正态分布的数学期望与方差 正态分布： 密度函数为：分布函数为 的分布称为正态分布，记为N(a, σ2). 密度函数为： 或者 称为n元正态分布。其中B是n阶正定对称矩阵，a是任意实值行向量。 称N(0,1)的正态分布为标准正态分布。 （1）验证是概率函数（正值且积分为1） （2）基本性质： （3）二元正态分布： 其中， 二元正态分布的边际分布仍是正态分布： 二元正态分布的条件分布仍是正态分布：
即（其均值是x的线性函数） 其中r可证明是二元正态分布的相关系数。 （4）矩，对标准正态随机变量，有 （5）正态分布的特征函数 多元正态分布 （1）验证其符合概率函数要求（应用B为正定矩阵，L为非奇异阵，然后进行向量线性变换） （2）n元正态分布结论 a) 其特征函数为： b) 的任一子向量,m≤n 也服从正态分布，分布为其中，为保留B 的第，…行及列所得的m阶矩阵。 表明：多元正态分布的边际分布还是正态分布 c) a,B分别是随机向量的数学期望及协方差矩阵，即 表明：n元正态分布由它的前面二阶矩完全确定 d) 相互独立的充要条件是它们两两不相关 e) 若，为的子向量，其中是，的协方差矩阵，则是，相应分量的协方差构成的相互协方差矩阵。则相互独立的充要条件为＝0 f) 服从n元正态分布N(a,b)的充要条件是它的任何一个线性组合服
从一元正态分布 表明：可以通过一元分布来研究多元正态分布 g) 服从n元正态分布N(a,b),C为任意的m×n阶矩阵，则服从m元正态分布 表明：正态变量在线性变换下还是正态变量，这个性质简称正态变量的线性变换不变性 推论：服从n元正态分布N(a,b)，则存在一个正交变化U，使得是一个具有独立正态分布分量的随机向量，他的数学期望为Ua，而他的方差分量是B的特征值。 条件分布 若服从n元正态分布N(a,b)，，则在给定下，的分布还是正态分布，其条件数学期望： (称为关于的回归) 其条件方差为： （与无关）
毕业论文（设计） 题目：概率论中数学期望的概念 姓名： 学号：0411******* 教学院：数学与计算机科学学院 专业班级：数学与应用数学专业2008级1班 指导教师： 完成时间：2012年04月10日 毕节学院教务处制
概率论中数学期望概念 摘要：数学期望是现代概率论中最重要的基本概念之一，无论在理论上还是在应用中都具有重要的地位和作用。但是，数学期望这一概念对许多学者来说却又是一个难点，特别是对概念的理解和对这一数学工具的使用上都很难掌握。本文从离散型随机变量的来源、定义、分布及其理解上详细阐述概率论中的数学期望的概念及其性质，并介绍说明这一数学工具在实际生活中的应用。目的是希望能给更多的学者提供一些参考及帮助。 关键词：离散型；随机变量；分布；函数；期望 Mathematical expection concept
in theory of probability Candidate:Xiong Xiao-ping Major:Mathematics and applied mathematics Student No:0411******* Advisor:Xue Chao-kui(Lecturer) Abstract:Mathematical expectation is the modern theory of probability in the most important one of the basic concept, whether in theory or in the applications has an important position and role. But, mathematical expectation is a difficult concept for many scholars, especially for the understanding of concepts and the mathematical tools to the use of all difficult to master. This article from source of discrete random variable, definition, distribution and understand the detail on the mathematics of the concept of probability theory and its properties expectations, and introduces the mathematical tools that in the actual life application. The main purpose is to give more scholars can provide some reference and help. Keywords:discrete; Random variable, Distribution; Functions; expect
