概率论期末复习4
概率论期末复习题集

概率论期末复习题集一、基本概念与原理1. 定义随机试验、样本空间、事件,并举例说明。
2. 解释概率的古典定义、频率定义和主观定义。
3. 描述概率的公理化定义,并列出概率的三个基本公理。
4. 举例说明条件概率的概念,并解释全概率公式和贝叶斯公式。
5. 描述随机变量、离散型随机变量和连续型随机变量的区别。
6. 定义数学期望、方差、标准差,并解释它们的意义。
二、离散型随机变量1. 给出离散型随机变量的概率分布列和概率质量函数。
2. 计算离散型随机变量的数学期望和方差。
3. 解释二项分布、泊松分布和几何分布,并给出它们的期望和方差公式。
4. 利用二项分布解决实际问题,例如药物测试的成功率问题。
三、连续型随机变量1. 描述连续型随机变量的概率密度函数和分布函数。
2. 计算连续型随机变量的数学期望和方差。
3. 解释均匀分布、指数分布和正态分布,并给出它们的概率密度函数和期望、方差的公式。
4. 利用正态分布解决实际问题,例如测量误差的分布问题。
四、多变量随机变量1. 定义联合分布函数和边缘分布函数,并解释它们之间的关系。
2. 描述协方差、相关系数和独立性的概念。
3. 计算两个随机变量的协方差和相关系数。
4. 利用联合分布解决实际问题,例如两个独立试验的联合成功概率。
五、大数定律和中心极限定理1. 解释切比雪夫不等式、马尔可夫不等式和切比雪夫大数定律。
2. 描述中心极限定理的内容,并解释为什么它在统计学中非常重要。
3. 利用中心极限定理估计样本均值的分布。
六、随机过程1. 定义随机过程和遍历理论。
2. 描述泊松过程和维纳过程,并解释它们在实际中的应用。
3. 解释随机过程的平稳性和遍历性。
七、应用题1. 一个袋子里有10个红球和20个蓝球,随机抽取5个球,计算以下事件的概率:至少有3个红球。
2. 某工厂生产的零件,每个零件合格的概率为0.95。
求生产100个零件中,至少有90个合格的概率。
3. 一个随机变量X服从正态分布N(μ, σ²),求X的数学期望和方差。
大学概率论期末复习要点

正态总体抽样分布分位数(分位点) Quantile ,下侧分位数Under Quantile 定义 设连续型变量X 的分布为(),F x 密度为(),f x 对任意的01,p <<满足(累积概率)分布值为p 的位置,p x 即()()(),01,px p p F x P X x f x dx p p -∞=≤==<<⎰称为p 分位数(下侧p 分位数).分位数是一个位置特征,可能不唯一,特别地,当1/2p =时,1/2x 称为中位数.上侧分位数Upper Side Quantile 定义 设连续型变量X 的分布为(),F x 密度为(),f x 补分布()1(),S x F x - 对任意的01,α<<满足补分布值为α的位置,u α即()1()()(),01,u S u F u P X u f x dx αααααα+∞=-=>==<<⎰称为上侧α分位数.将下侧分位数p 换为1α-得11()()1,01,F x P X x αααα--=≤=-<<1111()1()1()(),S x F x P X x P X x ααααα----=-=-≤=>= 由上侧分位数定义得1,0 1.u x ααα-=<<分位数(下侧分位数)一般定义1 设变量X 的分布为(),F x 对任意的01,p <<满足(累积概率)分布值p ≥的最小位置,p x 即min{;()()},p x x F x P X x p =≤≥ 称为p 分位数(下侧p 分位数).上侧分位数一般定义1 设补分布()1(),S x F x - 对任意的01,α<<满足补分布值α≤的最小位置,u α即min{;()1()()},u x S x F x P X x αα=-=>≤ 称为上侧α分位数.将下侧分位数p 换为1α-得1min{;()()1}x x F x P X x αα-==≤≥-min{;()1()()},0 1.x S x F x P X x u ααα==-=>≤=<<分位数(下侧分位数)一般定义2 设变量X 的分布为(),F x 对任意的01,p <<满足(累积概率)分布值左极限p ≤的最大位置,p x 即max{;(0)()},p x x F x P X x p -<≤ 称为p 分位数(下侧p 分位数).上侧分位数一般定义2 设补分布()1(),S x F x - 对任意的01,α<<满足补分布值左极限α≥的最大位置,u α即max{;(0)1(0)1()()},u x S x F x P X x P X x αα-=--=-<=≥≥ 称为上侧α分位数.将下侧分位数p 换为1α-得1max{;(0)()1}x x F x P X x αα-=-=<≤-max{;(0)1(0)1()()},0 1.x S x F x P X x P X x u ααα=-=--=-<=≥≥=<< 上侧分位数一般定义1和一般定义2是相同的.min{;()1()()}u x S x F x P X x αα==-=>≤ {;()}u P X u ααα=>={;()}u P X u ααα=≥=max{;(0)1(0)1()()}.x S x F x P X x P X x α=-=--=-<=≥≥一.U (无偏)统计量Unbiased Statistic定理 设12,,n X X X 独立同分布(...i i d )总体2(,),X N μσ 则样本均值 211(,/),ni i X X N n n μσ==∑标准化统计量~(0,1).U N =证明由独立正态分布可加(可分,再生)性(即设221122(,),(,),X N Y N μσμσ 独立,则221212(,).X Y N μμσσ+++ 可由随机变量和的卷(褶)积公式推出.)21(,),nii XN n n μσ=∑211(,/).ni i X X N n n μσ==∑将X 标准化即得统计量~(0,1).U N=定理设12,,nX X X为总体X两两不相关样本,2,,EX DXμσ样本均值11,niiX Xn==∑样本方差2211().1niiS X Xn==--∑则(1)2,,E X DXnσμ==(2)22.ESσ=(不依赖于总体分布形式.)证明(1)由期望性质得1111,n ni ii iE X E X EXn nμ==⎛⎫⎛⎫===⎪ ⎪⎝⎭⎝⎭∑∑由方差可加得222111111.n n ni i ii i iDX D X D X DXn n n nσ===⎛⎫====⎪⎝⎭∑∑∑(2)样本方差公式222211(1)()(2)n ni i ii in S X X X X X X==-=-=-+∑∑2222221112(),n n ni i ii i iX X X nX X nX n X X====-+=-=-∑∑∑两边取期望,由22222222,/iEX E X DX E X E X DX nμσμσ=+=+=+=+得2222211(1)n ni ii in ES E X nX EX nE X==⎛⎫-=-=-⎪⎝⎭∑∑22222()(/)(1),n n n nμσμσσ=+-+=-22.ESσ=定理设112,,nX X X独立同分布(...i i d)总体211(,),X Nμσ212,,,nY Y Y独立同分布(...i i d)总体222(,)Y Nμσ,两样本独立,则统计量~(0,1).U N=其中12111211,.n ni ii iX X Y Yn n====∑∑证明22111222~(,/),~(,/),X N n Y N nμσμσ,X Y独立,由独立正态分布可加(可分,再生)性22121212~,,X Y Nn nσσμμ⎛⎫--+⎪⎝⎭将X Y-标准化即得统计量~(0,1).U N=上侧分位数Upper Side Quantile uα(),01,P U uααα>=<<()()1,u P U uαααΦ=≤=-1(1).uαα-=Φ-由标准正态分布的对称性111()(1).u uαααα---=Φ=-Φ-=-标准正态分布上侧分位数10.1(0.9) 1.28;u-=Φ=10.05(0.95) 1.645;u-=Φ=10.025(0.975) 1.96;u-=Φ=10.01(0.99) 2.325;u-=Φ=10.005(0.995) 2.575;u-=Φ=10.002(0.998) 2.880.u-=Φ=二.