目录
- A A A组
- 1.设随机变量
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立,且同服从参数为
λ
\lambda
λ的泊松分布,下列随机变量序列不满足切比雪夫大数定律条件的是( )。
( A ) X 1 , X 2 , ⋯ , X n , ⋯ ; (A)X_1,X_2,\cdots,X_n,\cdots; (A)X1,X2,⋯,Xn,⋯;
( B ) X 1 − 1 , X 2 − 1 , ⋯ , X n − n , ⋯ ; (B)X_1-1,X_2-1,\cdots,X_n-n,\cdots; (B)X1−1,X2−1,⋯,Xn−n,⋯;
( C ) X 1 , 2 X 2 , ⋯ , n X n , ⋯ ; (C)X_1,2X_2,\cdots,nX_n,\cdots; (C)X1,2X2,⋯,nXn,⋯;
( D ) X 1 , 1 2 X 2 , ⋯ , 1 n X n , ⋯ ; (D)X_1,\cfrac{1}{2}X_2,\cdots,\cfrac{1}{n}X_n,\cdots; (D)X1,21X2,⋯,n1Xn,⋯; - 3.设随机变量
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn相互独立,则根据切比雪夫大数定律,对于任意
ϵ
>
0
\epsilon>0
ϵ>0,有
lim
n
→
∞
P
{
∣
1
n
∑
i
=
1
n
X
i
−
1
n
∑
i
=
1
n
E
(
X
i
)
∣
<
ϵ
}
=
1
\lim\limits_{n\to\infty}P\left\{\left|\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i-\cfrac{1}{n}\displaystyle\sum^n_{i=1}E(X_i)\right|<\epsilon\right\}=1
n→∞limP{∣∣∣∣∣n1i=1∑nXi−n1i=1∑nE(Xi)∣∣∣∣∣<ϵ}=1,只要
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn( )。
( A ) (A) (A)具有相同的分布;
( B ) (B) (B)期望与方差都存在;
( C ) (C) (C)期望与方差都存在且相等;
( D ) (D) (D)方差存在并一致有界。
- 1.设随机变量
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立,且同服从参数为
λ
\lambda
λ的泊松分布,下列随机变量序列不满足切比雪夫大数定律条件的是( )。
- B B B组
- C C C组
- 2.设随机变量序列
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立同分布,且
E
(
X
i
k
)
=
μ
k
,
D
(
X
i
)
=
σ
2
(
i
,
k
=
1
,
2
,
⋯
)
E(X_i^k)=\mu_k,D(X_i)=\sigma^2(i,k=1,2,\cdots)
E(Xik)=μk,D(Xi)=σ2(i,k=1,2,⋯),记
A
1
=
X
‾
=
1
n
∑
i
=
1
n
X
i
A_1=\overline{X}=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i
A1=X=n1i=1∑nXi表示随机变量序列的一阶原点矩,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2表示随机变量序列的二阶原点矩,
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2表示随机变量序列的二阶中心矩,则当
n
→
∞
n\to\infty
n→∞时,( )。
( A ) (A) (A)由大数定律,依概率, A 2 = 1 n ∑ i = 1 n X i 2 A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2 A2=n1i=1∑nXi2趋于 μ 2 \mu_2 μ2且 B 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2 B2=n1i=1∑n(Xi−X)2趋于 σ 2 \sigma^2 σ2;
( B ) (B) (B)由大数定律,依概率, A 2 = 1 n ∑ i = 1 n X i 2 A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2 A2=n1i=1∑nXi2趋于 μ 2 \mu_2 μ2,但 B 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2 B2=n1i=1∑n(Xi−X)2不趋于 σ 2 \sigma^2 σ2;
( C ) (C) (C)由大数定律,依概率, B 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2 B2=n1i=1∑n(Xi−X)2趋于 σ 2 \sigma^2 σ2,但 A 2 = 1 n ∑ i = 1 n X i 2 A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2 A2=n1i=1∑nXi2不趋于 μ 2 \mu_2 μ2;