分布函数 分布函数（Cumulative Distribution Function, CDF）是概率统计中重要的函数，正是通过它，可用数学分析的方法来研究随机变量。 1.伯努利分布 伯努利分布(Bernoulli distribution)又叫做两点分布或者0-1分布，是一个离散型概率分布，若伯努利实验成功，则伯努利随机变量取值为1，如果失败，则伯努利随机变量取值为0。并记成功的概率为p，那么失败的概率就是1p -，则数学期望为p，方差为(1) p p -，概率密度函数为 2.二项分布 二项分布即重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。假设每次试验的成功概率为p，则二项分布的密度函数为： 二项分布函数的数学期望为np，方差为(1) np p -，记为~(,) X B n p。概率密度分布图如下所示。 3.正态分布 正态分布（Normal distribution）又名高斯分布（Gaussian distribution），若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X~N(μ,σ2),则其概率密度函数为 正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。通常所说的标准正态分布是μ = 0,σ = 1的正态分布。 分布曲线特征： 图形特征 集中性：正态曲线的高峰位于正中央，即均数所在的位置。 对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。 均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。 曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
13 正态分布的概率密度、分布函数、数学期望与方差 一、设随机变量X 服从正态分布)2,1(2N ，求（1）)8.56.1(<≤-X P ；（2）)56.4(≥X P ． 解：(1) )4.22 1 3.1()8.416.2()8.56.1(<-≤ -=<-≤-=<≤-X P X P X P 8950 .09032.019918.0)]3.1(1[)4.2()3.1()4.2(1,01,01,01,0=+-=--=--=ΦΦΦΦ (2) )78.12 1 78.2(1)56.4(1)56.4(<-< --=<-=≥X P X P X P )]78.2(1)78.1(1)]78.2()78.1([11,01,01,01,0ΦΦΦΦ-+-=---= .0402.09973.09625.02=-- 二、已知某种机械零件的直径X （mm ）服从正态分布)6.0,100(2N ．规定直径在2.1100±（mm ） 之间为合格品，求这种机械零件的不合格品率． 解：设p 表示这种机械零件的不合格品率，则)2.1100(1)2.1100(≤--=>-=X P X P p ． 而)26 .0100 2()6.02.16.01006.02.1( )2.1100(≤-≤-=≤-≤-=≤-X P X P X P 1)2(2)]2(1[)2()2()2(-Φ=Φ--Φ=-Φ-Φ= 9544.019772.02=-?= 故0456.09544.01=-=p ． 三、测量到某一目标的距离时发生的误差X (m)具有概率密度 3200 )20(22401)(-- = x e x f π 求在三次测量中至少有一次误差的绝对值不超过30m 的概率． 解：三次测量中每次误差绝对值都超过30米可表为 }30{}30{}30{>?>?>=ξξξD 第三次第二次第一次 因为)40,20(~2 N ξ，所以由事件的相互独立性，有 31,01,033)]25 .0(1)25.1([})3030{(})30{()(ΦΦ-+-=>+-<=>=ξξP ξP D P 13025.05069.0)8944.05987.02(3 3 ≈=--= 于是有 86975.013025.01)(1}30{=-=-= 龙源期刊网 https://www.doczj.com/doc/4a3558289.html, 概率统计与数学期望 作者：汪元忠 来源：《课程教育研究·学法教法研究》2018年第36期 【摘要】随着人类社会的进步，科学技术的发展，经济全球化的日益进程，数学在生活 中的应用越来越广，生活中的数学无处不在.而数学中的一个非常重要的分支——概率统计， 在众多领域内扮演着越来越重要的角色，取得越来越广泛的应用。正如英国逻辑学家和经济学家杰文斯所说：概率论是“生活真正的领路人，如果没有对概率的某种估计，我们就寸步难行，无所作为”。 