一、复习回顾
导数相关
s e c x = 1 c o s x secx=\frac{1}{cosx} secx=cosx1
c s c x = 1 s i n x cscx=\frac{1}{sinx} cscx=sinx1
( t a n x ) ′ = s e c 2 x = 1 s i n 2 x (tanx)'=sec^2x=\frac{1}{sin^2x} (tanx)′=sec2x=sin2x1
( s e c x ) ′ = ( 1 c o s x ) ′ = s e c x ⋅ t a n x = s i n x c o s 2 x (secx)'=(\frac{1}{cosx})'=secx\cdot tanx=\frac{sinx}{cos^2x} (secx)′=(cosx1)′=secx⋅tanx=cos2xsinx
( c s c x ) ′ = ( 1 s i n x ) ′ = − c s c x ⋅ c o t x = − c o s x s i n 2 x (cscx)'=(\frac{1}{sinx})'=-cscx\cdot cotx=-\frac{cosx}{sin^2x} (cscx)′=(sinx1)′=−cscx⋅cotx=−sin2xcosx
( a r c s i n x ) ′ = 1 1 − s i n 2 x (arcsinx)'=\frac{1}{\sqrt {1-sin^2x}} (arcsinx)′=1−sin2x1
( a r c c o s x ) ′ = − 1 1 − s i n 2 x = − ( a r c s i n x ) ′ (arccosx)'=-\frac{1}{\sqrt{1-sin^2x}}=-(arcsinx)' (arccosx)′=−1−sin2x1=−(arcsinx)′
( a r c t a n x ) ′ = 1 1 + x 2 (arctanx)'=\frac{1}{1+x^2} (arctanx)′=1+x21
( a r c c o t x ) ′ = − 1 1 + x 2 = − ( a r c t a n x ) ′ (arccotx)'=-\frac{1}{1+x^2}=-(arctanx)' (arccotx)′=−1+x21=−(arctanx)′
s i n 2 x = 1 − c o s 2 x 2 sin^2x=\frac{1-cos2x}{2} sin2x=21−cos2x
c o s 2 x = 1 + c o s 2 x 2 cos^2x=\frac{1+cos2x}{2} cos2x=21+cos2x
s i n 2 x = 2 s i n x c o s x sin2x=2sinxcosx sin2x=2sinxcosx
c o s 2 x = c o s 2 x − s i n 2 x = 2 c o s 2 x − 1 = 1 − 2 s i n 2 x cos2x=cos^2x-sin^2x=2cos^2x-1=1-2sin^2x cos2x=cos2x−sin2x=2cos2x−1=1−2sin2x
第一章
若AB=∅,则称A与B为互不相容事件(或互斥),也就是说事件A与B不可能同时发生.
对偶律:略
古典概型(等可能概型)
若某实验E满足
1.有限性:样本空间S={e1, e 2 , … , e n };
2.等可能性:P({e1})=P({e2})=…=P({en}).
则称E为等可能概型也叫古典概型.
有重复排列:共 n k n^k nk种排列;无重复(不放回)排列:共== A n k = n ( n − 1 ) … ( n − k + 1 ) A^k_n=n(n-1)…(n-k+1) Ank=n(n−1)…(n−k+1)==种
组合抽: C n k = A n k k ! = n ! k ! ( n − k ) ! C_n^k=\frac{A_n^k}{k!}=\frac{n!}{k!(n-k)!} Cnk=k!Ank=k!(n−k)!n!种
条件概率
定义
P
{
A
∣
B
}
=
P
{
A
B
}
P
{
B
}
P\{A|B\}=\frac{P\{AB\}}{P\{B\}}
P{A∣B}=P{B}P{AB}
事件A、B的乘法公式(利用乘法公式可计算几个事件同时发生的概率.)
P
{
A
B
}
=
P
{
A
∣
B
}
P
{
B
}
=
P
{
B
∣
A
}
P
{
A
}
P\{AB\}=P\{A|B\}P\{B\}=P\{B|A\}P\{A\}
P{AB}=P{A∣B}P{B}=P{B∣A}P{A}
P(ABC)= P(C|AB) P(B|A) P(A)
P(A1A2…An)=P (An|A1…An-1) … P(A2|A1) P (A1)
全概率公式和贝叶斯公式
定理1 全概率公式(由原因推结果)
设
A
1
,
…
,
A
n
A_1,…, A_n
A1,…,An 是 S 的一个划分,且
P
(
A
i
)
>
0
,
(
i
=
1
,
…
,
n
)
,
P(A_i)>0,(i=1,…,n),
P(Ai)>0,(i=1,…,n),则对任何事件B有
P
{
B
}
=
∑
i
=
1
n
P
{
B
∣
A
i
}
P
{
A
}
P\{B\}=\sum_{i=1}^{n}P\{B|A_i\}P\{A\}
P{B}=i=1∑nP{B∣Ai}P{A}
定理2 贝叶斯公式(由结果推原因)
设
A
1
,
…
,
A
n
A_1, … , A_n
A1,…,An是S的一个划分,且
P
(
A
i
)
>
0
,
(
i
=
1
,
…
,
n
)
P(A_i) > 0, (i=1, … , n)
P(Ai)>0,(i=1,…,n),则对任何事件B,有
P
{
A
j
∣
B
}
=
P
{
B
∣
A
j
}
P
{
A
j
}
∑
i
=
1
n
P
{
B
∣
A
i
}
P
{
A
i
}
,
(
j
=
1
,
.
.
.
,
n
)
P\{A_j|B\}=\frac{P\{B|A_j\}P\{A_j\}}{\sum_{i=1}^nP\{B|A_i\}P\{A_i\}},(j=1,...,n)
P{Aj∣B}=∑i=1nP{B∣Ai}P{Ai}P{B∣Aj}P{Aj},(j=1,...,n)
在观察到事件B已发生的条件下,寻找导致B发生的每个原因的概率.
事件独立性
第二章随机变量及其分布
随机变量:略
分布律性质
p k ≥ 0 , k = 1 , 2 , . . . ; p_k\geq 0,k=1,2,...; pk≥0,k=1,2,...;
∑ k = 1 ∞ p k = 1 ; \sum_{k=1}^\infty p_k=1; k=1∑∞pk=1;
常见分布律
0-1分布
二项分布(X~b(n,p))
设将试验独立重复进行n次,每次试验都只有两种可能的结果A和A,设事件A发生的概率为p,则称这n次试验为n重伯努利试验.
若以X表示n重伯努利试验事件A发生的次数,则称X服从参数为n, p的二项分布.