卡方2χ分布Chi-Squared Distribution(德,阿贝E.Abbe(1840-1905),1863)(德,赫尔墨特Helmert(1843-1917),1875)(英,皮尔逊Karl Pearson(1857-1936),1890)定义设(1,2,,)iX i n= 独立同分布()(0,1),iid N n个独立的标准正态分布的平方和,即变量222212()nn X X Xχ+++称为服从自由度为n的卡方2χ分布,记为22(),nχχ即附表伽玛分布Gamma Distribution (,)αβΓ1/1(;,),0,0,0,()xf x x e xαβααβαββα--=>>>Γ的特例(/2,2).nαβΓ==密度为1/22/21(;),0.2(/2)nxnf x n x e xn--=>Γ是一个非对称分布.卡方2χ分布密度的证明1.随机变量和的公式,卷(褶)积公式设二维随机变量(,)X Y 的联合密度为(,),f x y 则和Z X Y =+的密度为()(,)Z f z f x z x dx +∞-∞=-⎰(当,X Y 独立时)()().X Y f x f z x dx +∞-∞=-⎰由Y X ,的对称性()(,)Z f z f z y y dy +∞-∞=-⎰(当,X Y 独立时)()().X Y f z y f y dy +∞-∞=-⎰证明()()(,)Z x y zF z P Z X Y z f x y dxdy +≤==+≤=⎰⎰(,),z xf x y dydx +∞--∞-∞=⎰⎰两边对z 求导,由复合函数求导链式法则得()(,).Z f z f x z x dx +∞-∞=-⎰或设,t x y =+()(,),zZ F z f x t x dtdx +∞-∞-∞=-⎰⎰由密度函数定义得()(,).Z f z f x z x dx +∞-∞=-⎰α参考:多(二)维随机变量函数的分布2.特殊函数伽玛函数Gamma Function 定义120(/2),,n sn s e ds n N +∞--Γ=∈⎰(设/2s x =)1/22/21.2nx n x e dx +∞--=⎰(1)1,Γ=由分部积分可得递推公式()()1.222n n n Γ+=Γ由伽玛函数定义1/2/21(;),0,2(/2)nx n f x n x e x n --=>Γ是一个密度,以下证明它是2()n χ的密度.3.(;)f x n 的可加(可分,再生)性设(;1),(;1),X f x Y f x n - ,X Y 独立,则(;).Z X Y f x n =+ 证明.由独立变量和的卷积公式()()()(;1)(;1)zZ X Y f z f x f z x dx f x f z x n dx +∞-∞=-=--⎰⎰(1)1/2()/22(1)/201()2((1)/2)n zx z x n z x e dx n ------=-Γ-⎰(1)111/222/201(),2(1/2)((1)/2)n z z n e x z x dx n ----=-ΓΓ-⎰设x zt = (1)11111/2222/201(1).2(1/2)((1)/2)n nz n z e t t dt n -----=-ΓΓ-⎰由规范性得(;),Z X Y f x n =+(1)1111220(1/2)((1)/2)(1).(/2)n n t t dt n ---ΓΓ--=Γ⎰取2,n =111112220(1/2)2(1),t t dt --Γ=-⎰设11011||,22x dx t dt -+== 11111122111()()222x x dx ----+-==⎰⎰11arcsin |.x π-==得(1/2)s -+∞Γ==⎰设2,2,s x ds xdx ==得泊松积分2(1/2)x e dx +∞--∞Γ==⎰设2/,s x x==2/20x e dx +∞-=⎰2/21,x edx +∞--∞=⎰得标准正态密度.设2sin ,0/2,2sin cos ,t dt d θθπθθθ=≤≤=(1)1111220(1)n t t dt ----⎰/2202cos .n d πθθ-=⎰/2/21010cos (/2,1)cos sin nn n I d I I d ππθθπθθ-===⎰⎰/2/222220(1)cossin (1)cos (1cos )n n n d n d ππθθθθθθ--=-=--⎰⎰2(1)(1),n n n I n I -=---因此得华莱士Wallis 公式/20(1)!!131,,222!!2cos (1)!!132,,0!! 1.23!!nn n n n n n n n I d n n n n n n n πππθθ-⎧--⎪-=⎨---⎪-⎩⎰ 是偶数是奇数,((1)/2)(/2).n n n n Γ-==⎨Γ是偶数是奇数 21221(2)!!(21)!!(22)!!,,,(21)!!(2)!!2(21)!!m m m m m m I I I m N m m m π+---<<∈<<+-化简得222(2)!!21.21221(21)!!2m m m m m m m ππ⎛⎫<<↑↑+∞ ⎪++-⎝⎭ 22122(21)!!(22)!!(23)!!,,,(2)!!2(21)!!(22)!!2m m m m m m I I I m N m m m ππ-----<<∈<<--化简得2(21)!!21212.22(22)!!m m m m m m ππ-⎛⎫-<<↑↑+∞ ⎪-⎝⎭ 4.设(0,1),X N 则22(1)(;1).X f x χ= 由随机变量函数的密度公式得((/2(;1),0.x f x x ϕϕ-''=+==> 设i X 独立同分布(0,1),N 由(;)f x n 的可加(可分)性得 22212(2)(;2),,X X f x χ=+222212()()(;).n n X X X f x n χ=+++或2.特殊函数伽玛函数Gamma Function 定义10(),0,ss e ds ααα+∞--Γ=>⎰(1)1,Γ=由分部积分可得递推公式(1)(),0.ααααΓ+=Γ> 设/,0,/,s x ds dx βββ=>=则1/01().x x e dx αβααβ+∞--Γ=⎰设2,2,s x ds xdx ==则222(1)210()22,0.x x xexdx xe dx αααα+∞+∞----Γ==>⎰⎰由伽玛函数定义1/1(;,),0,0,0,()x f x x e x αβααβαββα--=>>>Γ是一个密度,称为伽玛分布(,).αβΓ即附表伽玛分布.3.伽玛分布(,)αβΓ的可加(可分,再生)性设12(,),(,),X Y αβαβΓΓ ,X Y 独立,则12(,).Z X Y ααβ=+Γ+证明.由独立变量和的卷积公式120()()()(;,)(;,)zZ X Y f z f x f z x dx f x f z x dx αβαβ+∞-∞=-=-⎰⎰111211/()/01211()()()zx z x x e z x e dx ααββααβαβα-----=-ΓΓ⎰121211/0121(),()()z z e x z x dx ααβααβαα---+=-ΓΓ⎰设x zt = 1212121111/0121(1).()()z z e t t dt ααααβααβαα+----+=-ΓΓ⎰由规范性得12(,),Z X Y ααβ=+Γ+ 得贝塔函数Beta Function 121111212012()()(,)(1).()tt dt αααααααα--ΓΓB -=Γ+⎰取123/2,αα==2233111220(3/2)(1/2)(1),(3)8t t dt --ΓΓ==-Γ⎰设11011||,22x dx t dt -+==1111221111()(),22248x x dx π--+-===⎰⎰(单位圆面积为π)得0(1/2)s-+∞Γ==⎰4.设(0,1),X N 则22(1)(1/2,2).X χαβ=Γ== 由随机变量函数的密度公式得((/2(;1),0.x f x x ϕϕ-''=+==>设i X 独立同分布(0,1),N 由(,)αβΓ的可加(可分)性得 22212(2)(1,2),,X X χαβ=+Γ==222212()()(/2,2).n n X X X n χαβ=+++Γ==特例.2(2)(/21,2)n χαβ=Γ====指数分布(1/2)E =附表Rayleigh 瑞利分布2(1)σ=的平方.设二维变(向)量的两边缘(分量)独立同标准正态,向量长(模)即平面标准布朗运动单位时刻粒子的半径称为标准瑞利分布2(1).Rayle σ= 由此可得:时间与(圆)面积一一对应. 性质设22221122~(),~()n n χχχχ独立,则2221212~().n n χχχ++ 证明由卡方2χ分布的定义1111222222222112212,,n n n n n X X X X X X χχ+++=+++=+++12222222121212~().n n X X X n n χχχ++=++++期望Expectation ,Mean 2.E n χ=方差Discrete ,Variance ,Dispersion 22.D n χ= k 阶原点矩K-Order Origin Moment 22(1)(22).k k E n k E χχ-=+-2(22)!!.