概率论 第六章条件数学期望和特征函数
6.1 解 (a)P (T = m|M = k ) = P (
M
j =1
Nj |M = k ) = P (
k
j =1
Nj ) =
8k m
0.6m 0.48k−m , m = 0, 1, · · · , 8k,
即 T |{M = k } ∼ B (8k, 0.6), (b)E (T |M = k ) = 8k × 0.6 = 4.8k. 6.2 解 设他 j 第场下 Nj 盘棋, T 为他下的总棋盘数, 则 T = 故 ET = E [E (T |M )] = E (4.8M ) = 4.8EM = 48. 6.3 解 由 N 和 {Xj } 独立知,
N N i=1
i=1
Xi ) = 21 × 2 = 42 分钟, Yi , 且 P (Yi = 0) = 0.8, P (Yi = 5) = 0.2, i =
ES2 = E [E (S2 |N )] = E (N ) = 27 分钟.
i=1
Yi |N = 21) = E (
21
i=1
Yi ) = 21 × 1 = 21 分钟,
(b)EX |{Y = 63} = µ1 + ρ(σ1 /σ2 )(63 − µ2 ),
2 X |{Y = 63}的标准差为 (1 − ρ2 )σ1 . ∞ 1 x+1 0
∞ 1 yd exp(−y (x + 1)) = 6.9 解 X 的边缘密度为 fX (x) = 0∞ f (x, y )dy = x− +1 0 1 1))dy = (x+1)2 , x > 0 Y 的边缘密度为 fY (y ) = 0∞ f (x, y )dx = − 0∞ d exp(−y (x + 1)) = e−y , y > 0 (x,y ) y (x+1)) 故 fX |Y (x|y ) = f = y exp(− = ye−yx , x > 0, y > 0 f Y (y ) e−y
N j =1
Xj , 由已知可得 E (Xj ) =
n j =1 n
0+2 2 n j =1
2 = 1, E (Xj )=
1 2 2 0
x2 dx = 4 , j = 1, 2 . . . 3
从而 E (W |N = n) = E ( E (W 2 |N = n) = E (
Xj ) =
E (Xj ) = n,
故 X(n) 的概率密度为 fX(n) (x) = [(1 − exp(−xβ ))n ] = nβ exp(−xβ )(1 − exp(−xβ ))n−1 , x > 0. 6.17 解 设 Xi 为第 i 个插口的寿命, 则 X(3) 表示这台计算机 USB 的寿命, 由已知可得 Xi ∼ E (λ), i = 1, 2, . . . , 7, 故 P (X(3) = t) = 7! F (t)2 f (t)[1 − F (t)]4 dt 2! × 1! × 4! = 105(1 − exp(−tλ))2 λ exp(−tλ)(exp(−tλ))4 dt = 105λ exp(−5tλ)(1 − exp(−tλ))2 dt, t > 0
P (Y =y,N =n) P (N =n)
=
βα 1 Γ(n+α) n!Γ(α) (β +1)n+α
f (y,n)dy
=
(β +1)n+α y n+α−1 exp(−(β +1)y ) dy, Γ(α+1)
(β +1)n+α y n+α−1 exp(−(β +1)y ) . Γ(α+1)
6.16 解 (a) 设 Xi 为第 i 个人的等待时间, 则第一个电话的到达时间为 X(1) = min(X1 , X2 , . . . , Xn ), 最后一个电话的到达时间为 X(n) = max(X1 , X2 , · · · , Xn ), 对 ∀x > 0 有 P (X(1) ≤ x) = = = = = = 1 − P (X(1) > x) 1 − P (X1 > x, X2 > x, · · · , Xn > x) 1 − P (X1 > x)P (X2 > x) · · · P (Xn > x) 1 − P (X1 > x)n 1 − [1 − F (x)]n 1 − exp(−nxβ ),
从而 X(1) 的概率密度为 fX(1) (x) = (1 − exp(−nxβ )) = nβ exp(−nxβ ), x > 0 (b) 对 ∀x > 0 有 P (X(n) ≤ x) = = = = = P (X1 ≤ x, X2 ≤ x, · · · , Xn ≤ x) P (X1 ≤ x)P (X2 ≤ x) · · · P (Xn ≤ x) P (X1 ≤ x)n F (x)n [1 − exp(−xβ )]n ,
exp(−y (x +
fY |X (y |x) =
f (x,y ) f X ( x)
=
y exp(−y (x+1))
1 (1+x)2
= y (1 + x)2 exp(−y (x + 1)), x > 0, y > 0.
