概率统计讲课稿第五章(第一,二节)

合集下载

概率论与数理统计教案第五章.docx

概率论与数理统计教案第五章.docx

概率论与数理统计教学教案第五章大数定律及中心极限定理教学基本指标教学课题第五章笫一节大数定律课的类型新知识课教学方法讲授、课堂提问、讨论、启发、自学教学手段黑板多媒体结合教学重点切比雪夫不等式和依概率收敛的定义,三个大数定律的讲解教学难点用切比雪夫不等式求解概率上界;理解依概率收敛的定义参考教材高教版、浙大版《概率论与梳理统计》作业布置课后习题大纲要求理解切比雪夫不等式的意义掌握用切比雪夫不等式求解概率X 一E(X)D 的上界理解依概率收敛的定义掌握切比雪夫大数定律掌握伯努利大数定律掌握辛钦大数定律理解大数定律在实际中的应用教学基本内容—、基本概念:1、切比雪夫不等式设随机变量X的数学期望E(x)及方差D(x)存在,则对于任意的£>(),有p(|x-E(X)*£)S字■2、随机变量序列极限的定义方式设X],X2‘ 是一个随机变量序列。

如果存在一个常数C ,使得对任意一个£>° ,总有lim P(| X n - c |< 6*) = 1 Y X X pe n。

那么,称随机变量序列2,依概率收敛于C,记作①I即对任意£ > 0, P(| X” _ C 2 £)T 0/ T 00二、定理与性质1、如果X”丄TC , Y n ^^b ,且函数g(x,y)在⑺,b)处连续,那么g(X 〃,ZJ 」^g(a,b)。

2、切比雪夫大数定律设随机变量序列X P X 2, ,X”,相互独立(或两两不相关),若存在常数c,使得D (Xj=ofWcvoo,7 = 1,2, ,/z,.则对任意£>0,有limP"TOO_ 1 〃 1 n也可以表示为无=—工E (XJ 。

刃7T比吿3、独立同分布大数定律设随机变量序列XpX 2, ,x”,对任意g>o,有、<£/独立同分布,若E (Xj = “vs, D (XJ 二b,g,山1,2,。

《概率论与数理统计》课件 概率学与数理统计 第五章

《概率论与数理统计》课件 概率学与数理统计 第五章

时,
n
n
X k =BnZn + k
k 1
k 1
n
近似地服从正态分布 N( k,Bn2) 。这说明无论随机变量 Xk (k
i 1
n
=1, 2,…)具有怎样的分布,只要满足定理条件,那么它们的和Xk
k 1
当n很大时就近似地服从正态分布。而在许多实际问题中,所
考虑的随机变量往往可以表示为多个独立的随机变量之和,因
实测值的算术平均值
时,取
作为 a 1 n
n i1 X i
1 n
n i 1
Xi
,根据此定理,当
n
足够大
的近似值,可以认为所发生的误差是
很小的,所以实用上往往用某物体的某一指标值的一系列
实测值的算术平均值来作为该指标值的近似值。
第二节 中心极限定理
在第二章,我们说只要某个随机变量受到许多相互独立 的随机因素的影响,而每个个别因素的影响都不能起决定性 的作用,那么就可以断定这个随机变量服从或近似服从正态 分布。这个结论的理论依据就是所谓的中心极限定理。概率 论中有关论证独立随机变量的和的极限分布是正态分布的一 系列定理称为中心极限定理( Central limit theorem) 。下面介 绍几个常用的中心极限定理.
P{X 102} P{ X 100 102 100} 1 P{X 100 2}
1
1
1 (2) 1 0.977250 0.022750.

