记录一下备考时的练习题目。
t15
设随机变量 X 的分布函数为
F ( x ) = { 0 , x < 0 , 1 2 , 0 ≤ x < 1 , 1 − e − x , x ≥ 1 , F(x)=\left\{\begin{array}{c} 0, & x<0, \\ \frac{1}{2}, & 0 \leq x<1, \\ 1-e^{-x}, & x \geq 1, \end{array}\right. F(x)=⎩ ⎨ ⎧0,21,1−e−x,x<0,0≤x<1,x≥1,求 P { X = 1 } P\{X=1\} P{X=1}
解析
根据事件概率与分布函数极限的关系有
P
{
X
=
1
}
=
lim
x
→
1
+
F
(
x
)
−
lim
x
→
1
−
F
(
x
)
=
1
−
e
−
1
−
1
2
=
1
2
−
e
−
1
P\{X=1\}=\lim _{x \rightarrow 1^{+}} F(x)-\lim _{x \rightarrow 1^{-}} F(x)=1-e^{-1}-\frac{1}{2}=\frac{1}{2}-e^{-1}
P{X=1}=x→1+limF(x)−x→1−limF(x)=1−e−1−21=21−e−1
随机变量的分布,《知识点总结》的 § 2.1 \S 2.1 §2.1
t16
设随机变量 X X X 的分布函数为
F ( x ) = { 0 , x < 0 , 1 / 4 , 0 ⩽ x < 1 1 / 3 , 1 ⩽ x < 3 1 / 2 , 3 ⩽ x < 6 , 1 , x ⩾ 6. , F(x)=\left\{\begin{array}{ll} 0, & x<0, \\ 1 / 4, & 0 \leqslant x<1 \\ 1 / 3, & 1 \leqslant x<3 \\ 1 / 2, & 3 \leqslant x<6, \\ 1, & x \geqslant 6 . \end{array}\right. \text {, } F(x)=⎩ ⎨ ⎧0,1/4,1/3,1/2,1,x<0,0⩽x<11⩽x<33⩽x<6,x⩾6.,试求 X X X 的概率分布列及 P ( X < 3 ) , P ( X ⩽ 3 ) , P ( X > 1 ) , P ( X ⩾ 1 ) P(X<3), P(X \leqslant 3), P(X>1), P(X \geqslant 1) P(X<3),P(X⩽3),P(X>1),P(X⩾1).
解析
大致想象一下 F ( x ) F(x) F(x) 的图像为阶梯状,这对应离散随机变量的分布函数形状,所以可以写出 X X X 的分布列:
X
X
X 的概率分布列为
X
0
1
3
6
P
1
4
1
12
1
6
1
2
\begin{array}{c|cccc} \hline X & 0 & 1 & 3 & 6 \\ \hline P & \dfrac{1}{4} & \dfrac{1}{12} & \dfrac{1}{6} & \dfrac{1}{2} \\ \hline \end{array}
XP0411121361621
可以看到在
F
(
x
)
F(x)
F(x) 中分段点的值为
X
X
X 的取值。
P
(
X
<
3
)
=
P
(
X
=
0
)
+
P
(
X
=
1
)
=
1
3
,
P
(
X
⩽
3
)
=
1
−
P
(
X
=
6
)
=
1
2
,
P
(
X
>
1
)
=
P
(
X
=
3
)
+
P
(
X
=
6
)
=
2
3
,
P
(
X
⩾
1
)
=
1
−
P
(
X
=
0
)
=
3
4
.
\begin{array}{ll} P(X<3)=P(X=0)+P(X=1)=\dfrac{1}{3}, & P(X \leqslant 3)=1-P(X=6)=\dfrac{1}{2}, \\ P(X>1)=P(X=3)+P(X=6)=\dfrac{2}{3}, & P(X \geqslant 1)=1-P(X=0)=\dfrac{3}{4} . \end{array}
P(X<3)=P(X=0)+P(X=1)=31,P(X>1)=P(X=3)+P(X=6)=32,P(X⩽3)=1−P(X=6)=21,P(X⩾1)=1−P(X=0)=43.
随机变量的分布,《知识点总结》的 § 2.1 \S 2.1 §2.1
t17
设随机变量 X X X 的概率密度为 f ( x ) = { 1 − C ∣ x ∣ , − 1 < x < 1 0 , 其他 f(x)=\left\{\begin{array}{c}1-C|x|,-1<x<1 \\ 0, \text { 其他 }\end{array}\right. f(x)={1−C∣x∣,−1<x<10, 其他
(1)求 C C C 的值;
(2)求 Y = X 2 + 1 Y=X^2+1 Y=X2+1 的概率密度。
解析
(1)利用密度函数的正则性:
1
=
∫
−
∞
∞
f
(
x
)
d
x
=
∫
−
1
1
[
1
−
C
∣
x
∣
]
d
x
=
2
∫
0
1
(
1
−
C
x
)
d
x
=
2
−
C
1=\int_{-\infty}^{\infty}f(x)dx=\int_{-1}^{1}\left[1-C|x|\right]dx=2\int_{0}^{1}\left(1-Cx\right)dx=2-C
1=∫−∞∞f(x)dx=∫−11[1−C∣x∣]dx=2∫01(1−Cx)dx=2−C
⇒ C = 1 \Rightarrow C=1 ⇒C=1
(2)由于
F
Y
(
y
)
=
P
Y
{
Y
⩽
y
}
=
P
X
{
X
2
+
1
⩽
y
}
=
P
X
{
X
2
⩽
y
−
1
}
=
{
0
,
y
<
1
P
{
−
y
−
1
⩽
X
⩽
y
−
1
}
,
1
⩽
y
<
2
1
,
y
⩾
2
\begin{aligned} & F_Y(y)=P_Y\{Y \leqslant y\}=P_X\left\{X^2+1 \leqslant y\right\}=P_X\left\{X^2 \leqslant y-1\right\} \\ & =\left\{\begin{array}{cc} 0, & y<1 \\ P\{-\sqrt{y-1} \leqslant X \leqslant \sqrt{y-1}\}, & 1 \leqslant y<2 \\ 1, & y \geqslant 2 \end{array}\right. \\ & \end{aligned}
FY(y)=PY{Y⩽y}=PX{X2+1⩽y}=PX{X2⩽y−1}=⎩
⎨
⎧0,P{−y−1⩽X⩽y−1},1,y<11⩽y<2y⩾2
故当
1
⩽
y
<
2
1 \leqslant y<2
1⩽y<2 时, 有
F
Y
(
y
)
=
∫
−
y
−
1
y
−
1
(
1
−
∣
x
∣
)
d
x
=
2
∫
0
y
−
1
(
1
−
x
)
d
x
=
1
−
(
1
−
y
−
1
)
2
F_Y(y)=\int_{-\sqrt{y-1}}^{\sqrt{y-1}}(1-|x|) \mathrm{d} x=2 \int_0^{\sqrt{y-1}}(1-x) \mathrm{d} x=1-(1-\sqrt{y-1})^2
FY(y)=∫−y−1y−1(1−∣x∣)dx=2∫0y−1(1−x)dx=1−(1−y−1)2
Y
Y
Y 的分布函数为
F
y
(
y
)
=
{
0
,
y
<
1
1
−
(
1
−
y
−
1
)
2
,
1
⩽
y
<
2
1
,
y
⩾
2
F_y(y)=\left\{\begin{array}{cc} 0, & y<1 \\ 1-(1-\sqrt{y-1})^2, & 1 \leqslant y<2 \\ 1, & y \geqslant 2 \end{array}\right.