X
∼
b
(
n
,
p
)
X\sim b(n,p)
X∼b(n,p)
P { X = k } = C n k p k ( 1 − p ) n − k P\{X=k\}=C_n^kp^k(1-p)^{n-k} P{X=k}=Cnkpk(1−p)n−k
E ( X ) = n p E(X)=np E(X)=np
D ( X ) = n p ( 1 − p ) D(X)=np(1-p) D(X)=np(1−p)
泊松分布
X ∼ π ( λ ) X \sim \pi(\lambda) X∼π(λ)
P { X = k } = λ k e − λ k ! , k = 1 , 2 , . . . ( λ > 0 ) P\{X=k\}=\frac{\lambda ^k e^{-\lambda}}{k!},k=1,2,...(\lambda >0) P{X=k}=k!λke−λ,k=1,2,...(λ>0)
E ( X ) = λ E(X)=\lambda E(X)=λ
E ( X 2 ) = E [ X ( X − 1 ) + X ] = E [ X ( X − 1 ) ] + E ( X ) = λ 2 + λ E(X^2)=E[X(X-1)+X]=E[X(X-1)]+E(X) =\lambda ^2 +\lambda E(X2)=E[X(X−1)+X]=E[X(X−1)]+E(X)=λ2+λ
D ( X ) = λ D(X)=\lambda D(X)=λ
均匀分布
X ∼ U ( a , b ) X \sim U(a,b) X∼U(a,b)
f ( x ) = { 1 b − a , a < x < b 0 , 其他 f(x)= \begin{cases} \frac{1}{b-a},a<x<b \\ 0\quad ,\quad其他 \end{cases} f(x)={b−a1,a<x<b0,其他
E ( X ) = b + a 2 E(X)=\frac{b+a}{2} E(X)=2b+a
D ( X ) = ( b − a ) 2 12 D(X)=\frac{(b-a)^2}{12} D(X)=12(b−a)2
E ( X 2 ) = a 2 + a b + b 2 3 E(X^2)=\frac{a^2+ab+b^2}{3} E(X2)=3a2+ab+b2
指数分布
f ( x ) = { ( 1 θ e − x θ ) , x > 0 0 , 其他 f(x)= \begin{cases} (\frac{1}{\theta}e^{-\frac{x}{\theta}}),x>0 \\ 0 \quad\quad,其他 \end{cases} f(x)={(θ1e−θx),x>00,其他
E ( X ) = θ E(X)=\theta E(X)=θ
D ( X ) = θ 2 D(X)=\theta ^2 D(X)=θ2
E ( X 2 ) = 2 θ 2 E(X^2)=2\theta ^2 E(X2)=2θ2
正态分布
X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma ^2) X∼N(μ,σ2)
f ( x ) = 1 σ 2 π e ( x − μ ) 2 2 σ 2 , − ∞ < x < ∞ f(x)=\frac{1}{\sigma \sqrt{2\pi}}e^{\frac{(x-\mu)^2}{2\sigma ^2}} ,-\infty <x<\infty f(x)=σ2π1e2σ2(x−μ)2,−∞<x<∞
E ( X ) = μ E(X)=\mu E(X)=μ
D ( X ) = σ 2 D(X)=\sigma ^2 D(X)=σ2
标准正态分布
μ
=
0
,
σ
=
1
\mu=0,\sigma=1
μ=0,σ=1
X
∼
N
(
0
,
1
)
X\sim N(0,1)
X∼N(0,1)
转化方法,若
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma ^2)
X∼N(μ,σ2),则
Z
=
X
−
μ
σ
∼
N
(
0
,
1
)
Z=\frac{X-\mu}{\sigma}\sim N(0,1)
Z=σX−μ∼N(0,1)
分布函数
定义 F ( a ) = P { X < a } F(a)=P\{X<a\} F(a)=P{X<a}
单调不减性:
归一性:
任意x,
0
≤
F
(
x
)
≤
1
0\leq F(x)\leq1
0≤F(x)≤1,且
F
(
−
∞
)
=
lim
x
→
−
∞
F
(
x
)
=
0
,
F
(
+
∞
)
=
lim
x
→
+
∞
F
(
x
)
=
1
;
F(-\infty)=\lim_{x\rightarrow -\infty}F(x)=0,F(+\infty)=\lim_{x\rightarrow +\infty}F(x)=1;
F(−∞)=x→−∞limF(x)=0,F(+∞)=x→+∞limF(x)=1;
右连续性:
概率密度
非负性
归一性
与分布函数的联系:
P
{
a
<
x
≤
b
}
=
∫
a
b
f
(
u
)
d
u
=
F
(
b
)
−
F
(
a
)
P\{a<x\leq b\}=\int_a^bf(u)du=F(b)-F(a)
P{a<x≤b}=∫abf(u)du=F(b)−F(a)
导数关系:
d
F
(
x
)
d
x
=
f
(
x
)
\frac{dF(x)}{dx}=f(x)
dxdF(x)=f(x)
几何意义:
面积
各随机变量的概率密度
见上部分常见分布律
随机变量函数的分布
离散型
X ∼ { x 1 x 2 . . . x n p 1 p 2 . . . p n } X \sim \left\{ \begin{array}{ll} x_1 & x_2 & ... & x_n \\ p_1 & p_2 & ... & p_n \\ \end{array} \right\} X∼{x1p1x2p2......xnpn}
则
Y
=
g
(
X
)
∼
{
g
(
x
1
)
g
(
x
2
)
.
.
.
g
(
x
n
)
p
1
p
2
.
.
.