(2)!!k n k E n χ+-=-证明由期望和方差性质22211()(),nniii i E E X E X n χ=====∑∑22211()()2,nnii i i D D X D X n χ=====∑∑212/22/2001()(;)2(/2)n kk k x n E n x f x n dx x e dx n χ++∞+∞--==Γ⎰⎰21/222022((2)/2)1(/2)2((2)/2)n kk x n k n k x e dx n n k ++∞--+Γ+=ΓΓ+⎰ 2(2)n k χ+的密度积分为12((2)/2)(22)!!(2)(22).(/2)(2)!!k n k n k n n n k n n Γ++-==++-=Γ-众数Mode (最可能(最大概率或密度)分布点)max{2,0}.M n =-上侧分位数221(),()n n ααχχ-22(()),01,P n αχχαα>=<<将α换为1α-得221(())1,P n αχχα->=-2221/2/2(()())1.P n n ααχχχα-≤≤=-定理(统计学基本定理) 设n X X X ,,,21 是正态总体2(,)X N μσ 的独立样本,则 (1)样本均值X 与样本方差2S 独立;/21/2-α(2)2222122()(1)~(1).nii XX n Sn χχσσ=--==-∑证明设n 维正态分布12(,,,),n X X X X '= 正交阵A (即A A E '=),00000A ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥n 维正态分布12(,,,),n Y Y Y Y AX '==221111(,/),,),n n i i i i X X N n Y X N n μσσ=====∑121(1))(0,),/(0,1),2,,.i i i i i i Y X i X N Y N i n σσ-==--=∑由独立正态分布正交变换为独立正态分布,或由正态分布独立与不相关等价得,1,2,,,i Y i n = 独立. (,)()(),1,i j i j i j i j Cov Y Y E YY EY EY E YY i j n =-=≤<≤11111(,)()((1))j n j j i ij i i Cov Y Y E YY E X X j X -==⎛⎫==-- ⎪⎝⎭∑∑1221(1)0,2,j ij i EX j EX j n -=⎫=--=≤≤⎪⎭∑只需求平方项期望1111(,)()((1))((1))j i i j i j ii i j i i Cov Y Y E YY X i X X j X --==⎛⎫==---- ⎪⎝⎭∑∑1221(1)0,2.i i i i EX i EX i j n -=⎫=--=≤<≤⎪⎭∑因此X 与,2,,,i Y i n = 独立,从而X 与2S 独立.2211,nnii i i YY Y X A AX X =='''===∑∑222222211112(1)(),nnnni ii i i i i i n S X X X nX Y Y Y ====-=-=-=-=∑∑∑∑由卡方2χ分布定义得222222(1)(/)~(1).ni i n S Y n χσχσ=-==-∑简证222211111(),n n i i i i S X X X X n n ===-=-∑∑222211(1)(),n ni i i i n S X X X nX ==-=-=-∑∑将,2,,,i X i n X = 标准化222222211(1)().nn i i i i X X X n S n U μχσσσ==⎛⎫⎛⎫---⎛⎫==-=- ⎪ ⎪⎝⎭⎝⎭∑∑ 由矩阵正交变换或直角坐标变换,可将2()n χ分解为其中一个变量为标准正态U 的n个独立标准正态的平方和,因此X 与2S 独立,222(1)n S χσ-=可表为1n -个独立标准正态的平方和,即2~(1).n χ-参考:《概率论与数理统计》,茆诗松等,高等教育出版社.三.t 分布,学生氏分布Student Distribution (英,高塞特W.S.Gosset (1876-1937),1908) 定义 设2(0,1),(),,X N Y n X Y χ 独立,变量T =称为服从自由度为n 的t 分布,记为(),T t n 密度为122(;)1,.n xf x n x R n +-⎫=+∈⎪⎭是一个对称分布.21(;1),,(1)f x n x R x π==∈+称为标准柯西分布(0,1).Ct 分布密度的证明可略,因可由F 分布密度推出. 1.随机变量商的密度公式设二维随机变量(,)X Y 的联合密度为(,),f x y 则商/Z X Y =的密度为()(,)||,Z f z f yz y y dy +∞-∞=⎰当,X Y 独立时,()()()||.Z X Y f z f yz f y y dy +∞-∞=⎰证明/()(/)(,)Z x y zF z P Z X Y z f x y dxdy ≤==≤=⎰⎰(,)(,).yzyzf x y dxdy f x y dxdy +∞+∞-∞-∞=+⎰⎰⎰⎰两边对z 求导得()(,)(,)Z f z f yz y ydy f yz y ydy +∞-∞=-+⎰⎰(,)||.f yz y y dy +∞-∞=⎰参考:多(二)维随机变量函数的分布2.变量Θ()y θ=反函数2(),0,y n θθθ=>由随机变量函数的密度公式得Θ的密度为212/2/21()(())|()|()22(/2)nn Y n f f y y n e n n θθθθθθ--Θ'==Γ2/21/2/21,0.2(/2)n n n n n e n θθθ---=>Γ ,X Y 独立,所以,X Θ独立,由独立变量商的密度公式得/T X =Θ的密度为(;)()()||X f x n f x f d θθθθ+∞Θ-∞=⎰22/2()/21/2/212(/2)n x n n n n e d n θθθθθ+∞----=Γ⎰22(1)/2()/2,n n n x e d θθθ++∞-+= 设2(1)/2(1)/2212(1)/222(1)/2(2)(2),,,,2()()n n n nn n n x s ds s s d d ds n x n x n x θθθθθθ----++====+++12(1)/201n n sx s e ds n +-+∞--⎫=+⎪⎭⎰121,.n xx R n +-⎫=+∈⎪⎭性质()t n 分布收敛到标准正态分布(0,1),.N n →+∞()t n 分布尾部概率大于标准正态分布(0,1)N 尾部概率,称为厚尾分布.当40n ≥时,()t n 分布可近似为标准正态分布(0,1)N .2211222lim 1lim 1.x n n n x x n n x x e n n +-+--→+∞→+∞⎡⎤⎛⎫⎛⎫⎢⎥+=+= ⎪⎪⎢⎥⎝⎭⎝⎭⎣⎦由规范性,即系数与其适应,lim n =21,,2.n m m N n m =+∈==由2(1/2)(1/1,m m m >-+>,m ↑↑+∞由2(21)4(1,m m m ->->.m ↑↑+∞ 因此.n ↑↑+∞特例.标准柯西分布最大密度1(0;1)f n π==<标准正态分布最大密度(0)ϕ=两密度面积均为1,因此标准柯西分布(0,1)C 尾部概率大于(0,1)N 尾部概率. 