随机变量的分解论文(精选12篇)
随机变量的分解论文 第1篇
关键词:随机变量,期望曲线,相关系数,随机变量的分解
0 引言
文献[1]通过在概率论中引入“零变量”概念,首次将高等代数中的向量空间理论应用于概率论的研究中,得出一些有意义的结果。本文在此基础上,将随机变量看成向量,在第二节利用文献[2-4]中有关向量分解的定理,得到了随机变量的分解定理。并在第三节中利用得到的分解定理,讨论了二维随机变量相关系数的几何意义,给出了未知分布的情况下,相关系数的一种估计方法。
1 随机变量的分解
我们的目的是将(ξ,η)中的一个变量表示成另一随机变量的函数与一个性质明确的随机变量之和。
引理[2]1设W是欧氏空间V的一个有限维子空间,存在V的一个子空间W⊥,有V=W茌W⊥,因而V中的每一向量η可唯一表示成η=ξ+ζ,这里ξ∈W,<ζ,W>=0。
引理2(ξ,η)是二维标准正态分布,φ(x,y)是其联合分布密度函数,则有:(1)E(E(η/ξ))=E(η);(2)对任一h(ξ)(E(h2(ξ))存在),有E(η-E(η/ξ))2燮E(η-h(ξ))2;(3)E(ξE(η/ξ))=ρξn,E(ξ(η-E(η/ξ))=0。
上述结果说明,当ξ=x时,E(η/(ξ=x))是η的中心,我们称E(η/(ξ=x))为η关于ξ的期望曲线。E(η/ξ)是所有h(ξ)(E(h2(ξ))存在)中,使得E(η-h(ξ))2达到最小。ξ与η的相关系数ρξn实际上是ξ与E(η/ξ)乘积的均值,ξ与η-E(η/ξ)不相关。
定理1设(ξ,η)是二维标准正态分布,φ(x,y)是其联合分布密度函数,若满足下列条件:(1)E(f2(ξ))存在,(2)ξ与ζ不相关,(3)ζ的均方误差最小,则η可唯一的表示为η=f(ξ)+ζ,其中f(ξ)=E(η/ξ)。
证明设V[f]=E(η-f(ξ))2,其中V[f]是以f(x)为未知函数的泛函。
推论二维标准正态分布(ξ,η)中的任一分量,可唯一分解为另一随机变量的具有二阶矩的函数与一个统计学性质好的随机变量ζ之和,其中ζ的性质如下:
2 相关系数的几何意义
令向量函数L(ξ)=aξ+b,由引理2知,E(η/ξ)是所有h(ξ)(E(h2(ξ))存在)中“最靠近”η的函数。利用最小二乘法,使得L(ξ)与期望曲线E(η/(ξ=x))最接近,得a,b到的最小二乘估计分别为
由随机变量分解定理及相关系数的几何解释,可得以下结论:
(1)相关系数ρξη是“最靠近”期望曲线(x,E(η/(ξ=x))(最小二乘意义下)的直线L(ξ)的斜率,称该直线η为关于ξ的回归直线。(2)由E(ξE(η/ξ))=ρξη知,ξ与n的相关问题即为ξ与f(ξ)=E(η/ξ)的相关问题。(3)在联合分布未知的情况下,寻找相关系数ρξη的估计值的新方法。若给定(ξ,η)一组样本值(xi,yi)(i=1,2,……n),则
3 结束语
在向量理论应用于概率论研究的基础上,将随机变量看成向量,利用向量理论中有关空间向量分解的定理,得到了如下结论:
3.1 二维连续型随机变量(ξ,η)中,分量η可唯一表示成η=E(η/ξ)+ζ其中ζ具有好的统计学性质。
3.2 相关系数ρξη是“最靠近”期望曲线(x,E(η/ξ=x))的一条直线的斜率,从而在联合分布未知的情况下,得到了ρξη的一种新的估计方法。
参考文献
[1]张同琦,李凤.向量理论在概率论中的应用[J].科学技术与工程,2010,10(2):377-379.
[2]张禾瑞,郝柄新.高等代数[M].北京:高等教育出版社,1999:310-318.
[3]刘泽文.相对论热力学向量理论[J].中国科学A辑,1994,(9):22-26.