对敌人的防御地进行100次轰炸,每次轰炸命中目标的炸弹数目是 一个随机变量,其期望值是2,方差是。求在100次轰炸中有180颗到 220颗炸弹命中目标的概率。 解 令第 i 次轰炸命中目标的炸弹数为 Xi ,100次轰炸中命中目

统计学课件 (05)第5章 概率与概率分布

统计学课件 (05)第5章 概率与概率分布

5 - 11
B A
A∩B
统计学
事件的关系和运算 (互斥事件)
事件A与事件B中,若有一个发生,另一个必定不发生, 则称事件A与事件B是互斥的,否则称两个事 件是相容的。显然,事件A与事件B互斥的充分必要条件是事件A与事件B没有公共的样本点
5 - 12
A
B
A 与 B互不相容
统计学
事件的关系和运算 (事件的逆)
5 - 28
统计学
概率的加法法则 (例题分析)
【例】根据钢铁公司职工的例子,随机抽取一名职工,计算该职工为炼钢厂或轧钢厂职工的概率
解:用A表示“抽中的为炼钢厂职工”这一事件;B表示“抽中的为轧钢厂职工”这一事件。随机 抽取一人为炼钢厂或轧钢厂职工的事件为互斥事件A与B 的和,其发生的概率为
P (A B ) P (A ) P (B )48 1 05 0 0 0 .50 04 121 52 05 000
统计学课件 (05)第5 章 概率与概率分布
统计学
第 5 章 概率与概率分布
§5.1 随机事件及其概率 §5.2 概率的性质与运算法则 §5.3 离散型随机变量及其分布 §5.4 连续型随机变量及其分布
5 -2
统计学
学习目标
1.
定义试验、结果、事件、样本空间、概率
2.
描述和使用概率的运算法则
3.
解:设A={读甲报纸},B={读乙报纸},C={至少读一种报纸}。则 P ( C ) =P ( A∪B )
= P ( A ) + P ( B ) - P ( A∩B ) =0.2 + 0.16 - 0.08 = 0.28
5 - 31
统计学
条件概率、乘法公式与独立事件

概率统计第五章.ppt

概率统计第五章.ppt

E(X ) 1
1
即 E(X )
用 X 估计 E(X ) , 的矩估计量是
ˆ 1 X
n
n
Xi
i 1
(2)设 X i 是第 i 个电器的使用寿命,i =1,2,…,10,则 X1, X 2 ,..., X10 是总体 X 的样本,所给数据是样本观测值。
10
∵ xi 19505 , n 10 i 1
n i 1
(Xi

X )2
,
K

(n
1)S 2
2
则有
(n 1)2 D(S 2 )
D(K)
4
2(n 1)
由此得到
D(S 2 ) 2 4
n 1
复习与练习
1. “若未知参数的两个估计量ˆ1 与ˆ2 满 足 D(ˆ1) D(ˆ2 ),则认为ˆ1比ˆ2有效”
这一说法是否正确?
Xi,S2

1
n
(
n 1 i1
X
2 i

n
X
2
)

E(X
)

, E(X
2
)

D( X
)
E2(X
)


2

2
n
E(S 2 ) 1 [n( 2 2 ) n( 2 2 )]
n 1
n
1 (n 1) 2 2
n 1
可以构造统计量
U

1 n
n i 1
1. 矩估计法
原理 用样本矩作为总体矩的估计
一般情形:

X

1 n
n i 1
Xi

概率与统计第五章课件课

概率与统计第五章课件课

e2dt
不难看出,当n很大时,
Y nB 1 ni n 1(X ii)B 1 n i n 1X ii n 1 i
近似服从标准正态分布N(0,1),也即
n
n
Xi BnYn i
i1
i1
近似服从正态分布:
n
N( i , Bn2 ) i 1
三、小结
独立同分布的中心极限定理 三个中心极限定理 李雅普诺夫定理
于是,由切比雪夫不等式得
P n n Ap P|XE|X D 2 X
又由X1,X2,…,Xn的独立性可知 D X D n n A n 1 2D (nA )p(1n p)
从而有 P |n n A p | D 2 X n 1p (1 2p ) 0(n )
上述伯努利大数定律从理论上给出了频率“接 近”概率这种“现象”的更加确切的含意,它反 映了大数次重复试验下随机现象所呈现的统计规 律性。
概率与统计第五章课件课
第一节 大数定律
问题的引入
第一章引入概率概念时,曾经指出,事件发 生的频率在一、二次或少数次试验中具有随机性 的,但随着试验次数n的增大,频率将会逐渐稳 定且趋近于概率。特别,当n很大时,频率与概 率会非常“接近”的。这个非常“接近”是什么 意思? 这与高等数学中的极限概念有否联系?本章将从 理论上讨论这一问题。
x
x
1 2 (x)2f(x)d xD 2 X 2 2
定理2 (伯努利(Bernoulli)大数定律)设 n A是n次独立
重复试验中事件A发生的次数,p是事件A在每次试验
中发生的概率,则对任意正数 >0,有
lim lim n PnnA
p1或
n PnnAp0