期望0,.ET n N =∈ 方差, 2.2nDT n n =>- 证明由()t n 分布密度对称性得0,.ET n N =∈122222(;)1nxDT ET x f x n dx x dxn+-+∞+∞-∞-∞⎛⎫===+⎪⎭⎰⎰1222(1)11nx xn dxn n+-+∞-∞⎫⎛⎫=+-+⎪⎪⎭⎝⎭⎰)()()122112212222nn nxn dx nnn n--+∞-∞--Γ⎛⎫=+-⎪--⎝⎭Γ⎰==122(1)1,22nn n ydy nn n--+∞-∞⎛⎫-=+-⎪--⎭⎰(2)t n-密度积分为1(1), 2.22n n nn nn n-=-=>--上侧分位数1/2(),(),()t n t n t nααα-(()),0 1.P T t nααα>=<<由t分布密度对称得(()),P T t nαα<-=(())1,P T t nαα>-=-由t分布分位数的唯一性得1()().t n t nαα-=-/2(||()),P T t nαα>=/2(||())1.P T t nαα≤=-α标准化t 分布Standardized Student Distribution设(),2,,(),X t n n Y x y >==则变量Y 的密度为122()(())|()|1n Y X f y f x y x y n +-⎛⎫⎫'==+⎪⎪⎪⎭⎭1221,.2n yy R n +-⎛⎫=+∈⎪-⎭称为服从自由度为n 的标准化t 分布,记为().Y t n * 特殊函数贝塔函数Beta Function 定义1110()()(,)(1).x x dt αβαβαβαβ--ΓΓB -=⎰贝塔分布Beta Distribution 定义 设随机变量X 的密度为11(1)(),0,0,01,(,)x x f x x αβαβαβ---=>><<B称为贝塔分布,记为(,).X αβB设(,),(,),U V αγβγΓΓ 独立,则(,).UX U Vαβ=B + 倒贝塔分布Inverse Beta Distribution 定义 设随机变量X 的密度为211()(1),0,0,1,(,)f x x x x αββαβαβ-+--=->>>B 称为倒贝塔分布,记为1(,).X αβ-B 费歇Z 分布Fisher Z-Distribution 定义设21(,),(1)(1)1,,(),|()|,11(1)yY X X Y X x y x y Y y y αβ'B -+====+++ 则变量Y 的密度为112111()(())|()|(,)11(1)Y X y f y f x y x y y y y αβαβ--⎛⎫⎛⎫'== ⎪ ⎪B +++⎝⎭⎝⎭/2α/2α11(1),0,0,0,(,)y y y ααβαβαβ---=+>>>B 称为费歇Z 分布,记为(,).Y Z αβ或设11(,),1(,),1,.11Y X X Y X Y X YβααβB -=B =-=++或设11(,),,.11Y X Y X X Yαβ-B ==-+或设(,),(,),U V αγβγΓΓ 独立,/.Y U V =则变量Y 的密度相同.取12,,22n n αβ==即为独立卡方分布商2122()()n n χχ的密度.1121122212(()/2)()(1),0.(/2)(/2)nn n Y n n f y y y y n n +--Γ+=+>ΓΓ定理 设12,,n X X X 独立同分布(...i i d )总体2(,),X N μσ 则统计量~(1).T t n =- 证明2222(1)~(0,1),~(1),n S U N n χχσ-==-独立, 由t 分布定义T ==~(1).t n ==-/S σ=是用样本标准差S 替换总体标准差σ的因子.定理 设112,,n X X X 独立同分布(...i i d )总体21(,),X N μσ 212,,,n Y Y Y 独立同分布(...i i d )总体22(,)Y N μσ ,(两总体方差相等),两样本独立,则统计量12~(2).T t n n =+-其中12111211,,n n i i i i X X Y Y n n ====∑∑12222212111211(),(),11n n i i i i S X X S Y Y n n ===-=---∑∑ 222112212(1)(1).2wn S n S S n n -+-=+-证明221122~(,/),~(,/),X N n Y N n μσμσ,X Y 独立,由独立正态分布可加性2121212~,,n nX Y N n n μμσ⎛⎫+-- ⎪⎝⎭标准化变量~(0,1).U N =222211221222(1)(1)~(1),~(1)n S n S n n χχσσ----,2212,S S 独立,由独立卡方分布可加性22221211221222(2)(1)(1)~(2).wn n S n S n S n n χσσ+--+-=+-X Y -与2wS 独立,根据t 分布的定义T ==12~(2).t n n =+-四.F (比率)分布Fisher Proportional Distribution (英,费歇R.A.Fisher (1890-1962),1924) 定义 设2212(),(),X n Y n χχ ,X Y 独立,变量12//X n F Y n =称为服从第一(分子)自由度为1,n 第二(分母)自由度为2n 的F 分布,记为12(,),F F n n 密度为1121112112121222(()/2)(;,)1,0,(/2)(/2)n n n n n n n n f x n n x x x n n n n +--Γ+⎛⎫⎛⎫=+> ⎪ ⎪ΓΓ⎝⎭⎝⎭2112211211212()(),0.(/2,(/2)n n n n n n n x n x n x n n +--=+>B 其中贝塔函数()()(,),0,0,())αβαβαβαβΓΓB =>>Γ+F 分布是一个非对称分布.F 分布密度的证明1.随机变量商的密度公式设二维随机变量(,)X Y 的联合密度为(,),f x y 则商/Z X Y =的密度为()(,)||,Z f z f yz y y dy +∞-∞=⎰当,X Y 独立时,()()()||.Z X Y f z f yz f y y dy +∞-∞=⎰证明/()(/)(,)Z x y zF z P Z X Y z f x y dxdy ≤==≤=⎰⎰ 0(,)(,)yzyzf x y dxdy f x y dxdy +∞+∞-∞-∞=+⎰⎰⎰⎰两边对z 求导得()(,)(,)Z f z f yz y ydy f yz y ydy +∞-∞=-+⎰(,)||.f yz y y dy +∞=参考:多(二)维随机变量函数的分布2.由独立变量商的密度公式,/Z X Y =的密度为120(;,)(,)||()()Z X Y f z n n f yz y y dy f yz f y ydy +∞+∞-∞==⎰⎰11212121(1)212,(/2)(/2)2n n n yz n n z y e dy n n -++∞--++=ΓΓ⎰设(1)2ys z =+ 112121221012(1)(/2)(/2)n n n n n s z z s e dsn n +--++∞--+=ΓΓ⎰11211212(()/2)(1),0.n n n n n z z z +--Γ+=+>由随机变量函数的密度公式,1221//X n n F Z Y n n ==的密度为 112122111211212121221222(()/2)(;,)(/;,)1,0.(/2)(/2)n n n n Z n n n n n f x n n f n x n n n x x x n n n n n +-Γ+⎛⎫⎛⎫==+> ⎪ ⎪ΓΓ⎝⎭⎝⎭3.推论.根据12(1,)F n n n ==分布密度推出()t n 分布密度.由标准正态分布的对称性得()t n 是对称的.222()(1,)2()1(||)((1;))(),0,t n F n F x P T x P T F n x F x x -=≤==≤=>两边对x求导得()t n分布密度122212(;)(;1,)1,.nxf x n xf x n n n x R+-⎫====+∈⎪⎭性质由F分布的定义易知,21121~(,),(,)F n nF n n或1221(,)(,) 1.F n n F n n≡期望222,2,2nEF nn=>-第一(分子)自由度为1n无关.方差2122221222(2), 4.(4)(2)n n nDF nn n n+-=>--证明设1(1,2,,)iX i n= 同分布()(0,1),id N则122212222222()()()nXX XE E En n nχχχ===1222212111222222()/()/()/()/nX X X nn nEF E En n n nχχχ+++==22122222(1,)()()/XE EF n Et nn nχ===2222(), 2.2nDt n nn==>-或1121221211212001222(()/2)(;,)1(/2)(/2)n n nnn n n n EF xf x n n dx x x dxn n n n+-+∞+∞⎛⎫⎛⎫Γ+==+⎪ ⎪ΓΓ⎝⎭⎝⎭⎰⎰设11111122111122222222,22n nn nn n n nx y x dx y dyn n n n++⎛⎫⎛⎫++==⎪ ⎪--⎝⎭⎝⎭112112221211211222(()/2)221(/2)(/2)22n n nnn n n n ny y dyn n n n n++-+∞⎛⎫⎛⎫Γ+++=+⎪ ⎪ΓΓ--⎝⎭⎝⎭⎰1121122 21211221222(()/2)2212((2)/2)((2)/2)22n n nnn n n n ny y dy n n n n n++-+∞⎛⎫⎛⎫Γ+++ =+⎪ ⎪-Γ+Γ---⎝⎭⎝⎭⎰12(2,2)F n n+-的密度积分为1222, 2.2nnn=>-1121221221211212001222(()/2)(;,)1(/2)(/2)n n nnn n n n EF x f x n n dx x x dxn n n n+-+∞+∞+⎛⎫⎛⎫Γ+==+⎪ ⎪ΓΓ⎝⎭⎝⎭⎰⎰设1111222211111122222244,44n nn nn n n nx y x dx y dyn n n n++++⎛⎫⎛⎫++==⎪ ⎪--⎝⎭⎝⎭1121222212121122011222(()/2)441(/2)(/2)44n n n n n n n n n yy dy n n n n n ++-+∞+⎛⎫⎛⎫Γ+++=+⎪⎪ΓΓ--⎝⎭⎝⎭⎰112122221121211201221222(2)(()/2)441(4)(2)((4)/2)((4)/2)44n n n n n n n n n n yy dy n n n n n n n ++-+∞+⎛⎫⎛⎫+Γ+++=+ ⎪⎪--Γ+Γ---⎝⎭⎝⎭⎰12(4,4)F n n +-的密度积分为12122122(2), 4.