大二下:概率论与数理统计复习 导航页:https://blog.csdn.net/COCO56/article/details/100152856
文章目录
一、填空题(每小题 4 分,共 24 分)
-
已
知
P
(
A
)
=
0.8
,
P
(
A
−
B
)
=
0.4
,
则
P
(
A
B
‾
)
=
0.6
‾
.
已知P(A)=0.8, P(A-B)=0.4 ,则 P(\overline{AB})=\underline{\ 0.6\ }.
已知P(A)=0.8,P(A−B)=0.4,则P(AB)= 0.6 .
解 : 因 为 P ( A − B ) = P ( A ) – P ( A B ) , 所 以 P ( A B ) = 0.4 , 进 而 P ( A B ‾ ) = 1 − P ( A B ) = 0.6 解:因为P(A-B) = P(A) – P(AB),所以P(AB) = 0.4,进而P(\overline{AB}) = 1-P(AB) = 0.6 解:因为P(A−B)=P(A)–P(AB),所以P(AB)=0.4,进而P(AB)=1−P(AB)=0.6 -
设
X
服
从
二
项
分
布
b
(
3
,
0.6
)
,
则
E
(
X
)
=
1.8
‾
.
设 X 服从二项分布 b(3, 0.6) ,则E(X)=\underline{\ 1.8\ }.
设X服从二项分布b(3,0.6),则E(X)= 1.8 .
解 : 二 项 分 布 B ( n , p ) 的 数 学 期 望 为 : n p , 方 差 为 : n p ( 1 − p ) 解:二项分布B(n,p)的数学期望为:np,方差为:np(1-p) 解:二项分布B(n,p)的数学期望为:np,方差为:np(1−p) - 设二维随机变量(X,Y)的概率密度函数为
f
(
x
,
y
)
=
{
a
x
y
2
,
0
≤
x
≤
2
,
0
≤
y
≤
1
0
,
其
他
f(x, y)=\left\{\begin{array}{cc}{a x y^{2},} & {0 \leq x \leq 2,0 \leq y \leq 1} \\ {0,} & 其他\end{array}\right.
f(x,y)={axy2,0,0≤x≤2,0≤y≤1其他则
a
=
3
2
‾
a=\underline{\ \frac{3}{2}\ }
a= 23
解:
1 = ∫ 0 2 ∫ 0 1 a x y 2 d y d x 1=\int_0^2\int_0^1axy^2dydx 1=∫02∫01axy2dydx
1 = ∫ 0 2 a x y 3 3 ∣ 0 1 d x 1=\int_0^2\frac{axy^3}{3}|_0^1dx 1=∫023axy3∣01dx
1 = ∫ 0 2 a x 3 d x 1=\int_0^2\frac{ax}{3}dx 1=∫023axdx
1 = a x 2 6 ∣ 0 2 1=\frac{ax^2}{6}|_0^2 1=6ax2∣02
4 a 6 = 1 \frac{4a}{6}=1 64a=1
a = 6 4 = 3 2 a=\frac{6}{4}=\frac{3}{2} a=46=23 - 设 X ∼ t n , 则 X 2 ∼ F 1 , n ‾ . 设X\sim t_n ,则X^2\sim\underline{\ F_{1,n}\ }. 设X∼tn,则X2∼ F1,n .
- 设总体
X
∼
B
(
n
,
p
)
X\sim B(n,p)
X∼B(n,p)
,
X
1
,
…
X
n
,X_1,\ …X_n
,X1, …Xn是从总体
X
X
X中抽取的一个样本,则参数p的矩估
量为 p ^ = X ‾ n ‾ . \hat{p}=\underline{\ \frac{\overline{X}}{n}\ }. p^= nX .
解 : 二 项 分 布 B ( n , p ) 的 数 学 期 望 为 n p , 则 n p = X ‾ ⇒ p ^ = X ‾ n 解:二项分布B(n,p)的数学期望为np,则np=\overline{X}\Rightarrow\hat{p}=\frac{\overline{X}}{n} 解:二项分布B(n,p)的数学期望为np,则np=X⇒p^=nX - 设
X
1
,
X
2
,
.
.
.