1, Xi 0,

概率统计简明教程(同济版)课件第5章

概率统计简明教程(同济版)课件第5章

此时我们需要研究的不仅仅是X及Y各自的性质, 更需要
了解这两个随机变量的相互依赖和制约关系。因此, 我们 将二者作为一个整体来进行研究,记为(X, Y),称为二维随机
变量,又称多维随机变量。
一维随机变量的定义
随机变量 设随机试验的样本空间为Ω ,如果对于每一
个样本点 ,均有唯一的实数 X ( ) 与

lim A B arctan x C arctan y A B C 1 x 2 2 y
lim A B arctan x C arctan y A B C arctan y 0 x 2
之对应,称 X X ( ) 的随机变量。 为样本空间Ω 上
设X是一个随机变量,称定义域为 , ,函 数值在区间 0,1 上的实值函数
F ( x) P X x
( x )
为随机变量X的概率分布函数,简称分布函数。
离散型随机变量
离散型随机变量 X 的所有可能取值是 x1,x2,…,xk,…,而X 取值 xk 的概率为 pk
SG P{( X , Y } G } SD
例4.设(X,Y)服从如图区 域D上的均匀分布, (1)求(X,Y)的概率密度; (2)求P{Y<2X} ;
解:
SD 1
1 ( x, y ) D (1) f ( x, y ) others 0
1 3 1 SG 1 1 2 2 4
(x, y)
x
联合分布函数的性质 ① 0 F ( x, y ) 1
x y
y
(,)
lim F x, y
x y

概率论与数理统计第五章ppt课件

概率论与数理统计第五章ppt课件

完整编辑ppt
8
定理1 (切贝谢夫定理)设1,2,...,是相互独立的随机 变量序列,各有数学期望E1,E2,...及方差D1,D2,... 并且对于所有i=1,2,...Di M,M与i无关,则任给0
limP n
1 n
n i1
i
1 n
n i1
Ei
1
此 定 理 表 明 n 个 独 立 随 机 变 量 的 平 均 值 n 1i n 1 i 依 概 率 收 敛 于 其 数 学 期 望 n 1i n1Ei
E
E (x E 2 )2 (x )d x E (x E 2 )2 (x )d x
(xE)2 2
(x)dx
D 2
完整编辑ppt
3
例 1设 是 掷 一 颗 骰 子 所 出 现 的 点 数 , 若 给 定 = 1, 2, 实 际 计 算 P(|-E|),并 验 证 切 贝 谢 夫 不 等 式 成 立 。
完整编辑ppt
23
例7 每颗炮弹命中飞机的概率为0.01,求500发炮弹 中命中5发的概率。
解 : 5 0 0 发 炮 弹 中 命 中 飞 机 的 数 目 服 从 二 项 分 布
n=500 p=0.01
np 5
npq 2.225
(1)直接计算
P ( 5 ) C 5 5 0 00 .0 1 5 0 .0 9 4 9 5=0.17635
第五章 大数定律与中心极限定理
§1 切贝谢夫不等式
研究随机变量的离差与方差的关系。
切贝谢夫不等式: 设 随 机 变 量 有 期 望 值 E 与 方 差 D 。 对 任 给 >0,有 P(|E|)D 2 P(|E|)1D 2
证 : 若 是 离 散 型 随 机 变 量 ,

概率论与数理统计PPT第5章

概率论与数理统计PPT第5章

三、大数定律
14
三、大数定律 例4
15
1 2 3
三、大数定律 解
16
三、大数定律 例4 续
01
OPTION
17
Байду номын сангаас
02
OPTION
03
OPTION
18
目录/Contents
5.1 5.2
大数定律 中心极限定理
中心极限定理 例5(高尔顿钉板实验)
19
如图,有一排有一个板上面有排钉子,每排相
邻的两个钉子之间的距离均相等。上一排钉子的水 平位置恰巧位于下一排紧邻的两个钉子水平位置的 正中间。从上端入口处放入小球,在下落过程中小 球碰到钉子后以相等的可能性向左或向右偏离,碰
1
随机事件与概率
05
《概率论与数理统计》 & 人民邮电出版社
2
目录/Contents
5.1 5.2
大数定律 中心极限定理
3
目录/Contents
5.1
大数定律
一、切比雪夫(Chebyshev)不等式 二、依概率收敛 三、大数定律
一、切比雪夫不等式 例1
4
一、切比雪夫不等式 定理1(切比雪夫不等式)
28
顾客,试用中心极限定理来揭穿这个街头赌博中的
骗术。

