§4.1数学期望.

Slides:



Advertisements
Similar presentations
1 §2.2 离 散 型 随 机 变 量 §2.1 随 机 变 量 的 概 念 §2.3 超几何分布 · 二项分布 · 泊松分布 1. “0-1” 分布 ( 两点分布 ) 3. 二项分布 4. Poisson 分布 2. 超几何分布 n →∞ , N→∞ , (x = 0, 1, 2, , n) (x.
Advertisements

第一章 、随机事件与概率 1.1 、随机事件 1.2 、随机事件的概率 1.3 、随机事件概率的计算 1.4 、伯努利概型.
随机变量及其概率分布 第二章 离散型随机变量及其分布律 正态分布 连续型随机变量及其分布律 随机变量函数的分布.
5.4 微 分 一、微分概念 二、微分的运算法则与公式 三、微分在近似计算上的应用. 引例 一块正方形金属片受热后其边长 x 由 x 0 变到 x 0  x  考查此薄片的面积 A 的改变情况  因为 A  x 2  所以金属片面 积的改变量为  A  (x 0 
第三章 多维随机变量及其分布 3.1 二维随机变量 3.2 边缘分布 3.3 条件分布 3.4 随机变量的独立性
第二章 随机变量及其分布 在第一章里,我们研究了随机事件及其概率.而对于一个随机试验,我们除了对某些特定的事件发生的概率感兴趣外,往往还会关心某个与试验结果相联系的变量.由于这一变量依赖于试验结果,因而这一变量的取值具有随机性,这种变量被称为随机变量.本章将着重介绍两类随机变量——离散型随机变量和连续型随机变量及其分布.
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.
概率论与数理统计 2.2 离散型随机变量及其分布.
圆的一般方程 (x-a)2 +(y-b)2=r2 x2+y2+Dx+Ey+F=0 Ax2+Bxy+Cy2+Dx+Ey+ F=0.
第四章 随机变量的数字特征 随机变量的分布是对随机变量的一种完整的描述,知道随机变量的分布就全都知道随机变量的所有特征。然后随机变量的概率分布往往不容易求得的。 随机变量的这些统计特征通常用数字表示的。这些用来描述随机变量统计性的数字称为随机变量的数字特征。其中最重要的是数学期望(均值)和方差二种。
本幻灯片可在如下网站下载: 概率论与数理统计第16讲 本幻灯片可在如下网站下载:
概率论与数理统计 课件制作:应用数学系 概率统计课程组.
第2章 随机变量及其分布 2.1 随机变量及其分布函数 2.2 离散型随机变量及其分布律 2.3 几种常见的离散型分布
第三章 函数逼近 — 最佳平方逼近.
第三章 概率及概率分布 教学目的: (1)理解试验、事件、样本空间、概率定义 (2)学习描述和使用概率的运算法则
6.6 单侧置信限 1、问题的引入 2、基本概念 3、典型例题 4、小结.
概率论与数理统计.
第四章 随机变量的数字特征 主讲教师:董庆宽 副教授 研究方向:密码学与信息安全
高等数学电子教案 第五章 定积分 第三节 微积分基本定理.
第五节 微积分基本公式 、变速直线运动中位置函数与速度 函数的联系 二、积分上限函数及其导数 三、牛顿—莱布尼茨公式.
第四章 函数的积分学 第六节 微积分的基本公式 一、变上限定积分 二、微积分的基本公式.
第三节 协方差及相关系数 协方差 相关系数 课堂练习 小结 布置作业.
第三章 第三章 随机变量的数字特征.
主要内容 § 3.1 多维随机变量及联合分布 联合分布函里数 联合分布律 联合概率密度 § 3.2 二维随机变量的边缘分布
高等数学 第三十四讲 函数的微分 主讲教师:陈殿友 总课时: 128.
第四章 随机变量的数字特征 第一节 数学期望 第二节 方差 第三节 协方差及相关系数 第四节 矩、协方差矩阵.
第四章 随机变量的数字特征 数学期望 方差 协方差、相关系数 其它数字特征.
第三章 多维随机变量及其分布 §2 边缘分布 边缘分布函数 边缘分布律 边缘概率密度.
例1 :甲击中的环数; X :乙击中的环数; Y 平较高? 试问哪一个人的射击水 : 的射击水平由下表给出 甲、乙两人射击,他们
第四章 随机变量的数字特征 §4 协方差及相关系数 协方差的定义 协方差的性质 相关系数的定义 相关系数的性质.
概率论与数理统计模拟题(3) 一.填空题 3且 1.对于任意二事件A 和 B,有P(A-B)=( )。 2.设 已知
第三章 多维随机变量及其分布 §3.1 多维随机变量及其联合分布 §3.2 边际分布与随机变量的独立性 §3.3 多维随机变量函数的分布