√ 1 2πσ1 −µ) exp(− (x2 ), σ2
1 2
6.10 解 由已知可得 fX (x) =
6.7 解 由已知可得 fX (x) = 1, x ∈ (0, 1),, fY |X (y |x) = 1 故 f (x, y ) = fX (x)fY |X (y |x) = 1−x , 0 < x < y < 1 1 dx = − ln(1 − y ), y ∈ (0, 1). 从而 fY (y ) = 0y f (x, y )dx = 0y 1− x
6.11 解 因 Y |{X = x} ∼ N (µ(x), σ (x)2 ), 故 E (Y |X = x) = µ(x), E (Y |X ) = µ(X ). ), 6.12 解 由题意得 X |{Y = y } ∼ E ( ay1 +b 故 E [X |{Y = y }] = ay + b, 从而 E (X |Y ) = aY + b, EX = E [E (X |Y )] = E (aY + b) = aEY + b = aµ + b. 6.13 解 (a) 由已知可得 Xj |{N = i} ∼ B (100, hij ), 从而 E (Xj |{N = i}) = 100hij , µj = EXj = E [E (Xj |N )] = 100h1j p1 + 100h2j p2 + 100h3j p3 ,
fY |X (y |x) =
2 1
故的联合密度为 f (x, y ) = fX (x)fY |X (y |x) =
1 2πσ1 σ (x)
−µ) + exp(−[ (x2 σ2
−µ(x))2 √ 1 exp(− (x2 ), σ ( x) 2 2πσ (x) 2 (x−µ(x)) ]), x, y ∈ R. 2 σ ( x) 2
6.5 解 (a) 设 Xi 为他阅读第 i 个邮件需要的时间, 则 S1 = 从而 E (S1 |{N = 21}) = E (
N i=1
N i=1
Xi ,
Xi |N = 21) = E (
21
ES1 = E [E (S1 |N )] = E (2N ) = 2EN = 2 × 27 = 54 分钟. (b) 设 Yi 为他回复第 i 个邮件所用的时间, 则 S2 = 1, 2, . . . , N 故 EYi = 0.2 × 5 = 1, i = 1, 2, · · · , N , 从而 E (S2 |N = 21) = E (
1
x− 2 exp(−ax 2 )dx
=
√ a2 t+2a t+2 , a2
2
从而 E (Y − t|Y > t) = E (Y |Y > t) − t =
√ a2 t+2a t+2 a2
− t.
