4 第 一节 数学期望27.pptVIP

服从 已知 上的均匀分布，求 的数学期望。 因为 所以 例5 解 1 5 例6 设相互独立的随机变量X，Y的密度函数分别为 求E（XY） 解 X 1 3 P 3/4 1/4 Y 0 1 2 3 P 1/8 3/8 3/8 1/8 X 1 0 3/8 3/8 0 3 1/8 0 0 1/8 Y 0 1 2 3 解: 例7 4.1.3 数学期望的简单应用 例8 市场上对某种产品每年的需求量为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,问应该生产这种商品多少吨,才能使平均利润最大？ 解: 设每年生产y 吨的利润为Y, 2000 ≤ y ≤4000 故 y = 3500 时，EY 最大， EY = 8250万元 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. 评定某企业的经营能力时，只要知道该企业 人均赢利水平； 研究水稻品种优劣时，我们关心的是稻穗的 平均粒数及每粒的平均重量； 检验棉花的质量时，既要注意纤维的平均长 度，又要注意 纤维长度与平均长度的偏离程度， 平均长度越长、偏离程度越小，质量就越好; 考察一射手的水平，既要看他的平均环数 是否高，还要看他弹着点的范围是否小，即数 据的波动是否小. 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 期望、方差和协方差 第四章 随机变量的数字特征 数学期望 方差 协方差与相关系数 数学期望的引例 例如：某7人的高数成绩为90，85，85，80，80， 75，60，则他们的平均成绩为 以频率为权重的加权平均 数学期望EX 离散型随机变量 设离散型随机变量X 的分布律为 若无穷级数 绝对收敛，则称其和为随机变量X 的数学期望 定义4.1.1 记为 X P 4 1/4 5 1/2 6 1/4 已知随机变量X的分布律： 例1 求数学期望EX 解 连续型随机变量 设连续型随机变量X 的概率密度为 若积分 绝对收敛,则称此积分的值为随机变量X 的数学期望 记为 例2 数学期望的意义 试验次数较大时，X的观测值的算术平均值 在EX附近摆动 数学期望又可以称为期望值(Expected Value)， 均值(Mean) EX反映了随机变量X取值的“概率平均”,是X的 可能值以其相应概率的加权平均。 4.1.1 数学期望的性质 性质 4 的逆命题不成立，即 若E (X Y ) = EX EY ，X ,Y 不一定相互独立 反例 X Y pij -1 0 1 -1 0 1 0 p? j pi? 注 X Y P -1 0 1 但 0-1分布的数学期望 X服从0-1分布，其概率分布为 P(X=1)=p P(X=0)=1- p X P 0 1 1-p p 若X 服从参数为 p 的0-1分布， 则EX = p 分布律 数学期望 若 X~B( n, p ), 那么 EX= np 二项分布的数学期望 分布律 X服从二项分布，其概率分布为 数学期望 二项分布可表示为 个０－１分布的和 其中 则 泊松分布的数学期望 If , then 分布律 数学期望 均匀分布的期望 分布密度 数学期望 X~ N (μ，σ2） 正态分布的期望 分布密度 数学期望 指数分布的期望 分布密度 数学期望 常见随机变量的数学期望 分布 期望 概率分布 参数为p 的 0-1分布 p B(n,p) np P(?) ? 分布 期望 概率密度 区间(a,b)上的 均匀分布 E(?) N(?,? 2) 注意：不是所有的随机变量都有数学期望 例如：Cauchy分布的密