中心极限定理
29
-1 0.5
1 0.5
中心极限定理
30
中心极限定理 定理7(德莫弗—拉普拉斯中心极限定理)
31
中心极限定理 例7 某 单 位 的 局 域 网 有 100 个 终 端 , 每 个 终 端 有 10% 的时间在使用 , 如果各个终端使用与否是相互 独立的.(1)计算在任何时刻同时最多有15个个终 端在使用的概率;(2)用中心极限定理计算在任

概率论与数理统计第五章

概率论与数理统计第五章

第 ×× 次课 2学时本次课教学重点:常用的统计量 本次课教学难点:总体,简单随机样本,统计量的概念。

本次课教学内容:第五章 数理统计的基础知识 第一节 数理统计的基本概念 教学组织: 一、引言在前五章中我们学习了概率论的基本内容,因为随机变量及其所伴随的概率分布全面描述了随机现象的统计规律性,所以在概率论的许多问题中,概率分布通常都是已知的,或者假设是已知的,而一切计算与推理都是在此基础上得出来的。

然而,实际情况往往并非如此。

一个随机现象所服从的分布概型可能完全不知道,或者只知道其概型而不知其分布函数中所含的参数。

例如,某工厂生产的灯泡的寿命服从什么分布是不知道的。

再如,某厂生产的一件产品是合格品还是不合格品,我们知道它服从两点分布,但其参数p 却不知道。

那么怎样才能知道一个随机现象的分布或其参数呢?这就是数理统计所要解决的一个首要问题。

为了获得灯泡的寿命分布,我们从所有的灯泡中抽出一部分进行观察与测试以取得相关信息,从而做出推断。

由于观察和测试是随机现象,依据有限个观察与测试对整体所做出的推断不可能绝对准确,这个不确定性我们用概率来表达。

数理统计学的基本问题就是依据观测或试验所取得的有限信息对整体做出推断,每个推断必须伴有一定的概率来表明其可靠程度。

这种伴有一定概率的推断称为统计推断。

二、总体与随机样本 1、总体在数理统计中,我们往往研究有关对象的某一数量指标(如灯泡的寿命这一数量指标)。

为此,考虑与这一数量指标相联系的随机试验,对这一数量指标进行试验或观察。

我们把研究对象的全体所构成的一个集合称为总体,总体中的每个对象称为个体。

总体中所包含的个体的个数称为总体的容量。

容量有限的总体称为有限总体,容量无限的总体称为无限总体。

例如,考察某批灯泡的质量,如这一批灯泡共有5000只,每个灯泡的寿命是一个可能的观察值,是一个个体。

所有5000只灯泡的寿命是一个有限总体。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第五章随机变量的数字特征问题、目的、意义:所谓随机变量的数字特征,是指连系于它的分布函数的某些数,如平均值,方差等.它们反映随机变量的某些方的特征.在第二章我们举出常见的随机变量分布函数的各种例子,很多分布函数含有两个或多于一个参数(如泊松分布含有一个参数λ,正态分布含有两个参数μ和σ),这些参数往往是由某些数字特征或其它数值所决定的,因此找到这些特征,分布函数(或分布律,概率密度)跟着就确定了.但对一般随机变量,要完全确定它的分布函数就不那么容易了,不过在许多实践问题中,我们并不需要完全知道分布函数,我们只需要知道随机变量某些特征也就够了.例如,在测量某物体的长度时,测量的结果是一个随机变量.在实际工作中,往往用测量长度的平均数来代表这一物体的长度.又如对一射手的技术评定,除了要了解命中环数的平均值,同时还必须考虑稳定情况,命中点分散还是比较集中?由此而可见, 随机变量的数字特征的研究有理论上和实际上的重要意义.第一节 数学期望一、数学期望的概念设某射手进行了100次射击,其中命中7环10次,命中8环20次,命中9环40次,命中10环30次,求此人平均命中环数. 解平均环数为)3010409208107(1001⨯+⨯+⨯+⨯⨯1003010100409100208100107⨯+⨯+⨯+⨯=∑∑==⋅=⋅=107107k kkk p k n n k9.8= ,其中 100=n ,107=n ,208=n ,409=n ,3010=n .nnp kk=,是环数k 出现的频率.由于频率趋向于概率值,因此我们用概率来代替频率而引出数学期望的概念. 数学期望是平均值的推广.如果随机变量X 的分布律为{},1,2,,k k P X x p k n ===L ;称1nk k k x p =∑为X 的数学期望, 记为 1()nk k k E X EX x p ===∑ .“期望”在我们日常生活中常指有根据的希望。