p
n
}
Y=g(X)\sim \left\{ \begin{array}{ll} g(x_1) & g(x_2) & ... & g(x_n) \\ p_1 & p_2 & ... & p_n \\ \end{array} \right\}
Y=g(X)∼{g(x1)p1g(x2)p2......g(xn)pn}
连续型
举个栗子, X ∼ f X ( x ) = { x 8 , 0 < x < 4 0 , 其他 X\sim f_X(x)=\begin{cases}\frac{x}{8},0<x<4 \\ 0,其他\end{cases} X∼fX(x)={8x,0<x<40,其他
求 Y = 2 X + 8 Y=2X+8 Y=2X+8的概率密度
解:
F
Y
(
y
)
=
P
{
Y
≤
y
}
=
P
{
2
X
+
8
≤
y
}
=
P
{
X
≤
y
−
8
2
}
=
F
X
(
y
−
8
2
)
F_Y(y)=P\{Y\leq y\}=P\{2X+8\leq y\} \\ =P\{X\leq \frac{y-8}{2}\}=F_X(\frac{y-8}{2})
FY(y)=P{Y≤y}=P{2X+8≤y}=P{X≤2y−8}=FX(2y−8)
即
F
Y
(
y
)
=
{
y
−
8
8
,
0
<
y
−
8
8
<
4
0
,
o
t
h
e
r
s
F_Y(y)=\begin{cases} \frac{y-8}{8},0<\frac{y-8}{8}<4 \\ 0,\quad\quad others \end{cases}
FY(y)={8y−8,0<8y−8<40,others
将
F
Y
(
y
)
F_Y(y)
FY(y)关于
Y
Y
Y求导数,可得密度函数
f
Y
(
y
)
=
{
y
−
8
32
,
8
<
x
<
16
0
,
o
t
h
e
r
s
f_Y(y)=\begin{cases} \frac{y-8}{32},8<x<16 \\ 0,\quad\quad others \end{cases}
fY(y)={32y−8,8<x<160,others
第三章二维随机变量
联合分布、密度函数
F ( x , y ) = P { ( X ≤ x ) ∩ ( Y ≤ y ) } = P { X ≤ x , Y ≤ y } − ∞ < x , y < ∞ F(x,y)=P\{(X\leq x)\cap (Y\leq y)\}=P\{X\leq x,Y\leq y\} \\ -\infty<x,y<\infty F(x,y)=P{(X≤x)∩(Y≤y)}=P{X≤x,Y≤y}−∞<x,y<∞
1.单调非递减
2. ∀ x ∈ R , F ( x , − ∞ ) = 0 ; ∀ y ∈ R , F ( − ∞ , y ) = 0 ; F ( − ∞ , − ∞ ) = 0 \forall x\in R,F(x,-\infty)=0;\quad \forall y \in R,F(-\infty ,y)=0; \quad F(-\infty,-\infty)=0 ∀x∈R,F(x,−∞)=0;∀y∈R,F(−∞,y)=0;F(−∞,−∞)=0
3. F ( ∞ , ∞ ) = 1 F(\infty,\infty)=1 F(∞,∞)=1
4.右连续性
联合分布律
针对离散型随机变量
∑
i
≥
1
∞
∑
j
≥
1
∞
P
i
j
=
1
\sum_{i\geq1}^{\infty}\sum_{j\geq1}^{\infty}{P_{ij}=1}
i≥1∑∞j≥1∑∞Pij=1
二维连续随机变量
对于二维随机变量 (X,Y) ,若存在一个非负可积函数 f(x,y),使对
∀
(
x
,
y
)
∈
R
2
,
\forall (x,y)\in R^2,
∀(x,y)∈R2,其分布函数
F
(
x
,
y
)
=
∫
−
∞
y
∫
−
∞
x
f
(
u
,
v
)
d
u
d
v
F(x,y)=\int^y_{-\infty} \int_{-\infty}^x f(u,v)dudv
F(x,y)=∫−∞y∫−∞xf(u,v)dudv
则称 (X,Y) 为二维连续型随机变量 , f(x,y) 为 (X,Y)的概率密度(密度函数 ), 或 X 与 Y 的联合概率密度.
性质:
1.非负性;
2.归一性;(密度函数积分趋近于1,分布函数极限趋近于1)
3.若 f ( x , y ) f(x,y) f(x,y)在 ( x , y ) ∈ R 2 (x,y)\in R^2 (x,y)∈R2处连续,则有 δ 2 F ( x , y ) δ x δ y = f ( x , y ) \frac{\delta ^2 F(x,y)}{\delta x \delta y}=f(x,y) δxδyδ2F(x,y)=f(x,y)
4.对于任意平面区域
G
∈
R
2
G\in R^2
G∈R2,
P
{
(
X
,
Y
)
∈
G
}
=
∫
∫
(
x
,
y
)
∈
G
f
(
x
,
y
)
d
x
d
y
P\{(X,Y)\in G\}={\int\int}_{(x,y)\in G} f(x,y)dxdy
P{(X,Y)∈G}=∫∫(x,y)∈Gf(x,y)dxdy
二维均匀分布
若
f
(
x
,
y
)
=
{
1
S
D
,
(
x
,
y
)
∈
D
⊂
R
2
0
,
o
t
h
e
r
s
f(x,y)= \begin{cases} \frac{1}{S_D},(x,y) \in D \subset R^2 \\\\ 0, others \end{cases}
f(x,y)=⎩
⎨
⎧SD1,(x,y)∈D⊂R20,others
则称 (X,Y )在区域D上(内 )服从均匀分布.
性质:若(X,Y)在区域D上服从均匀分布,对D内任意区域G,有 P { ( X , Y ) ∈ G } = S G S D P\{(X,Y)\in G\}=\frac{S_G}{S_D} P{(X,Y)∈G}=SDSG
二维正态分布
分布函数推广
边缘分布(函数)
F X ( x ) = P { X < x } = P { X ≤ x , Y < ∞ } = F X Y ( x , ∞ ) F_X(x)=P\{X<x\}=P\{X\leq x,Y<\infty\}=F_{XY}(x,\infty) FX(x)=P{X<x}=P{X≤x,Y<∞}=FXY(x,∞)
F Y ( y ) = P { Y < y } = P { X < ∞ , Y ≤ y } = F X Y ( ∞ , y ) F_Y(y)=P\{Y<y\}=P\{X<\infty,Y\leq y \}=F_{XY}(\infty,y) FY(y)=P{Y<y}=P{X<∞,Y≤y}=FXY(∞,y)
边缘密度(函数)
f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy fX(x)=∫−∞+∞f(x,y)dy
f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)dx fY(y)=∫−∞+∞f(x,y)dx
条件分布
条件概率推广到随机变量,设有两个随机变量X,Y,在给定Y取某个或某些值的条件下,X的概率分布是条件分布。
离散型:
设(X,Y)是二维离散型随机变量,对于固定的j,若
P
{
Y
=
y
i
}
>
0
P\{Y=y_i\}>0
P{Y=yi}>0,则称
P
{
X
=
x
i
∣
Y
=
y
j
}
=
P
{
X
=
x
i
,
Y
=
y
j
}
P
{
Y
=
y
j
}
=
P
i
j
P
j
,
j
=
1
,
2
,
.
.
.
P\{X=x_i|Y=y_j\}=\frac{P\{X=x_i,Y=y_j\}}{P\{Y=y_j\}}=\frac{P_{ij}}{P_j},j=1,2,...
P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yj}=PjPij,j=1,2,...