X
n
X_1,X_2,\ ...\ X_n
X1,X2, ... Xn为来自正态总体
N
(
μ
,
4
)
N(\mu,4)
N(μ,4)的简单样本,则均值
μ
\mu
μ的置信系数为
1
−
α
1-\alpha
1−α的置信区间为
[
X
‾
−
2
n
Z
α
2
,
X
‾
+
2
n
Z
α
2
]
‾
.
\underline{\ [\overline{X}-\frac{2}{\sqrt{n}}Z_{\frac{\alpha}{2}}, \overline{X}+\frac{2}{\sqrt{n}}Z_{\frac{\alpha}{2}}] \ }.
[X−n2Z2α,X+n2Z2α] .
解:设 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn为来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2)的简单样本, σ 2 \sigma^2 σ2已知,则均值 μ \mu μ的置信系数为 1 − α 1-\alpha 1−α的置信区间为 [ X ‾ − σ n Z α 2 , X ‾ + σ n Z α 2 ] ‾ . \underline{\ [\overline{X}-\frac{\sigma}{\sqrt{n}}Z_{\frac{\alpha}{2}}, \overline{X}+\frac{\sigma}{\sqrt{n}}Z_{\frac{\alpha}{2}}] \ }. [X−nσZ2α,X+nσZ2α] .
二、单项选择题(每小题4 分,共20 分)
- 对于任意两事件A与B ,下列命题正确的是(B)
A. A B ≠ ∅ , 则 A 与 B 一 定 独 立 AB\ne\varnothing ,则A与B 一定独立 AB=∅,则A与B一定独立
B. A B ≠ ∅ , 则 A 与 B 有 可 能 独 立 AB\ne\varnothing ,则A 与B 有可能独立 AB=∅,则A与B有可能独立
C. A B = ∅ , 则 A 与 B 一 定 独 立 AB=\varnothing, 则A与B一定独立 AB=∅,则A与B一定独立
D. A B = ∅ , 则 A 与 B 一 定 不 独 立 AB=\varnothing, 则A与B一定不独立 AB=∅,则A与B一定不独立
解 : B 正 确 . 解:B 正确. 解:B正确.
定 义 : 如 果 等 式 P ( A B ) = P ( A ) P ( B ) 成 立 , 则 称 事 件 A 与 B 相 互 独 立 。 如 果 A = Ф , 则 P ( A B ) = 0 = P ( A ) P ( B ) , 于 是 A , B 相 互 独 立 , 也 就 是 不 可 能 事 件 与 任 何 事 件 独 立 . 因 此 D 不 正 确 . 定义:如果等式P(AB)=P(A)P(B)成立,则称事件A与B相互独立。 如果A=Ф,则P(AB)=0=P(A)P(B),于是A,B相互独立,也就是不可能事件与任何事件独立. 因此D不正确. 定义:如果等式P(AB)=P(A)P(B)成立,则称事件A与B相互独立。如果A=Ф,则P(AB)=0=P(A)P(B),于是A,B相互独立,也就是不可能事件与任何事件独立.因此D不正确. -
设
X
1
,
X
2
,
X
3
均
服
从
[
0
,
2
]
上
的
均
匀
分
布
,
则
E
(
−
X
1
+
9
X
2
+
3
X
3
)
为
(
C
)
设X_1,X_2,X_3均服从[0,2]上的均匀分布,则E(-X_1+9X_2+3X_3)为(C)
设X1,X2,X3均服从[0,2]上的均匀分布,则E(−X1+9X2+3X3)为(C)
A . 9 B . 10 C . 11 D . 13 A.\ 9\qquad B.\ 10\qquad C.\ 11\qquad D.\ 13 A. 9B. 10C. 11D. 13
解 : 解: 解:
均 匀 分 布 U ( a , b ) 的 数 学 期 望 为 a + b 2 , 则 E ( − X 1 + 9 X 2 + 3 X 3 ) = − E ( X 1 ) + 9 E ( X 2 ) + 3 E ( X 3 ) = − 1 + 9 + 3 = 11 均匀分布U(a,b)的数学期望为\frac{a+b}{2},则E(-X_1+9X_2+3X_3)=-E(X_1)+9E(X_2)+3E(X_3)=-1+9+3=11 均匀分布U(a,b)的数学期望为2a+b,则E(−X1+9X2+3X3)=−E(X1)+9E(X2)+3E(X3)=−1+9+3=11 -
设
X
,
Y
为
随
机
变
量
,
若
E
(
X
Y
)
=
E
(
X
)
+
E
(
Y
)
,
则
有
的
(
A
)
.