【关键词】概率统计数学期望 【中图分类号】G623.5 【文献标识码】A 【文章编号】2095-3089（2018）36-0117-01 数学期望在解数学题和实际生活中的一些应用，通过围绕数学期望在证明一些数学不等式、分析彩票中奖概率、医学普查及投资等实际问题中的应用，进一步揭示概率统计中数学期望与数学本身及实际生活的密切联系，为应用概率知识解决实际问题，数学模型的建立，学科知识的迁移奠定一定的理论基础。概率统计的分支学科—数学期望的应用尤为广泛，随着科学技术的发展与计算机的普及，它已广泛地应用于各行各业，成为研究自然科学，社会现象，处理工程和公共事业的有力工具，下面浅谈数学期望在实际生活中的一些应用： 数学期望在商品出售获利方面的应用：按节气出售的某种节令商品，每售出1斤可获利a 元，过了节气处理剩余的这种商品，每售出1斤净亏损b元。设商店在季度内这种商品的销量是一随机变量，在区间内服从均匀分布。为使商店所获利润的数学期望最大，问该商店应进多少货？ 分析如下：设t表示进货数，进货t所获利润记为Y，则Y是随机变量， 令=0，得驻点t=由此可知，该店应进公斤商品，才能使利润的数学期望最大。 数学期望在医学普查中的应用：某地区的群众患有肝炎的概率为0.004左右，假若要对该地区5000人经行肝炎感染的普查，问用分组检验方法是否比逐个检查减少了次数？ 分析如下：设将这5000人分成5000/K组，每组k人，每人所需检验的次数为随机变量，则的概率分布为： 每人平均所需检验次数的期望为： §2.6条件分布与条件数学期望 一、条件分布 我们知道随机变量的分布列全面地描述了随机变量的统计规律，如果要同 时研究两个随机变量，就需要他们的联合分布列，设二维随机变量（）的可 能取值为（）i.j=1.2…,为了计算联合分布列，利用乘法公式： 其中是表示在“”的条件下””的条件概率，常常记作 j=1.2…容易验证这时有 1） i=1.2… 2） 这说明具有分布列的两个性质， 事实上因而确是一个分布列，它描述了在””的条件 下，随机变量的统计规律，当然一般来说这个分布列与原来的分布列 不同，称为条件分布列。 如果（）的联合分布列已知，则边际分布列为： 从而 由对称性，同时还有 反过来，如果已知，（或，）也可求得联合分布列 。 设与相互独立 显然当与相互独立时，。 二、条件数学期望 既然是一个分布列，当然可以对这个分布列求数学期望； 1、定义 定义：设随机变量在“”条件下的条件分布列为， 又，则称为在“”条件下的条件数学期望，简称条件期望，记作。 例1：某射手进行射击，每次击中目标的概率为p(0 2066 - 经济应用数学三（概率论） 单项选择题 1．设A，B为随机事件，则（）。 A.A B.B C.AB D.φ 答案：A 2．设A，B为两随机事件，且B?A，则下列式子正确的是（）。 A.P(A∪B)=P(B) B.P(AB)=P(B) C.P(B|A)=P(B) D.P(B-A)=P(B)-P(A) 答案：B 3．从装有2只红球，2只白球的袋中任取两球，记： A=“取到2只白球”则=（）。 A.取到2只红球 B.取到1只红球 C.没有取到白球 D.至少取到1只红球 答案：D 4．设对于随机事件A、B、C,有P(A)=P(B)=P(C)=1/4,且P(AB)=P(BC)=0，则三个事件A、B、C, 至少发生一个的概率为（）。 A.3/8 B.5/8 C.3/4 D.5/4 答案：B 5．设事件A与B同时发生时，事件C一定发生，则（）。 A.P(A B)=P(C) B.P(A)+P(B)-P(C)≤1 C.P(A)+P(B)-P(C)≥1 D.P(A)+P(B)≤P(C) 答案：B 6．进行一系列独立的试验，每次试验成功的概率为p，则在成功2次之前已经失败3次的概率为（）。 A.p2(1-p)3 B.4p(1-p)3 C.5p2(1-p)3 D.4p2(1-p)3 答案：D 7．设A, B是任意两个概率不为零的互不相容事件, 则必有（）。 A.P(AB)=P(A)P(B) B.P(A-B)=P(A) C.与互不相容 D.与相容 答案：B 8．设某人向一个目标射击, 每次击中目标的概率为0.8 , 现独立射击3次, 则3次中恰好有2次击中目标的概率是（）。 A.0.384 B.0.64 C.0.32 D.0.128 答案：A 9．对掷一枚硬币的试验, “出现正面”称为（）。 A.样本空间 B.必然事件 C.不可能事件 D.随机事件 答案：D 10．事件A，B相互独立，且P(A)=0.7，P(B)=0.6，P(A-B)=（）。 A.0.28 B.0.42 C.0.88 D.0.18 答案：A 11．事件A，B相互独立，且P(A)=0.7，P(B)=0.2，P(A-B)=（）。 A.0.46 B.0.42 C.0.56 D.0.14 答案：C 12．设A,B为两个随机事件，且P(B)>0,P(A│B)=1则有（）。 A.P(A∪B)>P(A) B.P(A∪B)>P(B) C.P(A∪B)=P(A) D.P(A∪B)=P(B) 答案：C 13．