( D ) (D) (D)由大数定律,依概率, A 2 = 1 n ∑ i = 1 n X i 2 A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2 A2=n1i=1∑nXi2趋于 μ 2 \mu_2 μ2且 B 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2 B2=n1i=1∑n(Xi−X)2趋于 σ 2 \sigma^2 σ2。 - 4.设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn是独立同分布的随机变量序列, E ( X i ) = μ , D ( X i ) = σ 2 , i = 1 , 2 , ⋯ , n E(X_i)=\mu,D(X_i)=\sigma^2,i=1,2,\cdots,n E(Xi)=μ,D(Xi)=σ2,i=1,2,⋯,n,令 Y n = 2 n ( n + 1 ) ∑ i = 1 n i X i Y_n=\cfrac{2}{n(n+1)}\displaystyle\sum^n_{i=1}iX_i Yn=n(n+1)2i=1∑niXi。证明:随机变量序列 { Y n } \{Y_n\} {Yn}依概率收敛于 μ \mu μ。
- 8.设随机变量 X X X的概率密度为 f ( x ) f(x) f(x),已知方差 D ( X ) = 1 D(X)=1 D(X)=1,而随机变量 Y Y Y的概率密度为 f ( − y ) f(-y) f(−y),且 X X X与 Y Y Y的相关系数为 − 1 4 -\cfrac{1}{4} −41。记 Z = X + Y Z=X+Y Z=X+Y。
- 2.设随机变量序列
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立同分布,且
E
(
X
i
k
)
=
μ
k
,
D
(
X
i
)
=
σ
2
(
i
,
k
=
1
,
2
,
⋯
)
E(X_i^k)=\mu_k,D(X_i)=\sigma^2(i,k=1,2,\cdots)
E(Xik)=μk,D(Xi)=σ2(i,k=1,2,⋯),记
A
1
=
X
‾
=
1
n
∑
i
=
1
n
X
i
A_1=\overline{X}=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i
A1=X=n1i=1∑nXi表示随机变量序列的一阶原点矩,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2表示随机变量序列的二阶原点矩,
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2表示随机变量序列的二阶中心矩,则当
n
→
∞
n\to\infty
n→∞时,( )。
- 写在最后
A A A组
1.设随机变量
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立,且同服从参数为
λ
\lambda
λ的泊松分布,下列随机变量序列不满足切比雪夫大数定律条件的是( )。
(
A
)
X
1
,
X
2
,
⋯
,
X
n
,
⋯
;
(A)X_1,X_2,\cdots,X_n,\cdots;
(A)X1,X2,⋯,Xn,⋯;
(
B
)
X
1
−
1
,
X
2
−
1
,
⋯
,
X
n
−
n
,
⋯
;
(B)X_1-1,X_2-1,\cdots,X_n-n,\cdots;
(B)X1−1,X2−1,⋯,Xn−n,⋯;
(
C
)
X
1
,
2
X
2
,
⋯
,
n
X
n
,
⋯
;
(C)X_1,2X_2,\cdots,nX_n,\cdots;
(C)X1,2X2,⋯,nXn,⋯;
(
D
)
X
1
,
1
2
X
2
,
⋯
,
1
n
X
n
,
⋯
;
(D)X_1,\cfrac{1}{2}X_2,\cdots,\cfrac{1}{n}X_n,\cdots;
(D)X1,21X2,⋯,n1Xn,⋯;
解 满足切比雪夫大数定律要有三个条件:要求构成随机变量序列的各随机变量相互独立,显然,各选项均能满足;要求各随机变量的期望和方差都存在,由 E ( X n ) = λ , E ( X n − n ) = λ − n , E ( n X n ) = n λ , E ( 1 n X n ) = 1 n λ , D ( X n ) = λ , D ( X n − n ) = λ , D ( n X n ) = n 2 λ , D ( 1 n X n ) = 1 n 2 λ E(X_n)=\lambda,E(X_n-n)=\lambda-n,E(nX_n)=n\lambda,E\left(\cfrac{1}{n}X_n\right)=\cfrac{1}{n}\lambda,D(X_n)=\lambda,D(X_n-n)=\lambda,D(nX_n)=n^2\lambda,D\left(\cfrac{1}{n}X_n\right)=\cfrac{1}{n^2}\lambda E(Xn)=λ,E(Xn−n)=λ−n,E(nXn)=nλ,E(n1Xn)=n1λ,D(Xn)=λ,D(Xn−n)=λ,D(nXn)=n2λ,D(n1Xn)=n21λ,知各选项也都满足;要求方差有公共上界,即 D ( X n ) < C D(X_n)<C D(Xn)<C,其中 C C C是与 n n n无关的常数,而选项 ( C ) (C) (C)中 D ( n X n ) = n 2 λ D(nX_n)=n^2\lambda D(nXn)=n2λ无上界,从而知,选项 ( C ) (C) (C)不能全部满足切比雪夫大数定律的三个条件,故选 ( C ) (C) (C)。(这道题主要利用了切比雪夫大数定律求解)