6.15 解 由已知可得 N |{Y = y } ∼ P (y ), 故 (Y, N ) 的联合密度为 n β α α−1 βα f (y, n) = fY (y )pN |Y (n|y ) = Γ( y exp(−yβ ) y exp(−y ) = n!Γ( y n+α−1 exp(−(β + 1)y ), α) n! α) βα y n+α−1 exp(−(β + 1)y )dy , 从而 P (N = n) = 0∞ f (y, n)dy = 0∞ n!Γ( α) ∞ βα βα t 1 1 ( β +1 )n+α+1 e−t β +1 dt = n!Γ( Γ(n + α), 令 (β + 1)y = t, 则上式 = n!Γ( α) 0 α) (β +1)n+α 所以 P (Y = y |N = n) = 故 fY |N (y |n) =
N n n M j =1
Nj ,
E(
j =1
Xj |N = n) = E (
j =1 EN λ
Xj ) =
j =1
E (Xj ) =
n , λ
故 EW = E [E (W |N )] = E ( N )= λ
=
1 . pλ
6.4 解 设 N 为出租车在一天内遇到的红灯数, Xi 为在第 i 个红灯处的等候时间, W 为一天内等 候红灯的时间, 则 W =
概率论特征函数
概率论特征函数
概率论中的特征函数是一个非常重要的概念，它可以通过数学函数的形式描述随机变量的特征。
特征函数的定义如下：对于任意一个随机变量X，它的特征函数φ(t)定义为：
φ(t) = E(e^(i*t*X))
其中，i是虚数单位，E表示数学期望。
特征函数的主要作用是描述一个随机变量的矩，特别是它的所有阶矩。
通过特征函数，我们可以轻松地求出一个随机变量的均值、方差、偏度和峰度等统计量。
特征函数还可以用于分析随机变量之间的独立性和相关性等问题，因此在概率论和统计学中得到了广泛的应用。
需要注意的是，特征函数是一个复数函数，通常用实部和虚部分别表示它的实部函数和虚部函数。
特征函数有许多重要的性质，例如它是连续的、有界的和解析的等等。
同时，特征函数还有许多重要的应用，例如它可以用于求解随机过程中的协方差函数和自相关函数等问题。
总之，特征函数在概率论和统计学中扮演着非常重要的角色，它是研究随机变量特征的有力工具。
概率论_特征函数
f ( t ) e dF ( x ) e itx dF ( x ) f ( t ).
- itx
9
【系1】 (唯一性定理) 两分布函数恒等的充要条 件是它们各自的特征函数恒等。
即：分布函数由其特征函数唯一确定
23
三、性质与定理的应用 例1 若X~B(n1 , p)、Y~B( n2 , p)，且X与Y相互独立
性质3：设Y aX b, 这里a, b为常数，则fY (t ) ei bt f X (at ).
29
f ( t ) E (e ) e f ( x )dx
itX itx
这就是密度函数f(x)的傅里叶变换
5
常见分布的特征函数
【单点分布】
f ( t ) pk e
k 1
itxk
e
ita
【二项分布】
f (t ) C p q
k 0 k n k
n
nk
e
itk
C ( p e ) q
k 0 k n it k
n
n k
( pe q)
it
n
【泊松分布】
it k ( e ) itk eit (eit 1) f (t ) e e e e e k! k 0 k ! k 0
6
k
【均匀分布】X~U [a, b]
【注1】 e
itx
cos tx i sin tx （欧拉公式）
3
【注2】 f (t ) cos txdF ( x ) i sin txdF ( x )
【注3】
特征函数的计算中用到复变函数，为此注意：
1-4特征函数和母函数
k =1 n
n
k =1
Ex.7 随机变量Y～B(n, p),写出其特征函数 写出其特征函数. 随机变量 ～ 写出其特征函数 二项分布随机变量Y可表示为 解 二项分布随机变量 可表示为Y = ∑ X k ,且 且 Xk～B(1, p),k=1,2,…,n, 相互独立,故Y 的特征 相互独立, , 函数为 n
g(t1 , t2 ) = E[e
i ( t1 X + t 2Y )
]= ∫
∞
∞ ∞
∫
∞
ei (t1 x+t2 y )dF( x, y)
连续型 离散型
g(t1 , t 2 ) = ∫
∞
∞ ∞
∫
∞
e i (t1 x + t2 y ) f ( x, y)dxdy
i ( t1 X r + t 2YsS )
特征函数、 §1.4 特征函数、母函数
一、特征函数的定义及例子 是实随机变量, 定义 设X,Y是实随机变量,复随机变量 是实随机变量 Z=X+i Y, , 的数学期望定义为 E ( Z ) = E ( X ) + i E (Y ), i = 1 特别 X是实随 是实随 itX Ee = E (costX ) + i E (sintX ) 机变量
g ( t ) = ∫ e itx f ( x )dx;
∞
+∞
g ( t ) = ∑ e itxk pk .
k
Ex.1 单点分布 P{X = c} = 1,
g( t ) = E (e itc ) = e itc , t ∈ R.