是在
Y
=
y
i
Y=y_i
Y=yi的条件下随机变量X的条件分布律
连续型:
对任意固定的
y
,
f
Y
(
y
)
>
0
y,f_Y(y)>0
y,fY(y)>0,则定义已知
Y
=
y
Y=y
Y=y的条件下,
X
X
X的条件密度函数为
f
X
∣
Y
{
x
∣
y
}
=
f
(
x
,
y
)
f
Y
(
y
)
f_{X|Y}\{x|y\}=\frac{f(x,y)}{f_Y(y)}
fX∣Y{x∣y}=fY(y)f(x,y)
定义在
Y
=
y
Y=y
Y=y下,
X
X
X的条件分布函数为
F
X
∣
Y
(
x
∣
y
)
=
P
{
X
≤
x
∣
Y
≤
y
}
=
∫
−
∞
x
f
X
∣
Y
(
u
∣
y
)
d
u
F_{X|Y}(x|y)=P\{X\leq x|Y\leq y\}=\int^x_{-\infty}f_{X|Y}(u|y)du
FX∣Y(x∣y)=P{X≤x∣Y≤y}=∫−∞xfX∣Y(u∣y)du
相互独立的随机变量
P { X ≤ x , Y ≤ y } = P { X ≤ x } P { Y ≤ y } P\{X\leq x,Y\leq y\}=P\{X\leq x\}P\{Y\leq y\} P{X≤x,Y≤y}=P{X≤x}P{Y≤y}
则称X,Y相互独立
(注:事件A,B相互独立的定义是 P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
等价定义
F
(
x
,
y
)
=
F
X
(
x
)
F
Y
(
y
)
F(x,y)=F_X(x)F_Y(y)
F(x,y)=FX(x)FY(y)
f ( x , y ) = f X ( x ) f Y ( y ) f(x,y)=f_X(x)f_Y(y) f(x,y)=fX(x)fY(y)
n维随机变量的边缘分布与独立性
F X 1 , X 2 ( x 1 , x 2 ) = F ( x 1 , x 2 , + ∞ , + ∞ , . . . , + ∞ ) F_{X_1,X_2}(x_1,x_2)=F(x_1,x_2,+\infty,+\infty,...,+\infty) FX1,X2(x1,x2)=F(x1,x2,+∞,+∞,...,+∞)
f X 1 = ∫ − ∞ + ∞ ∫ − ∞ + ∞ . . . ∫ − ∞ + ∞ f ( x 1 , x 2 , . . . , x n ) d x 2 d x 3 . . . d x n f_{X_1}=\int^{+\infty}_{-\infty} \int^{+\infty}_{-\infty}...\int^{+\infty}_{-\infty}f(x_1,x_2,...,x_n)dx_2dx_3...dx_n fX1=∫−∞+∞∫−∞+∞...∫−∞+∞f(x1,x2,...,xn)dx2dx3...dxn
f X 1 , X 2 ( x 1 , x 2 ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ . . . ∫ − ∞ + ∞ f ( x 1 , x 2 , . . . , x n ) d x 3 d x 4 . . . d x n f_{X_1,X_2}(x_1,x_2)=\int^{+\infty}_{-\infty}\int^{+\infty}_{-\infty}...\int^{+\infty}_{-\infty}f(x_1,x_2,...,x_n)dx_3dx_4...dx_n fX1,X2(x1,x2)=∫−∞+∞∫−∞+∞...∫−∞+∞f(x1,x2,...,xn)dx3dx4...dxn
F ( x 1 , . . . , x n ) = F X 1 ( x 1 ) F X 2 ( x 2 ) . . . F X n ( x n ) F(x_1,...,x_n)=F_{X_1}(x_1)F_{X_2}(x_2)...F_{X_n}(x_n) F(x1,...,xn)=FX1(x1)FX2(x2)...FXn(xn)时称 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn是独立的
多维随机变量函数的分布
X ∼ N ( 0 , 1 ) , Y ∼ N ( 0 , 1 ) X \sim N(0,1),Y\sim N(0,1) X∼N(0,1),Y∼N(0,1),令 Z = X 2 + Y 2 Z=\sqrt{X^2+Y^2} Z=X2+Y2,求 Z Z Z的概率密度函数
和的分布
若X 与 Y 相互独立,则 Z = X+Y 的密度函数
f
Z
(
z
)
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
f_Z(z)=\int^{\infty}_{-\infty}f_X(z-y)f_Y(y)dy=\int^{\infty}_{-\infty}f_X(x)f_Y(z-x)dx
fZ(z)=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx
我们称上式为
函数 f X ( x ) 与 f Y ( y ) 的卷积,记作 f X ( x ) ∗ f Y ( y ) f_X(x)与f_Y(y)的卷积,记作f_X(x)*f_Y(y) fX(x)与fY(y)的卷积,记作fX(x)∗fY(y)
因为相互独立,
f
X
(
)
f
Y
(
)
=
f
X
,
Y
(
)
f_X()f_Y()=f_{X,Y}()
fX()fY()=fX,Y(),上式也可以写成
f
Z
(
z
)
=
∫
−
∞
∞
f
(
x
,
z
−
x
)
d
x
f_Z(z)=\int^{\infty}_{-\infty}f(x,z-x)dx
fZ(z)=∫−∞∞f(x,z−x)dx
f Z ( z ) = ∫ − ∞ ∞ f ( z − y , y ) d y f_Z(z)=\int_{-\infty}^{\infty}f(z-y,y)dy fZ(z)=∫−∞∞f(z−y,y)dy
例题
X ∼ U ( 0 , 1 ) , Y ∼ U ( 0 , 1 ) , X Y 相互独立, Z + X + Y , 求 Z 的概率密度 X\sim U(0,1),Y\sim U(0,1),XY相互独立,Z+X+Y,求Z的概率密度 X∼U(0,1),Y∼U(0,1),XY相互独立,Z+X+Y,求Z的概率密度
定理
X 1 ∼ ( μ 1 , σ 1 2 ) , X 2 ∼ ( μ 2 , σ 2 2 ) , . . . , Z = X 1 + X 2 + . . . , 则 Z ∼ ( μ 1 + μ 2 + . . . , σ 1 2 + σ 2 2 + . . . ) X_1\sim (\mu _1,\sigma _1^2),X_2\sim (\mu _2,\sigma _2^2),...,Z=X_1+X_2+...,则Z\sim (\mu_1+\mu_2+...,\sigma_1^2+\sigma_2^2+...) X1∼(μ1,σ12),X2∼(μ2,σ22),...,Z=X1+X2+...,则Z∼(μ1+μ2+...,σ12+σ22+...)