3.设随机变量
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn相互独立,则根据切比雪夫大数定律,对于任意
ϵ
>
0
\epsilon>0
ϵ>0,有
lim
n
→
∞
P
{
∣
1
n
∑
i
=
1
n
X
i
−
1
n
∑
i
=
1
n
E
(
X
i
)
∣
<
ϵ
}
=
1
\lim\limits_{n\to\infty}P\left\{\left|\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i-\cfrac{1}{n}\displaystyle\sum^n_{i=1}E(X_i)\right|<\epsilon\right\}=1
n→∞limP{∣∣∣∣∣n1i=1∑nXi−n1i=1∑nE(Xi)∣∣∣∣∣<ϵ}=1,只要
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn( )。
(
A
)
(A)
(A)具有相同的分布;
(
B
)
(B)
(B)期望与方差都存在;
(
C
)
(C)
(C)期望与方差都存在且相等;
(
D
)
(D)
(D)方差存在并一致有界。
解 由切比雪夫大数定律成立的条件,在 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn相互独立的前提下,并不要求同分布也不要求有相同的期望和方差,关键是要求方差存在(内含期望存在),且一致有界。因此,选择 ( D ) (D) (D)。(这道题主要利用了切比雪夫大数定律的条件求解)
B B B组
6.一本书共有 100 100 100万个印刷符号,在排版时每个符号被排错的概率为 0.0001 0.0001 0.0001,校对时每个排版错误被改正的概率为 0.9 0.9 0.9,则校对后错误不超过 15 15 15个的概率为______。( Φ ( x ) = 0.9429 \varPhi(x)=0.9429 Φ(x)=0.9429)
解 依题设,校对后出现错误的概率应为 p = 0.0001 × 0.1 = 0.00001 p=0.0001\times0.1=0.00001 p=0.0001×0.1=0.00001,记 100 100 100万个印刷符号经校对后出错数为 ξ \xi ξ,则 ξ \xi ξ服从参数为 1000000 , p 1000000,p 1000000,p的二项分布,且 E ( ξ ) = 1000000 × 0.00001 = 10 , D ( ξ ) = 1000000 × 0.00001 × 0.99999 = 9.9999 E(\xi)=1000000\times0.00001=10,D(\xi)=1000000\times0.00001\times0.99999=9.9999 E(ξ)=1000000×0.00001=10,D(ξ)=1000000×0.00001×0.99999=9.9999,根据定理, ξ \xi ξ近似服从正态分布 N ( 10 , 9.9999 ) N(10,9.9999) N(10,9.9999),则 P { ξ ⩽ 15 } ≈ Φ ( 1.58 ) = 0.9429 P\{\xi\leqslant15\}\approx\varPhi(1.58)=0.9429 P{ξ⩽15}≈Φ(1.58)=0.9429。(这道题主要利用了二项分布求解)
C C C组
2.设随机变量序列
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯相互独立同分布,且
E
(
X
i
k
)
=
μ
k
,
D
(
X
i
)
=
σ
2
(
i
,
k
=
1
,
2
,
⋯
)
E(X_i^k)=\mu_k,D(X_i)=\sigma^2(i,k=1,2,\cdots)
E(Xik)=μk,D(Xi)=σ2(i,k=1,2,⋯),记
A
1
=
X
‾
=
1
n
∑
i
=
1
n
X
i
A_1=\overline{X}=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i
A1=X=n1i=1∑nXi表示随机变量序列的一阶原点矩,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2表示随机变量序列的二阶原点矩,
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2表示随机变量序列的二阶中心矩,则当
n
→
∞
n\to\infty
n→∞时,( )。
(
A
)
(A)
