的数学期望，记成E(X)。 例1：完成某项任务需要的时间T (单位：天)是一个服从参数为μ=100，σ=5的正态分布的随机变量，奖金分配办法为：若在100天之内完成奖10000元，若在115天内完成奖1000元，若超过115天罚款5000元，试求完成该任务获得奖金的平均数。 解: 设随机变量Y是完成任务时的奖金数，则 于是 类似于课本P94eg4 于是 0.0013 0.4987 0.5 pk -5000 1000 10000 Y 定义2 ：设连续型随机变量X 的概率密度为 f(x),如果 绝对收敛即： 连续型随机变量的数学期望 绝对收敛，则称 为随机变量X 的数学期望。 例2：一个系统L由两个相互独立工作的元件 L1，L2 组成，它们的寿命服从同一参数 α的指数分布。若将这两个元件(1)串联；(2)并联；(3)备用三种方法连接，求整机的平均寿命。 解： (1)串联时： (2)并联时： (3)备用时： 2．常见分布的数学期望 （0-1）分布 0 1 二项分布： 令 ，则 泊松分布： 均匀分布： 指数分布： 正态分布： 奇函数！ 随机变量函数的数学期望 设已知随机变量X 的分布，我们需要计算的不是X 的期望E(X)，而是X 的某个函数 Y=g(X) 的期望 E(Y)。 一种方法是，求 Y=g(X) 的概率分布，然后按照期望的定义把 E(Y)=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？ 定理： (1)设随机为离散型变量 X 的分布律为： 则随机变量 Y=g(X)的数学期望为： (2)若连续型随机变量 X 的概率密度函数为f(x), 则随机变量 Y=g(X)的数学期望为： 绝对收敛 绝对收敛 则随机变量 Z=g(X,Y)的数学期望为： 定理：(1)若离散型随机变量 X,Y的联合分布律为 则随机变量 Z=g(X,Y)的数学期望为： (2) 若连续型随机变量 X,Y的联合概率密度为f(x,y), 绝对收敛 绝对收敛 则随机变量 Z=g(X,Y)的数学期望为： * *