1. 离散型随机变量X 的数学期望:定义1 设随机变量X 的分布律为: {Λ,2,1,}===k p x X P kk,若级数∑∞=1k kkp x 绝对收敛(即∑∞=1||k kkp x 收敛),则称级数∑∞=1k k k p x 为X 的数学期望, 记为 ∑∞===1)(k kkp x EX X E .2. 离散型随机变量X 的函数的数学期望:设()X g Y =,()x g 是连续函数; 定理 设X 是离散型随机变量, 且{Λ,2,1,}===k p x X P kk,若级数()kk kp x g ∑∞=1绝对收敛,则有:()==X Eg EY ()kk kp x g ∑∞=1.(计算()X g Y =的数学期望,按定义要先求出()X g Y =的分布律,再求}{1∑+∞===i i i y Y P y EY ,但这样麻烦,有了此定理计算起来就比较直接,不必求出Y 的分布律.(其实是先合并取相同值的概率,与后合并取相同值的概率之分,两个算法一致))例1 设随机变量X 的分布律如下:求,EX 2EX , )53(2+X E 解 2.03.023.004.02-=⨯+⨯+⨯-=EX ,,8.23.00)3.04.0(43.023.004.0)2(2222=⨯++=⨯+⨯+⨯-=EX 3.0]523[3.0]503[4.0]5)2(3[)53(2222⨯+⨯+⨯+⨯+⨯+-=+X E 4.133.05)3.04.0(17=⨯++⨯= .例2 设随机变量X 的分布律为1{}k P X k qp -==, ,0,1p q q p >=-,1,2,k =L ,求EX 和2EX .解 111{}k k k EX k P X k k qp +∞+∞-===⋅==⋅∑∑11k k q k p +∞-==⋅∑211(1)1q p p =⋅=--.这里,利用了幂级数求和公式)1()(111'-='=∑∑∞+=∞+=-xx x kx k kk k 2)1(1x -= xx x x x k k k -=+++++=∑+∞=11120ΛΛ,(1||<x ). 同理222111{}k k k EX k P X k k qp +∞+∞-===⋅==⋅∑∑211k k q k p +∞-==⋅∑3211(1)(1)p pq p p ++=⋅=--, 利用了))1(()()(2111112'-='='=∑∑∑+∞=-+∞=+∞=-x xkx x kx xk k k k kk k 3)1(1x x-+= , (1||<x )3. 连续型随机变量X 的数学期望:定义3 设X 的概率密度为()x f ,若积分()dx x xf ⎰+∞∞-绝对收敛(即()dx x f x ⎰+∞∞-||收敛),则称积分()dx x xf ⎰+∞∞-为X 的数学期望,记为EX X E =)(. 即()dx x xf EX ⎰+∞∞-=.4.连续型随机变量X的函数)(X g Y =的数学期望:定理 设随机变量X 的概率密度为()x f ,若积分()()dx x f x g ⎰+∞∞-绝对收敛,则随机变量)(X g Y =的数学期望()==X Eg EY ()()dx x f x g ⎰+∞∞-.