乘除分布
(
X
,
Y
)
二维随机变量,有概率密度
f
(
x
,
y
)
,
Z
=
X
Y
、
Z
=
X
Y
仍为随机变量
(X,Y)二维随机变量,有概率密度f(x,y),Z=\frac{X}{Y}、Z=XY仍为随机变量
(X,Y)二维随机变量,有概率密度f(x,y),Z=YX、Z=XY仍为随机变量
f
Y
X
=
∫
−
∞
∞
∣
x
∣
f
(
x
,
x
z
)
d
x
f_{\frac{Y}{X}}=\int^{\infty}_{-\infty}|x|f(x,xz)dx
fXY=∫−∞∞∣x∣f(x,xz)dx
f X Y = ∫ − ∞ ∞ ∣ 1 x ∣ f ( x , z x ) d x f_{XY}=\int^{\infty}_{-\infty} |\frac{1}{x}|f(x,\frac{z}{x})dx fXY=∫−∞∞∣x1∣f(x,xz)dx
若
X
和
Y
相互独立,则可化为
若X和Y相互独立,则可化为
若X和Y相互独立,则可化为
f
Y
X
=
∫
−
∞
∞
∣
x
∣
f
X
(
x
)
f
Y
(
x
z
)
d
x
f_{\frac{Y}{X}}=\int^{\infty}_{-\infty}|x|f_X(x)f_Y(xz)dx
fXY=∫−∞∞∣x∣fX(x)fY(xz)dx
f X Y = ∫ − ∞ ∞ ∣ 1 x ∣ f X ( x ) f Y ( z x ) d x f_{XY}=\int^{\infty}_{-\infty}|\frac{1}{x}|f_X(x)f_Y(\frac{z}{x})dx fXY=∫−∞∞∣x1∣fX(x)fY(xz)dx
max,min分布
M
=
m
a
x
{
X
,
Y
}
,
N
=
m
i
n
{
X
,
Y
}
M=max\{X,Y\},N=min\{X,Y\}
M=max{X,Y},N=min{X,Y}
F
m
a
x
(
z
)
=
P
{
M
≤
z
}
=
P
{
X
≤
z
,
Y
≤
z
}
F_{max}(z)=P\{M\leq z\}=P\{X\leq z,Y\leq z\}
Fmax(z)=P{M≤z}=P{X≤z,Y≤z}
F m i n ( z ) = P { N ≤ z } = 1 − P { N > z } = 1 − P { X > Z , Y > z } F_{min}(z)=P\{N\leq z\}=1-P\{N>z\}=1-P\{X>Z,Y>z\} Fmin(z)=P{N≤z}=1−P{N>z}=1−P{X>Z,Y>z}
若
X
,
Y
X,Y
X,Y相互独立,
F
m
a
x
(
z
)
=
P
{
X
≤
z
}
P
{
Y
≤
z
}
=
F
X
(
z
)
F
Y
(
z
)
F_{max}(z)=P\{X\leq z\}P\{Y\leq z\}=F_X(z)F_Y(z)
Fmax(z)=P{X≤z}P{Y≤z}=FX(z)FY(z)
F m i n ( z ) = 1 − P { X > z } P { Y > z } = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_{min}(z)=1-P\{X>z\}P\{Y>z\}=1-[1-F_X(z)][1-F_Y(z)] Fmin(z)=1−P{X>z}P{Y>z}=1−[1−FX(z)][1−FY(z)]
随机变量的数字特征
数学期望
对于离散型随机变量, P { X = x i } = p i , i = 1 , 2 , . . . P\{X=x_i\}=p_i,i=1,2,... P{X=xi}=pi,i=1,2,...,若级数 ∑ i = 1 ∞ x i p i 绝对收敛,则 E ( X ) = ∑ i = 1 ∞ x i p i \sum_{i=1}^{\infty}x _ip_i绝对收敛,则E(X)=\sum_{i=1}^{\infty}x _ip_i ∑i=1∞xipi绝对收敛,则E(X)=∑i=1∞xipi
对于连续型随机变量, 若 ∫ − ∞ ∞ x f ( x ) d x 绝对收敛,则 E ( X ) = ∫ − ∞ ∞ x f ( x ) d x 若\int^{\infty}_{-\infty}xf(x)dx绝对收敛,则E(X)=\int^{\infty}_{-\infty}xf(x)dx 若∫−∞∞xf(x)dx绝对收敛,则E(X)=∫−∞∞xf(x)dx
复习回顾:(见第二章常见分布律)
若 X ∼ π ( λ ) , 即 P { X = k } = λ k e − λ k ! , k = 1 , 2 , . . . ( λ > 0 ) 若X\sim \pi(\lambda),即P\{X=k\}=\frac{\lambda ^k e^{-\lambda}}{k!},k=1,2,...(\lambda >0) 若X∼π(λ),即P{X=k}=k!λke−λ,k=1,2,...(λ>0)
则 E ( X ) = λ , D ( X ) = λ 则E(X)=\lambda,D(X)=\lambda 则E(X)=λ,D(X)=λ
若 X ∼ U ( a , b ) , 即 f ( x ) = { 1 b − a , a < x < b 0 , 其他 若X\sim U(a,b),即 f(x)= \begin{cases} \frac{1}{b-a},a<x<b \\ 0\quad ,\quad其他 \end{cases} 若X∼U(a,b),即f(x)={b−a1,a<x<b0,其他
则 E ( X ) = b + a 2 , D ( X ) = ( b − a ) 2 12 则E(X)=\frac{b+a}{2},D(X)=\frac{(b-a)^2}{12} 则E(X)=2b+a,D(X)=12(b−a)2
若 X ∼ 参数为 θ 的指数分布,即 f ( x ) = { ( 1 θ e − x θ ) , x > 0 0 , 其他 若X\sim 参数为\theta 的指数分布,即\\ f(x)= \begin{cases} (\frac{1}{\theta}e^{-\frac{x}{\theta}}),x>0 \\ 0 \quad\quad,其他 \end{cases} 若X∼参数为θ的指数分布,即f(x)={(θ1e−θx),x>00,其他
E ( X ) = θ , D ( X ) = θ 2 E(X)=\theta,D(X)=\theta^2 E(X)=θ,D(X)=θ2
若 X ∼ N ( μ , σ 2 ) ,即 f ( x ) = 1 σ 2 π e ( x − μ ) 2 2 σ 2 , − ∞ < x < ∞ 若X\sim N(\mu,\sigma ^2),即\\ f(x)=\frac{1}{\sigma \sqrt{2\pi}}e^{\frac{(x-\mu)^2}{2\sigma ^2}} ,-\infty <x<\infty 若X∼N(μ,σ2),即f(x)=σ2π1e2σ2(x−μ)2,−∞<x<∞
则 E ( X ) = μ , D ( X ) = σ 2 则E(X)=\mu,D(X)=\sigma^2 则E(X)=μ,D(X)=σ2
随机变量函数的期望
X
是随机离散变量,
P
{
X
=
x
k
}
=
p
k
,
k
=
1
,
2
,
.
.
.
,若(略)收敛,则
X是随机离散变量,P\{X=x_k\}=p_k,k=1,2,...,若(略)收敛,则
X是随机离散变量,P{X=xk}=pk,k=1,2,...,若(略)收敛,则
E
(
Y
)
=
E
[
g
(
X
)
]
=
∑
k
=
1
∞
g
(
x
k
)
p
k
.
E(Y)=E[g(X)]=\sum^{\infty}_{k=1}g(x_k)p_k.