Fy(y)=⎩
⎨
⎧0,1−(1−y−1)2,1,y<11⩽y<2y⩾2
Y
Y
Y 的密度函数为
f
Y
(
y
)
=
{
1
y
−
1
−
1
,
1
<
y
<
2
0
,
其他
f_Y(y)=\left\{\begin{array}{cc} \frac{1}{\sqrt{y-1}}-1, & 1<y<2 \\ 0, & \text { 其他 } \end{array}\right.
fY(y)={y−11−1,0,1<y<2 其他
p
s
:
ps:
ps: 一个检查
Y
Y
Y 密度函数正确性的技巧,
Y
Y
Y 的密度函数不为
0
0
0 的区间,一定是
X
X
X 不为
0
0
0 的区间通过变换得到的。比如
t
17
t17
t17 ,
X
X
X 的密度函数不为
0
0
0 的区间为
(
−
1
,
1
)
(-1,1)
(−1,1) ,则
X
2
+
1
X^2+1
X2+1 后变为
(
1
,
2
)
(1,2)
(1,2) ,即
Y
Y
Y 密度函数不为
0
0
0 的区间。
随机变量的分布,分布函数与概率密度函数,随机变量函数的分布《知识点总结》的 § 2.1 、 2.6 \S 2.1 、2.6 §2.1、2.6
t18
设随机变量 X X X 的期望存在,概率密度 p ( x ) p(x) p(x) 关于 x = μ x=\mu x=μ 对称: p ( μ + x ) = p ( μ − x ) p(\mu+x)=p(\mu-x) p(μ+x)=p(μ−x) ,证明: E ( x ) = μ E(x)=\mu E(x)=μ.
解析
E ( X ) = ∫ − ∞ ∞ x p ( x ) d x = ∫ − ∞ ∞ μ p ( x ) d x + ∫ − ∞ ∞ ( x − μ ) p ( x ) d x ( 第一项积值为 μ ,是对照结果凑出来的 μ ) = μ ∫ − ∞ ∞ p ( x ) d x + ∫ − ∞ ∞ ( x − μ ) p ( x ) d x = μ + ∫ − ∞ ∞ ( x − μ ) p ( x ) d x (第二项考虑对称消去) = μ + ∫ − ∞ + ∞ t p ( t + μ ) d t (令 t = x − μ ) = μ \begin{array}{ll} E(X)&=\displaystyle\int_{-\infty}^{\infty} x p(x) d x=\int_{-\infty}^{\infty} \mu p(x) d x+\int_{-\infty}^{\infty}(x-\mu) p(x) d x \quad(第一项积值为 \mu ,是对照结果凑出来的\mu) \\ &=\displaystyle\mu \int_{-\infty}^{\infty} p(x) d x+\int_{-\infty}^{\infty}(x-\mu) p(x) d x=\mu+\int_{-\infty}^{\infty}(x-\mu) p(x) d x \quad\text { (第二项考虑对称消去) }\\ &= \mu+\displaystyle\int_{-\infty}^{+\infty} t p(t+\mu) dt \quad \text{(令$t=x-\mu$)}\\ &= \mu \\ \end{array} E(X)=∫−∞∞xp(x)dx=∫−∞∞μp(x)dx+∫−∞∞(x−μ)p(x)dx(第一项积值为μ,是对照结果凑出来的μ)=μ∫−∞∞p(x)dx+∫−∞∞(x−μ)p(x)dx=μ+∫−∞∞(x−μ)p(x)dx (第二项考虑对称消去) =μ+∫−∞+∞tp(t+μ)dt(令t=x−μ)=μ
记 f ( t ) = t p ( t + μ ) f ( − t ) = − t p ( μ − t ) = − t p ( t + μ ) ⇒ f ( t ) + f ( − t ) = 0 f ( t ) 为奇函数,所以后一项积分值为0 \quad \text { 记 } f(t) =t p(t+\mu) \quad f(-t)=-t p(\mu-t)=-t p(t+\mu) \Rightarrow f(t)+f(-t)=0 \quad f(t) \text { 为奇函数,所以后一项积分值为0} 记 f(t)=tp(t+μ)f(−t)=−tp(μ−t)=−tp(t+μ)⇒f(t)+f(−t)=0f(t) 为奇函数,所以后一项积分值为0
t19
国际市场上对我国某种出口商品的每年需求量是个随机变量 X X X (吨). X X X 服从区间 [ 300 , 500 ] [300,500] [300,500] 上的均匀分布.每销售出一吨商品, 可为国家赚取外汇1.5千元; 若销售不出, 则每吨商品需贮存费 0.5 千元. 求: 应组织多少货源,才能使平均收益最大?
解析
设组织该货源
a
a
a 吨. 则显然应该有
300
⩽
a
⩽
500
300 \leqslant a \leqslant 500
300⩽a⩽500. 又记
Y
Y
Y 为在
a
a
a 吨货源的条件下的收益额 (单位:千元), 则收益额
Y
Y
Y 为需求量
X
X
X 的函数, 即
Y
=
g
(
X
)
Y=g(X)
Y=g(X). 由题设条件知: 当
X
⩾
a
X \geqslant a
X⩾a 时, 则此
a
a
a 吨货源全部售出, 共获利
1.5
a
1.5 a
1.5a. 当
X
<
a
X<a
X<a 时, 则售出
X
X
X 吨 (获利
1.5
X
1.5 X
1.5X ), 且还有
a
−
X
a-X
a−X 吨积压 (获利
−
0.5
(
a
−
X
)
-0.5(a-X)
−0.5(a−X) ), 所以共获利
1.5
X
−
0.5
(
a
−
X
)
1.5 X-0.5(a-X)
1.5X−0.5(a−X),由此知
g
(
X
)
=
{
1.5
a
,
若
X
⩾
a
,
1.5
X
−
0.5
(
a
−
X
)
,
若
X
<
a
=
{
1.5
a
,
若
X
⩾
a
,
2
X
−
0.5
a
,
若
X
<
a
.
g(X)=\left\{\begin{array}{ll} 1.5 a, & \text { 若 } X \geqslant a, \\ 1.5 X-0.5(a-X), & \text { 若 } X<a \end{array}= \begin{cases}1.5 a, & \text { 若 } X \geqslant a, \\ 2 X-0.5 a, & \text { 若 } X<a .\end{cases}\right.
g(X)={1.5a,1.5X−0.5(a−X), 若 X⩾a, 若 X<a={1.5a,2X−0.5a, 若 X⩾a, 若 X<a.
