1 / 57

概率 论与数理 统计 第七讲 数学期望和方差

概率 论与数理 统计 第七讲 数学期望和方差. 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、协方差矩阵. p(x). f ( x ). o. o. x. x. 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. 　　但在实际问题中，概率分布一般是较难确定的 . 而且在一些实际应用中，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. 4.1 数学期望.

marvene-grealish
Télécharger la présentation

概率 论与数理 统计 第七讲 数学期望和方差

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 概率论与数理统计第七讲 数学期望和方差

  2. 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、协方差矩阵

  3. p(x) f (x) o o x x 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. 　　但在实际问题中，概率分布一般是较难确定的.而且在一些实际应用中，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.

  4. 4.1 数学期望 例如，评定一批灯泡的质量,主要应看这批灯泡的平均寿命和灯泡寿命相对于平均寿命的偏差．平均寿命越长,灯泡的质量就越好,灯泡寿命相对于平均寿命的偏差越小,灯泡的质量就越稳定． 随机变量的数学期望是概率论中最重要的概念之一. 它的定义来自习惯上的平均值概念.

  5. 一.数学期望的定义 例1将一枚骰子掷100次，各点数出现的次数与频率如下,求每次投掷的平均点数．

  6. 每次投掷的平均点数 平均值＝以频率 为权的加权平均 频率和 概率的关系 以概率为权 的加权平均 抽象出 试验次数很大时, 频率会接近于概率pk 离散型变量数学期望的定义

  7. 数学期望——描述随机变量取值的平均特征

  8. 几点说明: (2) 数学期望E(X)是一个常数,而非变量．它既不是随机变量所有可能取值的算术平均值，也不是随机变量的有限次观测值的算术平均值．它是一种以概率为权的加权平均值,它从本质上体现了随机变量 X 取可能值的真正的平均值，具有重要的统计意义． 假设 随机变量 X 的算术平均值为 X 的期望为

  9. 例2谁的技术比较好? 甲射手 乙射手 试问哪个射手技术较好? 解 故甲射手的技术比较好.

  10. 小面积近似为 f (x) x x1x2…xk… X pk f (x1)x1 f (x2)x2…f (xk)xk… 设X 是连续型随机变量,其密度为 f (x), 在数轴上任取很密的分点 x1<x2<x3< …,则 X 落在小区间[xk , xk+xk)内的概率是 由于 xk 与 xk+xk 很接近, 区间[xk , xk+xk )中的值可以用xk 来近似代替. 因此 X ≈取值xk、概率为 的离散型随机变量, 它的数学期望是 这启发我们引出如下连续型随机变量的数学期望定义：

  11. 定义

  12. 例3.若随机变量X服从拉普拉斯分布，其密度函数为例3.若随机变量X服从拉普拉斯分布，其密度函数为 试求E(X). 解

  13. 二.几个重要随机变量的期望 1.0-1分布的数学期望 E(X)=p*1+(1-p)*0=p

  14. 2. 二项分布B(n, p)

  15. 3.泊松分布

  16. 4. 均匀分布U(a, b)

  17. 5.指数分布

  18. 6. 正态分布N(, 2)

  19. -1 0 1 X Pk 三.随机变量函数的期望 例4：设随机变量X的分布律为 求随机变量Y=X2的数学期望 1 0 解: Y Pk

  20. 设已知随机变量X 的分布 如何计算X的某个函数g(X)的期望 ？ 　一种方法是: g(X)也是随机变量,它的分布可以由已知的X 的分布求出来 .一旦知道了g(X) 的分布, 就可以按照期望定义把 E[g(X)] 计算出来 . 　是否可以不先求g(X)的分布而只根据X的分布求得E[g(X)]呢？ 下面的定理指出答案是肯定的.

  21. 定理1若 X~P{X=xk}=pk, k=1,2,…, 则Y=g(X)的期望E(g(X))为 推论:若 (X,Y)P{X=xi ,Y=yj,}=pij, i,j=1,2, … , 则Z= g(X，Y)的期望

  22. 例5设随机变量(X,Y)的分布律如下，求E(XY) 解:

  23. 例6：设随机变量X服从标准正态分布，求随机变量例6：设随机变量X服从标准正态分布，求随机变量 Y=aX+b的数学期望(其中a>0) 解： Y=ax+b关于x严单，反函数为 Y的概率密度为