E(Y)=E[g(X)]=k=1∑∞g(xk)pk.
X
是连续随机变量,概率密度
f
(
x
)
,若(略)收敛,则
X是连续随机变量,概率密度f(x),若(略)收敛,则
X是连续随机变量,概率密度f(x),若(略)收敛,则
E
(
Y
)
=
E
[
g
(
x
)
]
=
∫
−
∞
∞
g
(
x
)
f
(
x
)
d
x
.
E(Y)=E[g(x)]=\int^{\infty}_{-\infty}g(x)f(x)dx.
E(Y)=E[g(x)]=∫−∞∞g(x)f(x)dx.
X
,
Y
是连续随机变量,概率密度
f
(
X
,
Y
)
,若
Z
=
g
(
X
,
Y
)
,则
X,Y是连续随机变量,概率密度f(X,Y),若Z=g(X,Y),则
X,Y是连续随机变量,概率密度f(X,Y),若Z=g(X,Y),则
E
(
Z
)
=
E
[
g
(
X
,
Y
)
]
=
∫
−
∞
∞
∫
−
∞
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
E(Z)=E[g(X,Y)]=\int^{\infty}_{-\infty}\int^{\infty}_{-\infty}g(x,y)f(x,y)dxdy
E(Z)=E[g(X,Y)]=∫−∞∞∫−∞∞g(x,y)f(x,y)dxdy
二维随机变量的期望
对于
f
X
,
Y
(
x
,
y
)
=
{
?
?
?
,
(
x
,
y
)
∈
D
,
0
,
其他
f_{X,Y}(x,y)=\begin{cases}???,(x,y)\in D,\\ 0,其他\end{cases}
fX,Y(x,y)={???,(x,y)∈D,0,其他,有
E
(
X
)
=
∫
∫
x
f
(
x
,
y
)
d
x
d
y
E
(
Y
)
=
∫
∫
y
f
(
x
,
y
)
d
x
d
y
E
(
X
,
Y
)
=
∫
∫
x
y
f
(
x
,
y
)
d
x
d
y
E(X)=\int\int xf(x,y)dxdy\\ E(Y)=\int\int yf(x,y)dxdy\\ E(X,Y)=\int\int xyf(x,y)dxdy
E(X)=∫∫xf(x,y)dxdyE(Y)=∫∫yf(x,y)dxdyE(X,Y)=∫∫xyf(x,y)dxdy
数学期望的性质
$若C是常数,X,Y是随机变量,则
E
(
C
)
=
C
E
(
X
+
C
)
=
E
(
X
)
+
C
E
(
C
X
)
=
C
E
(
X
)
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
E
(
X
)
=
E
(
X
)
若
X
,
Y
相互独立,则
E
(
X
Y
)
=
E
(
X
)
E
(
Y
)
E(C)=C\\ E(X+C)=E(X)+C\\ E(CX)=CE(X)\\ E(X+Y)=E(X)+E(Y)\\ E(\sqrt{X})=\sqrt{E(X)}\\ 若X,Y相互独立,则E(XY)=E(X)E(Y)
E(C)=CE(X+C)=E(X)+CE(CX)=CE(X)E(X+Y)=E(X)+E(Y)E(X)=E(X)若X,Y相互独立,则E(XY)=E(X)E(Y)
方差
定义: D ( X ) = E { [ X − E ( X ) ] 2 } ,展开为 D ( X ) = E ( X 2 ) − [ E ( X ) ] 2 ,方差的记号是 σ 2 ,不是 σ , σ 是标准差的记号 定义:D(X)=E\{[X-E(X)]^2\},展开为D(X)=E(X^2)-[E(X)]^2,方差的记号是\sigma ^2,不是\sigma ,\sigma是标准差的记号 定义:D(X)=E{[X−E(X)]2},展开为D(X)=E(X2)−[E(X)]2,方差的记号是σ2,不是σ,σ是标准差的记号
性质
C
是常数,
X
,
Y
是随机变量,则
D
(
C
)
=
0
D
(
C
X
)
=
C
2
D
(
X
)
D
(
(
X
+
C
)
=
D
(
X
)
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
+
2
E
{
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
}
=
D
(
X
)
+
D
(
Y
)
+
2
C
o
v
(
X
,
Y
)
若
X
,
Y
相互独立,则
D
(
X
+
Y
)
=
D
(
X
)
+
D
(
Y
)
C是常数,X,Y是随机变量,则\\ D(C)=0\\ D(CX)=C^2D(X)\\ D((X+C)=D(X)\\ D(X+Y)=D(X)+D(Y)+2E\{(X-E(X))(Y-E(Y))\}\\=D(X)+D(Y)+2Cov(X,Y)\\ 若X,Y相互独立,则D(X+Y)=D(X)+D(Y)
C是常数,X,Y是随机变量,则D(C)=0D(CX)=C2D(X)D((X+C)=D(X)D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))}=D(X)+D(Y)+2Cov(X,Y)若X,Y相互独立,则D(X+Y)=D(X)+D(Y)
切比雪夫不等式
P { ∣ X − μ ∣ ≥ ϵ } ≤ σ 2 ϵ 2 P\{|X-\mu|\geq \epsilon \}\leq \frac{\sigma ^2}{\epsilon^2} P{∣X−μ∣≥ϵ}≤ϵ2σ2
P { ∣ X − μ ∣ < ϵ } ≥ 1 − σ 2 ϵ 2 P\{|X-\mu|<\epsilon\}\geq1-\frac{\sigma^2}{\epsilon^2} P{∣X−μ∣<ϵ}≥1−ϵ2σ2
协方差和相关系数
定义
协方差
C
o
v
(
X
,
Y
)
=
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
,
相关系数
ρ
=
C
o
v
(
X
,
Y
)
D
(
X
)
D
(
Y
)
协方差Cov(X,Y)=E\{[X-E(X)][Y-E(Y)]\},相关系数\rho=\frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}}
协方差Cov(X,Y)=E{[X−E(X)][Y−E(Y)]},相关系数ρ=D(X)D(Y)Cov(X,Y)
C
o
v
(
X
,
Y
)
=
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
Cov(X,Y)=E(XY)-E(X)E(Y)
Cov(X,Y)=E(XY)−E(X)E(Y)
若X,Y不相关,则
C
o
v
(
X
,
Y
)
=
0
;
ρ
=
0
表明
X
,
Y
线性不相关
Cov(X,Y)=0;\rho=0表明X,Y线性不相关
Cov(X,Y)=0;ρ=0表明X,Y线性不相关,X,Y相互独立是X,Y不相关的一种特殊情况
二维正态分布的不相关性与独立性等价;
矩、协方差矩阵
矩
X 的 k 阶原点矩( k 阶矩): E ( X k ) , k = 1 , 2 , . . . X的k阶原点矩(k阶矩):E(X^k),k=1,2,... X的k阶原点矩(k阶矩):E(Xk),k=1,2,...