(4)(2)n n n n n n +=>-- 222212221222(2)(4)(2)(2)n n n DF EF E F n n n n +=-=---- 2122221222(2), 4.(4)(2)n n n n n n n +-=>-- 众数1212(2)max ,0 1.(2)n n M n n -⎧⎫=<⎨⎬+⎩⎭上侧分位数12112(,),(,)F n n F n n αα-12((,)),0 1.P F F n n ααα>=<<将α换为1α-得112((,))1,P F F n n αα->=-1/212/212((,)(,))1.P F n n F F n n ααα-≤≤=-由F 分布的性质及上侧分位数的定义可得随机理论 抽样分布第21页 共21页 112211(,).(,)F n n F n n αα-= 证明2121((,)(,)),P F n n F n n αα>=2121((,)(,))1,P F n n F n n αα<=- 由12211~(,)(,)F n n F n n 得 12212111((,))1,(,)(,)P F n n F n n F n n αα=>=- 由分位数的唯一性得112211(,).(,)F n n F n n αα-= 定理 设112,,n X X X 独立同分布(...i i d )总体211(,),X N μσ 212,,,n Y Y Y 独立同分布(...i i d )总体222(,),Y N μσ 两总体独立,2212,S S 依次是两总体的样本方差,则统计量 2211122222~(1,1).S F F n n S σσ=-- 证明2211121(1)(1),n S n χσ-- 2222222(1)(1),n S n χσ-- 独立, 由F 分布的定义211121222222(1)(1)(1)(1)n S n F n S n σσ--=--2211122222~(1,1).S F n n S σσ=--。
概率论期末复习知识点

知识点第一章 随机事件与概率本章重点:随机事件的概率计算. 1.**事件的关系及运算 (1) (或).(2) 和事件: ;(简记为).(3) 积事件: ,(简记为或).(4) 互不相容:若事件A 和B 不能同时发生,即 (5) 对立事件: .(6) 差事件:若事件A 发生且事件B 不发生,记作(或) .(7) 德摩根(De Morgan )法则:对任意事件A 和B 有, .2. **古典概率的定义 古典概型:.几何概率·3.**概率的性质 (1) .(2) (有限可加性) 设n 个事件两两互不相容,则有.(3).(4) 若事件A ,B 满足,则有A B ⊂B A ⊃A B ⋃12n A A A ⋃⋃⋃1nii A =AB 12nA A A ⋂⋂⋂12nA A A 1nii A =AB φ=A A B -AB A B A B ⋃=⋂A B A B ⋂=⋂()A n A P A n ==Ω中所含样本点的个数中所含样本点的个数()A P A =的长度(或面积、体积)样本空间的的长度(或面积、体积)()0P φ=1,2,,nA A A 121()()nn i i P A A A P A =⋃⋃⋃=∑()1()P A P A =-A B ⊂,.(5) .(6) (加法公式) 对于任意两个事件A ,B ,有.对于任意n 个事件,有.4.**条件概率与乘法公式.乘法公式:.5.*随机事件的相互独立性事件A 与B 相互独立的充分必要条件一:,事件A 与B 相互独立的充分必要条件二:.对于任意n 个事件相互独立性定义如下:对任意一个,任意的,若事件总满足,则称事件相互独立.这里实际上包含了个等式.6.*贝努里概型与二项概率设在每次试验中,随机事件A发生的概率,则在n 次重复独立试验中.,事件A恰发生次的概率为,7.**全概率公式与贝叶斯公式 贝叶斯公式:()()()P B A P B P A -=-()()P A P B ≤()1P A ≤()()()()P A B P A P B P AB ⋃=+-1,2,,nA A A 111111()()()()(1)()nnn i i i j i j k n i i j ni j k ni P A P A P A A P A A A P A A -=≤<≤≤<<≤==-+-+-∑∑∑()(|)()P AB P A B P B =()()(|)()(|)P AB P A P B A P B P A B ==()()()P AB P A P B =(|)()P A B P A =1,2,,n A A A 2,,k n =11k i i n≤<<≤1,2,,nA A A 11()()()k k i i i i P A A P A P A =1,2,,nA A A 21nn --()(01)P A p p =<<k ()(1),0,1,,k n k n n P k p p k nk -⎛⎫=-= ⎪⎝⎭如果事件两两互不相容,且,,,则.第二章 一维随机变量及其分布本章重点:离散型和连续性随机变量的分布及其概率计算.概率论主要研究随机变量的统计规律,也称这个统计规律为随机变量的分布. 1.**离散型随机变量及其分布律分布律也可用下列表格形式表示:2.*概率函数的性质 (1),(2).3.*常用离散型随机变量的分布(1) 0—1分布,它的概率函数为,其中,或1,.(2) 二项分布,它的概率函数为,其中,,.(4)** 泊松分布,它的概率函数为1,2,,nA A A 1ni i A ==Ω()0i P A >1,2,,i n =1()(|)(|),1,2,,()(|)k k k niii P A P B A P A B k nP A P B A ===∑(),1,2,,,.i i p P X a i n ===n a np 0i p ≥1,2,,,;i n =11ii p∞==∑(1,)B p 1()(1)i i P X i p p -==-0i =01p <<(,)B n p ()(1)i n in P X i p p i -⎛⎫==- ⎪⎝⎭0,1,2,,i n =01p <<()P λ,其中,,..4.*二维离散型随机变量及联合概率二维离散型随机变量的分布可用下列联合概率函数来表示:其中,.5.*二维离散型随机变量的边缘概率 设为二维离散型随机变量,为其联合概率(),称概率为随机变量的边缘分布律,记为并有,称概率为随机变量Y 的边缘分布率,记为,并有=.6.随机变量的相互独立性 .设为二维离散型随机变量,与相互独立的充分必要条件为多维随机变量的相互独立性可类似定义.即多维离散型随机变量的独立性有与二维相应的结论.7.*随机变量函数的分布设是一个随机变量,是一个已知函数,是随机变量的函数,它也是一个随机变量.对离散型随机变量,下面来求这个新的随机变量的分布.设离散型随机变量的概率函数为则随机变量函数的概率函数可由下表求得()!iP X i e i λλ-==0,1,2,,,i n =0λ>(,)X Y (,),,1,2,,i j ij P X a Y b p i j ====0,,1,2,,1ij ijijp i j p≥==∑∑(,)X Y ijp ,1,2,i j =()(1,2,)i P X a i ==X ip .(),1,2,i i ij jp P X a p i ====∑()(1,2,)j P Y b j ==.jp .jp (),1,2,j ij iP Y b p j ===∑(,)X Y X Y ,,1,2,.ij i j p p p i j ==对一切X ()g x ()Y g X =X X Y X n a np Y g =但要注意,若的值中有相等的,则应把那些相等的值分别合并,同时把对应的概率相加.