E ( Y ) = ∫ − ∞ ∞ g ( x ) p X ( x ) d x = ∫ 300 500 g ( x ) 1 200 d x = 1 200 ( ∫ a 500 1.5 a d x + ∫ 300 a ( 2 x − 0.5 a ) d x ) = 1 200 ( − a 2 + 900 a − 30 0 2 ) . \begin{aligned} E(Y)&=\int_{-\infty}^{\infty} g(x) p_X(x) \mathrm{d} x=\int_{300}^{500} g(x) \frac{1}{200} \mathrm{~d} x\\ & =\frac{1}{200}\left(\int_a^{500} 1.5 a \mathrm{~d} x+\int_{300}^a(2 x-0.5 a) \mathrm{d} x\right) \\ & =\frac{1}{200}\left(-a^2+900 a-300^2\right) . \end{aligned} E(Y)=∫−∞∞g(x)pX(x)dx=∫300500g(x)2001 dx=2001(∫a5001.5a dx+∫300a(2x−0.5a)dx)=2001(−a2+900a−3002).
所以当 a = 450 a=450 a=450 时可以获利最大。
随机变量函数的数学期望,随机变量函数的分布《知识点总结》的 § 2.2 \S 2.2 §2.2
t20
试证: 对任意的常数 c ≠ E ( X ) c \neq E(X) c=E(X), 有
Var ( X ) = E ( X − E ( X ) ) 2 < E ( X − c ) 2 . \operatorname{Var}(X)=E(X-E(X))^2<E(X-c)^2 . Var(X)=E(X−E(X))2<E(X−c)2.
解析
常用的技巧:加一项减一项
E
(
X
−
E
(
X
)
)
2
=
E
[
(
X
−
c
)
−
(
E
(
X
)
−
c
)
]
2
=
E
(
X
−
c
)
2
−
(
E
(
X
)
−
c
)
2
,
E(X-E(X))^2=E[(X-c)-(E(X)-c)]^2=E(X-c)^2-(E(X)-c)^2,
E(X−E(X))2=E[(X−c)−(E(X)−c)]2=E(X−c)2−(E(X)−c)2,
由于
c
≠
E
(
X
)
c \neq E(X)
c=E(X), 所以
(
E
(
X
)
−
c
)
2
>
0
(E(X)-c)^2>0
(E(X)−c)2>0, 由此得
Var
(
X
)
=
E
(
X
−
E
(
X
)
)
2
<
E
(
X
−
c
)
2
.
\operatorname{Var}(X)=E(X-E(X))^2<E(X-c)^2 .
Var(X)=E(X−E(X))2<E(X−c)2.
t21
已知某商场一天来的顾客数 X X X 服从参数为 λ \lambda λ 的泊松分布, 而每个来到商场的顾客购物的概率为 p p p,每个顾客是否购买商品间相互独立。证明: 此商场一天内购物的顾客数服从参数为 λ p \lambda p λp 的泊松分布.
解析
用
Y
Y
Y 表示商场一天内购物的顾客数, 则由全概率公式知, 对任意正整数
k
k
k 有
P
(
Y
=
k
)
=
∑
i
=
k
∞
P
(
X
=
i
)
P
(
Y
=
k
∣
X
=
i
)
=
∑
i
=
k
∞
λ
i
e
−
λ
i
!
(
i
k
)
p
k
(
1
−
p
)
i
−
k
=
(
λ
p
)
k
k
!
e
−
λ
∑
i
=
k
∞
[
λ
(
1
−
p
)
]
i
−
k
(
i
−
k
)
!
=
(
λ
p
)
k
k
!
e
−
λ
e
λ
(
1
−
p
)
=
(
λ
p
)
k
k
!
e
−
λ
p
.
\begin{aligned} P(Y=k) & =\sum_{i=k}^{\infty} P(X=i) P(Y=k \mid X=i)=\sum_{i=k}^{\infty} \frac{\lambda^i \mathrm{e}^{-\lambda}}{i!}\binom{i}{k} p^k(1-p)^{i-k} \\ & =\frac{(\lambda p)^k}{k!} \mathrm{e}^{-\lambda} \sum_{i=k}^{\infty} \frac{[\lambda(1-p)]^{i-k}}{(i-k)!} \\ &=\frac{(\lambda p)^k}{k!} \mathrm{e}^{-\lambda} \mathrm{e}^{\lambda(1-p)}\\ &=\frac{(\lambda p)^k}{k!} \mathrm{e}^{-\lambda p} . \end{aligned}
P(Y=k)=i=k∑∞P(X=i)P(Y=k∣X=i)=i=k∑∞i!λie−λ(ki)pk(1−p)i−k=k!(λp)ke−λi=k∑∞(i−k)![λ(1−p)]i−k=k!(λp)ke−λeλ(1−p)=k!(λp)ke−λp.
p
s
:
ps:
ps: 第一行到第二行的处理过程是因为要证明服从参数为
λ
p
\lambda p
λp 的泊松分布,所以凑出来和这个分布对应的系数。
全概率公式、随机变量的独立性、常用离散分布 《知识点总结》的 § 1.4 、 1.5 、 2.4 \S 1.4、1.5、2.4 §1.4、1.5、2.4
t22
设一个人一年内患感冒的次数服从参数 λ = 5 \lambda=5 λ=5 的泊松分布. 现有某种预防感冒的药物对 75 % 75 \% 75% 的人有效 (能将泊松分布的参数减少为 λ = 3 \lambda=3 λ=3 ), 对另外的 25 % 25 \% 25% 的人不起作用. 如果某人服用了此药,一年内患了两次感冒, 那么该药对他 (她) 有效的可能性是多少?
解析
根据题干信息肯定需要通过条件概率来修正概率,关键是找到 P ( A ∣ B ) P(A \mid B) P(A∣B) 中的事件 A A A 和 B B B
根据题干所求信息,容易得到 A A A 的含义为该药有效;而这个 B B B 即修正条件是“服药后一年感冒了两次”,所以:
记事件
B
B
B 为“服用此药后,一年感冒两次”, 事件
A
A
A 为“服用此药后有效”.