很好的离散型随机变量(本站推荐) 第2篇
“离散型随机变量”的教学反思与再设计
一、教学内容解析
概率是研究随机现象的数量规律的.认识随机现象就是指:知道这个随机现象中所有可能出现的结果,以及每一个结果出现的概率.而对于给定的随机现象,首先要描述所有可能出现的结果.在数学上处理时,一个常用的、也很自然的做法就是用数来表示结果,即把随机试验的结果数量化,使得每个结果对应一个数,这样就可以通过实数空间(定量的角度)来刻画随机现象,从而就可以利用数学工具,用数学分析的方法来研究所感兴趣的随机现象.简言之,随机变量是连接随机现象和实数空间的一座桥梁,它使得我们可以借助于有关实数的数学工具来研究随机现象的本质,从而可以建立起应用到不同领域的概率模型,这便是为什么要引入随机变量的缘由.随机变量在概率统计研究中起着极其重要的作用,随机变量是用来描述随机现象的结果的一类特殊的变量,随机变量能够反映随机现象的共性,有关随机变量的结论可以应用到具有不同背景的实际问题中.随机变量就是建立了一个从随机试验结果的集合到实数集合的映射,这与函数概念在本质上(一种对应关系)是一致的,随机试验结果的范围相当于函数的定义域,随机变量的取值范围相当于函数的值域.
离散型随机变量是最简单的随机变量,随机变量和离散型随机变量是上、下位概念的关系.本节课主要通过离散型随机变量展示用实数空间刻画随机现象的方法.本节课的重点是认识离散型随机变量的特征,了解其本质属性,体会引入随机变量的作用.
二、教学目标解析
1.在对具体实例的分析中,认识和体会随机变量对刻画随机现象的重要性和建立随机变量概念的必要性,并会恰当地定义随机变量来描述所感兴趣的随机现象,能叙述随机变量可能取的值及其所表示的随机试验的结果;
2.在列举的随机试验中,通过对随机变量取值类型的分辨,归纳和概括离散型随机变量的特征,形成离散型随机变量的概念,并会利用离散型随机变量刻画随机试验的结果;
3.在举例、观察、思考、发现中经历将随机试验结果数量化的过程,渗透将实际问题转化为数学问题的思想方法,进一步形成用随机观念观察和分析问题的意识.
三、教学问题诊断分析
本节课学生学习的难点是对引入随机变量目的与作用的认识,以及随机变量和普通变量的本质区别.随机变量这个概念其实早已存在于学生的意识之中,而且在不少场合都已不自觉的“实际使用”,只是没有明朗化.学生学习这一概念就是把这些“实际使用的”规则、程序、步骤等进一步加以明确.所以,教师的责任就是为学生建立随机变量这个概念修通渠道.可通过学生熟悉的掷骰子的随机试验让学生体会随机变量概念的发生,在师生举例中来体会随机变量概念的发展,特别是诸如抛掷一枚硬币等试验,其结果不具有数量性质,怎么让学生自然地想到用数来表示其试验结果,并且所用的数又尽量简单,便于研究.教学中需多举试验结果本身已具有数值意义的实例,来发挥正迁移作用.通过多举例让学生理解:一旦给出了随机变量,即把每个结果都用一个数表示后,认识随机现象就变成认识这个随机变量所有可能的取值和取每个值时的概率.
另外,随机变量和离散型随机变量是上、下位概念的关系,从学习的认知方式看,下位学习依靠的主要是同化,上位学习依靠的主要是顺应,上位学习一般采用的思维方法主要是概括和综合,它主要通过改造(归纳和综合)原有认知结构中的有关内容而建立新的认知结构.因此,从这一角度来分析,学生对随机变量概念的学习和真正理解比离散型随机变量的学习要困难一些.故在随机变量的教学中,要特别重视学生举例,让学生在充分的自主活动中体验数学化的过程,体验将随机试验结果数量化的过程,体会随机变量对刻画随机现象的重要性和研究随机现象的工具性作用,从而来把握随机变量的内核.
四、教学支持条件分析
学生在必修3概率一章中学习过的随机试验、随机事件、简单的概率模型和必修1中学习过的变量、函数、映射等知识是学习、领悟和“接纳”随机变量概念的重要知识基础,教学时应充分注意这一教学条件;另外,为更好地形成随机变量和离散型随机变量两个概念,教学中可借助媒体列举和展现丰富的实例和问题,以留给学生更多的时间思考和概括.
五、教学过程设计
(一)教学基本流程
(二)教学过程
1.理解随机变量概念
问题1:抛掷一枚骰子,可能出现的结果有哪些?概率分别是多少? [设计意图] 以学生熟悉的随机试验为例,在复习旧知中孕育新知.
[师生活动] 画表一,指出试验结果分别有“1点的面朝上”、“2点的面朝上”、“3点的面朝上”、“4点的面朝上”、“5点的面朝上”、“6点的面朝上”,它们都是基本事件.为了研究这些事件,常常把它们分别与一个数字对应起来.比如,用数字1与“1点的面朝上”这个试验结果(样本点)对应,用数字2与“2点的面朝上”这个试验结果(样本点)对应,等等.师生共同填写数字,形成表二.