设 X ,Y 为随机变量,若E(XY)=E(X)+E(Y) ,则有的(A).
设X,Y为随机变量,若E(XY)=E(X)+E(Y),则有的(A).
A . V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) B . V a r ( X Y ) = V a r ( X ) V a r ( Y ) C . X 和 Y 相 互 独 立 D . X 和 Y 不 独 立 \begin{aligned} &A.\ Var(X+Y)=Var(X)+Var(Y) &B.\ Var(XY)=Var(X)Var(Y)\\ &C.\ X 和Y 相互独立 &D.\ X 和Y 不独立 \end{aligned} A. Var(X+Y)=Var(X)+Var(Y)C. X和Y相互独立B. Var(XY)=Var(X)Var(Y)D. X和Y不独立
解:
C o v ( X , Y ) = E ( X Y ) − E ( X ) E ( Y ) , V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) + 2 C o v ( X , Y ) Cov(X,Y)=E(XY)-E(X)E(Y),Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y) Cov(X,Y)=E(XY)−E(X)E(Y),Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
∵ E ( X Y ) = E ( X ) + E ( Y ) ∴ C o v ( X , Y ) = 0 ⇒ V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) \because E(XY)=E(X)+E(Y)\therefore Cov(X,Y)=0\Rightarrow Var(X+Y)=Var(X)+Var(Y) ∵E(XY)=E(X)+E(Y)∴Cov(X,Y)=0⇒Var(X+Y)=Var(X)+Var(Y) -
设
X
与
Y
为
相
互
独
立
的
随
机
变
量
,
其
分
布
函
数
分
别
为
F
x
(
X
)
和
F
y
(
Y
)
,
则
随
机
变
量
Z
=
m
a
x
(
X
,
Y
)
的
分
布
函
数
为
(
D
)
.
设X与Y为相互独立的随机变量,其分布函数分别为F_x(X)和F_y(Y),则随机变量 Z=max(X,Y)的分布函数为(D).
设X与Y为相互独立的随机变量,其分布函数分别为Fx(X)和Fy(Y),则随机变量Z=max(X,Y)的分布函数为(D).
A. 1 − F X ( x ) F Y ( y ) B . 1 − [ 1 − F X ( x ) ] ⋅ [ 1 − F Y ( y ) ] C. [ 1 − F X ( x ) ] ⋅ [ 1 − F Y ( y ) ] D . F X ( x ) F Y ( y ) \begin{array}{ll}{\text { A. } 1-F_{X}(x) F_{Y}(y)} & {B.\ 1-\left[1-F_{X}(x)\right] \cdot\left[1-F_{Y}(y)\right]} \\ {\text { C. }\left[1-F_{X}(x)\right] \cdot\left[1-F_{Y}(y)\right]} & {D.\ F_X(x)F_Y(y)}\end{array} A. 1−FX(x)FY(y) C. [1−FX(x)]⋅[1−FY(y)]B. 1−[1−FX(x)]⋅[1−FY(y)]D. FX(x)FY(y)
解 : 解: 解:
设 X 与 Y 为 相 互 独 立 的 随 机 变 量 , 其 分 布 函 数 分 别 为 F x ( X ) 和 F y ( Y ) , 则 随 机 变 量 Z = m i n ( X , Y ) 的 分 布 函 数 为 : 1 − [ 1 − F X ( x ) ] ⋅ [ 1 − F Y ( y ) ] , Z = m a x ( X , Y ) 的 分 布 函 数 为 : F X ( x ) F Y ( y ) 设X与Y为相互独立的随机变量,其分布函数分别为F_x(X)和F_y(Y),则随机变量 Z=min(X,Y)的分布函数为:1-\left[1-F_{X}(x)\right] \cdot\left[1-F_{Y}(y)\right],Z=max(X,Y)的分布函数为:F_X(x)F_Y(y) 设X与Y为相互独立的随机变量,其分布函数分别为Fx(X)和Fy(Y),则随机变量Z=min(X,Y)的分布函数为:1−[1−FX(x)]⋅[1−FY(y)],Z=max(X,Y)的分布函数为:FX(x)FY(y)
四、计算题(第12-14 题,每题8 分;第15-16 题,每题10 分;第17 题12 分;共60 分)
- 设两台机床加工同样的零件,第一台出现废品的概率为0.1,第二台出现废品的概率为0.2,已知两台机床生产的成品比例为1:2,加工出来的零件放在一起,求:在仓库中随机地取一只成品,若已知取到的是次品,问此次品是由第一台机床生产的概率为多少?
