概率论和数理统计-数学期望.pptVIP

解　 应用 应用1 柯西 显然， 故 y=3500 时, E(Y )最大, E (Y )= 8250万元 设由自动线加工的某种零件的内径 X (mm)~ N (? ,1).已知销售每个零件的利润 T (元)与销售零件的内径 X 有如下的关系： 问平均直径 ? 为何值时, 销售一个零件的 平均利润最大？ 应用4 应用4 解 即 可以验证， 零件的平均利润最大. 故 时, 销售一个 柯西 Augustin-Louis Cauchy 1789 - 1857 法国数学家 柯 西 简介 法国数学家 27岁当选法国科学院院士 早在1811年就解决了拉格朗日向他提出的一个问题：凸多面体的角是否被它的面所决定？柯西作了肯定的回答.这一直是几何学中一个精彩的结果. 在概率论中他给出了有名的柯西分 布. 然而他一生中最重要的数学贡献在 另外三个领域：微积分学、复变函数和 微分方程. * 第四章 第四章 随机变量的数字特征 分布函数能完整地描述 r.v.的统 计特性, 但实际应用中并不都需要知 道分布函数，而只需知道 r.v.的某些 特征. 判断棉花质量时, 既看纤维的平均长度 平均长度越长,偏离程度越小, 质量就越好; 又要看 纤维长度与平均长度的偏离程度 例如： 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. 由上面例子看到，与 r.v. 有关的 某些数值，虽不能完整地描述 r.v.但 能清晰地描述 r.v.在某些方面的重要 特征 , 这些数字特征在理论和实践上 都具有重要意义. r.v.的平均取值 —— 数学期望 r.v.取值平均偏离均值的情况 —— 方差 描述两 r.v.间的某种关系的数 —— 协方差与相关系数 本 章 内 容 随机变量某一方面的概率特性 都可用数字来描写 §4.1 数学期望 加 权 平 均 初 赛 复 赛 决 赛 总 成 绩 算术 平均 甲 乙 90 85 53 228 76 88 80 57 225 75 胜者 甲 甲 乙 甲 甲 3:3:4 2:3:5 2:2:6 73.7 70.0 66.8 73.2 70.1 67.8 甲 乙 乙 引例 学生甲乙参加数学竞赛, 观察其胜负 §4.1 为这 3 个数字的加权平均 称 数学期望的概念源于此 设 X 为离散 r.v. 其分布为 若无穷级数 其和为 X 的数学期望 记作 E( X ), 即 数学期望的定义 定义 绝对收敛, 则称 定义 设连续 r.v. X 的 d.f. 为 若广义积分 绝对收敛, 则称此积分为 X 的数学期望 记作 E( X ), 即 数学期望的本质 —— 加权平均 它是一个数不再是 r.v. 定义 例1 X ~ B ( n , p ), 求 E( X ) . 解 特例 若Y ~ B ( 1 , p ), 则 E(Y) 例1 例2 X ~ N ( ? , ? 2 ), 求 E ( X ) . 解 例2 常见 r.v. 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 U(a,b) E(?) N(?,? 2) 注意 不是所有的 r.v.都有数学期望 例如：柯西(Cauchy)分布的密度函数为 但 发散 它的数学期望不存在! 设离散 r.v. X 的概率分布为 若无穷级数 绝对收敛，则 设连续 r.v. 的 d.f. 为f (x) 绝对收敛, 则 若广义积分 r.v.函数 Y = g(X ) 的数学期望 一维 ★ 例3 设随机变量X的概率分布律如表，Y=X2, 求E(Y)。 解 由定理，有 E(Y)=E(X2)=(-1)2×0.4+02×0.3+12×0.3=0.7 X P -1 0 1 0.4 0.3 0.3 例4 已知 X ~ U (－１,1) , Y = X 2 , 求 E(Y) 设离散 r.v. (X ,Y ) 的概率分布为 Z = g(X ,Y ), 绝对收敛 , 则 若级数 二维 ★ 设连续 r.v. (X ,Y )的联合 d.f. 为 f