P
(
A
∣
B
)
=
P
(
B
)
P
(
A
∣
B
)
P
(
A
)
P
(
B
∣
A
)
+
P
(
A
ˉ
)
P
(
B
∣
A
ˉ
)
=
0.75
×
3
2
2
!
e
−
3
0.75
×
3
2
2
!
e
−
3
+
0.25
×
5
2
2
!
e
−
5
=
0.889.
P(A \mid B)=\dfrac{P(B)P(A\mid B)}{P(A)P(B\mid A)+P(\bar{A})P(B\mid \bar{A})}=\frac{0.75 \times \frac{3^2}{2!} \mathrm{e}^{-3}}{0.75 \times \frac{3^2}{2!} \mathrm{e}^{-3}+0.25 \times \frac{5^2}{2!} \mathrm{e}^{-5}}=0.889 .
P(A∣B)=P(A)P(B∣A)+P(Aˉ)P(B∣Aˉ)P(B)P(A∣B)=0.75×2!32e−3+0.25×2!52e−50.75×2!32e−3=0.889.
贝叶斯公式、常用离散分布 《知识点总结》的 § 1.5 、 2.4 \S 1.5、2.4 §1.5、2.4
t23
设随机变量 X ∼ N ( 108 , 3 2 ) X \sim N\left(108,3^2\right) X∼N(108,32) ,求:
(1) P ( 102 ≤ X ≤ 117 ) P(102 \leq X \leq 117) P(102≤X≤117)
(2) 求 a a a ,使 P ( X < a ) ⩾ 0.95 P(X<a)\geqslant0.95 P(X<a)⩾0.95.
解析
(1):
P
(
102
⩽
X
⩽
117
)
=
P
(
102
−
108
3
⩽
X
−
108
3
⩽
117
−
108
3
)
=
P
(
−
2
⩽
X
−
108
3
⩽
3
)
=
Φ
(
3
)
−
Φ
(
−
2
)
=
Φ
(
3
)
−
[
1
−
Φ
(
2
)
]
=
0.9987
−
[
1
−
0.9772
]
=
0.9795.
\begin{aligned} P(102 \leqslant X \leqslant 117) & =P\left(\frac{102-108}{3} \leqslant \frac{X-108}{3} \leqslant \frac{117-108}{3}\right)=P\left(-2 \leqslant \frac{X-108}{3} \leqslant 3\right) \\ & =\Phi(3)-\Phi(-2)\\ &=\Phi(3)-[1-\Phi(2)]=0.9987- [1-0.9772]\\&=0.9795 . \\ \end{aligned}
P(102⩽X⩽117)=P(3102−108⩽3X−108⩽3117−108)=P(−2⩽3X−108⩽3)=Φ(3)−Φ(−2)=Φ(3)−[1−Φ(2)]=0.9987−[1−0.9772]=0.9795.
(2):
P
(
X
<
a
)
=
P
(
X
−
108
3
<
a
−
108
3
)
=
Φ
(
a
−
108
3
)
⩾
0.95
Φ
(
1.645
)
≈
0.95
⇒
a
⩾
112.935
\begin{aligned} P(X<a) & =P\left(\frac{X-108}{3}<\frac{a-108}{3}\right)=\Phi\left(\frac{a-108}{3}\right)\geqslant0.95 \\ \Phi(1.645) & \approx 0.95 \\ \Rightarrow a &\geqslant 112.935 \end{aligned}
P(X<a)Φ(1.645)⇒a=P(3X−108<3a−108)=Φ(3a−108)⩾0.95≈0.95⩾112.935
正态分布的概率计算 《知识点总结》的
§
2.5
\S 2.5
§2.5
t24
某种圆盘的直径在区间 ( a , b ) (a, b) (a,b) 上服从均匀分布, 试求此种圆盘的平均面积.
解析
记
X
X
X 为圆盘的直径, 则圆盘的面积为
Y
=
π
X
2
/
4
Y=\pi X^2 / 4
Y=πX2/4, 所以平均面积为
E
(
Y
)
=
π
4
E
(
X
2
)
=
π
4
[
(
b
−
a
)
2
12
+
(
a
+
b
)
2
4
]
=
π
12
(
a
2
+
b
2
+
a
b
)
.
E(Y)=\frac{\pi}{4} E\left(X^2\right)=\frac{\pi}{4}\left[\frac{(b-a)^2}{12}+\frac{(a+b)^2}{4}\right]=\frac{\pi}{12}\left(a^2+b^2+a b\right) .
E(Y)=4πE(X2)=4π[12(b−a)2+4(a+b)2]=12π(a2+b2+ab).
利用方差和期望的关系,通过背诵均匀分布的期望和方差快速得到答案。 《知识点总结》的 § 一定要背诵的常用概率分布数学期 \S 一定要背诵的常用概率分布数学期 §一定要背诵的常用概率分布数学期 望和方差 望和方差 望和方差
t25
设某种商品每周的需求量 X X X 服从区间 ( 10 , 30 ) (10,30) (10,30) 上均匀分布, 而商店进货数为区间 ( 10 , 30 ) (10,30) (10,30) 中的某一整数, 商店每销售 1 单位商品可获利 500 500 500 元; 若供大于求则降价处理, 每处理 1 单位商品亏损 100 100 100 元; 若供不应求, 则可从外部调剂供应, 此时每 1 单位商品仅获利 300 300 300 元. 为使商店所获利润期望值不少于 9280 9280 9280 元, 试确定最少进货量.
解析
设进货量为
a
a
a, 则利润为
g
(
X
)
=
{
500
X
−
100
(
a
−
X
)
,
10
⩽
X
⩽
a
,
500
a
+
300
(
X
−
a
)
,
a
<
X
⩽
30
=
{
600
X
−
100
a
,
10
⩽
X
⩽
a
,
300
X
+
200
a
,
a
<
X
⩽
30.
\begin{aligned} g(X) & =\left\{\begin{array}{l} 500 X-100(a-X), \quad 10 \leqslant X \leqslant a, \\ 500 a+300(X-a), \quad a<X \leqslant 30 \end{array}\right. \\ & = \begin{cases}600 X-100 a, & 10 \leqslant X \leqslant a, \\ 300 X+200 a, & a<X \leqslant 30 .\end{cases} \end{aligned}
g(X)={500X−100(a−X),10⩽X⩽a,500a+300(X−a),a<X⩽30={600X−100a,300X+200a,10⩽X⩽a,a<X⩽30.