下列函数为正态分布密度的是（）。 概率论基础知识 第四章 随机变量的数字特征 一 数学期望 §4.1.1离散型随机变量的数学期望 例1：全班40名同学，其年龄与人数统计如下： 该班同学的平均年龄为： 若令x 表示从该班同学中任选一同学的年龄，则x 的分布律为 于是，x 取值的平均值，即该班同学年龄的平均值为 定义1：设x 为离散型随机变量，其分布律为 如果级 数 绝对收敛，则此级数为x 的数学期望（或均值）既为 E(X)，即 E(X)= 意义：E(X)表示X 取值的（加权）平均值 例2：甲、乙射手进行射击比赛，设甲中的环数位X1，乙中的环数为X2，已知X1和X2的分布律分别为： 问谁的平均中环数高？ 解：甲的平均中环数为 E(X 1)=8 0.3+9 0.1+10 0.6=9.3 乙的平均中环数为 E(X 2)=8 0.2+9 0.5+10 0.3=9.1 可见E(X 1)> E(X 2)，即甲的平均中环数高于乙的平均中环数。 例3：设 ，求E(X) 解：由于 ，其分布律为 ，k=0,1,2…,所以 例4：一无线电台发出呼唤信号被另一电台收到的概率为0.2，发方每隔5秒拍发一次呼唤信号，直到收到对方的回答信号为止，发出信号到收到回答信号之间需经16秒钟，求双方取得联系时，发方发出呼唤信号的平均数？ 解：令X 表示双方取得联系时，发方发出呼唤信号的次数。X 的分布律为 于是，双方取得联系时，发方发出的呼唤信号的平均数为 由于 ,求导数 将x=0.8代如上式，便得 将此结果代入原式便得： （次） §4.1.2连续型随机变量的数学期望 绝对收敛，则称此积 分为X 的数学期望，记为E(X)，即 ， 例7：设风速V 是一个随机变量，且V~U[0,a]，又设飞机的机翼上所受的压力W 是风速V 的函数： 这里a,k 均为已知正数。试求飞机机翼上所受的平均压力E(W)。 上课材料之三： 第二节 分布函数(Distribution function)，数学期望(Expectation) 与方差(Variance) 本节主要介绍概率及其分布函数，数学期望，方差等方面的基础知识。 一、概率(Probability) 1、概率定义(Definition of Probability) 在自然界和人类社会中有着两类不同的现象，一类是决定性现象，其特征是在一定条件必然会发生的现象；另一类是随机现象，其特征是在基本条件不变的情况下，观察到或试验的结果会不同。换句话说，就个别的试验或观察而言，它会时而出现这种结果，时而出现那样结果，呈现出一种偶然情况，这种现象称为随机现象。 随机现象有其偶然性的一面，也有其必然性的一面，这种必然性表现为大量试验中随机事件出现的频率的稳定性，即一个随机事件出现的频率常在某了固定的常数附近变动，这种规律性我们称之为统计规律性。 频率的稳定性说明随机事件发生可能性大小是随机事件本身固定的，不随人们意志而改变的一种客观属性，因此可以对它进行度量。 对于一个随机事件A ，用一个数P （A ）来表示该事件发生的可能性大小，这个数P （A ）就称为随机事件A 的概率，因此，概率度量了随机事件发生的可能性的大小。 对于随机现象，光知道它可能出现什么结果，价值不大，而指出各种结果出现的可能性的大小则具有很大的意义。有了概率的概念，就使我们能对随机现象进行定量研究，由此建立了一个新的数学分支——概率论。 概率的定义 定义在事件域F 上的一个集合函数P 称为概率，如果它满足如下三个条件： （i ）P （A ）≥0，对一切∈A F （ii ）P （Ω）=1； （iii ）若∈i A ，i=1,2…，且两两互不相容，则 ∑∑∞ =∞==??? ??1 1)(i i i i A P A P 性质（iii ）称为可列可加性（conformable addition ）或完全可加性。 推论1：对任何事件A 有)(1)(A P A P -=； 6数理统计的基本概念 6.1 基本要求 1 理解总体、样本(品)、样本容量、简单随机样本的概念。能在总体分布给定情况下，正确无误地写出样本的联合分布，这是本章的难点。 2*了解样本的频率分布、经验分布函数的定义，了解频率直方图的作法。 3 了解χ2分布、t分布和F分布的概念及性质，了解临界值的概念并会查表计算。 4 理解样本均值、样本方差及样本矩的概念。了解样本矩的性质，能借助计算器快速完成样本均值、样本方差观察值的计算。了解正态总体的某些常用抽样分布。 6.2 内容提要 6.2.1 总体和样本 1 总体和个体研究对象的某项特征指标值的全体称为总体(或母体)，组成总体的每个元素称为个体。总体是一个随机变量，常用X，Y等来表示。 2 样本从总体中随机抽出n个个体称为容量为n的样本，其中每个个体称为样品，它们都是随机变量。 3 简单随机样本设X1，X2，…，X n是来自总体X的容量为n 的样本，如果这n个随机变量X1，X2，…，X n相互独立且每个样品X i与总体X具有相同的分布，则称X1，X2，…，X n为总体X的简单随机样本。 