概率论41数学期望.pptxVIP

第四章 随机变量的数字特征§4.1 数学期望§4.2 方差§4.3 协方差和相关系数§4.4 矩和协方差矩阵引例：某大学一位教师给15位研究生上课，期末考试成绩如下： 72，81，90，85，76，90，80，83 78，75，63，73，30，82，90教学院长认为：试题太容易，因为得90分的就有3人！系主任认为：考题偏难，因为平均成绩76.5分！该教师认为：考题适宜，因为从总体看80分是有代表性的，多于80分和少于80分的人数相等！???究竟谁的话更有道理？分布函数能够完整地描述随机变量的统计特性，但在一些实际问题中，只需知道随机变量的某些特征，因而不需要求出它的分布函数。 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； 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。 随机变量的平均取值 —— 数学期望 随机变量的取值平均偏离平均值的情况 —— 方差 描述两个随机变量之间的某种关系的数 —— 协方差与相关系数数字特征由上面例子看到，与随机变量有关的某些数值，虽不能完整地描述随机变量，但能清晰地描述随机变量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。随机变量某一方面的概率特性都可用数字来描写定义 设离散型随机变量X 的分布律为 P{X = xk}= pk(k=1,2,…)若级数 绝对收敛，即 则称 为X 的数学期望，简称期望或均值。§4.1 数学期望离散型随机变量的数学期望通常记数学期望为E(X ) 例1 已知离散型随机变量X的可能值为 x1= ?1, x2=0, x3=1，且E(X)=0.1, E(X2)=0.9。求对应于可能值x1, x2, x3的概率p1,p2,p3。解:E(X)=(?1)?p1+0?p2+1?p3=0.1X20 1P p2 p1+p3?E(X2)=0?p2+1?(p1+p3)=0.9并且 p1+p2+p3=1计算可知 p1=0.4, p2=0.1, p3=0.5常见离散型分布的期望(1) (0-1)分布（即两点分布） X～B(1, p) 随机变量X取0与1两个值，其概率分别为1-p和p，分布律为X 0 1P1?p p数学期望 E(X)=0?(1?p)+1?p= p(2) 二项分布 X～B(n, p) (3) 泊松分布 X～P(?)令i=k?1 可得=? e?? e?=?概率分布数学期望分布参数为p 的 0-1分布p二项分布 B(n,p) np泊松分布 P(?) ?常见离散型随机变量的数学期望定义 设连续型随机变量X 的概率密度为f (x)。若积分 绝对收敛，即 则称积分为X 的数学期望。连续型随机变量的数学期望通常记为E(X)X的概率密度为=常见连续型分布的期望(1) 均匀分布 X～U (a,b)由定义可知 X 的数学期望为X的概率密度为利用定积分公式=(2) 指数分布由定义可知 X 的数学期望为X的概率密度为可得令(3) 正态分布 X～(? ,?2)由定义可知 X 的数学期望为奇函数和偶函数的乘积=? 概率密度数学期望分布 区间 (a, b)上 均匀分布指数分布 E(?)正态分布 N(?,? 2)常见连续型随机变量的数学期望随机变量的函数的数学期望 设已知随机变量X的分布，我们需要计算的不是X的期望，而是X的某个函数的期望，比如说g(X)的期望。那么应该如何计算呢？ 一种方法是: 因为g(X)也是随机变量，故应有概率分布，它的分布可以由X的分布求出来。一旦我们知道了g(X)的分布，就可以按照期望的定义把E[g(X)]计算出来. 但是使用这种方法必须先求出随机变量函数g(X)的分布，一般是比较复杂的。是否可以不求g(X)的分布而只根据X 的分布求得E[g(X)]呢？下面的两个基本定理指出，答案是肯定的。 下述两个定理的重要性在于: 当我们求E[g(X)]时, 不必知道g(X)的分布，而只需知道X 的分布就可以了。 这给求随机变量函数的期望带来很大方便。若绝对收敛，则有若绝对收敛，则有定理 设Y是随机变量X的函数，即Y=g(X)，其中 g(x)是连续函数：(1) 设X是离散型随机变量，分布律为 P(X = xk)= pk (k=1,2,…) (2) 设X是连续型随机变量，概率密度为 f(x)。 若级数 绝对收敛，则有定理 设Z=g(X,Y)是二维随机变量(X,Y)的函数，其中g为连续函数：(1) 设(X,Y)是二维离散型随机变量，其分布律为 P(X=xi，Y=yj)= pij ( i,j=1,2,…) 特别的若积分 绝