Ex.2 两点分布
g( t ) = e (1 p) + e
特征函数的概念及意义
特征函数的概念及意义目录：一．特征函数的定义。
二．常用分布的特征函数。
三．特征函数的应用。
四．绪论。
一．特征函数的定义设X 是一个随机变量，称 ()()itXe t E =ϕ, +∞<<∞-t ,为X 的特征函数.因为＝１Ｘit e ，所以()itX e E 总是存在的，即任一随机变量的特征函数总是存在的.当离散随机变量X 的分布列为() ,3,2,1,P p k ===k x X k ，则X 的特征函数为()∑+∞==1k k itx p e t k ϕ, +∞<<∞-t .当连续随机变量X 的密度函数为()x p ,则X 的特征函数为 ()()⎰+∞∞-=dx x p e t k itx ϕ, +∞<<∞-t .与随机变量的数学期望，方差及各阶矩阵一样，特征函数只依赖于随机变量的分布，分布相同则特征函数也相同，所以我们也常称为某分布的特征函数.二．常用分布的特征函数1、单点分布：().1P ==a X 其特征函数为 ().e t it a =ϕ2、10-分布：()(),10x p 1p x X P x1x =-==-，，其特征函数为()q pe t it +=ϕ，其中p 1q -=.3、泊松分布()λP ：()λλ-==e k k X P k！，k=0,1， ，其特征函数为()()∑+∞=---===0k 1e e kiktitit e e e e k et λλλλλϕ！. 4、均匀分布()b a U ,：因为密度函数为()⎪⎩⎪⎨⎧<<-=.;,0,1其他b x a a b x p所以特征函数为()()⎰--=-=b aiatibt itx a b it e e dx a b e x ϕ. 5、标准正态分布()1,0N ：因为密度函数为()2221x e x p -=π， +∞<<∞-x .所以特征函数为()()⎰⎰∞+∞-∞+∞-----∞==dxit x t x itx e edx e x 2222222121πϕ=⎰-∞+-∞----=ititt t t edz ee22222221π.其中⎰-∞+-∞--=ititx dz eπ222 .三．特征函数的应用1、在求数字特征上的应用求()2N σμ，分布的数学期望和方差. 由于()2N σμ，的分布的特征函数为()2t i 22et σμϕ=,于是由()k k k i 0ξϕE =得，()μϕξi 0i ′==E , ()22″220i σμϕξ--==E , 由此即得()222D σξξξμξ=E -E ==E ，.我们可以看出用特征函数求正态分布的数学期望和方差, 要比从定义计算方便的多.2、 在求独立随机变量和的分布上的应用利用归纳法, 不难把性质4推广到n 个独立随机变量的场合,而n21,ξξξ ，，是n 个相互独立的随机变量, 相应的特征函数为()()()∑==n 1i i n 21t t t ξξϕϕϕ，则，，， 的特征函数为()()∏==n1i i t t ϕϕ.设()n ,,21j j ，=ξ是n 个相互独立的，且服从正态分布()2N j j a σ，的正态随机变量.试求∑==n1j j ξξ的分布.由于j ξ的分布为()2N j j a σ，，故相应的特征为()222tia j j je t σϕ=.由特征函数的性质()()ξϕϕ可知∏==nj j t t 1的特征函数为()()21212221112t t a i n j nj tia j nj j nj j j jeet t ⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛==∑∑=====∏∏σσϕϕ.而这正是⎪⎪⎭⎫ ⎝⎛∑∑==n j j n j j a N 121,σ的特征函数.