茆诗松概率论与数理统计教程课件第二章(2).pptVIP

第二节 随机变量的数学期望 1. 数学期望的概念 2. 数学期望的定义 3. 随机变量函数的数学期望及数学期望的性质 上节介绍了随机变量的分布函数, 我们知道分布函数能够完整地描述随机变量的统计规律性. 1. 数学期望的概念(Expectation) 2. 数学期望的定义 3. 随机变量函数的数学期望及数学 期望的性质 §2.2 作业 教材第84页 习题 4, 14 * * * 但在一些实际问题中, 我们不需要去全面考察随机变量的变化情况, 而只需要知道随机变量的某些特征, 因而并不需要求出它的分布函数. 例如, 在评定某一地区粮食产量的水平时, 在许多场合只要知道该地区的平均产量, 即变量的均值. 从这些例子可以看出, 均值和方差等数值, 虽然不能完整地描述变量的概率分布, 但能描述随机变量在某些方面的特征. 又如, 检查一批棉花的质量时, 既需要注意纤维的平均长度, 即纤维长度这个变量的均值, 又需要知道纤维长度与平均长度的偏离程度, 即纤维长度这个变量的方差; 只有平均长度较大, 偏离程度较小, 棉花质量才较好. 随机变量的均值也称为数学期望, 本节将介绍随机变量最重要的特征数:数学期望. 随机变量X的数学期望, 来源于通常的平均概念, 体现了随机变量平均值的大小, 但它又不是X所有可能取值的简单的算术平均. 数学期望的研究源于历史上一个著名的赌本分配问题, 该问题之所以著名, 是因为它启蒙了概率论最初的发展, 一般讲讲概率论的发展史, 都会提到这个赌本分配问题. 1654年, 赌徒梅勒(Méré)向法国数学家帕斯卡请教了如下的问题: 甲乙两赌徒赌技相同, 各出赌注50法郎, 每局无平局, 谁先赢三局则获全部赌本100法郎. 结果甲赢了两局, 乙赢了一局时, 赌博因故终止, 问应如何分配赌本? 帕斯卡从变量的角度给出了最佳的解: 设变量X为甲最终所得, X的可能取值为0和100. 那么这两个值对应的概率有多大? 如果将这个赌博进行完, 则有再赌最多两局必可结束. 所以变量X的概率分布为 变量X的期望值=X的均值=0×1/4+100×3/4=75法郎 3/4 1/4 P(X=x) 100 0 x 从这个例子可以看出变量X的数学期望, 即其均值, 应该是其所有可能取值根据相应概率的加权平均. 由此我们就可以给出随机变量数学期望的严格定义. 定义1: 注意: 在以上定义中, 要求级数绝对收敛的目的在于使其数学期望取值唯一. 因为在数学分析中, 我们知道 由条件收敛级数重排后所得到的新级数, 即使收敛, 也不一定收敛于原来的和数. 例如 交错级数的莱布尼茨判别法: 如果交错级数满足(1)绝对值单调递减;(2)极限为0, 则收敛 乘以常数1/2后有 将上述两个级数相加, 就得到 当一个离散随机变量只取有限个值时, 有限和不受次序变动的影响, 故其数学期望总是存在的. 定义2: 连续随机变量数学期望的定义和含义类似于离散型变量的情形, 只要将分布列改成密度函数, 将求和号改成积分号就可. 例一(几何分布). 某人向一目标连续射击, 直到击中为止. 已知他每次射击的命中率为p, 求他击中目标时所需次数X的数学期望. 解: 由上节例四知, X服从几何分布. 例二(选讲). 若X为仅取非负整数的离散随机变量, 若其数学期望存在, 证明. 例三(均匀分布). 设X服从区间(a,b)上的均匀分布, 即X的密度函数为 求E(X). 这个结果符合我们的直觉, 因为X在(a,b)上的均匀分布, 所以X的均值当然应该是(a,b)的中点位置. 例四(正态分布). 设随机变量X服从正态分布N(μ,σ2), 其密度函数为 求E(X). 对随机变量X的函数Y=g(X), 由于Y=g(X)也为随机变量, 也有其数学期望. 当已知随机变量X的概率分布时, 可先求出Y=g(X)的概率分布(分布列或密度函数), 然后再由E(Y)的定义去求. 怎样去求E(Y)呢 ? 定理: 但实际上, 当我们已知X的概率分布时, 可根据下面的定理, 直接利用X的分布列或密度函数去求E(g(X)), 从而避免求Y=g(X)的概率分布的过程. 证明: 以离散情形为例. 令Y=g(X), 则Y仍是一离散随机变量, 设其可能的值为yj (j=1,2,…),于是有 由数学期望的定义有 数学期望有如下的性质: 基于该定理和数学期望的定义, 容易看出 例五. 设风速V在(0,a)上服从均匀分布, 又设飞机机翼受到的压力W是V的函数, 求W的数学期望. 例六. 按季节出售的某种应时果品, 每售出一吨可获纯利润3000元, 如到季节末尚有剩余则每吨将亏损1000元. 每年商店该果品的销售X服从均匀分布U[2,4