解 : 解: 解:
设 A = { 零 件 是 废 品 } , B 1 = { 零 件 由 第 一 台 机 床 加 工 } , B 2 = { 零 件 由 第 二 台 机 床 加 工 } , 则 设A=\{零件是废品\}, B_1=\{零件由第一台机床加工\}, B_2=\{零件由第二台机床加工\},则 设A={零件是废品},B1={零件由第一台机床加工},B2={零件由第二台机床加工},则
P ( B 1 ) = 1 3 , P ( B 2 ) = 2 3 P ( A ∣ B 1 ) = 0.01 , P ( A ∣ B 2 ) = 0.02 \begin{aligned} &P(B_1)=\frac{1}{3},&P(B_2)=\frac{2}{3}\\ &P(A|B_1)=0.01,&P(A|B_2)=0.02 \end{aligned} P(B1)=31,P(A∣B1)=0.01,P(B2)=32P(A∣B2)=0.02
由 贝 叶 斯 公 式 , 得 由贝叶斯公式,得 由贝叶斯公式,得
P ( A ∣ B 1 ) = P ( B 1 ) P ( A ∣ B 1 ) P ( B 1 ) P ( A ∣ B 1 ) + P ( B 2 ) P ( A ∣ B 2 ) = 1 3 × 1 100 1 3 × 1 100 + 2 3 × 2 100 = 1 5 = 0.2 \begin{aligned} P(A|B_1)&=\frac{P(B_1)P(A|B_1)}{P(B_1)P(A|B_1)+P(B_2)P(A|B_2)}\\ &=\frac{\frac{1}{3}\times\frac{1}{100}}{\frac{1}{3}\times\frac{1}{100}+\frac{2}{3}\times\frac{2}{100}}\\ &=\frac{1}{5}=0.2 \end{aligned} P(A∣B1)=P(B1)P(A∣B1)+P(B2)P(A∣B2)P(B1)P(A∣B1)=31×1001+32×100231×1001=51=0.2
∴ 若 已 知 取 到 的 是 次 品 , 则 此 次 品 是 由 第 一 台 机 床 生 产 的 概 率 为 0.2 \therefore 若已知取到的是次品,则此次品是由第一台机床生产的概率为0.2 ∴若已知取到的是次品,则此次品是由第一台机床生产的概率为0.2 -
设
连
续
型
随
机
变
量
X
的
分
布
函
数
为
设连续型随机变量X的分布函数为
设连续型随机变量X的分布函数为
F
(
x
)
=
{
0
,
x
<
1
ln
x
,
1
≤
x
<
e
1
,
x
≥
e
F(x)=\left\{\begin{array}{cc}{0,} & {x<1} \\ {\ln x,} & {1 \leq x<e} \\ {1,} & {x \geq e}\end{array}\right.
F(x)=⎩⎨⎧0,lnx,1,x<11≤x<ex≥e
,
求
:
,求:
,求:
( 1 ) P { 2 < x ≤ 3 } . ( 2 ) X 的 概 率 密 度 函 数 f ( x ) . (1)P\{2<x\le3\}.(2) X 的概率密度函数 f (x). (1)P{2<x≤3}.(2)X的概率密度函数f(x).