4 样本的联合分布 *该部分内容考研不作要求。 149 150 若总体X 具有分布函数F (x )，则样本(X 1，X 2，…，X n )的联合分布函数为 ∏== n i i n x F x x x F 1 21) (),,,( 若总体X 为连续型随机变量，其概率密度函数为f (x )，则样本的联合概率密度为 ∏ == n i i n x f x x x f 1 21) (),,,( (6.1) 若总体X 为离散型随机变量，其分布律为P {X =a i }=p i (i =1，2，…n)，则样本的联合分布为 ∏=== ===n i i i n n x X P x X x X x X P 1 22 11} {},,,{ (6.2) 其中),,,(21n x x x 为),,,(21n X X X 的任一组可能的观察值。 6.2.2 样本分布 1 频率分布 设样本值(x 1，x 2，…，x n )中不同的数值是x 1*，x 2*，…，x l *，记相应的频数分别为n 1，n 2，…，n l ，其中x 1*< x 2*<…< x l * 且n n l i i =∑=1 。 则样本的频数分布及频率分布可由表6-1给出。 对概率论与数理统计的认识 对概率论与数理统计的认识 院系数学与信息工程系专业数学与应用数学 姓名刘建丽 对概率论与数理统计的认识 摘要 概率作为数学的一个重要部分，在生活中的应用越来越广，同样也在发挥着越来越广泛的用处。加强数学的应用性，让学生用数学知识和数学的思维方法去看待，分析，解决实际生活问题，在数学活动中获得生活经验。这是当前课程改革的大势所趋。加强应用概率的意识，不仅仅是学习的需要，更是工作生活必不可少的。人类认识到随机现象的存在是很早的，但书上讲的都是理论知识，我们不仅仅要学好理论知识，应用理论来实践才是重中之重。学好概率论，并应用概率知识解决现实问题已是我们必要的一种生活素养。 关键字：概率论实践解决问题 一，学科历史 三四百年前在欧洲许多国家，贵族之间盛行赌博之风。掷骰子是他们常用的一种赌博方式。因骰子的形状为小正方体，当它被掷到桌面 上时，每个面向上的可能性是相等的，即出现1点至6点中任何一个点数的可能性是相等的。有的参赌者就想：如果同时掷两颗骰子，则点数之和为9与点数之和为10，哪种情况出现的可能性较大。 17世纪中叶，法国有一位热衷于掷骰子游戏的贵族德·梅耳，发现了这样的事实：将一枚骰子连掷四次至少出现一个六点的机会比较多，而同时将两枚骰子掷24次，至少出现一次双六的机会却很少。这是什么原因呢？后人称此为著名的德·梅耳问题。又有人提出了“分赌注问题”：两个人决定赌若干局，事先约定谁先赢得6局便算赢家。如果在一个人赢3局，另一人赢4局时因故终止赌博，应如何分赌本？诸如此类的需要计算可能性大小的赌博问题提出了不少，但他们自己无法给出答案。数学家们“参与”赌博。参赌者将他们遇到的上述问题请教当时法国数学家帕斯卡，帕斯卡接受了这些问题，他没有立即回答，而把它交给另一位法国数学家费尔马。他们频频通信，互相交流，围绕着赌博中的数学问题开始了深入细致的研究。这些问题后来被来到巴黎的荷兰科学家惠更斯获悉，回荷兰后，他独立 常见分布的期望和方差 概率与数理统计重点摘要 1、正态分布的计算：()()( )X F x P X x μ σ -=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞ -∞ = ?? 具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y << ，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1 (,)( arctan )( arctan )2 3 x y F x y π π π 2 =++2 2 的概率密度为：2 222 6 (,)(,)(4)(9) f x y F x y x y x y π? = = ??++ 5、二维随机变量的边缘分布： 边缘概率密度： ()(,)()(,)X Y f x f x y dy f y f x y dx +∞-∞+∞ -∞ == ?? 边缘分布函数： ()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞-∞-∞+∞-∞ -∞ =+∞==+∞= ?? ?? 二维正态分布的边缘分布为一维正态分布。 6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。简称X 与Y 独立。概率统计与数学期望
§条件数学期望和条件方差
概率论2016_经济应用数学三()
概率论基础知识归纳第四章
第二节 分布函数(Distribution function),数学期望(Expectation(金融计量-浙大 蒋岳祥))
常见的分布函数
对概率论与数理统计的认识
常见分布的期望和方差
相关主题
文本预览