第三章 连续型随机变量及其分布本章重点:一维及二维随机变量的分布及其概率计算,边缘分布和独立性计算. 1.*分布函数随机变量的分布可以用其分布函数来表示,.2.分布函数的性质 (1) (2);由已知随机变量的分布函数,可算得落在任意区间内的概率 .3.联合分布函数二维随机变量的联合分布函数. 4.联合分布函数的性质 (1) ;(2),;(3).5.**连续型随机变量及其概率密度设随机变量的分布函数为,如果存在一个非负函数,使得对于任一实数,有()n g a ()i g a ip ()F x 0()1;F x ≤≤()0,()1lim lim x x F x F x →-∞→+∞==X ()F x X (,]a b (,)X Y 0(,)1F x y ≤≤(,)0,(,)0lim lim x y F x y F x y →-∞→-∞==(,)0,(,)1lim lim x x y y F x y F x y →-∞→+∞→-∞→+∞==121222211211(,)(,)(,)(,)(,)P x X x y Y y F x y F x y F x y F x y <≤<≤=--+X ()F x ()f x x ()()F x P X x =<()()()P a X b F b F a ≤<=-(,)(,)F x y P X x Y x =<<成立,则称X 为连续型随机变量,函数称为连续型随机变量的概率密度. 6.**概率密度及连续型随机变量的性质 (1) (2);(3);(4)设为连续型随机变量,则对任意一个实数c ,; (5) 设是连续型随机变量的概率密度,则有=.7.**常用的连续型随机变量的分布 (1) 均匀分布,它的概率密度为其中,.(2) 指数分布,它的概率密度为其中,.(3) 正态分布,它的概率密度为,其中,,当时,称为标准正态分布,它的概率密度为,标准正态分布的分布函数记作,即()()xF x f x dx-∞=⎰()f x X ()f x ()0;f x ≥()1f x dx +∞-∞=⎰()()F x f x '=X ()0P X c ==()f x X ()()()()P a X b P a X b P a X b P a X b <<=≤<=≤≤=<≤()baf x dx⎰(,)R a b 1,;()0,a x b f x b a⎧<<⎪=-⎨⎪⎩其余.)a b -∞<<<+∞()E λ,0;()0,x e x f x λλ-⎧>=⎨⎩其余.0λ>2(,)N μσ22()2(),x f x x μσ--=-∞<<+∞,0μσ-∞<<+∞>0,1μσ==(0,1)N 22(),x f x x -=-∞<<+∞()x Φ,当出时,可查表得到;当时,可由下面性质得到.设,则有;.8.**二维连续型随机变量及联合概率密度对于二维随机变量(X ,Y)的分布函数,如果存在一个二元非负函数,使得对于任意一对实数有成立,则为二维连续型随机变量,为二维连续型随机变量的联合概率密度. 9.**二维连续型随机变量及联合概率密度的性质 (1) ;(2);’(3) 在的连续点处有;(4) 设为二维连续型随机变量,则对平面上任一区域有.10,**二维连续型随机变量的边缘概率密度设为二维连续型随机变量的联合概率密度,则的边缘概率密度为;的边缘概率密度为22()t xx dt -Φ=⎰0x ≥()x Φ0x <()x Φ()1()x x Φ-=-Φ2~(,)X N μσ()()x F x μσ-=Φ()()()b a P a X b μμσσ--<≤=Φ-Φ(,)F x y (,)f x y (,)x y (,)(,)xyF x y f s t dtds-∞-∞=⎰⎰(,)X Y (,)f x y (,)0,,f x y x y ≥-∞<<+∞(,)1f x y dxdy +∞+∞-∞-∞=⎰⎰(,)f x y 2(,)(,)F x y f x y x y ∂=∂∂(,)X Y D ((,))(,)DP X Y D f x y dxdy∈=⎰⎰(,)X Y (,)f x y X ()(,)X f x f x y dy+∞-∞=⎰Y.11.常用的二维连续型随机变量 (1) 均匀分布如果在二维平面上某个区域G 上服从均匀分布,则它的联合概率密度为(2) 二维正态分布如果的联合概率密度则称服从二维正态分布,并记为.如果,则,,即二维正态分布的边缘分布还是正态分布. 12.**随机变量的相互独立性 .,那么,称随机变量与相互独立.设为二维连续型随机变量,则与相互独立的充分必要条件为如果.那么,与相互独立的充分必要条件是.第四章 随机变量的数字特征本章重点:随机变量的期望。
概率论与数理统计期末复习重要知识点及公式整理

概率论与数理统计期末复习重要知识点第二章知识点:1.离散型随机变量:设X 是一个随机变量,如果它全部可能的取值只有有限个或可数无穷个,则称X 为一个离散随机变量。
2.常用离散型分布:(1)两点分布(0-1分布):若一个随机变量X 只有两个可能取值,且其分布为12{},{}1(01)P X x p P X x pp ====-<<,则称X 服从12,x x 处参数为p 的两点分布。
两点分布的概率分布:12{},{}1(01)P X x p P X x pp ====-<<两点分布的期望:()E X p =;两点分布的方差:()(1)D X p p =-(2)二项分布:若一个随机变量X 的概率分布由式{}(1),0,1,...,.k kn k n P x k C p p k n -==-=给出,则称X 服从参数为n,p 的二项分布。
记为X~b(n,p)(或B(n,p)).两点分布的概率分布:{}(1),0,1,...,.k k n kn P x k C p p k n -==-= 二项分布的期望:()E X np =;二项分布的方差:()(1)D X np p =-(3)泊松分布:若一个随机变量X 的概率分布为{},0,0,1,2,...!kP X k ek k λλλ-==>=,则称X 服从参数为λ的泊松分布,记为X~P (λ)泊松分布的概率分布:{},0,0,1,2,...!kP X k ek k λλλ-==>=泊松分布的期望:()E X λ=;泊松分布的方差:()D X λ=4.连续型随机变量:如果对随机变量X 的分布函数F(x),存在非负可积函数()f x ,使得对于任意实数x ,有(){}()xF x P X x f t dt-∞=≤=⎰,则称X 为连续型随机变量,称()f x 为X 的概率密度函数,简称为概率密度函数。
5.常用的连续型分布:(1)均匀分布:若连续型随机变量X 的概率密度为⎪⎩⎪⎨⎧<<-=其它,0,1)(bx a a b x f ,则称X 在区间(a,b )上服从均匀分布,记为X~U(a,b)均匀分布的概率密度:⎪⎩⎪⎨⎧<<-=其它,0,1)(b x a a b x f 均匀分布的期望:()2a bE X +=;均匀分布的方差:2()()12b a D X -= (2)指数分布:若连续型随机变量X 的概率密度为00()0xe xf x λλλ-⎧>>=⎨⎩,则称X 服从参数为λ的指数分布,记为X~e (λ)指数分布的概率密度:00()0xe xf x λλλ-⎧>>=⎨⎩指数分布的期望:1()E X λ=;指数分布的方差:21()D X λ=(3)正态分布:若连续型随机变量X的概率密度为2()2()x f x x μσ--=-∞<<+∞则称X 服从参数为μ和2σ的正态分布,记为X~N(μ,2σ)正态分布的概率密度:22()2()x f x x μσ--=-∞<<+∞正态分布的期望:()E X μ=;正态分布的方差:2()D X σ=(4)标准正态分布:20,1μσ==,2222()()x t xx x e dtϕφ---∞=标准正态分布表的使用: (1)()1()x x x φφ<=--(2)~(0,1){}{}{}{}()()X N P a x b P a x b P a x b P a x b b a φφ<≤=≤≤=≤<=<<=-(3)2~(,),~(0,1),X X N Y N μμσσ-=故(){}{}()X x x F x P X x P μμμφσσσ---=≤=≤={}{}()()a b b a P a X b P Y μμμμφφσσσσ----<≤=≤≤=-定理1: 设X~N(μ,2σ),则~(0,1)X Y N μσ-=6.随机变量的分布函数: 设X 是一个随机变量,称(){}F x P X x =≤为X 的分布函数。
概率论与数理统计复习4-5章

∑ g ( x ) p 绝对收敛,则Y的期望为 ∞
k =1 k k
∑ g(x
k =1
k
) pk