引导学生分析,像这样“用数字表示随机试验的结果”的量用X来表示,它可以取集合{1,2,3,4,5,6}的值,说明X是一个变量.
[设计意图] “用数字来表示随机试验的结果”实际上早已存在于学生的意识之中,而且在不少场合都已不自觉地“实际使用”,如射击比赛中会用“环数”去表示射击成绩,掷骰子时会用“点数”去表示掷出结果,抽奖时会先对奖券“编号”,随机抽取一部分学生时会用“学号”去代替等等,只是没有明朗化.因而,“用数字来表示随机试验的结果”可以通过教师有启发地提问,有意义地讲授进行,让学生觉得问题的提出,概念的发生、发展过程较为自然,能够从教师的讲授中感受数学是怎样一步步研究现实世界的.
问题2:在这里(指着表二),每一个试验结果用唯一确定的数字与它对应,这个对应关系是什么?
[设计意图]建立一个从试验结果的集合到实数集合的映射.让学生感悟:一旦给出了随机变量,即把每个结果都用一个数表示后,认识随机现象就变成认识这个随机变量所有可能的取值和取每一个值时的概率,从而感受把随机试验的结果数字化(成为实数)的必要性,体会引入随机变量的必要性.同时让学生感受概念的从无到有、自然形成的过程.
[师生活动] 启发诱导,引导学生发现在这里建立了一个从试验结果的集合到实数集合的映射.形成下表三:抛掷一枚骰子
让学生观察、思考:刚才,用数字表示试验结果的变量X,它根据什么在变化?让学生发现它的取值随试验结果的变化而变化,它的变化是有规律的,这是个特殊的变量,与随机试验的结果有关,在试验之前不知道会出现哪个值(即它的取值依赖于试验结果,因此取值具有随机性,即在试验之前不能肯定它的取值,一旦完成一次试验,它的取值随之确定).同时,教师指出:在这个试验中,我们确定了一个对应关系(也即建立了一个试验结果到实数的映射)使得每一个试验结果(样本点)都用一个确定的数字表示(即所有可能取值是明确的).在这个对应关系下,数字随着试验结果的变化而变化.像这种随着试验结果变化而变化的变量称为随机变量.随机变量常用字母表示.
问题3:随机变量这个概念与我们曾经学过的函数概念有类似的地方吗?
[设计意图]引导学生与曾经学过的函数概念比较,从而加深对随机变量概念的理解.
[师生活动]“类比”函数概念,领悟随机变量和函数概念在本质上都是一种对应关系,都是一种映射,随机变量把随机试验的结果映为实数,函数把实数映为实数,在这两种映射之间,试验结果的范围相当于函数的定义域,随机变量的取值范围相当于函数的值域.随机变量的取值范围我们称为随机变量的值域.如抛掷一枚骰子,随机变量的值域为;
引导学生利用随机变量表达一些事件,例如抛掷一枚骰子中,表示“1点的面朝上”; “3点的面朝上”可以用表示;表示“5点的面朝上”或“6点的面朝上”.
同时指出:通过映射把随机试验结果与实数进行对应,也就是,把随机试验的结果数量化,用随机变量表示随机试验的结果,这样“随机试验结果的集合到对应概率集合的映射”就可以用“随机变量的取值集合到对应概率集合的映射”来表示,即可把“对随机现象统计规律的研究具体转化为对随机变量概率分布的研究”.这样我们就可以借用有关实数的数学工具来研究随机现象的本质了.
接着,进一步指出:在学习《数学(必修3)》时我们曾经学习过概率、方差等概念,学过简单的概率模型,在今后的学习中,我们将利用随机变量描述和分析某些随机现象,进一步体会概率模型的作用及运用概率思想思考和解决一些实际问题.(体现章引言)
2.对随机变量的深刻认识(对对应思想——映射的体验)
问题4:你能再举些例子吗?(请学生列举随机试验,并将试验结果数量化,不必写出概率)
[设计意图] 让学生参与举例,体验将实际问题数学化(把实际问题数学化是学习数学极其重要的数学方法)和将随机试验结果数量化的过程.其意义在于两个方面:其一,学生通过寻找(寻找本身就是一个甄别随机与非随机的过程),选择自己感兴趣的随机现象,并学会用随机变量表示随机事件;其二,在将试验结果数量化的过程中体会随机变量在研究随机现象中的重要作用.同时进一步深刻理解随机变量的概念,领悟随机变量学习的重要性,进一步形成用随机观念观察和分析问题的意识.