由分布函数与特征函数的一一对应关系即知ξ服从⎪⎪⎭⎫ ⎝⎛∑∑==n j j n j j a N 121,σ. 3、 在证明二项分布收敛于正态分布上的应用在n 重贝努力实验中，事件A 每次出现的概率为p(0<p<1)，n μ为n 次试验中事件A 出现的次数，则dt e x npq np P xt nn ⎰∞-∞→=⎪⎪⎭⎫ ⎝⎛<-2221lim πμ.要证明上述结论只需证明下面的结论，因为它是下面的结论一个特例. 若 ,,21ξξ是一列独立同分布的随机变量，且(),,2,1,0,22 =>==E k D a k k σσξξ则有dt e x nna P xt n k k n ⎰∑∞-=∞→=⎪⎪⎪⎪⎭⎫ ⎝⎛<-21221lim πσξ.证明 设a k -ξ的特征函数为(),t ϕ则∑∑==-=-nk k nk kn anna11σξσξ的特征函数为nn t ⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛σϕ又因为()(),,02σξξ=-=-E a D a k k 所以()()20,00σϕϕ-=''=' 于是特征函数()t ϕ有展开式()()()()()()222222112000t t t t t t οσοϕϕϕϕ+-=+''+'+=.从而对任意的t 有，∞→→⎥⎦⎤⎢⎣⎡⎪⎪⎭⎫ ⎝⎛+-=⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛-n e n t nt n t tn,2122222οσϕ. 而22t e-是()1,0N 分布的特征函数，由连续定理可知dt e x n na P xt n k k n ⎰∑∞-=∞→=⎪⎪⎪⎪⎭⎫ ⎝⎛<-21221lim πσξ.成立，证毕.我们知道在n 2221P lim μπμ中dt e x npq np xt n n ⎰∞-∞→=⎪⎪⎭⎫⎝⎛<-是服从二项分布.()n k q p C k p kn k k n n ≤≤==-0,μ.的随机变量，dt e x xt ⎰∞-∞→=⎪⎭⎫⎝⎛<-2221P lim πλλξλλ为“泊松分布收敛于正态分布” , 我们把上面的结论常常称为“ 二项分布收敛于正态分布”.4、在求某些积分上的应用我们知道⎰+∞-022dx e x x k 可以用递推法，现在我们用特征函数来解决随机变量ξ服从⎪⎭⎫ ⎝⎛21,0N ，其密度函数为：()21x e x p -=π，其特征函数为：()∑⎰∞+=-∞+∞--⎪⎭⎫ ⎝⎛-==⋅⋅=0241!41122i tit x itx i tedx e e t πϕξ， 故 ()()()() +++⎪⎭⎫⎝⎛-+⎪⎭⎫ ⎝⎛-=+!131241!!241212k t k k k t k kkξϕ ，所以 ()()()!!1221!!24102-⎪⎭⎫⎝⎛-=⎪⎭⎫ ⎝⎛-=k k k kkk ξϕ,由特征函数的性质 ()()()kk kk k i 2!!120222-=-=E ξϕξ，又 ⎰+∞-=E 0222dx e x x k kξ，故()⎰∞+∞-+--=122!!122k x k k dx e x .即 ()⎰∞++--=0122!!122k x k k dx e x四．结论从上面的内容可以看出：特征函数并不是一个抽象概念，在概率论与数理统计的许多问题中，无论是证明还是应用，通过构造特征函数，比如在求分布的数学期望和方差；在求独立随机变量和的分布上的应用，利用独立随机变量和的特征函数为特征函数的积性质推广，往往能使问题得到简化；在证明二项分布收敛于正态分布上的应用，可以从特例到一般问题，从而使问题迎刃而解；在求某些积分上的时候，可以通过构造特征函数使问题简单.。
何书元概率引论答案
何书元概率引论答案何书元概率引论答案【篇一：课程名称：概率论计划学时45】=txt>上课时间：周二3-4节；周四(单周) 1-2节地点：文史201 任课教师：任艳霞（教授）办公室：理科1号楼1381email:基本目的：1、对随机现象有充分的感性认识和比较准确的理解。
