第四章 随机变量的数字特征 数学期望 方差 * 协方差与相关系数 大数定律与中心极限定理
Mathematical Expectation 数学期望的引例 Mathematical Expectation 例如:某7人的高数成绩为90,85,85,80,80, 75,60,则他们的平均成绩为 以频率为权重的加权平均
Mathematical Expectation 离散型随机变量 定义 设离散型随机变量的概率分布为 随机变量X的数学期望,记作E(X),即
数学期望的计算 已知随机变量X的分布律: 例 X P 4 1/4 5 1/2 6 求数学期望E(X) 解
连续型随机变量的数学期望E(X) 连续型随机变量 定义 设连续型随机变量X的概率密度为 f (x), 则 即
数学期望的计算 例 已知随机变量X的密度函数为 求数学期望。 解
数学期望的意义 E(X)反映了随机变量X取值的“概率平均”,是X的 可能值以其相应概率的加权平均。 试验次数较大时,X的观测值的算术平均值 数学期望又可以称为期望值(Expected Value), 均值(Mean)
二维随机变量的数学期望及边缘分布的数学期望 (X,Y)为二维离散型随机变量 (X,Y)为二维连续型随机变量
设(X,Y)的联合密度为 例 (1) 求k (2) 求X和Y的边缘密度 (3) 求E(X), E(Y).
解 (1)由 得 1 3 所以 时 (2) 所以
时 1 3 (3)
(3)另解 1 3 无需求 边缘分布密度函数
随机变量的函数的数学期望 定理 1:一维情形 设 是随机变量 X的函数, 离散型 概率密度为 连续型
服从 已知 上的均匀分布,求 的数学期望。 例 解 因为 所以
随机变量的函数的数学期望 定理 2:二维情形 设 是随机变量 X, Y的函数, 离散型 连续型 联合概率密度为
例 设相互独立的随机变量X,Y的密度函数分别为 求E(XY) 1 5 解
数学期望的性质 . C 为常数 . . 相互独立时 当随机变量
练一练 设(X,Y)在由4个点(0,0)(3,0),(3,2), (0,2)决定的矩形域内服从均匀分布,求E(X+Y),E(X2) E(Y2),E(XY). 3 2 答案:
若X 服从参数为 p 的0-1分布, 则E(X) = p 0-1分布的数学期望 分布律 X服从0-1分布,其概率分布为 X P 0 1 1-p p P(X=1)=p P(X=0)=1- p 数学期望 若X 服从参数为 p 的0-1分布, 则E(X) = p
If X~B( n, p ), then E(X)= np 二项分布的数学期望 分布律 X服从二项分布,其概率分布为 数学期望 二项分布可表示为 个0-1分布的和 其中 则 If X~B( n, p ), then E(X)= np
泊松分布的数学期望 分布律 数学期望 If , then
均匀分布的期望 分布密度 数学期望
正态分布的期望 分布密度 X~ N (μ,σ2) 数学期望
指数分布的期望 分布密度 数学期望
数学期望在医学上的一个应用 分析: 设随机抽取的10人组所需的化验次数为X 我们需要计算X的数学期望,然后与10比较 An application of Expected Value in Medicine 考虑用验血的方法在人群中普查某种疾病。集体做法是每10个人一组,把这10个人的血液样本混合起来进行化验。如果结果为阴性,则10个人只需化验1次;若结果为阳性,则需对10个人在逐个化验,总计化验11次。假定人群中这种病的患病率是10%,且每人患病与否是相互独立的。试问:这种分组化验的方法与通常的逐一化验方法相比,是否能减少化验次数? 分析: 设随机抽取的10人组所需的化验次数为X 我们需要计算X的数学期望,然后与10比较
注意求 X期望值的步骤! 先求出化验次数X的分布律。 化验次数X的可能取值为1,11 (X=1)=“10人都是阴性” (X=11)=“至少1人阳性” 结论: 分组化验法的次数少于逐一化验法的次数
问题的进一步讨论 1、概率p对是否分组的影响 若p=0.2,则 当p>0.2057时,E(X)>10 2、概率p对每组人数n的影响 当p=0.1时,为使 当p=0.2时,可得出n<10.32,才能保证 EX<10.
例 独立地操作两台仪器,他们发生故障的概率分别为p1和p2.证明:产生故障的仪器数目的数学期望为 p1 + p2 解 设产生故障的仪器数目为X 则X的所有可能取值为0,1 所以