14讲数学期望.ppt

概率论与数理统计第14讲 概率论发展初期：分赌本的问题 甲乙各出同等数目的赌注,比如说1元，然后进行博弈。每一局甲或乙胜的概率均为0.5,二人约定谁先胜a局，谁取走2元。甲胜b次，乙胜c次 两人继续赌下去，至多不超过a-b+a-c-1次见分晓。设a=4,b=2,c=1， 16局可能： 甲甲甲甲 甲甲甲乙 甲甲乙甲 甲乙甲甲 乙甲甲甲 甲甲乙乙 甲乙甲乙 甲乙乙甲 乙甲甲乙 乙甲乙甲 乙乙甲甲 甲乙乙乙 乙甲乙乙 乙乙甲乙 乙乙乙甲 乙乙乙乙 第四章 随机变量的数字特征 通常求出随机变量的分布并不是一件容易的事 更关心用一些数字来表示随机变量的特点 这些与随机变量有关的数字, 就是随机变量的数字特征. 最常用的数字特征为数学期望, 方差和相关系数. 1 数学期望 数学期望是任何一个随机变量的最重要的也被最广泛使用的数学特征,英文是expectation, 另一种叫法为均值(mean or everage value) 例:假设一个班共20人, 其中18岁的有6人, 19岁的有10人, 20岁的有4人, 现任取一人观察其岁数, 则观察到的岁数X为一随机变量, 不难求出X的分布律如下表所示. 计算学生的平均年龄: 第一种办法 第二种办法：统计平均值－－对随机变量X(年龄)进行n次重复试验, 每次抽查一个人，而获得了18,19,20这三个年龄的次数分别为n18, n19, n20次 当然, 统计平均值X与准确计算的平均值E(X)还可能有差距, 但是当试验次数趋向于无穷时, 统计平均值X就趋近于数学期望E(X)了. 定义 假设离散型随机变量X有概率函数P{X=xk}=pk (k=1,2,...), 若级数 绝对收敛, 则称这级数为X的数学期望, 简称期望或均值, 记为E(X), 即 级数 绝对收敛, 是因为当X只取有限多个值时 不存在是否收敛的问题，而当X取可列无穷多个值的时候， 是一个无穷级数。一方面在分布律中任意交换xi的先后次序，并不改变X的分布;另一方面若X的数学期望E(X)是存在的,任意交换 中xipi的先后次序，而保持级数的和不变，则由无穷级数的性质，在该级数绝对收敛时，才能做到这一点。 例1 若X服从0-1分布, 其概率函数为P{X=k}=pk(1-p)1-k (k=0,1), 求E(X)。 解 E(X)=0?(1-p)+1?p=p 数学期望表征的是随机变量取值的“平均”，这一平均不是简单的算术平均，而是加“权”平均,如上例为：0?(1-p)+1?p,值0,1的“权”是不一样的，这“权”就是它们对应的概率。数学期望具有非常重要和直观的实际意义，如我国北方的年平均气温低于南方的年平均气温。 例2 甲乙两名射手在一次射击中得分(分别用X, Y表示)的分布律如下表所示, 试比较甲,乙两射手的技术. 解 E(X)=1?0.4+2?0.1+3?0.5=2.1 E(Y)=1?0.1+2?0.6+3?0.3=2.2 这表明, 如果进行多次射击, 他们得分的平均值分别是2.1和2.2, 故乙射手较甲射手的技术好. 例3 一批产品中有一,二,三等品,等外品及废品5种, 相应的概率分别为0.7, 0.1, 0.1, 0.06, 及0.04, 若其产值分别为6元,5.4元, 5元,4元及0元. 求产品的平均产值.  连续型随机变量 现在来讨论连续型随机变量. 在实际应用中, 严格地讲是不存在连续型随机变量的, 尤其是在经济学领域, 现在广泛采用计算机来存储数据, 而计算机是无法存储一无限不循环小数的, 因此实际上的值只能是有限多个. 而之所以还使用连续型随机变量, 是因为它构成了很好的对非常密集的离散型随机变量的近似. 此外, 我们也可以反过来用离散型随机变量来近似连续型的随机变量. 在这种情况下我们计算X的数学期望, 可得 定义 设连续型随机变量X有概率密度f(x), 若积分 例4 计算在区间[a,b]上服从均匀分布的随机变量X的数学期望.解 依题意, 一维随机变量X的函数g(X)的数学期望. 数学期望总是可以通过对X进行反复试验来近似获得, 试验n次得到了n个数,将这n个数进行算术平均就得到了E(X)的近似值, 当n趋于无穷时这就成为准确值. 假设这n个数中有n1个是取值为x1的, n2个是取值为x2的, ..., 等等, 那么看作是对g(X)的试验, 也就是有n1个是取值为g(x1)的, n2个是取值g(x2)的, ...