解 : 解: 解:
( 1 ) P { 2 < x ≤ 3 } = 1 − ln 2 (1)P\{2<x\le3\}=1-\ln2 (1)P{2<x≤3}=1−ln2
( 2 ) ∵ ( ln x ) ′ = 1 x (2)\because (\ln x)'=\frac1x (2)∵(lnx)′=x1
∴ f ( x ) = { 1 x , 1 ≤ x ≤ e 0 , 其 他 \therefore f(x)=\left\{\begin{array}{cc}{\frac1x,} & {1 \le x\le e} \\ {0,} & {其他}\end{array}\right. ∴f(x)={x1,0,1≤x≤e其他
注:- 分布函数是右连续的(x的区间左闭右开),一般左边要考虑等号。
- 密度函数是无所谓的,等号可加可不加,一般不用加。若加,应和分布函数保持一致。
为什么无所谓?这是由于概率密度函数的研究对象是连续型的随机变量,我们知道连续型随机变量的单点概率为0。
单 点 概 率 为 0 : P { X = a } = 0 (3) 单点概率为0:P\{X=a\}=0 \tag{3} 单点概率为0:P{X=a}=0(3)
P { a < X ≤ b } = P { a ≤ X ≤ b } = P { a < X < b } = F ( b ) − F ( a ) (4) P\{a<X\le b\}=P\{a\le X \le b\}=P\{a<X<b\}=F(b)-F(a) \tag{4} P{a<X≤b}=P{a≤X≤b}=P{a<X<b}=F(b)−F(a)(4)
P { X > a } = 1 − F ( a ) (5) P\{X>a\}=1-F(a) \tag{5} P{X>a}=1−F(a)(5)
如果细究,则对于分段函数的分界点处,需要看看左右导数是否相等,相等,则有导数,则f(x)在分界点处取等号,不相等,则无导数,f(x)在分界点处不取等号。
例如此题,F(x)在x=1点处的左导数为0,右导数为1,左右导数不相等,所以在x=1点处不可导,所以1/x的范围就没有x=1这点,而x=e这点左导数为1/e,右导数为0,左右导数也不相等,所以也不可导,所以也没有等于e这点。
-
设
随
机
变
量
X
∼
N
(
0
,
1
)
,
试
求
随
机
变
量
Y
=
2
X
−
1
的
概
率
密
度
函
数
.
设随机变量 X\sim N(0,1) ,试求随机变量Y=2X-1的概率密度函数.
设随机变量X∼N(0,1),试求随机变量Y=2X−1的概率密度函数.
解 : 解: 解:
∵ 正 态 分 布 \because正态分布 ∵正态分布 N ( μ , σ 2 ) 的 概 率 密 度 函 数 为 : N(\mu, \sigma^2)的概率密度函数为: N(μ,σ2)的概率密度函数为: f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , ( − ∞ < x < + ∞ ) \LARGE f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \ (-\infty<x<+\infty) f(x)=2πσ1e−2σ2(x−μ)2, (−∞<x<+∞) , 标 准 正 态 分 布 ,标准正态分布 ,标准正态分布 N ( 0 , 1 ) 的 概 率 密 度 函 数 为 : N(0,1)的概率密度函数为: N(0,1)的概率密度函数为: ϕ ( x ) = 1 2 π e − x 2 2 , ( − ∞ < x < + ∞ ) \LARGE \phi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}},\ (-\infty<x<+\infty) ϕ(x)=2π1e−2x2, (−∞<x<+∞)
∴ f X ( x ) = 1 2 π e − x 2 2 , ( − ∞ < x < + ∞ ) \therefore \LARGE f_X(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}},\ (-\infty<x<+\infty) ∴fX(x)=2π1e−2x2, (−∞<x<+∞)
∴ F Y ( y ) = P { Y ≤ y } = P { 2 X − 1 ≤ y } = P { X ≤ y + 1 2 } = F X ( y + 1 2 ) \therefore\LARGE F_Y(y)=P\{Y\le y\}=P\{2X-1\le y\}=P\{X\le\frac{y+1}{2}\}=F_X(\frac{y+1}{2}) ∴FY(y)=P{Y≤y}=P{2X−1≤y}=P{X≤2y+1}=FX(2y+1)