2、联系实际问题，初步掌握处理不确定性事件的理论和方法。
教材: 何书元，《概率论》, 北京大学出版社2006年参考书1、汪仁官，《概率论引论》，北京大学出版社19942、李贤平，《概率论基础》（第二版），高等教育出版社，19973、钱敏平、叶俊，《随机数学》，高等教育出版社，20044、sheldon ross, a first course in probability (7thedition)教学安排：第一章古典概型与概率空间(10学时)1) 随机事件及古典概型（1.1-1.2节）(2学时)2) 几何概型、概率空间与概率的性质（1.3-1.5节）(2学时)3) 条件概率和乘法公式（1.6节）(2学时)4) 独立性、全概率公式、bayes公式（1.7-1.8节）(3学时)5) 概率模型举例与概率空间续（1.8-1.9节）(1学时)第二章随机变量与概率分布(9学时)1) 一维随机变量定义、离散型随机变量（2.1-2.2节）(2学时)2) 连续型随机变量（2..3节）(2学时)3) 概率分布函数（2.4节）(2学时)4) 随机变量函数的分布（2.5节）(2学时)5) p分位点（2.5节）(1学时)第三章随机向量及其分布(8学时)1) 随机向量及其分布、离散型随机向量及其分布（3.1-3.2节）(2学时)2) 连续型随机向量及其联合密度（3.3节）(2学时)3) 随机向量函数的分布（3.4、3.6节）(2学时)4) 条件分布和条件密度（3.5节）(2学时)第四章数学期望与方差(8学时)1) 数学期望(4.1-4..2节) (3学时)2) 方差（4.3节）(1学时)3) 协方差与相关系数（4.4节）（2学时）4）条件数学期望（2学时）第五章概率极限理论(10学时)1) 概率母函数与特征函数（5.1-5.2节）(2学时)2) 多元正态分布（5.3节）(2学时)3) 大数律(5.4节) (2学时)4）中心极限定理(5.5节)（2学时）5）随机变量收敛性介绍（2学时）【篇二：2011f_master】目）招生简章北京大学数学科学学院金融数学系成立于1997年，目前已形成从本科到硕士和博士的应用数学专业金融数学与精算学方向的较为系统和有品质的培养体系。
概率论中的条件期望计算公式
概率论中的条件期望计算公式概率论是数学中的重要分支，研究随机事件和概率规律的数学理论。
条件期望是概率论中的一个重要概念，用于描述在给定条件下的期望值。
本文将介绍条件期望的计算公式及其应用。
一、条件期望的定义及性质条件期望是在给定条件下的期望值，记作E(X|Y)，其中X和Y为随机变量。
条件期望于普通期望相似，区别在于条件期望要求在给定条件下对随机变量进行求平均。
条件期望的计算公式如下：E(X|Y) = ∑[x P(X=x|Y)] （离散变量）E(X|Y) = ∫[x f(x|Y) dx] （连续变量）其中，P(X=x|Y)表示在给定随机变量Y的条件下，随机变量X取值为x的概率；f(x|Y)表示随机变量X在给定Y的条件下的概率密度函数。
条件期望的性质：1. 条件期望是随机变量Y的函数，它是Y的函数的期望；2. 如果X和Y相互独立，则条件期望等于普通期望，即E(X|Y) =E(X)；3. 若Z=g(X,Y)，则E(Z|Y) = E(g(X,Y)|Y)。
二、条件期望的计算举例为了帮助读者更好地理解条件期望的计算公式及应用，以下将通过两个具体的案例来说明。
案例一：假设有一批产品，其质量可以用随机变量X表示，X的取值范围为[1, 10]，代表产品的质量评分。
同时，还有一个随机变量Y表示产品的价格，Y的取值范围为[100, 1000]。
现在要求在给定产品价格的条件下，计算产品质量的条件期望。
解决方法如下：根据条件期望的计算公式，我们需要计算P(X=x|Y)。