(2) 设X是连续型随机变量,概率密度为 f ( x) , 如果积分 ∫−∞ g ( x) f ( x)dx 绝对收敛,则Y的期望为
E (Y ) = E[ g ( X )] = ∫ g ( x ) f ( x )dx
例 设X的概率分布律为
X −1
0 12
1
2
p 1 3 1 6 1 6 1 12 1 4
试求Y=-X+1及 Z = X 2 的期望和方差。 X -1 0 1/2 解 由于 P 1/3 1/6 1/6 Y =-X+1 2 1 1/2 Z = X2 1 0 1/4
1 1 1 1 1 1 2 E (Y ) = ( −1) ⋅ + 0 ⋅ + ⋅ + 1⋅ + 2 ⋅ = 4 12 2 6 6 3 3
2 2
D( Z ) = E ( Z 2 ) + [ E ( Z )]2 = 2.23264
1 + x − 1 < x < 0 例 设随机变量X的概率密度为 f ( x ) = 1 − x 0 ≤ x < 1 1)求D(X), 2)求 D ( X 2 )
解 (1) E ( X ) = ∫ x(1 + x)dx + ∫ x(1 − x)dx
第四章 随机变量的数字特征
离散型随机变量的数学期望 连续型随机变量的数学期望 数学期望的性质及随机变量函数的期望 方差及其性质
4.1数学期望 数学期望
数学期望——描述随机变量取值的平均特征 数学期望——描述随机变量取值的平均特征 一、离散型随机变量的数学期望 定义 设离散型随机变量X的概率分布为
概率论期末总复习必考题型

复习重点题目第一章p13例2、p14例5、习题一20、25第二章p34 例7、8;习题二15、24。
第三章p58 例2、例5、p61 例5、p63 例1、习题三5。
第四章习题四13、14、15、16。
第七章P139 例4、P148 例2、习题七P157 1、P159 13。
第八章例4、例5、习题八3、6。
例 1.5.2 设袋中装有r 只红球,t 只白球,每次自袋中任取一只球,观察其颜色然后放回,并再放入 a 只与所取出的那只球同色的球,若在袋中连续取球 4 次,试求第一、二次取到红球且第三、四次取到白球的概率。
解以A i(i 1,2,3,4)表示事件“第i次取到红球”,则A3, A4 分别表示事件“第三、四次取到白球” 。
所求概率为:P( A1 A2 A3 A4 ) P(A4 | A1 A2 A3)P( A3 | A1A2 )P( A2 |A1)P(A1)t a t r a rr t 3a r t 2a r t a r t例 1.5.4 八支枪中,有三支未经试射校正,五支已经试射校正。
校正过的枪射击时,中靶的概率为0.8,未校正的枪射击时,中靶的概率为0.3,今从8 支枪中任取一支射击中靶。
问所用这枪是校正过的概率是多少?解设事件8 8 10 45A ={射击中靶}B 1={ 任取一枪是校正过的 }, B 2 ={任取一枪是未校正过的 }, B 1, B 2构成完备事件组 ,则 P(B 1) 5/8,P(B 2) 3/8,P(A |B 1) 0.8,P(A|B 2) 0.3, 故所求概率为P(B 1 | A) P(B 1)P(A|B 1)/[P(B 1)P(A|B 1) P(B 2)P(A|B 2)] 40/49 0.816习题一、20.已知在 10 只晶体管中有 2 只次品,在其中取两次,每次任取一 只,作不放回抽样。
求下列事件的概率: (1)两只都是正品; (2)两只都是次品;(3)一只是正品,一只是次品; (4)第二次取出的是次品。
《概率论与数理统计》第4-7 章复习与自测题

《概率论与数理统计》第4-7章复习第四章 随机变量的数字特征常用分布的期望与方差第五章 大数定律及中心极限定理第六章 数理统计的基本概念第七章参数估计常用概率分布的参数估计表自测题第四章﹑数字特征1. 设随机变量X 的密度函数f(x)= ⎩⎨⎧5x 4 0≤x ≤1 0 其他, 求数学期望EX 。
2.设随机变量X ~N (-1,3),Y ~N (0,5),Cov(X ,Y )=0.4,求D (X +Y )的值。
3. 设随机变量X 和Y 的密度函数分别为f X (x)= ⎩⎨⎧0.5, 1≤x ≤30, 其它 ,f Y (y)= ⎩⎨⎧3e -3y , y>00, y ≤0, 若X ,Y 相互独立,求: E(XY)4. 设 X 服从参数为 λ 的普阿松分布(λ>0),则下列6个等式中那几个是错误的。
DX=1λ, E(X)D(X) =1 , E(X 2)=E(X)[E(X)+1] , E(X) = λ , E (X - λ)2 = 0, EX=λ2+λ5.设随机变量的联合分布律为⎣⎢⎡⎦⎥⎤X ╲Y 1 2 0 1/4 1/12 2 1/6 1/2 求:(1) E(X), E(Y);(2)D(X), D(Y);(3) ρxy 。
6.设二维随机变量(X ,Y)的联合分布律为⎣⎢⎡⎦⎥⎤X ╲Y 0 1 3 0 0.1 0.2 0.1 1 0.2 0.4 0,求(1)E(XY); (2)Cov(X,Y)。
试问:X 与Y 是否相互独立?为什么?7. 设随机变量X 的分布律为 ⎣⎡⎦⎤X -2 0 1 2P 0.2 0.3 0.4 0.1.记Y =X 2, 求:(1)D (X ),D (Y );(2)Cov(X,Y ), ρxy .8. 已知投资某短期项目的收益率R 是一随机变量,其分布为:⎣⎡⎦⎤R -2% 0% 3% 10%P 0.1 0.1 0.3 0.5 。
(1) 求R 的数学期望值E(R)与方差D(R);(2) 若一位投资者在该项目上投资100万元,求他预期获得多少收益(纯利润)(万元)?9. 假定暑假市场上对冰淇淋的需求量是随机变量X 盒,它服从区间[200,400]上的均匀分布,设每售出一盒冰淇淋可为小店挣得1元,但假如销售不出而屯积于冰箱,则每盒赔3元。
概率论与数理统计第4章复习

第四章 随机变量的数字特征一、 随机变量的数学期望1. 离散型随机变量数学期望设离散型随机变量X 的分布律为:,...2,1,}{===k p x X P k k 若级数∑kk k p x 绝对收敛,则称级数∑kk k p x 的和为随机变量X 的数学期望,记为E(X),即∑=kk kp xX E )(。
2. 连续型随机变量数学期望设连续型随机变量X 的概率密度函数为)(X f ,若积分⎰+∞∞-dx x xf )(绝对收敛,则称积分⎰+∞∞-dx x xf )(为随机变量X 的数学期望,记为E(X),即⎰+∞∞-=dx x xf X E )()(.数学期望简称期望或均值,他反映了随机变量所有可能取值的一种平均。
3. 随机变量函数的期望(1) 设X 是随机变量,)(x g y =为实变量x 的函数。
1) 若X 是离散型随机变量,其分布律为:,}{k k p x X P == 1=k ,2,3,...,且级数∑kk k p x g )(绝对收敛,则∑==kk kp xg x g E Y E )()]([)(2) 若X 市连续型随机变量,其密度函数为)(x f ,且积分⎰+∞∞-dx x f x g )()(绝对收敛,则⎰+∞∞-==dx x f x g x g E Y E )()()]([)((2) 设(X ,Y )是二维随机变量,),(y x g z =为实变量x ,y 的二元函数。
1) 若(X ,Y )是离散型随机变量,其分布律为:,),(ij i i p y Y x X P ===,.....2,1,=j i 且∑∑ijij j ip y xg ),(绝对收敛,则∑∑==ijij j ip y xg Y X g E Z E ),()],([)(2) 若(X ,Y )是连续型随机变量,其密度函数为),(y x f ,且⎰⎰+∞∞-+∞∞-dxdy y x f y x g ),(),(绝对收敛,则⎰⎰+∞∞-+∞∞-==dxdy y x f y x g Y X g E Z E ),(),()],([)(。
- 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、"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、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)。
说明X在 附近取值越分散;
当 越小时, y f ( x ) 图形越陡 ,
X 在 附近取值越集中。
f (x)
1 2
0
1
x
说明:
(1) 正态分布是自然界及工程技术中最常见的分布 之一,大量的随机现象都是服从或近似服从正态分 布的. 如: 零件的尺寸;纤维的强度和张力;农作物的 产量;测量误差,射击目标的水平或垂直偏差;信号 噪声等等, 都服从或近似服从正态分布. (2) 正态分布可以作为许多分布的近似分布.