(A)由大数定律,依概率,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2趋于
μ
2
\mu_2
μ2且
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2趋于
σ
2
\sigma^2
σ2;
(
B
)
(B)
(B)由大数定律,依概率,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2趋于
μ
2
\mu_2
μ2,但
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2不趋于
σ
2
\sigma^2
σ2;
(
C
)
(C)
(C)由大数定律,依概率,
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2趋于
σ
2
\sigma^2
σ2,但
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2不趋于
μ
2
\mu_2
μ2;
(
D
)
(D)
(D)由大数定律,依概率,
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2
A2=n1i=1∑nXi2趋于
μ
2
\mu_2
μ2且
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
2
B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2
B2=n1i=1∑n(Xi−X)2趋于
σ
2
\sigma^2
σ2。
解 在随机变量序列 X 1 , X 2 , ⋯ , X n , ⋯ X_1,X_2,\cdots,X_n,\cdots X1,X2,⋯,Xn,⋯相互独立同分布的条件下,若 X i k X_i^k Xik期望存在,即 E ( X i k ) = μ k , k = 1 , 2 , ⋯ E(X_i^k)=\mu_k,k=1,2,\cdots E(Xik)=μk,k=1,2,⋯,则由大数定律,有 A k = 1 n ∑ i = 1 n X i k → P μ k ( k = 1 , 2 , ⋯ ) A_k=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^k\xrightarrow{P}\mu_k(k=1,2,\cdots) Ak=n1i=1∑nXikPμk(k=1,2,⋯),即有 A 1 = 1 n ∑ i = 1 n X i → P μ 1 , A 2 = 1 n ∑ i = 1 n X i 2 → P μ 2 A_1=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i\xrightarrow{P}\mu_1,A_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2\xrightarrow{P}\mu_2 A1=n1i=1∑nXiPμ1,A2=n1i=1∑nXi2Pμ2,同时有 B 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 = 1 n ∑ i = 1 n X i 2 − X ‾ 2 → P μ 2 − μ 1 2 = σ 2 B_2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}(X_i-\overline{X})^2=\cfrac{1}{n}\displaystyle\sum^n_{i=1}X_i^2-\overline{X}^2\xrightarrow{P}\mu_2-\mu_1^2=\sigma^2 B2=n1i=1∑n(Xi−X)2=n1i=1∑nXi2−X2Pμ2−μ12=σ2,故选择 ( A ) (A) (A)。(这道题主要利用了大数定律求解)
4.设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn是独立同分布的随机变量序列, E ( X i ) = μ , D ( X i ) = σ 2 , i = 1 , 2 , ⋯ , n E(X_i)=\mu,D(X_i)=\sigma^2,i=1,2,\cdots,n E(Xi)=μ,D(Xi)=σ2,i=1,2,⋯,n,令 Y n = 2 n ( n + 1 ) ∑ i = 1 n i X i Y_n=\cfrac{2}{n(n+1)}\displaystyle\sum^n_{i=1}iX_i Yn=n(n+1)2i=1∑niXi。证明:随机变量序列 { Y n } \{Y_n\} {Yn}依概率收敛于 μ \mu μ。
解
E
(
Y
n
)
=
2
n
(
n
+
1
)
∑
i
=
1
n
i
E
(
X
i
)
=
2
μ
n
(
n
+
1
)
∑
i
=
1
n
i
=
μ
,
D
(
Y
n
)
=
4
n
2
(
n
+
1
)
2
∑
i
=
1
n
i
2
D
(
X
i
)
=
4
σ
2
n
2
(
n
+
1
)
2
∑
i
=
1
n
i
2
=
4
σ
2
n
2
(
n
+
1
)
2
⋅
n
(
n
+
1
)
(
2
n
+
1
)
6
=
2
(
2
n
+
1
)
σ
2
3
n
(
n
+
1
)
.
