概率第12讲.pptVIP

3.1 数学期望 第三章 随机变量的数字特征 第一节 数学期望 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 . 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 一维离散随机变量的数学期望 一维连续随机变量的数学期望 二维随机变量的数学期望 一、一维离散型随机变量的数学期望 概念的引入： 我们来看一个引例. 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 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？ （假定小张每天至多出现三件废品 ） 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 . 定义1 设X是离散型随机变量，它的分布率是: P{X=xi}=p(xi) , i=1,2,… 请注意 :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。 若级数 绝对收敛， 则称级数 即 的和为随机变量X的数学期望，记为 , 关于定义的几点说明 (1) E( X）是一个实数,而非变量,它是一种加权平均,与一般的平均值不同 , 它从本质上体现了随机变量 X取可能值的真正平均值, 也称 均值. (2) 级数的绝对收敛性保证了级数的和不 随级数各项次序的改变而改变 , 之所以这样要 求是因为数学期望是反映随机变量 取可能值 的平均值,它不应随可能值的排列次序而改变. 试问哪个射手技术较好? 例1 谁的技术比较好? 甲射手 击中的环数 8 9 10 概率 0.3 0.1 0.6 乙射手 击中的环数 8 9 10 概率 0.2 0.5 0.3 解 故甲射手的技术比较好. 设甲乙射手的得分分别为 X,Y 例2 常见离散型随机变量的数学期望 二、一维连续型随机变量的数学期望 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. 因此X与以概率 取值xi的离散随机变量近似 该离散型随机变量 的数学期望是 小区间[xi, xi+1) 阴影面积近似为 由此启发我们引进如下定义. 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 请注意 : 连续型随机变量的数学期望是一个绝对收敛的积分. 例 例 指数分布 则有 例 设随机变量 X服从柯西分布,其密度函数为 求E(X). 解: 由于积分 因此柯西分布的数学期望不存在. 三 二维随机变量的数学期望 1、 离散随机变量 若二维随机变量(X, Y) 的其联合概率函数为 2、 连续随机变量 若二维随机变量(X, Y) 的其联合概率密度为 例 3.2 随机变量函数的数学期望 一维随机变量函数的期望 二维随机变量函数的期望 (1) 当X为离散型时,它的分布率为P(X= xi)=pi ; 设Y是随机变量X的函数:Y=g (X) (g是连续函数) 一 一维随机变量函数的期望 证明：Y=g (X)仍是一个离散随机变量，设其可能值