(计算()X g Y =的数学期望,按定义要先求出()X g Y =概率密度)(y f Y ,再求()dy y f y EY Y⎰+∞∞-=,但这样麻烦,有时又难于求出)(y f Y ,有了此定理计算起来就比较直接,不必求出Y 的概率密度)例3 已知随机变量X 的概率密度为⎪⎩⎪⎨⎧≤<-≤≤=其它,021,210,)(x x x x x f ,求EX 及2EX .解 ()dx x xf EX⎰+∞∞-=()()()()01212xf x dx xf x dx xf x dx xf x dx +∞-∞=+++⎰⎰⎰⎰1201(2)x xdx x x dx =⋅+-⎰⎰122201(2)1x dx x x dx =+-=⎰⎰,()dx x f x EX⎰+∞∞-=22()()()()0122222012x f x dx x f x dx x f x dx x f x dx+∞-∞=+++⎰⎰⎰⎰12221(2)x xdx x x dx =⋅+-⎰⎰12323017(2)6x dx x x dx =+-=⎰⎰例4 随机变量X 服从柯西分布, 其概率密度为2111)(xx f +⋅=π ,+∞<<∞-x . 问X 的数学期望是否存在.解⎰+∞∞-dx x g )( 收敛是指⎰∞-0)(dx x g 和⎰+∞)(dxx g 都收敛.dx xx A20111||+⋅⎰π dx x x A⎰+=211π221121dx x A⎰+=π )(,)1ln(21|)1ln(21202+∞→+∞→+=+=A A x Aππ,积分dx xx 2111||+⋅⎰+∞π不收敛, 于是,积分dx xx 2111||+⋅⎰∞+∞-π不收敛, 发散,所以 X 的数学期望不存在.5.随机向量的函数的数学期望定理 设()Y X ,为随机变量,()y x g ,为连续函数,那么()Y X g Z ,=是一个随机变量.(1) 若()Y X ,为离散型随机变量,其分布律为{},,2,1,,,Λ====j i p y Y x X P ijji则有:()()==Y X Eg Z E ,()iji j jip y x g ∑∑∞=∞=11, ,其中要求()iji j jip y x g ∑∑∞=∞=11,绝对收敛.(2) 若()Y X ,为连续型随机变量,其概率密度为()y x f ,,则有: ()()Y X Eg Z E ,=()()dxdy y x f y x g ,,⎰⎰∞∞-∞∞-=,其中要求()()dxdy y x f y x g ,,⎰⎰∞∞-∞∞-绝对收敛.定理 设),,,(21n X X X ⋅⋅⋅为连续型随机变量, 其概率密度为()n x x x f ,,,21⋅⋅⋅,函数()nx x x g ,,,21⋅⋅⋅连续,则随机变量 ),,,(21nX X X g Z ⋅⋅⋅=的数学期望)],,,([21n X X X g E EZ ⋅⋅⋅=nn n R dx dx dx x x x f x x x g n⋅⋅⋅⋅⋅⋅⋅⋅⋅=⎰212121),,,(),,,(例5 设随机变量()Y X ,的分布律为求 ,及 解 ij iji p x EX ∑∑=∑∑=ijij i p x}{i ii x X P x ==∑47)4121(2)041(1=+⨯++⨯=,ij ijj p y EY ∑∑=∑∑=jiij j p y}{j jj y Y P y ==∑21)410(1)2141()1(-=+⨯++⨯-=,ij ijj i p y x XY E ∑∑=)(01141)1(1⋅⨯+⋅-⨯=43411221)1(2-=⋅⨯+⋅-⨯+ 。