E(Y_n)=\cfrac{2}{n(n+1)}\displaystyle\sum^n_{i=1}iE(X_i)=\cfrac{2\mu}{n(n+1)}\displaystyle\sum^n_{i=1}i=\mu,\\ \begin{aligned} D(Y_n)&=\cfrac{4}{n^2(n+1)^2}\displaystyle\sum^n_{i=1}i^2D(X_i)=\cfrac{4\sigma^2}{n^2(n+1)^2}\displaystyle\sum^n_{i=1}i^2\\ &=\cfrac{4\sigma^2}{n^2(n+1)^2}\cdot\cfrac{n(n+1)(2n+1)}{6}=\cfrac{2(2n+1)\sigma^2}{3n(n+1)}. \end{aligned}
E(Yn)=n(n+1)2i=1∑niE(Xi)=n(n+1)2μi=1∑ni=μ,D(Yn)=n2(n+1)24i=1∑ni2D(Xi)=n2(n+1)24σ2i=1∑ni2=n2(n+1)24σ2⋅6n(n+1)(2n+1)=3n(n+1)2(2n+1)σ2.
由切比雪夫不等式得
P
{
∣
Y
n
−
E
(
Y
n
)
∣
⩾
ϵ
}
=
P
{
∣
Y
n
−
μ
∣
⩾
ϵ
}
⩽
D
(
Y
n
)
ϵ
2
=
2
(
2
n
+
1
)
σ
2
3
n
(
n
+
1
)
→
n
→
∞
0
P\{|Y_n-E(Y_n)|\geqslant\epsilon\}=P\{|Y_n-\mu|\geqslant\epsilon\}\leqslant\cfrac{D(Y_n)}{\epsilon^2}=\cfrac{2(2n+1)\sigma^2}{3n(n+1)}\xrightarrow{n\to\infty}0
P{∣Yn−E(Yn)∣⩾ϵ}=P{∣Yn−μ∣⩾ϵ}⩽ϵ2D(Yn)=3n(n+1)2(2n+1)σ2n→∞0,所以
Y
n
→
P
μ
Y_n\xrightarrow{P}\mu
YnPμ。(这道题主要利用了期望方差变换求解)
8.设随机变量 X X X的概率密度为 f ( x ) f(x) f(x),已知方差 D ( X ) = 1 D(X)=1 D(X)=1,而随机变量 Y Y Y的概率密度为 f ( − y ) f(-y) f(−y),且 X X X与 Y Y Y的相关系数为 − 1 4 -\cfrac{1}{4} −41。记 Z = X + Y Z=X+Y Z=X+Y。
(1)求 E ( Z ) , D ( Z ) E(Z),D(Z) E(Z),D(Z);
解
E
(
Z
)
=
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
+
∫
−
∞
+
∞
y
f
(
−
y
)
d
y
=
u
=
−
y
∫
−
∞
+
∞
x
f
(
x
)
d
x
+
∫
−
∞
+
∞
(
−
u
)
f
(
u
)
d
(
−
u
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
−
∫
−
∞
+
∞
u
f
(
u
)
d
u
=
0
,
D
(
Z
)
=
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
+
2
C
o
v
(
X
,
Y
)
=
D
(
X
)
+
D
(
Y
)
+
2
ρ
X
Y
D
(
X
)
⋅
D
(
Y
)
.