所以平均利润为
E
(
g
(
X
)
)
=
∫
10
30
g
(
x
)
1
20
d
x
=
1
20
∫
10
a
(
600
x
−
100
a
)
d
x
+
1
20
∫
a
30
(
300
x
+
200
a
)
d
x
=
−
7.5
a
2
+
350
a
+
5250.
\begin{aligned} E(g(X)) & =\int_{10}^{30} g(x) \frac{1}{20} \mathrm{~d} x=\frac{1}{20} \int_{10}^a(600 x-100 a) \mathrm{d} x+\frac{1}{20} \int_a^{30}(300 x+200 a) \mathrm{d} x \\ & =-7.5 a^2+350 a+5250 . \end{aligned}
E(g(X))=∫1030g(x)201 dx=201∫10a(600x−100a)dx+201∫a30(300x+200a)dx=−7.5a2+350a+5250.
按照题意要求有
−
7.5
a
2
+
350
a
+
5250
⩾
9280
即
−
7.5
a
2
+
350
a
−
4030
⩾
0
,
-7.5 a^2+350 a+5250 \geqslant 9280 \text { 即 }-7.5 a^2+350 a-4030 \geqslant 0,
−7.5a2+350a+5250⩾9280 即 −7.5a2+350a−4030⩾0,
解得
20
2
3
⩽
a
⩽
26
,
20 \frac{2}{3} \leqslant a \leqslant 26,
2032⩽a⩽26,
因此最少进货为 21 单位.
是 t 19 t19 t19 的类似题。
t26
某种设备的使用寿命 X X X (以年计) 服从指数分布, 其平均寿命为 4 4 4 年.制造此种设备的厂家规定, 若设备在使用一年之内损坏, 则可以予以调换. 如果设备制造厂每售出一台设备可赢利 100 100 100 元,而调换一台设备制造厂需花费 300 300 300 元. 试求每台设备的平均利润.
解析
根据设备寿命
X
X
X 服从指数分布,其平均寿命为
4
4
4 年,这说的就是寿命期望
E
(
X
)
=
4
E(X)=4
E(X)=4 ,根据指数分布
E
x
p
(
λ
)
Exp(\lambda)
Exp(λ) 数学期望为
1
λ
\dfrac{1}{\lambda}
λ1 得到使用寿命服从参数为
1
4
\dfrac{1}{4}
41 的指数分布。
p
(
x
)
=
{
1
4
e
−
1
4
x
,
x
⩾
0
0
,
x
<
0
p(x)=\left\{\begin{array}{r} \dfrac{1}{4}e^{-\frac{1}{4}x},x\geqslant0 \\ 0,x<0 \end{array}\right.
p(x)={41e−41x,x⩾00,x<0
所以一年内损坏的概率为
P
(
X
⩽
1
)
=
∫
0
1
1
4
e
−
1
4
x
d
x
=
1
−
e
−
1
4
=
0.2212
P(X\leqslant1)=\int_0^1\dfrac{1}{4}e^{-\frac{1}{4}x}dx=1-e^{-\frac{1}{4}}=0.2212
P(X⩽1)=∫0141e−41xdx=1−e−41=0.2212
所以一台机器平均利润
Y
Y
Y 为:
E
(
Y
)
=
100
+
P
(
X
⩽
1
)
(
−
300
)
=
33.64
E(Y)=100+P(X\leqslant1)(-300)=33.64
E(Y)=100+P(X⩽1)(−300)=33.64
t27
已知随机变量 X X X 的密度函数为
p ( x ) = 2 π ⋅ 1 e x + e − x , − ∞ < x < ∞ . p(x)=\frac{2}{\pi} \cdot \frac{1}{\mathrm{e}^x+\mathrm{e}^{-x}}, \quad-\infty<x<\infty . p(x)=π2⋅ex+e−x1,−∞<x<∞.试求随机变量 Y = g ( X ) Y=g(X) Y=g(X) 的概率分布, 其中
g ( x ) = { − 1 , 当 x < 0 , 1 , 当 x ⩾ 0. g(x)=\left\{\begin{aligned} -1, & \text { 当 } x<0, \\ 1, & \text { 当 } x \geqslant 0 . \end{aligned}\right. g(x)={−1,1, 当 x<0, 当 x⩾0.
解析
因为
p
(
x
)
p(x)
p(x) 为偶函数, 所以可得
P
(
X
<
0
)
=
P
(
X
⩾
0
)
=
0.5
P(X<0)=P(X \geqslant 0)=0.5
P(X<0)=P(X⩾0)=0.5. 由此得
P
(
Y
=
−
1
)
=
P
(
X
<
0
)
=
P
(
X
⩾
0
)
=
P
(
Y
=
1
)
=
0.5.
P(Y=-1)=P(X<0)=P(X \geqslant 0)=P(Y=1)=0.5 .
P(Y=−1)=P(X<0)=P(X⩾0)=P(Y=1)=0.5.
所以
Y
Y
Y 的分布列为
Y
−
1
1
P
0.5
0.5
\begin{array}{c|cc} \hline Y & -1 & 1 \\ \hline P & 0.5 & 0.5 \\ \hline \end{array}
YP−10.510.5
t28
设随机变量 X ∼ U ( 0 , 1 ) X \sim U(0,1) X∼U(0,1), 试求 1 − X 1-X 1−X 的分布.
解析
X
X
X 的密度函数为
p
X
(
x
)
=
{
1
,
0
<
x
<
1
,
0
,
其他.
p_X(x)= \begin{cases}1, & 0<x<1, \\ 0, & \text { 其他. }\end{cases}
pX(x)={1,0,0<x<1, 其他.
因为
y
=
g
(
x
)
=
1
−
x
y=g(x)=1-x
y=g(x)=1−x 在
(
0
,
1
)
(0,1)
(0,1) 上为严格单调减函数, 其反函数为
x
=
h
(
y
)
=
1
−
y
x=h(y)=1-y
x=h(y)=1−y,且有
h
′
(
y
)
=
−
1
h^{\prime}(y)=-1
h′(y)=−1, 所以
Y
=
1
−
X
Y=1-X
Y=1−X 的密度函数为
p
Y
(
y
)
=
{
p
X
(
1
−
y
)
∣
−
1
∣
,
0
<
y
<
1
,
0
,
其他
=
{
1
,
0
<
y
<
1
,
0
,
其他.
p_Y(y)=\left\{\begin{array}{cl} p_X(1-y)|-1|, & 0<y<1, \\ 0, & \text { 其他 } \end{array}= \begin{cases}1, & 0<y<1, \\ 0, & \text { 其他. }\end{cases}\right.
pY(y)={pX(1−y)∣−1∣,0,0<y<1, 其他 ={1,0,0<y<1, 其他.
这表明: 当 X ∼ U ( 0 , 1 ) X \sim U(0,1) X∼U(0,1) 时, 1 − X 1-X 1−X 与 X X X 同分布.