教學演示教材: 〈信賴區間與信心水準的解讀〉
本次课讲授:第二章第十一节,第十二节,第三章第一节, 下次课讲第三章第二节,第三节,第四节; 下次上课时交作业P29—P30
§2 求导法则 2.1 求导数的四则运算法则 下面分三部分加以证明, 并同时给出相应的推论和例题 .
第一章 函数 函数 — 研究对象—第一章 分析基础 极限 — 研究方法—第二章 连续 — 研究桥梁—第二章.
第四章 随机变量的数字特征 主讲教师:董庆宽 副教授 研究方向:密码学与信息安全
概 率 统 计 主讲教师 叶宏 山东大学数学院.
连续型随机变量及其概率密度 一、概率密度的概念与性质 二、常见连续型随机变量的分布 三、小结.
第七章 参数估计 7.3 参数的区间估计.
习题 一、概率论 1.已知随机事件A,B,C满足 在下列三种情况下,计算 (1)A,B,C相互独立 (2)A,B独立,A,C互不相容
概 率 统 计 主讲教师 叶宏 山东大学数学院.
抽样和抽样分布 基本计算 Sampling & Sampling distribution
概 率 论.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
应用概率统计 主讲:刘剑平.
5.2 常用统计分布 一、常见分布 二、概率分布的分位数 三、小结.
第四章 随机变量的数字特征 我们知道,随机变量的分布列或概率密度,全面地描述了随机变量的统计规律.但在许多实际问题中,这样的全面描述并不使人感到方便. 已知一只母鸡的年产蛋量是一个随机变量,如果要比较两个品种的母鸡的年产蛋量,通常只要比较这两个品种的母鸡的年产蛋量的平均值就可以了.平均值大就意味着这个品种的母鸡的产蛋量高.如果不去比较它们的平均值,而只看它们的分布列,虽然全面,却使人不得要领,既难以掌握,又难以迅速地作出判断.
在第一章中,我们介绍了条件概率的概念 . 在事件B发生的条件下事件A发生的条件概率 推广到随机变量
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
§6.7 子空间的直和 一、直和的定义 二、直和的判定 三、多个子空间的直和.
第三章 多元随机变量及其分布 关键词:二元随机变量 联合分布 边际分布 条件分布 随机变量的独立性 随机变量函数的分布.
第三章 随机变量的数字特征 (一)基本内容 一、一维随机变量的数学期望 定义1:设X是一离散型随机变量,其分布列为:
第二章 随机变量及其分布 关键词: 随机变量 概率分布函数 离散型随机变量 连续型随机变量 随机变量的函数.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
第三章 多维随机变量及其分布 第一节 二维随机变量 第二节 边缘分布 第三节 条件分布 第四节 相互独立的随机变量
第四节 随机变量函数的概率分布 X 是分布已知的随机变量,g ( · ) 是一个已知 的连续函数,如何求随机变量 Y =g(X ) 的分布?
第一部分:概率 产生随机样本:对分布采样 均匀分布 其他分布 伪随机数 很多统计软件包中都有此工具 如在Matlab中:rand
§5.2 抽样分布   确定统计量的分布——抽样分布,是数理统计的基本问题之一.采用求随机向量的函数的分布的方法可得到抽样分布.由于样本容量一般不止2或 3(甚至还可能是随机的),故计算往往很复杂,有时还需要特殊技巧或特殊工具.   由于正态总体是最常见的总体,故本节介绍的几个抽样分布均对正态总体而言.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
定义 设连续型随机变量 概率密度为 分布函数是 特别地, 其概率密度为 一、正态分布的相关内容:.
难点:连续变量函数分布与二维连续变量分布
第三节 函数的微分 3.1 微分的概念 3.2 微分的计算 3.3 微分的应用.
7.4 随机变量的数字特征 离散型随机变量的数学期望和方差 连续型随机变量的数学期望和方差
教学建议 学习目标 § 7.1 随机事件 § 7.2 事件的概率及概率的加法公式 § 7.3 概率的乘法公式与事件的独立性
第四节 向量的乘积 一、两向量的数量积 二、两向量的向量积.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
第三章 线性方程组 §4 n维向量及其线性相关性(续7)
第二节 偏 导 数 一、 偏导数概念及其计算 二 、高阶偏导数.
1.2.2 充要条件 高二数学 选修 1-1 第一章 常用逻辑用语.
Presentation transcript:

§4.1数学期望

引例 例如:某7人的高数成绩分别为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

离散型随机变量的数学期望 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

例1 已知随机变量X的分布律: 求数学期望E(X). P 4 1/4 5 1/2 6 求数学期望E(X).

连续型随机变量的数学期望的引出 设X是连续型随机变量,其密度函数为 f (x), 在数轴上取很密的分点 x0 <x1 < x2 < …,则 X 落在小区间 [ xi , xi+1) 的概率是: 阴影面积近似为 小区间[xi , xi+1 )

变量近似,该离散型随机变量的数学期望为: 在区间[ xi , xi+1 )中 ,X 与以概率 取值 xi 的离散型随机 阴影面积近似为 这正是 的渐近和式. 小区间[xi , xi+1 )

连续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

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 X服从0-1分布,其概率分布为 P(X=1)=p X P 0 1 1-p p P(X=0)=1- p 若X 服从参数为 p 的0-1分布, 则E(X) = p

泊松分布的数学期望 分布律

均匀分布的期望 分布密度

正态分布的期望 分布密度

指数分布的期望 分布密度

一维随机变量函数的数学期望 设 是随机变量 X的函数, 离散型 设X的概率密度为 连续型

例2 已知随机变量X的分布律: 求数学期望E(X2). P 3 1/3 2 1/2 6 1/6 求数学期望E(X2).

服从 例3已知 上的均匀分布,求 的数学期望。 解

二维随机变量函数的数学期望 设 是随机变量 X,Y的函数, 离散型 连续型 设联合概率密度为

(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4 求E(Y).

例5 设相互独立的随机变量X,Y的密度函数分别为 求E(XY). 解

数学期望的性质 当X和Y相互独立时,

二项分布X~B( n, p )的数学期望 二项分布可表示为 个0-1分布的和 若X~B( n, p ),则E(X)= np

(设每位旅客在各个车站下车是等可能的, 并设各旅客是否下车相互独立). 例6 一民航送客车载有20位旅客自机场开出, 旅客有10个车站可以下车. 如到达一个车站没有旅客下车就不停车. 以X表示停车的次数, 求E(X) (设每位旅客在各个车站下车是等可能的, 并设各旅客是否下车相互独立). Xi P 0.920 1 1-0.920

例7 在一群体中普查某种疾病, 为此要抽检N个人 的血, 可以用两种方法进行. (1)将每个人的血分别 去验, 这就需要验N次 例7 在一群体中普查某种疾病, 为此要抽检N个人 的血, 可以用两种方法进行. (1)将每个人的血分别 去验, 这就需要验N次. (2)按k个人一组进行分组, 把 从k个人抽来的血混合在一起进行检验, 如果这混 合血液呈阴性反应, 就说明k个人的血都呈阴性反 应, 这样k个人的血就只需要验一次. 若呈阳性, 则 再对这k个人的血液分别进行化验. 这样, k个人的 血总共要化验k+1次. 假设每个人化验呈阳性的概 率为p, 且这些人的试验的反应相互独立. 求在这种情况下所需要的平均化验次数?

§4.2 方差

引例 甲、乙两射手各打了6 发子弹,每发子弹击中的 环数分别为: 甲 10, 7, 9, 8, 10, 6, 乙 8, 7, 10, 9, 8, 8, 哪一个射手的技术较好? 首先比较平均环数 甲 = 8.3 乙 = 8.3

再比较稳定程度 甲: 乙: 乙比甲技术稳定,故乙技术较好.