假设随机变量Y的取值为y，则产品质量为x的条件概率为P(X=x|Y=y)。
如果我们已知产品价格与质量的关系，可以通过分析或者实验得到条件概率的分布。
然后，根据条件概率计算条件期望即可。
案例二：现假设随机变量X和Y相互独立，且它们都服从正态分布。
我们要计算X与Y的乘积Z的条件期望E(Z|Y)。
解决方法如下：根据条件期望的性质，当X和Y相互独立时，条件期望等于普通期望，即E(Z|Y) = E(Z)。
第六章条件概率与条件期望
第六章 条件概率与条件期望6.1 定义和性质设为概率空间，),,(P F ΩF ∈B 且，记0)(>B P ())()()(B P AB P B A P A P B ==),P ，，则易证明为概率空间。
考虑F ∈∀A ),,(B P F Ω,(F Ω上的随机变量ξ在此概率空间上的积分，若存在则称它为∫ΩξB dP ξ在给定事件B 之下的条件期望，记为(B E ξ)，即()B ∫Ω=B dP ξE ξ。
命题1：若ξE 存在，则(B E ξ)存在且()∫=BdP B P B E ξξ)(1。
由此可见，ξ在给定事件B 之下的条件期望的意义是ξ在B 上的“平均值”。
此外给定事件在给定事件A B 的条件概率)B ()(I E B A P A =0)(>n B P 可看成条件期望的特殊情形。
设{}为的一个分割且，令F ⊂n B Ω)2,1,L =(=n n B σA ，则。
若F A ⊂ξE 存在，()∑为nE B n I n B ξ),A (Ω上的可测函数，称其为给定σ-代数A 之下关于P 的条件期望，记作()A ξE ，即()()∑=E ξA nB n I ξn B E 。
命题2：A ∈B ∀且，0)(>B P ()()∫=BdP E B P B E A ξξ)(1。
证明：A ∈B ∀，{L ,2,1⊂}∃K 使得∑∈=K i i B B ，()()()()∑∫∫∑∑∫∑∫∈∈=====K i BB Ki i i nn n BnB nBdPdP B P B E B B P B E dP IB E dP E inξξξξξξ)()(I A由此可见，若称满足下式的(),A Ω上的可测函数()A ξE 为ξ在给定σ-代数A 的条件期望：()∫∫=BBdP dP E ξξA ，A ∈∀B则由于不定积分，∫=BdP B v ξ)(A ∈∀B 为),(A Ω上的符号测度且v ，由Radon-Nikodym 定理存在唯一的(P <<P s a ..),A Ω上的可测函数满足上式，即()dPdvE =A ξ(Ω，故由命题2，两者定义一样。
概率论中的条件概率公式详解贝叶斯定理条件期望等
概率论中的条件概率公式详解贝叶斯定理条件期望等概率论是数学中的一门重要学科，研究的是随机事件的概率性质以及它们之间的关系。
条件概率公式、贝叶斯定理和条件期望是概率论中的重要概念和定理，它们在解决实际问题中具有广泛应用。
本文将对这些概念进行详细解释和讨论。
一、条件概率公式条件概率是指在已知某一事件发生的条件下，其他事件发生的概率。
设A和B是两个事件，且P(B)≠0，那么在事件B已经发生的条件下，事件A发生的概率记作P(A|B)，读作“A在B发生的条件下发生”。
条件概率公式的形式为：P(A|B) = P(AB) / P(B)其中，P(AB)表示事件A和B同时发生的概率，又称为A与B的交集的概率。
通过这个公式，我们可以根据已知的条件概率来计算其他事件的概率。
二、贝叶斯定理贝叶斯定理是概率论中的核心定理之一，它描述了在已知某一事件发生的条件下，其他事件发生的概率如何更新。
设A和B是两个事件，且P(A)≠0，P(B)≠0，那么贝叶斯定理的表达式为：P(B|A) = P(A|B) * P(B) / P(A)其中，P(B|A)表示在事件A已经发生的条件下，事件B发生的概率。
贝叶斯定理的主要应用在于通过已知的先验概率和条件概率来计算后验概率。