采用公式法求解连续随机变量密度函数,《知识点总结》的 § 2.6 \S2.6 §2.6
t29
设随机变量 X \mathrm{X} X 服从指数分布, 其概率为 f ( x ) = { 2 e − 2 x , x > 0 , 0 , 其他, f(x)=\left\{\begin{array}{cl}2 e^{-2 x}, & x>0, \\ 0, & \text { 其他, }\end{array}\right. f(x)={2e−2x,0,x>0, 其他,
证明: Y = 1 − e − 2 X Y=1-e^{-2 X} Y=1−e−2X 在区间 ( 0 , 1 ) (0,1) (0,1) 上服从均匀分布.
解析
方法一:
由随机变量
X
X
X 的概率密度函数可推之
F
X
(
x
)
=
{
1
−
e
−
2
x
,
x
≥
0
,
0
,
x
<
0
,
F_X(x)=\left\{\begin{array}{cc} 1-e^{-2 x}, & x \geq 0, \\ 0, & x<0, \end{array}\right.
FX(x)={1−e−2x,0,x≥0,x<0,
当
x
>
0
x>0
x>0 时,
0
<
1
−
e
−
2
x
<
1
0<1-e^{-2 x}<1
0<1−e−2x<1
综上
y
≤
0
,
F
Y
(
y
)
=
0
;
y
≥
1
,
F
Y
(
y
)
=
1
y \leq 0, F_Y(y)=0 ; y \geq 1, F_Y(y)=1
y≤0,FY(y)=0;y≥1,FY(y)=1
当
0
<
y
<
1
0<y<1
0<y<1 时,
F
Y
(
y
)
=
P
{
Y
≤
y
}
=
P
{
1
−
e
−
2
X
≤
y
}
F_Y(y)=P\{Y \leq y\}=P\left\{1-e^{-2 X} \leq y\right\}
FY(y)=P{Y≤y}=P{1−e−2X≤y}
=
P
{
X
≤
−
1
2
ln
(
1
−
y
)
}
=
F
X
(
−
1
2
ln
(
1
−
y
)
)
=
y
=P\left\{X \leq-\frac{1}{2} \ln (1-y)\right\}=F_X\left(-\frac{1}{2} \ln (1-y)\right)=y
=P{X≤−21ln(1−y)}=FX(−21ln(1−y))=y
综上:
F
Y
(
y
)
=
{
0
,
x
<
0
,
y
,
0
≤
x
<
1
,
1
,
x
≥
1
,
F_Y(y)=\left\{\begin{array}{lc} 0, & x<0, \\ y, & 0 \leq x<1, \\ 1, & x \geq 1, \end{array}\right.
FY(y)=⎩
⎨
⎧0,y,1,x<0,0≤x<1,x≥1,
求导得:
f
Y
(
y
)
=
d
d
y
F
Y
(
y
)
=
{
1
,
0
<
x
<
1
,
0
,
其他.
f_Y(y)=\frac{\mathrm{d}}{\mathrm{d} y} F_Y(y)=\left\{\begin{array}{cc} 1, & 0<x<1, \\ 0, & \text { 其他. } \end{array}\right.
fY(y)=dydFY(y)={1,0,0<x<1, 其他.
方法二:
由于 X X X 在 X ⩾ 0 X\geqslant0 X⩾0 取值,所以 Y = 1 − e − 2 X Y=1-e^{-2X} Y=1−e−2X 的取值范围是 ( 0 , 1 ] (0,1] (0,1]
Y = 1 − e − 2 X Y=1-e^{-2 X} Y=1−e−2X 是严格单调递增的函数,其反函数为 h ( y ) = − 1 2 ln ( 1 − y ) h(y)=-\dfrac{1}{2}\ln(1-y) h(y)=−21ln(1−y) ,对反函数求导: h ′ ( y ) = 1 2 ( 1 − y ) h^{\prime}(y)=\dfrac{1}{2(1-y)} h′(y)=2(1−y)1
直接带公式有
f
Y
(
y
)
=
{
f
X
(
−
1
2
ln
(
1
−
y
)
)
∣
h
′
(
y
)
∣
,
0
<
y
<
1
,
0
,
其他.
=
{
1
,
0
<
y
<
1
,
0
,
其他.
f_Y(y)=\left\{\begin{array}{cc} f_X(-\dfrac{1}{2}\ln(1-y))|h^\prime(y)|, & 0<y<1 , \\ 0, & \text { 其他. } \end{array}\right.=\left\{\begin{array}{cc} 1, & 0<y<1 , \\ 0, & \text { 其他. } \end{array}\right.
fY(y)={fX(−21ln(1−y))∣h′(y)∣,0,0<y<1, 其他. ={1,0,0<y<1, 其他.
t30
设 X ∼ N ( μ , σ 2 ) X \sim N\left(\mu, \sigma^2\right) X∼N(μ,σ2), 求 Y = e X Y=\mathrm{e}^X Y=eX 的概率密度函数 p Y ( y ) p_Y(y) pY(y).
解析
因为
Y
=
e
X
Y=\mathrm{e}^X
Y=eX 的可能取值范围为
(
0
,
∞
)
(0, \infty)
(0,∞), 且
y
=
g
(
x
)
=
e
x
y=g(x)=\mathrm{e}^x
y=g(x)=ex 为严格单调增函数, 其反函数为
x
=
h
(
y
)
=
ln
y
x=h(y)=\ln y
x=h(y)=lny, 及
h
′
(
y
)
=
1
/
y
h^{\prime}(y)=1 / y
h′(y)=1/y, 所以
Y
Y
Y 的密度函数为
p
Y
(
y
)
=
{
p
X
(
ln
y
)
∣
1
y
∣
,
y
>
0
,
0
,
其他
=
{
1
2
π
y
σ
exp
{
−
(
ln
y
−
μ
)
2
2
σ
2
}
,
y
>
0
,
0
,
其他.
p_Y(y)=\left\{\begin{array}{cc} p_X(\ln y)\left|\dfrac{1}{y}\right|, & y>0, \\ 0, & \text { 其他 } \end{array}= \begin{cases}\dfrac{1}{\sqrt{2 \pi} y \sigma} \exp \left\{-\dfrac{(\ln y-\mu)^2}{2 \sigma^2}\right\}, & y>0, \\ 0, & \text { 其他. }\end{cases}\right.
pY(y)=⎩
⎨
⎧pX(lny)
y1
,0,y>0, 其他 =⎩
⎨
⎧2πyσ1exp{−2σ2(lny−μ)2},0,y>0, 其他.