\begin{aligned} E(Z)=E(X+Y)&=E(X)+E(Y)=\displaystyle\int^{+\infty}_{-\infty}xf(x)\mathrm{d}x+\displaystyle\int^{+\infty}_{-\infty}yf(-y)\mathrm{d}y\\ &\xlongequal{u=-y}\displaystyle\int^{+\infty}_{-\infty}xf(x)\mathrm{d}x+\displaystyle\int^{+\infty}_{-\infty}(-u)f(u)\mathrm{d}(-u)\\ &=\displaystyle\int^{+\infty}_{-\infty}xf(x)\mathrm{d}x-\displaystyle\int^{+\infty}_{-\infty}uf(u)\mathrm{d}u=0, \end{aligned}\\ \begin{aligned} D(Z)&=D(X+Y)=D(X)+D(Y)+2\mathrm{Cov}(X,Y)\\ &=D(X)+D(Y)+2\rho_{XY}\sqrt{D(X)}\cdot\sqrt{D(Y)}. \end{aligned}
E(Z)=E(X+Y)=E(X)+E(Y)=∫−∞+∞xf(x)dx+∫−∞+∞yf(−y)dyu=−y∫−∞+∞xf(x)dx+∫−∞+∞(−u)f(u)d(−u)=∫−∞+∞xf(x)dx−∫−∞+∞uf(u)du=0,D(Z)=D(X+Y)=D(X)+D(Y)+2Cov(X,Y)=D(X)+D(Y)+2ρXYD(X)⋅D(Y).
又
D
(
Y
)
=
E
(
Y
2
)
−
[
E
(
Y
)
]
2
D(Y)=E(Y^2)-[E(Y)]^2
D(Y)=E(Y2)−[E(Y)]2,其中
E
(
Y
)
=
−
E
(
X
)
,
E
(
Y
2
)
=
∫
−
∞
+
∞
y
2
f
(
−
y
)
d
y
=
∫
+
∞
−
∞
(
−
u
)
2
f
(
u
)
(
−
d
u
)
=
∫
−
∞
+
∞
u
2
f
(
u
)
d
u
=
E
(
X
2
)
E(Y)=-E(X),E(Y^2)=\displaystyle\int^{+\infty}_{-\infty}y^2f(-y)\mathrm{d}y=\displaystyle\int^{-\infty}_{+\infty}(-u)^2f(u)(-\mathrm{d}u)=\displaystyle\int^{+\infty}_{-\infty}u^2f(u)\mathrm{d}u=E(X^2)
E(Y)=−E(X),E(Y2)=∫−∞+∞y2f(−y)dy=∫+∞−∞(−u)2f(u)(−du)=∫−∞+∞u2f(u)du=E(X2),所以
D
(
Y
)
=
E
(
X
2
)
−
[
−
E
(
X
)
]
2
=
E
(
X
2
)
−
[
E
(
X
)
]
2
=
D
(
X
)
=
1
D(Y)=E(X^2)-[-E(X)]^2=E(X^2)-[E(X)]^2=D(X)=1
D(Y)=E(X2)−[−E(X)]2=E(X2)−[E(X)]2=D(X)=1,故
D
(
Z
)
=
1
+
1
+
2
×
(
−
1
4
)
×
1
×
1
=
3
2
D(Z)=1+1+2\times\left(-\cfrac{1}{4}\right)\times1\times1=\cfrac{3}{2}
D(Z)=1+1+2×(−41)×1×1=23。
(2)用切比雪夫不等式估计 P { ∣ Z ∣ ⩾ 2 } P\{|Z|\geqslant2\} P{∣Z∣⩾2}。
解 由切比雪夫不等式得 P { ∣ Z ∣ ⩾ 2 } = P { ∣ Z − E ( Z ) ∣ ⩾ 2 } ⩽ D ( Z ) 2 2 = 3 8 P\{|Z|\geqslant2\}=P\{|Z-E(Z)|\geqslant2\}\leqslant\cfrac{D(Z)}{2^2}=\cfrac{3}{8} P{∣Z∣⩾2}=P{∣Z−E(Z)∣⩾2}⩽22D(Z)=83。(这道题主要利用了积分变换求解)
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。