X 的 k 阶中心矩: E { [ X − E ( X ) ] k } , k = 1 , 2... X的k阶中心矩:E\{[X-E(X)]^k\},k=1,2... X的k阶中心矩:E{[X−E(X)]k},k=1,2...
X , Y 的 k + l 阶混合矩: E ( X k Y l ) , k , l = 1 , 2 , . . . X,Y的k+l阶混合矩:E(X^kY^l),k,l=1,2,... X,Y的k+l阶混合矩:E(XkYl),k,l=1,2,...
X , Y 的 k + l 阶混合中心矩: E { [ X − E ( X ) ] k [ Y − E ( Y ) ] l } , k , l = 1 , 2 , . . . X,Y的k+l阶混合中心矩:E\{[X-E(X)]^k[Y-E(Y)]^l\},k,l=1,2,... X,Y的k+l阶混合中心矩:E{[X−E(X)]k[Y−E(Y)]l},k,l=1,2,...
协方差矩阵
n
维随机变量
(
X
1
,
X
2
,
.
.
.
,
X
n
)
的
n维随机变量(X_1,X_2,...,X_n)的
n维随机变量(X1,X2,...,Xn)的二阶混合中心矩
c
i
j
=
C
o
v
(
X
i
,
X
j
)
,
i
,
j
=
1
,
2
,
.
.
.
,
n
c_{ij}=Cov(X_i,X_j),i,j=1,2,...,n
cij=Cov(Xi,Xj),i,j=1,2,...,n若都存在,则称矩阵
KaTeX parse error: Undefined control sequence: \matrix at position 11: C=\left[ \̲m̲a̲t̲r̲i̲x̲{ c_{11}&c_{12}…
为
n
维随机变量(
X
1
,
X
2
,
.
.
.
,
X
n
)
的协方差矩阵
为n维随机变量(X_1,X_2,...,X_n)的协方差矩阵
为n维随机变量(X1,X2,...,Xn)的协方差矩阵
大数定律、中心极限定理(极简)
大数定律
弱大数定理(辛勤大数定理)
X
1
,
X
2
,
.
.
.
,
X
n
独立同分布,
E
(
X
i
)
=
μ
,
则序列
X
ˉ
=
1
n
∑
i
=
1
n
X
i
依概率收敛于
μ
X_1,X_2,...,X_n独立同分布,E(X_i)=\mu,则序列\bar{X}=\frac{1}{n}\sum^n_{i=1}X_i依概率收敛于\mu
X1,X2,...,Xn独立同分布,E(Xi)=μ,则序列Xˉ=n1i=1∑nXi依概率收敛于μ
依概率收敛于就是
lim
n
→
∞
P
{
∣
1
n
∑
k
=
1
n
X
i
−
μ
∣
<
ϵ
}
=
1
\lim_{n\rightarrow \infty}P\{|\frac{1}{n}\sum^n_{k=1}X_i-\mu|<\epsilon\}=1
limn→∞P{∣n1∑k=1nXi−μ∣<ϵ}=1
伯努利大数定律
f
A
是
n
次独立重复实验
A
发生的次数,
p
是
A
发生的概率,
ϵ
>
0
,
则
lim
n
→
∞
P
{
∣
f
A
n
−
p
∣
<
ϵ
}
=
1
f_A是n次独立重复实验A发生的次数,p是A发生的概率,\epsilon >0,则\\ \lim_{n\rightarrow\infty}P\{|\frac{f_A}{n}-p|<\epsilon\}=1
fA是n次独立重复实验A发生的次数,p是A发生的概率,ϵ>0,则n→∞limP{∣nfA−p∣<ϵ}=1
这表明n充分大时频率趋近于概率
中心极限定理(极简)
独立同分布的中心极限定理
独立同分布的随机变量 X 1 , X 2 , . . . , X n 和的标准化变量为 ∑ k = 1 n X k − n μ n σ 独立同分布的随机变量X_1,X_2,...,X_n和的标准化变量为\\ \frac{\sum^n_{k=1}X_k-n\mu}{\sqrt{n}\sigma} 独立同分布的随机变量X1,X2,...,Xn和的标准化变量为nσ∑k=1nXk−nμ
这个标准化变量在 n 充分大时近似服从 N ( 0 , 1 ) 这个标准化变量在n充分大时近似服从N(0,1) 这个标准化变量在n充分大时近似服从N(0,1)
由于
∑
k
=
1
n
X
k
−
n
μ
n
σ
=
1
n
∑
k
=
1
n
X
k
−
μ
σ
n
=
X
ˉ
−
μ
σ
n
\frac{\sum^n_{k=1}X_k-n\mu}{\sqrt{n}\sigma}=\frac{\frac{1}{n}\sum^n_{k=1}X_k-\mu}{\frac{\sigma}{\sqrt{n}}} =\frac{\bar{X}-\mu}{\frac{\sigma}{\sqrt{n}}}
nσ∑k=1nXk−nμ=nσn1∑k=1nXk−μ=nσXˉ−μ
故n充分大时,
X
ˉ
−
μ
σ
n
∼
近似地
∼
N
(
0
,
1
)
或
X
ˉ
∼
近似地
∼
N
(
μ
,
σ
2
/
n
)
\frac{\bar{X}-\mu}{\frac{\sigma}{\sqrt{n}}}\sim^{近似地}\sim N(0,1)或\bar{X}\sim^{近似地}\sim N(\mu, \sigma^2/n)
nσXˉ−μ∼近似地∼N(0,1)或Xˉ∼近似地∼N(μ,σ2/n)
李雅普诺夫定理
若定义
B
n
B_n
Bn
B
n
2
=
∑
k
=
1
n
σ
k
2
B_n^2=\sum^n_{k=1}\sigma^2_k
Bn2=k=1∑nσk2
在定理的条件下,随机变量
Z
n
=
∑
k
=
1
n
X
k
−
∑
k
=
1
n
μ
k
B
n
Z_n=\frac{\sum^n_{k=1}X_k-\sum^n_{k=1}\mu_k}{B_n}
Zn=Bn∑k=1nXk−∑k=1nμk
当n很大时近似服从正态分布N(0,1)
棣莫弗-拉普拉斯定理
正态分布是二项分布的极限分布
例: 一个加法器同时收到 20 个噪声电压 V k ( k = 1 , 2 , 3 , . . . , 20 ) ,设它们是相互独立的随机变量,且都在区间 ( 0 , 10 ) 上服从均匀分布, 一个加法器同时收到20个噪声电压V_k(k=1,2,3,...,20),设它们是相互独立的随机变量,且都在区间(0,10)上服从均匀分布, 一个加法器同时收到20个噪声电压Vk(k=1,2,3,...,20),设它们是相互独立的随机变量,且都在区间(0,10)上服从均匀分布,
记 V = ∑ k = 1 20 V k ,求 P { V > 105 } 的近似值 记V=\sum^{20}_{k=1}V_k,求P\{V>105\}的近似值 记V=∑k=120Vk,求P{V>105}的近似值
解:
易知
μ
=
E
(
V
k
)
=
5
,
σ
2
=
D
(
V
k
)
=
100
/
12
,
(
k
=
1
,
2
,
.