t31
(1) 设随机变量 X ∼ N ( 10 , 2 2 ) X \sim N\left(10,2^2\right) X∼N(10,22) ,求 Y = 3 X + 5 Y=3 X+5 Y=3X+5 的分布
(2) 设随机变量 X ∼ N ( 0 , 2 2 ) X \sim N\left(0,2^2\right) X∼N(0,22) ,求 Y = − X Y=-X Y=−X 的分布
解析
(1): Y ∼ N ( 35 , 6 2 ) Y\sim N(35,6^2) Y∼N(35,62)
(2): Y ∼ N ( 0 , 2 2 ) Y\sim N(0,2^2) Y∼N(0,22)
p s : ps: ps: 设随机变量 X X X 服从正态分布 N ( μ , σ 2 ) N\left(\mu, \sigma^2\right) N(μ,σ2), 则当 a ≠ 0 a \neq 0 a=0 时, 有 Y = a X + b ∼ Y=a X+b \sim Y=aX+b∼ N ( a μ + b , a 2 σ 2 ) N\left(a \mu+b, a^2 \sigma^2\right) N(aμ+b,a2σ2)
t32
设 X ∼ N ( 0 , σ 2 ) X \sim N\left(0, \sigma^2\right) X∼N(0,σ2), 求 Y = X 2 Y=X^2 Y=X2 的分布.
解析
因为 Y = X 2 Y=X^2 Y=X2 的可能取值区间为 ( 0 , ∞ ) (0, \infty) (0,∞), 所以当 y ⩽ 0 y \leqslant 0 y⩽0 时, Y Y Y 的密度函数为 p Y ( y ) = 0 p_Y(y)=0 pY(y)=0.
而当
y
>
0
y>0
y>0 时,
Y
Y
Y 的分布函数为
F
Y
(
y
)
=
P
Y
(
Y
⩽
y
)
=
P
X
(
X
2
≤
y
)
=
P
X
(
−
y
≤
X
≤
y
)
=
2
∫
0
y
1
2
π
σ
e
−
x
2
2
σ
2
d
x
=
2
2
π
σ
∫
0
y
e
−
x
2
2
σ
2
d
x
p
Y
(
y
)
=
d
d
y
F
Y
(
y
)
=
2
2
π
σ
⋅
1
2
y
⋅
e
−
y
2
σ
2
=
1
2
π
y
σ
exp
{
−
y
2
σ
2
}
\begin{aligned} F_Y(y)&=P_Y(Y \leqslant y)=P_X\left(X^2 \leq y\right)=P_X(-\sqrt{y} \leq X \leq \sqrt{y}) \\ & =2 \int_0^{\sqrt{y}} \frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{x^2}{2 \sigma^2}} d x \\ & =\frac{2}{\sqrt{2 \pi} \sigma} \int_0^{\sqrt{y}} e^{-\frac{x^2}{2 \sigma^2}} d x \\ p_Y(y)&=\frac{d}{d y} F_Y(y)=\frac{2}{\sqrt{2 \pi} \sigma} \cdot \frac{1}{2 \sqrt{y}} \cdot e^{-\frac{y}{2 \sigma^2}} \\ & =\frac{1}{\sqrt{2 \pi y} \sigma} \exp \left\{-\frac{y}{2 \sigma^2}\right\} \\ & \end{aligned}
FY(y)pY(y)=PY(Y⩽y)=PX(X2≤y)=PX(−y≤X≤y)=2∫0y2πσ1e−2σ2x2dx=2πσ2∫0ye−2σ2x2dx=dydFY(y)=2πσ2⋅2y1⋅e−2σ2y=2πyσ1exp{−2σ2y}
综上,
p
Y
(
y
)
=
{
1
2
π
y
σ
exp
{
−
y
2
σ
2
}
,
y
>
0
,
0
,
其他.
p_Y(y)= \begin{cases}\dfrac{1}{\sqrt{2 \pi y} \sigma} \exp \left\{-\dfrac{y}{2 \sigma^2}\right\}, & y>0, \\ 0, & \text { 其他. }\end{cases}
pY(y)=⎩
⎨
⎧2πyσ1exp{−2σ2y},0,y>0, 其他.
t33
设随机变量 X X X 的密度函数为
p X ( x ) = { 2 x π 2 , 0 < x < π , 0 , 其他. p_X(x)= \begin{cases}\dfrac{2 x}{\pi^2}, & 0<x<\pi, \\ 0, & \text { 其他. }\end{cases} pX(x)=⎩ ⎨ ⎧π22x,0,0<x<π, 其他. 求 Y = sin X Y=\sin X Y=sinX 的密度函数 p Y ( y ) p_Y(y) pY(y).
解析
由于 X X X 在 ( 0 , π ) (0,\pi) (0,π) 取值,所以 Y = sin X Y=\sin X Y=sinX 的取值范围是 ( 0 , 1 ) (0,1) (0,1)
当 0 < Y < 1 0<Y<1 0<Y<1 时: F Y ( y ) = P Y ( Y ≤ y ) = P X ( sin X ≤ y ) F_Y(y)=P_Y(Y \leq y)=P_X(\sin X \leq y) FY(y)=PY(Y≤y)=PX(sinX≤y) X X X 的积分区间如下:
F Y ( y ) = P ( Y ⩽ y ) = P ( sin X ⩽ y ) = P ( 0 ⩽ X ⩽ arcsin y ) + P ( π − arcsin y ⩽ X ⩽ π ) = ∫ 0 arcsin y 2 x π 2 d x + ∫ π − arcsin y 2 x π 2 d x P Y ( y ) = 2 arcsin y π 2 ⋅ 1 1 − y 2 + 2 ( π − arcsin y ) π 2 1 − y 2 = 2 π 1 − y 2 P Y ( y ) = { 2 π 1 − y 2 , 0 < y ⩽ 1 0 , ( 其他 ) \begin{aligned} F_Y(y) & =P(Y \leqslant y)=P(\sin X \leqslant y) \\ & =P(0 \leqslant X \leqslant \arcsin y)+P(\pi-\arcsin y \leqslant X \leqslant \pi) \\ & =\int_0^{\arcsin y} \frac{2 x}{\pi^2} d x+\int_{\pi-\arcsin y} \frac{2 x}{\pi^2} d x \\ P_Y(y) & =\frac{2 \arcsin y}{\pi^2} \cdot \frac{1}{\sqrt{1-y^2}}+\frac{2(\pi-\arcsin y)}{\pi^2 \sqrt{1-y^2}}=\frac{2}{\pi \sqrt{1-y^2}} \\ P_Y(y) & =\left\{\begin{array}{cl} \dfrac{2}{\pi \sqrt{1-y^2}}, & 0<y \leqslant 1 \\ 0, & \left.{(其他}\right) \end{array}\right. \end{aligned} FY(y)PY(y)PY(y)=P(Y⩽y)=P(sinX⩽y)=P(0⩽X⩽arcsiny)+P(π−arcsiny⩽X⩽π)=∫0arcsinyπ22xdx+∫π−arcsinyπ22xdx=π22arcsiny⋅1−y21+π21−y22(π−arcsiny)=π1−y22=⎩ ⎨ ⎧π1−y22,0,0<y⩽1(其他)