它在统计学、生物信息学、机器学习等领域有着广泛的应用。
三、条件期望条件期望是在已知某一事件发生的条件下，随机变量的期望值。
设X和Y是两个随机变量，且P(Y=y)≠0，那么在事件Y=y已经发生的条件下，随机变量X的条件期望记作E(X|Y=y)。
条件期望的计算公式为：E(X|Y=y) = Σx(x * P(X=x|Y=y))其中，Σ表示对所有可能的取值进行求和。
通过条件期望，我们可以得到在给定条件下随机变量的平均值，从而更好地理解和分析随机事件的分布特性。
综上所述，条件概率公式、贝叶斯定理和条件期望是概率论中的重要概念和定理。
它们可以帮助我们计算和预测事件的概率，以及根据已知条件更新概率。
《概率论与数理统计课件》 特征函数
k
it n
．
20
k 1
例 如果我们已知 X ~ N 0, 1 的特征函数是 t e 令Y ~ N
t2 2
，
,
2 ，则 Y X ，因此，
Y t X t e X t
it
eit X t eit e
所以其特征函数
x0 ， x0
x ixt ixt x x t e f x dx e e dx e costxdx i e sin txdx 0 0 0
t it 2 2 i 2 2 1 ． t t
e ihx 1 e
i hx 2 hx i i hx hx hx 2 2 e e 2 sin 2 2 2 ha 2 ．
24
所以，对于所有的 t ,
，有
t h t
x a
e
ihx
2 2
dx
e
it
i t
2t 2
2
1 2
it
it
dz e
i t
2t 2
2
．
在计算积分
it
e
z2 2
dz 中，我们用到了复变函数中的围道积分．
12
二．特征函数的性质
13
性质 1 证明：
t 0 1 ．
我们只就 X 是连续型随机变量的情形予以证明． X 是 设 连续型随机变量，其密度函数为 f x ．
t
e ixt f x dx
数学期望的计算方法及其应用
数学期望的计算方法及其应用摘要：在概率论中，数学期望是随机变量一个重要的数字特征，它比较集中的反映了随机变量的某个侧面的平均性，而且随机变量的其他数字特征都是由数学期望来定义的，因此对随机变量的数学期望的计算方法的研究与探讨具有很深的实际意义。
本论文着重总结了随机变量的数学期望在离散型随机变量分布与连续型随机变量分布下的一些常用的计算方法，如利用数学期望的定义和性质，利用不同分布的数学期望公式等等，并通过一些具体的例子说明不停的计算方法在不同情况下的应用，以达到计算最简化的目的。
本文还通过介绍了一些随机变量数学期望的计算技巧，并探讨了各种简化计算随机变量数学期望的方法，利用一些特殊求和与积分公式，利用数学期望定义的不同形式，利用随机变量分布的对称性、重期望公式以及特征函数等，并通过例题使我们更加了解和掌握这些计算技巧，已达到学习该内容的目的。
关键词：离散型随机变量 连续型随机变量 数学期望 计算方法 ABSTRACT ：第一节 离散型随机变量数学期望的计算方法及应用1.1 利用数学期望的定义，即定义法[1]则随机变量Ｘ的数学期望E(X)=)(1ini ix p x ∑=学期望不存在[]2例1 某推销人与工厂约定，永川把一箱货物按期无损地运到目的地可得佣金10元，若不按期则扣2元，若货物有损则扣5元，若既不按期又有损坏则扣16元。
推销人按他的经验认为，一箱货物按期无损的的运到目的地有60﹪把握，不按期到达占20﹪，货物有损占10﹪，不按期又有损的占10﹪。
试问推销人在用船运送货物时，每箱期望得到多少？按数学期望定义，该推销人每箱期望可得=)(X E 10×0.6＋8×0.2＋5×0.1－6×0.1＝7.5元1.2 公式法对于实际问题中的随机变量，假如我能够判定它服从某重点性分布特征（如二项分布，泊松分布，超几何分布等），则我们就可以直接利用典型分布的数学期望公式来求此随机变量的期望。