例6 设随机变量()Y X ,在矩形区域 20,10:≤≤≤≤y x G 内服从均匀分布,求]cos [sin 2Y X E ⋅. 解 ()Y X ,的概率密度为⎪⎩⎪⎨⎧≤≤≤≤=其它,020,10,21),(y x y x f ,]cos [sin 2Y X E ⋅dxdy y x f y x ),(cos sin 2⋅⋅=⎰⎰+∞∞-+∞∞-dxdy y x 21cos sin 10202⋅⋅=⎰⎰⎰⎰⋅=20102cos sin 21ydy xdx dx x⎰-=1022cos 12sin 21 )2sin 211(212sin 21-⋅= . 二. 数学期望的性质(1)设C 为常数,则有C C E =)(; (2)设C 为常数,X 为随机变量,则有CEX CX E =)( ; (3) 设Y X ,为任意随机变量, 则有EY EX Y X E +=+)(;证明 只就离散型随机变量的情形给出证明. 若()Y X ,为离散型随机变量,其分布律为{},,2,1,,,Λ====j i p y Y x X P ijji则有:()=+Y X E ()ij i j j i p y x ∑∑∞=∞=+11∑∑∑∑∞=∞=∞=∞=+=1111i j ijj i ij j i p y p x)()(1111∑∑∑∑∞=∞=∞=∞=+=j i ij j i j ij i p y p x }{}{11jj jii iy Y P y x X P x =+==∑∑∞=∞=EY EX += .c bEY aEX c bY aX E ++=++)(, (c b a ,,为常数)性质(3)可以推广到任意有限个随机变量的和的情形:设),,,(21nX X X ⋅⋅⋅随机变量, 则有∑∑===ni ini iEX X E 11)(,∑∑===ni iin i iiEX k X k E 11)( ;(4)设Y X ,为相互独立的随机变量,且||,||,(||)E X E Y E XY 存在,则有EY EX XY E ⋅=)(,证明 只就离散型随机变量的情形给出证明. 若()Y X ,为离散型随机变量,其分布律为{},,2,1,,,Λ====j i p y Y x X P ijji且X 与Y 相互独立,即{},,2,1,},{}{,Λ==⋅====j i y Y P x X P y Y x X P jiji则有 ()=XY E()iji j jipy x ∑∑∞=∞=11()},{11jii j jiy Y x X P y x ===∑∑∞=∞=()}{}{11jii j jiy Y P x X P y x ===∑∑∞=∞=}){}({11jj jii iy Y P y x X P x ===∑∑∞=∞=EY x X P x ii i}{1==∑∞=EY EX ⋅= .性质(4)可以推广到任意有限个随机变量的积的情形:设nX X X ,,,21⋅⋅⋅为相互独立的随机变量, 则有)(21nX X X E ⋅⋅⋅ nEX EX EX ⋅⋅⋅⋅=21.利用性质计算数学期望举例例7 一批产品中有M 件正品,N 件次品,从中任意抽取n 件,以X 表示取到次品的件数,求随机变量X 的数学期望.解 }{k X ==恰取到k 件次品,nNM k n Mk N C C C k X P +-==}{, l k ,,1,0⋅⋅⋅=;),min(N n l =;∑∑==+-===lk lk n NM k Nk n M C C C k X P 00}{1,(比较NMNM x x x )1()1()1(++=++两边nx的系数,得到)方法一EX∑∑==+-===lk lk nN M k Nk n M C C C k k X kP 00}{∑=--+---+⋅⋅=lk n N M k N kn MC nN M Ck N C k 11111)(∑=--+-----+=l k n N M k N k n MC C C N M nN 11111)1(1NM nN += . (从M 件正品和1-N 件次品中,从中任意抽取1-n 件,取到次品件数的分布律之和为1)方法二 取 n 个产品可看作不放回地取n 次,每次取一个产品.令⎩⎨⎧=次取到正品第取到次品第i i X i,0,1 ,n i ,,2,1⋅⋅⋅=,则 nX X X X +⋅⋅⋅++=21,且有NM NX P i+==}1{, n i ,,2,1⋅⋅⋅=,NM NX P X P EX iii+==⋅+=⋅=}0{0}1{1,于是)(21nX X X E EX +⋅⋅⋅++=NM nNN M N EX ni ni i+=+==∑∑==11. 例8 设一袋中有n 个白球和m 个黑球,现在从中无放回接连抽取N 个球,求第i 次取时得黑球的概率(m n N i +≤≤≤1).解 设=i A “第i 次取时得黑球”,显然 mn mA P +=)(1,把n 个白球和m 个黑球看作是各不相同,样本空间考虑前N 次摸球.