[师生活动]教师关注学生的举例,关注其关键过程:随机试验中所有可能出现的结果有哪些?如何将试验的结果数量化?要求学生画表,体会映射的过程.教师给学生充分展示和交流所举例子的时间.同时,教师也参与举例(教材中有关于抽取产品、射击、浏览某网页等例子可以纳入进来),深刻体会将实际问题(随机现象)数学化(数字化)的过程,感受建立随机变量概念的重要意义.
对学生列举的试验结果没有数量标志的随机事件,诸如投掷一枚硬币的试验等,要引导学生分析比较,让学生体会对于同一个随机试验,可以用不同的随机变量来表示.但用哪两个数字来表示,主要是要尽量简单,合理,便于研究.如表四:抛掷一枚骰子
在学生举例中学习如何用随机变量去定义试验结果没有数量标志的随机事件(中间表示映射的一栏表格可以省略).
问题5:任何随机试验的所有结果都可以用数字表示吗?同一个随机试验的结果,可以用不同的数字表示吗?
[设计意图]让学生领悟任何随机试验的所有结果都可以用数字来表示(试验结果不具有数量性质的可以通过赋值,将其数量化),同一个随机试验的结果,可以用不同的数字表示,表示的原则主要是有实际意义,简单合理,便于研究.
3.形成离散型随机变量概念
问题6:随机变量的取值都是整数吗?你能否举个(些)例子,而随机变量的取值不是整数呢?
[设计意图] 关注学生的举例,借学生举出的例子,引导分析数学化之后的随机变量取值的集合的特征(一个新概念产生之后,我们应该端详它一番),分辨随机变量的类型,即某些随机变量的取值是离散的,而有些不是,从而给出离散型随机变量的概念.如果学生列举的都是离散型随机变量,则教师可启发点拨,启发后引导学生再举例,或给出以下问题7:
问题7:请仿照刚才的例子,分析下列随机现象,随机变量可以取哪些值?你能够一个一个列出来吗?
(1)某公交车站每隔10分钟有1辆汽车到站,某人到达该车站的时刻是随机的,他等车的时间;
(2)检测一批灯泡(相同型号)的使用寿命.
[设计意图]通过与前面列举例子的比较,引导学生发现这两个试验结果中,表示随机事件的随机变量的取值是一个区间,其值无法一一列出,以此形成离散型随机变量的概念.同时明晰在随机现象中随机变量的取值类型是丰富多样的,这也是对随机变量概念(外延)的进一步认识.
问题8:如果我们仅仅关心“某人等车的时间多于5分钟或不多于5分钟”两种情况,那该怎样定义随机变量呢?
[设计意图] 在研究随机现象时,为研究方便,有时需要根据所关心的问题恰当地定义随机变量.让学生明白恰当定义随机变量给我们研究问题带来方便.问(2)让学生选择自己关心的问题来恰当定义随机变量.
[师生活动]通过分析,让学生明白,在研究随机现象时,有时需要根据所关心的问题恰当地定义随机变量.
4.练习反馈(见教科书第45页)
下列随机试验的结果能否用离散型随机变量表示?若能,请写出各随机变量可能的取值并说明这些值所表示的随机试验的结果.
(1)抛掷两枚骰子,所得点数之和;
(2)某足球队在5次点球中射进的球数;
(3)任意抽取一瓶某种标有2500ml的饮料,其实际量与规定量之差.
[设计意图]在应用中巩固离散型随机变量的概念,并能熟练利用离散型随机变量刻画随机试验的结果.
5.小结回授
问题9:你能用自己的语言描述随机变量和离散型随机变量的定义及它们之间的区别吗?(学生回答后,可以再问:你能简单地说说引入随机变量的好处吗?)
[设计意图] 学生用自己的语言来概括本节课学到的知识,是一种“主动建构”,也真正体现知识学到了手.
[师生活动]引入随机变量后,随机试验中我们感兴趣的事件就可以通过随机变量的取值表达出来.认识随机现象就变成认识这个随机变量所有可能的取值和取每个值时的概率.也即把随机试验的结果数量化,用随机变量表示随机试验的结果,我们就可以借助于有关实数的数学工具来研究所感兴趣的随机现象了.
六、目标检测设计
生活中的随机变量问题 第3篇
同学们应该了解,经济生活包括金融(银行、保险、证券)和实业(设计、取料、生产、物流、销售)两方面.实际应用中,很多基本的不确定量(随机变量)的概率分布是依靠历史(经验与统计数据)来确定的.因此数学不是万能的,实际发生的(历史的、经验的)可量化的(数据)和不可量化的事物才是最重要的.