则称它为X的方差,记作D(X)或Var(X). 均方差(标准差) 与 有相同的量纲

若c为常数 DX=0的充分必要条件为P{X=EX}=1

离散型随机变量的方差 设离散型随机变量X的概率分布为 连续型随机变量的方差 设连续型随机变量X的分布密度为f (x)

例1 随机变量的分布列如下 X P 4 5 6 1/4 1/2 1/4 求D(X) 解 E( X )=5

例2 已知 X 的密度函数为 其中 A ,B 是常数,且 E (X ) = 0.5. 求 A ,B. 设 Y = X 2, 求D (Y ).

解 (1)

(2)设 Y = X 2, 求D (Y ).

0-1分布的方差 X P 0 1 1-p p

泊松分布的方差 分布律

均匀分布的方差

指数分布的方差

正态分布的方差

相互独立时 当随机变量X,Y

方差的性质 c为常数 为常数 相互独立时 当随机变量X,Y 当随机变量Xi 相互独立时

二项分布的方差 相互独立

常见分布及其期望和方差 分布名称 数学期望E(X) 方差D(X) 0-1分布 二项分布 泊松分布 均匀分布 正态分布 指数分布

标准化随机变量 设随机变量 X 的期望E(X )、方差D(X )都 存在, 且D(X )  0, 则称 为X的标准化随机变量.

例3 设X 表示独立射击直到击中目标 n 次 为止所需射击的次数 , 已知每次射击中靶 的概率为 p , 求E(X ), D(X ). 解 令 X i 表示击中目标 i-1 次后到第 i 次 击中目标所需射击的次数,i = 1,2,…, n 相互独立,且

§4.3协方差和相关系数

X ,Y 的协方差 若D (X ) > 0, D (Y ) > 0 ,称 为X ,Y 的相关系数

X ,Y 相互独立

例1 设 (X,Y) 的联合分布列为 求 X与Y 的协方差与相关系数. 1 1 Y 1 0 1 1/8 1/8 1/8 1/8 0 1/8 求 X与Y 的协方差与相关系数. 解: E(X) = 0 E(XY) = 0 Cov(X, Y) = E(XY)E(X)E(Y) XY = 0

例2(X, Y) 的密度函数为 求 X,Y 的相关系数. 解:

协方差的性质

cov(X,Y)=E(XY)-E(X)E(Y) 求D(2X-3Y+8). 解: D(2X-3Y+8)=D(2X)+D(3Y) -12cov(X,Y) =4D(X)+9D(Y)-12cov(X,Y) cov(X,Y)=E(XY)-E(X)E(Y)

Cauchy-Schwarz不等式 的充要条件是存在常数a0,b,使得

的充要条件是存在常数a≠0,使得 P{Y=aX+b}=1 rXY是一个可以用来表征X,Y之间线性关系紧密 程度的量. 当|rXY |较大(小)时, 通常说X,Y线性相 关的程度较好(差); 当rXY =1时, X与Y 线性正相关; 当rXY =−1时, X与Y 线性负相关; 当rXY =0时, X与Y不存在线性相关关系,此时称 X与Y不相关.(X与Y只是没有线性关系,不排除 有非线性相关关系)

例5 设X~U(-0.5,0.5),Y=cosX X与Y不相关. X与Y不独立. X与Y具有关系Y=cosX.

独立是指没有任何关系, 不相关是指没有线性相关关系. X ,Y 相互独立 X , Y 不相关 但是,若 ( X ,Y ) ~ N ( 1, 12, 2, 22, ), 则X ,Y 相互独立 X ,Y 不相关 注1:若(X,Y)~N(1,σ12, 2,σ22, ),则X和Y的相关系数为r. 注2:若(X,Y)~N(1,σ12, 2,σ22, ),则X和Y独立的充要条件是r=0. 独立 不相关

X , Y 不相关 X ,Y 相互独立 X ,Y 相互独立 X ,Y 相关 X , Y 不独立 X ,Y 相互独立 X , Y 不相关

例6 设 (X, Y) 的联合密度函数为 判断 X与Y 相关性与独立性. X与Y相关. X与Y不独立.

例7 设 (X, Y) 的联合密度函数为 判断 X与Y 独立性与相关性. X与Y不相关. X与Y不独立.