那么,样本点总数就是从m n +个球中任取N 个球的排列数,即N mn A +,而其中第i 个位置上排黑球的排法是从m 个黑球中任取一个,排在第i 个位置上,再从余下的1-+m n 个球中任取1-N 个, 排在其余1-N 个位置上,这种排法一共有111--+N m n m A C ,于是m n m A A C A P N mn N m n m i +==+--+111)(, (m n N i +≤≤≤1).本题表明,摸得黑球的概率于摸球的先后次序无关.这个结论与我们日常的生活经验是一致的.例如体育比赛中进行抽签,对各队机会均等,与抽签的先后次序无关.书上133页 NM NX P i+==}1{就解决了.例9 将n 只球放入M 只盒子中去,每只球落入各个盒子是等可能的,(每盒容纳球的个数不限),求有球的盒子数X 的数学期望.解设 ==}1{i X 第i 只盒子中有球, ==}0{iX 第i 只盒子中无球, M i ,,2,1⋅⋅⋅= .则∑==Mi iX X 1.而 nniMM X P )1(}0{-==,nniiMM X P X P )1(1}0{1}1{--==-==,所以}0{0}1{1=⋅+=⋅=iiiX P X P EXnn MM )1(1--=,故∑∑====Mi iMi iEXX E EX 11)(])1(1[nn MM M --=.例10 书上158页 习题7将100只铅笔随机地分给80个孩子,如果每支铅笔分给哪个孩子是等可能的,问:平均有多少孩子得到铅笔?解 设有X 个孩子得到铅笔,==}1{iX 第i 个孩子得到铅笔, ==}0{iX 第i 个孩子没得到铅笔,80,,2,1⋅⋅⋅=i .则∑==801i iX X .25.18010080100100)8011(80)180(}0{-⋅≈-=-==eX P i,100)8011(1}0{1}1{--==-==iiX P X P ,}0{0}1{1=⋅+=⋅=iiiX P X P EX100)8011(1--=,故∑∑====801801)(i ii iEXX E EX ])8011(1[80100--=57]1[8025.1≈-≈-e .(查数学用表或用数学软件)第二节 方差 一. 方差的概念定义6 设随机变量X 的数学期望为EX ,若2)(EX X E -存在, 则称2)(EX X E -为X 的方差, 记作DX ,或)(X D ,或VaxX , 即2)()(EX X E X D DX -==, DX 称为标准差或均方差.方差的计算公式:方差DX ,实际上是求随机变量X 的函数2)(EX X Y -=的数学期望,因而(1)若X 是离散型随机变量,分布律为iip x X P ==}{, ⋅⋅⋅=,2,1i 则ii ip EX x EX X E DX 212)()(-=-=∑∞=;(2)若X 是连续型随机变量,概率密度为)(x f ,则dx x f EX x EX X E DX )()()(22⎰+∞∞--=-=; (3)22)(EX EX DX -=,(简便计算公式,常用) 2)(EX X E DX -=])(2[22EX EX X X E +⋅-=22)(2EX EX EX EX +⋅-=22)(EX EX -= .方差计算举例例1 设随机变量X 的分布律为求DX .解 }{iiix X P x EX ==∑821824823832811=⨯+⨯+⨯+⨯=,}{22iiix X P x EX ==∑8638248238328112222=⨯+⨯+⨯+⨯=,22)(EX EX DX -=6463)821(8632=-=.例2 设随机变量X 的概率密度为⎪⎩⎪⎨⎧<≤-<≤-+=其它,010,101,1)(x x x x x f ,求,EX DX 及}2|{|DX EX X P ≤-.解 易知)(x f 是偶函数, 所以⎰+∞∞-==0)(dx x xf EX , ⎰+∞∞-=dx x f x EX )(22()11211()x f x dx -+∞-∞-=+++⎰⎰⎰⎰1221(1)(1)x x dx x x dx -=++-⎰⎰12323101()()6x x dx x x dx -=++-=⎰⎰, 于是 61)(22=-=EX EX DX ,}2|{|DX EX X P ≤- ⎰-=≤=3131)(}31|{|dx x f X P95)1()1(310031=-++=⎰⎰-dx x dx x .二.方差的性质(1)设C 为常数,则有0)(=C D ; (2)设C 为常数,X 为随机变量,则有DX C CX D 2)(= ;(3)设Y X ,相互独立的随机变量,则有EY EX XY E ⋅=)(,DY DX Y X D +=+)(,DX a c aX D 2)(=+,DY b DX a c bY aX D 22)(+=++, DY DX Y X D +=-)(,22()()[()]D XY E XY E XY =-2222()()EX EY EX EY =⋅- 。

相关文档
最新文档