一、 假如你是保险公司的老板
例1 据统计,一年中,一个家庭万元以上财产被窃的概率为0.01,保险公司设计了一年期万元以上家庭财产保险,参加者需要交保险费100元,若在一年内,万元以上财产被窃,则保险公司赔偿a元(a>100),问a如何确定,可使保险公司获益?
解 设保险公司的收益为ξ,则ξ的分布列为:
所以期望Eξ=100×0.99+(100-a)×0.01=.
4.2 悬臂圆筒算例
某悬臂圆筒受外部载荷如图6所示:集中力F1、F2、P和扭矩T。当最大等效von-Mises应力σmax超出材料屈服极限σs,认为悬臂圆筒强度失效,极限状态函数可写为
最大等效von-Mises应力位于悬臂圆筒根部截面上端点,其计算式为
其中,σx为该点处的正应力,表达式为
其中,c=d/2,M为该截面处弯矩,A为截面面积,I为截面惯性矩,计算表达式分别为
τzx为该点的切应力,表达式为
表2给出了各随机参数的分布函数及其参数。角度θ1和θ2为独立区间变量(单位:(°)),长度L1和L2为非独立区间变量(单位:mm),满足零相关性。
令Y=(Y1,Y2,Y3,Y4)T=(θ1,θ2,L1,L2)T,根据区间变量的独立性特征,将区间变量分为三组,即Ng=3,则Y=(Y1,Y2,Y3)T=(Y1,Y2,(Y3,Y4)T)T,椭球模型为
图7给出了L1和L2满足零相关和独立关系时的不同可行域。
表3给出了基于本文提出的方法计算获得的最大失效概率。由表3可见,本文提出的方法能较高效地求得悬臂圆筒的最大失效概率。为验证分析结果的正确性,在蒙特卡罗法中,将每个区间变量的可行区间等分为10份,在区间变量的组合值下取随机变量的抽样数为1×106,则极限状态函数的调用次数为Nc=1.0×1010。基于表3给出的蒙特卡罗法结果和相对误差百分比可见,本文提出的方法具有较高的精度。同样,由区间变量满足非独立和独立关系时的分析结果可见,区间变量的独立性对可靠性分析结果的影响较大,假设区间变量独立会导致较保守的分析结果。
5 结论
针对机械系统中不确定性输入变量同时存在随机变量和区间变量的情况,考虑非独立性区间变量,基于混合型可靠性分析模型,利用一次二阶矩法,提出了一种可靠性序列迭代算法。算例结果表明:该迭代算法的计算效率较高,计算精度较好;不考虑区间变量的非独立性可产生较保守的可靠性分析结果,可能导致过于保守的可靠性设计结果。
摘要:针对机械系统中输入变量存在随机变量和区间变量混合的情况,考虑区间变量的非独立性,提出高效混合可靠性分析方法。区间变量使可靠性分析问题变为双层优化问题。为降低双层优化和非独立区间变量对可靠性计算效率的影响,提出了高效序列迭代计算策略,基于椭球模型描述的非独立区间变量,提出将非独立区间变量转换为独立区间变量的方法,并利用二次泰勒近似方法,将区间分析问题转换为易求解的二次规划问题。算例结果表明,所提出的可靠性序列迭代算法具有较高的计算效率和精度;可靠性分析结果受区间变量独立性假设的影响,区间变量独立可导致较保守的可靠性分析结果。
连续型随机变量数学期望的求法探究 第10篇
一、Laplace-Stieltjes变换法
二、重期望公式法
例2设供货商每月向某经销商供应的货物量X服从 (10, 30) (单位:1万件) 上的均匀分布, 该经销商每月实际需要的货物量Y服从 (10, 20) (单位:1万件) 上的均匀分布。若该经销商能从供货商得到足够的货物, 则每1万件货物可获30万元利润, 若得不到足够货物则需从其他途径进货, 此时每1万件可获10万元利润。求该经销商每月的平均利润。
解:因每月利润Z取决于货物供应量X, 故由重期望公式得:
三、利用相同概率性质的随机变量分解法
例3在M/G/1排队系统[4]中, 顾客的到达是参数为λ的Poisson流, 顾客的服务时间独立同分布, 具有分布函数G (t) , t>0和有限均值α。到达和服务独立。证明对服务台忙期b的数学期望E (b) , 当λα小于1时, E (b) =α (1-λα) -1, 当λα大于或等于1时, E (b) =∞。