p
s
:
ps:
ps: 如果函数
f
(
x
)
f(x)
f(x) 连续,
ϕ
(
x
)
\phi(x)
ϕ(x) 和
φ
(
x
)
\varphi(x)
φ(x) 可导,那么变限积分函数的求导公式可表示为
Φ
′
(
x
)
=
d
d
x
∫
ϕ
(
x
)
φ
(
x
)
f
(
t
)
d
t
=
f
[
φ
(
x
)
]
φ
′
(
x
)
−
f
[
ϕ
(
x
)
]
ϕ
′
(
x
)
\Phi^{\prime}(x)=\frac{d}{d x} \int_{\phi(x)}^{\varphi(x)} f(t) d t=f[\varphi(x)] \varphi^{\prime}(x)-f[\phi(x)] \phi^{\prime}(x)
Φ′(x)=dxd∫ϕ(x)φ(x)f(t)dt=f[φ(x)]φ′(x)−f[ϕ(x)]ϕ′(x)
当然,如果忘记这个公式,可以硬算出
F
Y
(
y
)
F_Y(y)
FY(y) 后再求导。
t34
设随机变量 X X X 的密度函数为
P X ( x ) = { 1 2 , − 1 < x < 0 1 4 , 0 ⩽ x < 2 0 , 其他. P_X(x)= \begin{cases}\dfrac{1}{2}, & -1<x<0 \\ \dfrac{1}{4}, & 0 \leqslant x<2 \\ 0, & \text { 其他. }\end{cases} PX(x)=⎩ ⎨ ⎧21,41,0,−1<x<00⩽x<2 其他. 求 Y = X 2 Y=X^2 Y=X2 的密度函数 P Y ( y ) P_Y(y) PY(y) .
解析
从别处看到一个写的很清楚的解析,直接放在下面:
t35
设随机变量 X ∼ U ( 0 , 4 ) X \sim U(0,4) X∼U(0,4) ,求 Y = X 2 − 2 X − 3 Y=X^2-2 X-3 Y=X2−2X−3 的密度函数 P Y ( y ) P_Y(y) PY(y).
解析
X X X 的在 ( 0 , 4 ) (0,4) (0,4) 取值,则 Y = X 2 − 2 X − 3 = ( X − 1 ) 2 − 4 Y=X^2-2X-3=(X-1)^2-4 Y=X2−2X−3=(X−1)2−4 的取值范围是 [ − 4 , 5 ) [-4,5) [−4,5)
所以当 − 4 ≤ Y < 5 -4\leq Y <5 −4≤Y<5 时: F Y ( y ) = P Y ( Y ≤ y ) = P X ( ( X − 1 ) 2 ≤ y + 4 ) = P X ( 1 − y + 4 ≤ X ≤ 1 + y + 4 ) F_Y(y)=P_Y(Y\leq y)=P_X((X-1)^2\leq y+4)=P_X(1-\sqrt{y+4}\leq X\leq 1+\sqrt{y+4}) FY(y)=PY(Y≤y)=PX((X−1)2≤y+4)=PX(1−y+4≤X≤1+y+4)
此时要注意: 1 − y + 4 1-\sqrt{y+4} 1−y+4 的取值范围是 ( − 2 , 1 ) (-2,1) (−2,1) 所以要继续将 Y Y Y 的取值分成 ( − 4 , − 3 ) (-4,-3) (−4,−3) 和 ( − 3 , 5 ) (-3,5) (−3,5) 分成两段考虑:
当
−
4
<
Y
<
−
3
-4<Y<-3
−4<Y<−3 时:
0
<
−
y
+
4
+
1
<
1
,
1
<
y
+
4
+
1
<
2
F
Y
(
y
)
=
∫
−
y
+
4
+
1
y
+
4
+
1
1
4
d
x
⇒
p
Y
(
y
)
=
1
4
(
y
+
4
)
−
1
2
\begin{aligned} & 0<-\sqrt{y+4}+1<1, \quad 1<\sqrt{y+4}+1<2 \\ & F_Y(y)=\int_{-\sqrt{y+4}+1}^{\sqrt{y+4}+1} \frac{1}{4} d x \Rightarrow p_Y(y)=\frac{1}{4} (y+4)^{-\frac{1}{2}} \end{aligned}
0<−y+4+1<1,1<y+4+1<2FY(y)=∫−y+4+1y+4+141dx⇒pY(y)=41(y+4)−21
当
−
3
<
Y
<
5
-3<Y<5
−3<Y<5 时:
−
y
+
4
+
1
⩽
0
,
2
⩽
y
+
4
+
1
<
4
F
Y
(
y
)
=
∫
0
y
+
4
+
1
1
4
d
x
⇒
p
Y
(
y
)
=
1
8
(
y
+
4
)
−
1
2
\begin{aligned} &-\sqrt{y+4}+1 \leqslant 0,2 \leqslant \sqrt{y+4}+1<4 \\ & F_Y(y)=\int_0^{\sqrt{y+4}+1} \frac{1}{4} d x \Rightarrow p_Y(y)=\frac{1}{8} (y+4)^{-\frac{1}{2}} \end{aligned}
−y+4+1⩽0,2⩽y+4+1<4FY(y)=∫0y+4+141dx⇒pY(y)=81(y+4)−21
综上:
p
Y
(
y
)
=
{
1
4
(
y
+
4
)
−
1
2
,
−
4
⩽
y
<
−
3
1
8
(
y
+
4
)
−
1
2
,
−
3
⩽
y
<
5
0
,
其他
p_Y(y)=\left\{\begin{array}{cc} \dfrac{1}{4}(y+4)^{-\frac{1}{2}}, & -4\leqslant y<-3 \\ \dfrac{1}{8}(y+4)^{-\frac{1}{2}}, & -3 \leqslant y<5 \\ 0, & \text { 其他 } \end{array}\right.
pY(y)=⎩
⎨
⎧41(y+4)−21,81(y+4)−21,0,−4⩽y<−3−3⩽y<5 其他
t 17 、 t 27 − t 35 t17、t27-t35 t17、t27−t35 都是随机变量函数的分布问题,需要熟练掌握公式法和分布函数法,对应知识在《知识点总结》的 § 2.6 \S 2.6 §2.6