.
.
20
)
,由
∑
k
=
1
n
X
k
−
n
μ
n
σ
∼
N
(
0
,
1
)
知随机变量
易知\mu=E(V_k)=5,\sigma^2=D(V_k)=100/12,(k=1,2,...20),由\frac{\sum^n_{k=1}X_k-n\mu}{\sqrt{n}\sigma}\sim N(0,1)知随机变量
易知μ=E(Vk)=5,σ2=D(Vk)=100/12,(k=1,2,...20),由nσ∑k=1nXk−nμ∼N(0,1)知随机变量
Z
=
∑
k
=
1
n
V
k
−
20
×
5
20
/
100
/
12
=
V
−
20
×
5
20
/
100
/
12
∼
N
(
0
,
1
)
Z=\frac{\sum^n_{k=1}V_k-20\times5}{\sqrt{20}/\sqrt{100/12}}=\frac{V-20\times5}{\sqrt{20}/\sqrt{100/12}}\sim N(0,1)
Z=20/100/12∑k=1nVk−20×5=20/100/12V−20×5∼N(0,1)
于是
P
{
V
>
105
}
=
P
{
V
−
20
×
5
20
/
100
/
12
>
105
−
20
×
5
20
/
100
/
12
}
=
P
{
V
−
100
20
/
100
/
12
>
0.387
}
=
1
−
P
{
V
−
100
20
/
100
/
12
≤
0.387
}
=
1
−
Φ
(
0.387
)
=
0.348
P\{V>105\}=P\{\frac{V-20\times5}{\sqrt{20}/\sqrt{100/12}}>\frac{105-20\times5}{\sqrt{20}/\sqrt{100/12}}\}\\ =P\{\frac{V-100}{\sqrt{20}/\sqrt{100/12}}>0.387\}\quad\\ =1-P\{\frac{V-100}{\sqrt{20}/\sqrt{100/12}}\leq0.387\}\\ =1-\Phi(0.387)\quad\quad\quad\quad\quad\quad\quad\quad\quad\\ =0.348\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad
P{V>105}=P{20/100/12V−20×5>20/100/12105−20×5}=P{20/100/12V−100>0.387}=1−P{20/100/12V−100≤0.387}=1−Φ(0.387)=0.348
理的条件下,随机变量
Z
n
=
∑
k
=
1
n
X
k
−
∑
k
=
1
n
μ
k
B
n
Z_n=\frac{\sum^n_{k=1}X_k-\sum^n_{k=1}\mu_k}{B_n}
Zn=Bn∑k=1nXk−∑k=1nμk
当n很大时近似服从正态分布N(0,1)
棣莫弗-拉普拉斯定理
正态分布是二项分布的极限分布
例: 一个加法器同时收到 20 个噪声电压 V k ( k = 1 , 2 , 3 , . . . , 20 ) ,设它们是相互独立的随机变量,且都在区间 ( 0 , 10 ) 上服从均匀分布, 一个加法器同时收到20个噪声电压V_k(k=1,2,3,...,20),设它们是相互独立的随机变量,且都在区间(0,10)上服从均匀分布, 一个加法器同时收到20个噪声电压Vk(k=1,2,3,...,20),设它们是相互独立的随机变量,且都在区间(0,10)上服从均匀分布,
记 V = ∑ k = 1 20 V k ,求 P { V > 105 } 的近似值 记V=\sum^{20}_{k=1}V_k,求P\{V>105\}的近似值 记V=∑k=120Vk,求P{V>105}的近似值
解:
易知
μ
=
E
(
V
k
)
=
5
,
σ
2
=
D
(
V
k
)
=
100
/
12
,
(
k
=
1
,
2
,
.
.
.
20
)
,由
∑
k
=
1
n
X
k
−
n
μ
n
σ
∼
N
(
0
,
1
)
知随机变量
易知\mu=E(V_k)=5,\sigma^2=D(V_k)=100/12,(k=1,2,...20),由\frac{\sum^n_{k=1}X_k-n\mu}{\sqrt{n}\sigma}\sim N(0,1)知随机变量
易知μ=E(Vk)=5,σ2=D(Vk)=100/12,(k=1,2,...20),由nσ∑k=1nXk−nμ∼N(0,1)知随机变量
Z
=
∑
k
=
1
n
V
k
−
20
×
5
20
/
100
/
12
=
V
−
20
×
5
20
/
100
/
12
∼
N
(
0
,
1
)
Z=\frac{\sum^n_{k=1}V_k-20\times5}{\sqrt{20}/\sqrt{100/12}}=\frac{V-20\times5}{\sqrt{20}/\sqrt{100/12}}\sim N(0,1)
Z=20/100/12∑k=1nVk−20×5=20/100/12V−20×5∼N(0,1)
于是
P
{
V
>
105
}
=
P
{
V
−
20
×
5
20
/
100
/
12
>
105
−
20
×
5
20
/
100
/
12
}
=
P
{
V
−
100
20
/
100
/
12
>
0.387
}
=
1
−
P
{
V
−
100
20
/
100
/
12
≤
0.387
}
=
1
−
Φ
(
0.387
)
=
0.348
P\{V>105\}=P\{\frac{V-20\times5}{\sqrt{20}/\sqrt{100/12}}>\frac{105-20\times5}{\sqrt{20}/\sqrt{100/12}}\}\\ =P\{\frac{V-100}{\sqrt{20}/\sqrt{100/12}}>0.387\}\quad\\ =1-P\{\frac{V-100}{\sqrt{20}/\sqrt{100/12}}\leq0.387\}\\ =1-\Phi(0.387)\quad\quad\quad\quad\quad\quad\quad\quad\quad\\ =0.348\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad
P{V>105}=P{20/100/12V−20×5>20/100/12105−20×5}=P{20/100/12V−100>0.387}=1−P{20/100/12V−100≤0.387}=1−Φ(0.387)=0.348
抽样分布
χ 2 分布 \chi^2 分布 χ2分布
待更新
t 分布 t分布 t分布
待更新
F 分布 F分布 F分布
待更新
正态总体的样本均值与样本方差的分布 正态总体的样本均值与样本方差的分布 正态总体的样本均值与样本方差的分布
待更新
参数估计
待更新