证明:设η表示忙期b中首个顾客的服务时间γ内到达的顾客数, 则E (η) =λα。称服务时间γ内到达的η个顾客ξ1, …, ξη为“特殊顾客”, 其后到达的顾客为“普通顾客”。因顾客类型和服务顺序不影响忙期b的长度, 为研究需要, 重新定义服务顺序为:服务完忙期首个顾客后, 立即服务ξ1和除ξ2, …, ξη外的“普通顾客”, 直到没有新到“普通顾客”时为止 (这段时间记为X1) , 接着开始服务ξ2和除ξ3, …, ξη外的“普通顾客”, 直到没有新到“普通顾客”时为止 (这段时间记为X2) , 如此下去, 直到最后开始服务ξη及其后所有新到的“普通顾客” (这段时间记为Xη) , 于是得到分解式b=γ+X1+…+Xη。由于b, X1, …, Xη都表示从一个顾客开始服务直到服务结束的一段时间, 故它们具有相同的概率性质, 分布相同, 且X1, …, Xη独立于γ和η。从而
E (b) =a+∑∞j=0E (X1+…+Xj) P{η=j}=a+λa E (b) 。证毕。
四、计算高维Markov过程平均吸收时间的方法
例4对两部件串联系统, 若部件1、2的寿命分别服从参数为λ1的负指数分布和分布函数为X2 (t) 的一般概率分布, 修理时间的分布函数为Yi (t) , i=1, 2, 部件修复如新。t=0时刻部件全新且同时开始工作。求系统的首次平均寿命。
解:定义状态1:系统工作;状态2:部件1在修理, 系统故障;状态3:部件2待修, 系统故障。设部件2寿命的危险率函数为λ2 (t) , 时刻t系统所处的状态为S (t) , ξ2 (t) 表示时刻t部件2的年龄, ηi (t) 表示时刻t部件i已用去的修理时间 (i=1, 2) 。令状态2, 3为吸收状态, 则{S (t) , ξ2 (t) , ηi (t) , t>0, i=1, 2}为带两个吸收状态的向量Markov过程。定义状态概率P1 (t, x) dx=Pr{S (t) =1, x≤ξ2 (t) <x+dx}, 则:
边界条件P1 (t, 0) =δ (t) , 初始条件P1 (0, x) =δ (x) , 这里δ (t) 为狄拉克函数。
注1:当X2 (t) =1-e-λ2t, t>0时, 可得E (X) = (λ1+λ2) -1, 与文[5]运用概率分析方法得到的结果 (n=2的情形) 完全一样。
五、结语
通过实例可以看到, 本文介绍的连续型随机变量数学期望的求法可以解决一些具体问题中的期望计算, 可为学习概率统计、随机过程及工程概率应用提供重要的参考, 因此, 理解和掌握这些方法是大有裨益的。
摘要:通过实例介绍了连续型随机变量数学期望的一些求法, 包括Laplace-Stieltjes变换法、重期望公式法、利用相同概率性质的随机变量分解法和计算高维Markov过程平均吸收时间的方法。
关键词:连续型随机变量,期望,求法
参考文献
[1]李贤平.概率论基础[M].第二版.北京:高等教育出版社, 1997.
[2]张波, 张景肖.应用随机过程[M].北京:清华大学出版社, 2004.
[3]徐传胜.离散型随机变量数学期望的求法探究[J].高等数学研究, 2005, 8, (1) .
[4]唐应辉, 唐小我.排队论——基础与分析技术[M].高等教育出版社, 2006.
离散型随机变量及其分布列常见题型 第11篇
例1 写出下列随机变量可能取的值,并说明所取值的实际意义.
(1)袋中装有5个同样大小的球,编号为1,2,3,4,5,现从该袋中随机取出3个球,记所取球的最大号码为[X].
(2)连续投掷一枚骰子两次,所得点数之和为[Y].
解析 (1)[X]可能取的值为3,4,5.
[X=3]表示最大号码为3,即取出的球为1,2,3号;
[X=4]表示最大号码为4,即4号球被取出,1,2,3号球中恰好取出两个;
[X=5]表示最大号码为5,即5号球被取出,1,2,3,4号球中恰好取出两个.
(2)[Y]可能取的值为2,3,4,5,6,7,8,9,10,11,12.
[Y=2]表示掷出的点数为(1,1);
[Y=3]表示掷出的点数为(1,2),(2,1);
[Y=4]表示掷出的点数为(1,3),(2,2),(3,1);
[Y=5]表示掷出的点数为(1,4),(2,3),(3,2),(4,1);
[Y=6]表示掷出的点数为(1,5),(2,4),(3,3),(4,2),(5,1);
同理,[Y=7]有6个不同的结果,[Y=8]有5个不同的结果,[Y=9]有4个不同的结果,[Y=10]有3个不同的结果,[Y=11]有2个不同的结果,[Y=12]有1个结果.