  24. 定理2若X~f(x), -<x<, 则Y=g(X)的期望 推论 若(X, Y) ~f (x, y), -<x<, -<y<, 则Z=g(X, Y)的期望

  25. 例7长途汽车起点站于每时的10分、30分、55分发车，设乘客不知发车时间，于每小时的任意时刻随机地到达车站，求乘客的平均候车时间例7长途汽车起点站于每时的10分、30分、55分发车，设乘客不知发车时间，于每小时的任意时刻随机地到达车站，求乘客的平均候车时间 解:设乘客于某时X分到达车站,候车时间为Y,则 =10分25秒

  26. 例8设X服从N(0，1)分布，求E(X2),E(X3),E(X4)

  27. 四.数学期望的性质 1. E(c)=c,c为常数; 2. E(cX)=cE(X), c为常数; 3. E(X+Y)=E(X)+E(Y); 4. 若X与Y独立，则E(XY)=E(X)E(Y).

  28. 3. E(X+Y)=E(X)+E(Y); 证明:设(X,Y)~f(x,y)

  29. 4. 若X与Y独立，则E(XY)=E(X)E(Y). 注意:由E(XY)=E(X)E(Y) 不一定能推出X,Y独立 证明:设(X,Y)~f(x,y)

  30. 例9. 设某种疾病的发病率为1%，在1000个人中普查这种疾病,为此要化验每个人的血。方法是，每100个人一组，把从100个人抽来的血混在一起化验，如果混合血样呈阴性，则通过，如果混合血样呈阳性，则再分别化验该组每个人的血样。求平均化验次数 解:设Xj为第j组的化验次数， X为1000人的化验次数，则 Xj 1 101 Pj

  31. 例10.若X~B(n,p),求E(X) 解:设 第i次试验事件A发生 第i次试验事件A不发生 则

  32. 4.2 方差 甲仪器测量结果 较好 例如，某零件的真实长度为a，现用甲、乙两台仪器各测量10次，将测量结果X用坐标上的点表示如图： 测量结果的均值都是 a 乙仪器测量结果 你认为哪台仪器好一些呢？ 因为乙仪器的测量结果集中在均值附近

  33. 中心 中心 乙炮 又如,甲、乙两门炮同时向一目标射击10发炮弹，其落点距目标的位置如图： 乙炮射击结果 甲炮射击结果 你认为哪门炮射击效果好一些呢? 因为乙炮的弹着点较集中在中心附近 .

  34. 一. 定义与性质 1.定义 若E(X2)存在，则称 E{[X-E(X)]2 } 为随机变量 X的方差，记为D(X), 或σ2. 称 为随机变量X的标准差 可见

  35. 2. 推论D(X)=E(X2)-[E(X)]2. 证明: D(X)=E{[X-E(X)]2 }

  36. 说明(1) 方差刻划了随机变量的取值对于其数学期望的离散程度 ，方差越小，X的取值集中在均值的附近；方差越大，X的取值越分散． (2) 由于标准差与X具有相同的度量单位，在实 际问题中经常使用. 方差是衡量随机变量取值波动程度的一个数字特征。

  37. 例1：设随机变量X的概率密度为 求D(X),D(X2)

  38. 3. 方差的性质 (1) 若C是常数，则有D(C)=0, 反之，若D(X)=0，则存在常数C，使 P{X=C}=1, 且C=E(X); (2) D(aX)=a2D(X), D(a+X)=D(X), a为常数； 证明:

  39. (3)若 X，Y 独立，则 D(X+Y)=D(X)+D(Y); 证明: X与Y独立

  40. 二.几个重要随机变量的方差 1. 二项分布B(n, p)：

  41. 解法二: 设 第i次试验事件A发生 第i次试验事件A不发生 则

  42. 2. 泊松分布π()： 由于 或 两边对求导得 或

  43. 3. 均匀分布U(a, b)：

  44. 4.指数分布：

  45. 5. 正态分布N(, 2)：

  46. 三.切比雪夫不等式 若随机变量X的期望和方差存在，则对任意0，有 这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式：

  47. 切比雪夫不等式证明： 若随机变量X的期望和方差存在，则对任意0，有

  48. 例2.已知某种股票每股价格X的平均值为1元，标准差为0.1元，求a,使股价超过1+a元或低于1-a元的概率小于10%。例2.已知某种股票每股价格X的平均值为1元，标准差为0.1元，求a,使股价超过1+a元或低于1-a元的概率小于10%。 解:由切比雪夫不等式 令

More Related