( x )
其中 , 0 为参数,
则称X服从参数为 µ ,σ 2的正态分布。
f (x)
记作:X ~ N ( , )
2
0
x
标准正态分布
若 0, 1,则称 N (0,1)为标准正态分布.
标准正态分布的密度函 数为
( x)
关键:将Y的取值范围转化为X的取值范围
例4 设随机变量具有概率密度 e x , x 0 f ( x ) 求 = -3 + 1 的概率密度。 0 , x 0
解:(1) 先求 = -3 + 1 的分布函数F (y):
1 y ) F ( y ) 1 F ( 3
一般正态分布的概率计算 ——化为标准正态分布函数
设X ~ N ( , ) , F ( x )
2
作变换 y
t
1 2
e
x
t 2
2 2
dt
x
,则 dt dy,代入得
F ( x)
1 e 2
y2 2
dy (
x
P{ X x } ( x )
1 2
e
x
t2 2
dt
查标准正态分布函数值表
对于x 0, 可直接查表求出
( x ) PX x
如果x 0,可利用下述公式求得 :
( x)
( x ) 1 ( x )
-x 0 x x
例1 设随机变量X ~ N 0, 1 ,试求:
我们求Y g( X ) 的密度函数 fY ( y ). 随机变量.
解题思路 ⑴.先求Y g( X ) 的分布函数
FY ( y ) PY y Pg( X ) y
g ( x ) y
f
X
( x )dx
⑵.利用Y g( X )的分布函数与密度函数 之间的 关系求Y g( X )的密度函数 fY ( y ) FY ( y )
⑵ 由 f ( y ) F( y )得 f ( y ) 1 f ( 1 y ) 3 3 y 1 y 1 1 y 而f ( ) e 3 , 0, 1 3 3 1 y3 0, 1 y 0, y 1 e ,y 1, 故f ( y ) 3 e 3 ,y 1, 3
1 e 2
x2 2
x
(x)
0
x
可以验证密度函数满足基本性质:
f ( x )dx
1 2
e
( x )2 2 2
dx 1
作变换:u
x
, 则 du
dx
1 x 2
k 1
1 2k 1 3 k 1 2
或用分布律的性质计算:
2 P Y 1 1 P Y 1 3
所以Y的分布律为:
1 Y -1 pk 2/3 1/3
二、连续型随机变量函数的分布
设 X 是一连续型随机变量, 其密度函数为f X ( x ),
再设Y g( X ) 是 X 的函数,我们假定 Y 也是连续型
正态分布的概率计算 — 借助于分布函数
如果随机变量X ~ N (0 ,1) ,则其密度函数为
1 e 2
x2 2
( x)
其分布函数为
,
( x ) ( t )dt
x
1 2
e
x
t2 2
dt
x
x
随机变量Y 2 X 3 ,试求Y 的分布律.
解: 由于随机变量Y 的取值各不相同, 故所求分布律为
Y -9 -5 -3 15 pk 0.02 0.31 0.23 0.44
2.
若y1 , y2 ,, yn ,中有相同的项 , 则把
这些相同的项合并 (看作是一项 ),并把相应的 概率相加,即可得随机 变量Y g( X ) 的分布律.
服从参数为1/2000 的指数分布。 (1)求机器无故障工作时间在1000小时以上的概率; (2)如果某机器已经无故障工作了500小时,求它能 继续无故障工作1000小时的概率。 一般,若X服从指数分布,则对任意 t 0 , s 0 , 有
P{ X s t X s} P{ X t }与s无关。 无记忆性
2
则有
1 2
e
x 2
2 2
dx
1 2
e
dx
1 2
e
u2 2
du 1
正态分布密度函数的图形特征
对于正态分布的密度函 数 f ( x) 1 e 2
x 2
2 2
x
⑴.曲线关于直线 x 对称
⑴.P 1 X 2 ;⑵.P 1 X 2 .
解:⑴.P1 X 2 2 1
0.97725 0.84134 0.13591
⑵.P 1 X 2 2 1
2 1 1
0.97725 1 0.84134 0.81859
(1) P{ ≤ x} =0.67, (2) P{ < x} =0.0099
解:⑴ P x ( x 200 ) =0.67
x 200 0.44 , x = 204.4 10 x 200 (2) P{ < x} = ( ) =0.0099, 10 x = 176.7 x 200 x 200 ( ) 0.9901 2.33 10 10 10
P X xn pn
或
n 1,
2,
X
P
x1
x2
p2
, xn , p n
p1
Y是X 的函数: Y g( X ),则Y也是离散型随机变 量,它的取值为
y1 , y2 , , yn ,
其中 yn g( xn ) ( n 1, 2, )
1. 如果 y1 , y2 , , yn ,
两两不相同,则由
P Y yn PX xn
可知随机变量 Y 的分布律为
n 1, 2,
2,
PY yn pn
或
n 1,
y2 p2
,
Y
P
y1 p1
yn
,
pn
例1
设离散型随机变量X 的分布律为 -1 0 9 X -3 pk 0.02 0.31 0.23 0.44
例2 设随机变量 X 具有以下的分布律,试求
Y = (X-1)2 的分布律.
1 2 X -1 0 pk 0.2 0.3 0.1 0.4
解: Y 的所有可能取值为 0,1,4. 且 {Y=0} 对应于{X=1}
所以 P{Y=0}=P{X=1} =0.1
例2(续)
Y=(X-1)2
1 2 X -1 0 p k 0 . 2 0 .3 0 .1 0 .4
e x 如果R.V. X 的密度函数为 f ( x ) 0 其中 0为常数,
则称随机变量 X服从参数为 的指数分布.
2.指数分布
x0 x0
容易验证密度函数的两条性质:
⑴.对任意x,有 f ( x ) 0 ;
易求得分布函数为
x0 x0
⑵. f ( x )dx 1.
它服从二项分布B(3, p) , 即Y ~B(3, p)
所以 P{Y 1} 1 P{Y 1} 1 P{Y 0}
1 C (1 e
0 3
1 3 0
) (e
1 3 3
) 1 e
1
3.正态分布
如果随机变量X的概率密度为
f ( x)
1 e 2 ( x )2 2 2
曲线 y f ( x )以Ox轴为渐近线.
⑷.若 固定,而改变 的值,则 f ( x )的图形 沿 x 轴平行移动,但其形状 不变.
因此 y f ( x )图形的位置完全由参数 所确定.
f (x)
1 2
0
1
x
1 2 所以当越大时, y f ( x )的图形越平坦,
0, y 1
Y g ( X ) , 则Y 设 X 是一随机变量, Y 是 X 的函数,
也是一个 R.V , 当 X 取值 x 时,Y 取值 y g( x )
本节的任务是:
已知随机变量X 的分布,并且已知 Y g( X ), 要求随机变量 Y 的分布.
一、离散型随机变量函数的分布
设 X 是离散型随机变量,其 分布律为
例4、某地区抽样调查结果表明,考生外语成绩(百
分制)近似服从正态分布,平均成绩 =72, 96分以
上占考生总数2.3%,求考生 (1) 外语成绩在80分以上的概率; (2) 外语成绩在60~84分的概率; (3) 不及格的概率.