点评 学会用随机变量描述试验结果非常重要,它是下一步学习分布列的重要基础.
二、离散型随机变量的分布列
例2 设[S]是不等式[x2-x-6≤0]的解集,整数[m,n∈S].
(1)记“使得[m+n=0]成立的有序数组[(m,n)]”为事件[A],试列举[A]包含的基本事件;
(2)设[ξ=m2],求[ξ]的分布列.
解析 (1)由已知,可求得[S={x|-2≤x≤3}],故[m,n∈{-2,][-1,0,1,2,3}],则[A]包含的基本事件为(-2,2),(-1,1),(0,0),(1,-1),(2,-2).
(2)变量[m]的分布列为
则[ξ]的分布列为
点评 1. 求分布列一般有3个步骤:第一步确定变量的所有取值,第二步求出相应的概率,第三步列表.其中最难的是第二步,它需要综合运用我们此前所学的概率知识;
2. 该题第二问涉及变量函数分布列的求法,关键是通过函数关系找到新变量的取值,新变量每个取值的概率等于原变量相应取值的概率之和.
三、分布列的性质
例3 设随机变量[X]的分布列为[P(X=k5)=ak,][k=1,2,3,4,5.]
(1)求常数[a]的值;
(2)求[P(110 解析 (1)由已知条件得变量[X]的分布列为 故[a+2a+3a+4a+5a=1],解之,得[a]=[115]. (2)[P(110 [P(X=35)=115+215+315=25]. 四、超几何分布 例4 在10件产品中,有3件一等品,4件二等品,3件三等品,从这10件产品中任取3件. (1)记取出的3件产品中一等品的件数为[X],求[X]的分布列; (2)求取出的3件产品中一等品件数多于二等品的概率. 解析 (1)[X]的可能取值为0,1,2,3. [P(X=0)]=[C37C310]=[724], [P(X=1)]=[C13C27C310]=[2140], [P(X=2)]=[C23C17C310]=[740],[P(X=3)]=[C33C310]=[1120]. 故[X]的分布列为 (2)记事件[A1]表示“一等品件数为1,二等品件数为0”,事件[A2]表示“一等品件数为2”,事件[A3]表示“一等品件数为3”. 则所求事件为[A1]+[A2]+[A3], 故所求概率为[P(A1)+P(A2)+P(A3)]=[C13C23C310]+[740]+[1120]=[31120]. 点评 1. 求超几何分布的关键在于组合数的计算,理解起来并不困难; 2. 利用分布列求概率关键是要搞清楚所求事件与随机变量之间的关系. 【练习】 1. 一个人有[n]把钥匙,其中只有一把可以打开房门.他随意地进行试开,试过的钥匙放在一旁.记打开房门时,试过的次数为随机变量[X],则[P(X=k)]=( ) A. [kn] B. [1n] C. [k-1n] D. [AkkAkn] 2. 若离散型随机变量[X]的分布列如下表所示,则[c=] . 3. 有甲、乙两个盒子,甲盒子中有8张卡片,其中2张写有数字0,3张写有数字1,3张写有数字2;乙盒子中有8张卡片,其中3张写有数字0,2张写有数字1,3张写有数字2. (1)如果从甲盒中取2张卡片,从乙盒中取1张卡片,那么取出的3张卡片都写有1的概率是多少? (2)如果从甲、乙两个盒子中各取出1张卡片,设取出的2张卡片上数字之和为[X],求[X]的分布列. 4. 袋中有10个白球,[n]个红球(2≤[n]≤9),试求: (1)当取出2个球时,白球和红球各1个的概率[Pn]及[Pn]的最大值; (2)当[Pn]最大时,从袋中随机取出4个球,记白球与红球的个数差的绝对值为随机变量[X],求[X]的分布列. 【参考答案】 1. B 2. [13] 3. (1)[3112] (2) [[X]&0&1&2&3&4&[P]&[332]&[1364]&[2164]&[1564]&[964]&] 4. (1)[Pn]=[20n(n+10)(n+9)],当[n=9]时,[Pn]取得最大值[1019]. (2) 概率统计知识引入到高中教学后, 每一年的高考复习资料中都会涌现出一些与概率统计相关的新题型, 而这些新题一般分为两种形式.一种是在基本概念上深挖掘, 另一种是在高中其它相关知识中找联系, 从而更广泛和深入的考察学生的数学能力.本文将对一类连续型随机变量的密度函数与分段函数及含参数问题结合的概率统计综合问题作深入探讨. 