∴ f Y ( y ) = f X ( y + 1 2 ) × ( y + 1 2 ) ′ = 1 2 f X ( y + 1 2 ) \therefore \LARGE f_Y(y)=f_X(\frac{y+1}{2})\times(\frac{y+1}{2})'=\frac{1}{2}f_X(\frac{y+1}{2}) ∴fY(y)=fX(2y+1)×(2y+1)′=21fX(2y+1)
= 1 2 × 1 2 π e − ( y + 1 2 ) 2 2 , ( − ∞ < x < + ∞ ) \qquad\qquad\quad\ \ \LARGE=\frac{1}{2}\times\frac{1}{\sqrt{2\pi}}e^{-\frac{(\frac{y+1}{2})^2}{2}},\ (-\infty<x<+\infty) =21×2π1e−2(2y+1)2, (−∞<x<+∞)
= 1 2 2 π e − ( y + 1 ) 2 8 , ( − ∞ < x < + ∞ ) \qquad\qquad\quad\ \ \LARGE=\frac{1}{2\sqrt{2\pi}}e^{-\frac{(y+1)^2}{8}},\ (-\infty<x<+\infty) =22π1e−8(y+1)2, (−∞<x<+∞) -
设
二
维
随
机
向
量
(
X
,
Y
)
的
概
率
密
度
函
数
为
f
(
x
,
y
)
=
{
4.8
y
(
2
−
x
)
,
0
≤
x
≤
1
,
0
≤
y
≤
x
0
,
其
他
,
求
边
缘
概
率
密
度
函
数
f
X
(
x
)
,
f
Y
(
y
)
.
设二维随机向量(X,Y)的概率密度函数为f(x, y)=\left\{\begin{array}{ll}{4.8 y(2-x),} & {0 \leq x \leq 1,0 \leq y \leq x} \\ {0,} & 其他\end{array}\right.,求边缘概率密度函数f_X(x),f_Y(y).
设二维随机向量(X,Y)的概率密度函数为f(x,y)={4.8y(2−x),0,0≤x≤1,0≤y≤x其他,求边缘概率密度函数fX(x),fY(y).
解 1 : 解1: 解1:
解 2 : 解2: 解2:
Y(y)为什么从y到1?
-
设
随
机
变
量
X
∼
N
(
0
,
4
)
,
Y
∼
U
(
0
,
4
)
,
并
且
X
与
Y
相
互
独
立
,
求
V
a
r
(
X
+
Y
)
和
V
a
r
(
2
X
−
3
Y
)
.
设随机变量 X\sim N(0,4) ,Y\sim U(0,4) ,并且X与Y相互独立,求Var(X+Y)和Var(2X-3Y) .
设随机变量X∼N(0,4),Y∼U(0,4),并且X与Y相互独立,求Var(X+Y)和Var(2X−3Y).
∵ 正 态 分 布 N ( μ , σ 2 ) 的 方 差 为 σ 2 , 均 匀 分 布 U ( a , b ) 的 方 差 为 ( b − a ) 2 12 \because 正态分布N(\mu,\sigma^2)的方差为\sigma^2,均匀分布U(a,b)的方差为\LARGE\frac{(b-a)^2}{12} ∵正态分布N(μ,σ2)的方差为σ2,均匀分布U(a,b)的方差为12(b−a)2
∴ X 的 方 差 为 4 , Y 的 方 差 为 4 3 \therefore X的方差为4,Y的方差为\LARGE\frac{4}{3} ∴X的方差为4,Y的方差为34
V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) = 16 3 Var(X+Y)=Var(X)+Var(Y)=\LARGE\frac{16}{3} Var(X+Y)=Var(X)+Var(Y)=316
V a r ( 2 X − 3 Y ) = V a r ( 2 X ) + V a r ( 3 Y ) = 4 V a r ( X ) + 9 V a r ( Y ) = 16 + 12 = 28 Var(2X-3Y)=Var(2X)+Var(3Y)=4Var(X)+9Var(Y)=16+12=28 Var(2X−3Y)=Var(2X)+Var(3Y)=4Var(X)+9Var(Y)=16+12=28