引例 已知连续型随机变量x的分布函数为: 则该总体落在区间 (0.5, 1.5) 内的概率为 ( ) . 解析 1) 该引例问题中密度函数不是课本上介绍的正态密度曲线, 而是一个分段函数, 由于该函数是密度函数, 其图像应该始终在x轴上方 (或部分与x轴重合) , 且与x轴围成的面积恒为1, 否则f (x) 就不是总体密度函数, 因此解题方法应是“数形结合”. 2) 由题意中密度函数表达式可得其函数图像如图1, 落在 (0.5, 1.5) 内的概率即为阴影部分的面积, 利用对称性及梯形的面积可得 从引例中可以清晰的看到题目所涉及的考点.首先, 密度函数的定义及基本性质 (密度函数图像应该始终在x轴上方或部分与x轴重合, 且与x轴围成的面积恒成为1;其次, 总体在区间 (a, b) 内的概率是指:密度函数图像在区间 (a, b) 上与x轴所围成图形的面积.下面本文将引例问题扩展, 从而全面的探讨该类问题. 变式1 已知连续型随机变量x的分布函数为: 则 a=___, 解析 变式1从形式上与引例基本相似, 本例只是在密度函数的表达形式中加入了参数a, 因此首先应当确定a, 又由引例分析可得 不难看出, 变式1在问题的描述中增加了难度, 通过在引例的密度函数表达式中加入参量a将问题的考察范围扩大, 首先利用密度函数的基本性质求解参数a, 然后再求随机变量在区间 (a, b) 内的概率. 变式2 已知连续型随机变量x的分布函数为: (Ⅰ) 试写出分布函数f (x) 的表达式; (Ⅱ) 求该总体落在区间 (a, a+2) 内的概率. 解析 (Ⅰ) 由原问题可以找出题目中的参数有4个, k1, k, k2, a, 又随机变量x是连续型随机变量, 所以有: 又由密度函数的基本性质得 其图像见图3. (Ⅱ) 由于随机变量x的取值区间 (a, a+2) 以参数形式给出, 故应对a的取值进行讨论: ①a≤-3, a+2≤-1, 由图3可知P (a<x<a+2) =0; ②-3<a≤-1, -1<a+2≤2, 由图4得阴影部分的面积: ③-1<a≤0.5, 1<a+2≤2.5, 由图5得阴影部分的面积: ④0.5<a≤1, 2.5<a+2≤3, 由图6得阴影部分的面积: ⑤1<a≤2.5, 3<a+2≤4.5, 由图7得阴影部分的面积: ⑥2.5<a<3, 4.5<a+2<5, 由图8得阴影部分的面积: ⑦a≥3, 图3可知P (a<x<a+2) =0. 变式2将问题的思维复杂程度从多方面加大加难, 首先问题中出现了众多参数需要确定才能继续问题探讨;其次对于密度函数表达式的确定, 用到函数的连续性, 并通过连续函数的定义求出k, k1, k2, 从而确定密度函数;第三总体落在某个区间 (a, a+2) 内的概率, 通过对参数a的取值范围的探讨, 进行有效分段, 并在a的不同取值区间上求出了P (a<x<a+2) 的解. 从上述3个问题的解析可以看出, 在高中阶段解决这类连续型随机变量的密度函数由分段函数构成的概率统计相关问题, 主要通过4方面进行思考:①由密度函数图像应该始终在x轴上方或部分与x轴重合, 且与x轴围成的面积恒为1, 确定密度函数解析式;②总体落在某个区间 (a, b) 内的概率为图中密度曲线在区间 (a, b) 上与x轴围成的面积, 但是如果题目中出现了参数, 我们应该在对参数的所有取值总体讨论清楚后, 结合题目的具体特点, 将参数的取值区间合理划分, 多法兼并, 不重不漏全面解答;③密度函数对应的随机变量是连续的, 即密度函数在其定义域内是连续函数;④充分利用“数形结合”才能得到完整的解答. 与连续型随机变量的密度函数相关问题还有很多, 而且方法也是千变万化, 这里只是通过引例这道高考复习题, 拓展出针对这一类问题的解题思路及讨论方法. 【随机变量的分解论文】相关文章: 随机变量序列08-02 连续型随机变量05-21 四川大学多维随机变量03-27 中南大学多维随机变量06-09 随机变量的均值与方差的计算公式的证明05-11 考研数学 多维随机变量及其分布06-25 变量在数控编程中的应用论文01-03 变量技术在农业机械上的应用论文02-02 变量的心情08-06 企业环境变量条件管理论文04-17随机变量的分解论文 第12篇