均匀分布U[0, b] - 描述统计

均匀分布

a
b
01 0 1
于是，均匀分布的分布函数为：
0 ,
x a;
F
(x)
x
b
a a
,
a x b;
1
1,
x ba, b ) 的子区间的概率与位置无关，与子区间长度成正比。
即对于( c, d) (a, b ) ，有
∪
d1
d c
P ( c X d )
(
2 )3 3
(1)0 3
20
33
3
27
x
F ( x ) f ( t ) d t
x a:
x
F ( x ) f ( t ) d t
0
a
x
a xb:
F (x)
f (t)dt f (t)dt
a
0 x 1 d t x a
a ba
ba
b x :
a
b
x
F (x) f (t)dt f (t)dt f (t)dt
解：X的概率密度函数
设Y表示3次观测中，观测值大于3的次数
f
(x)
1
3
,
0,
x (2, 5) x (2, 5)
设A={ X>3 }, 则
P(A) P( X 3)
1
5
dx
2
P(Y
则
2)
Y~ B(3, 2/3), 因而有
P(Y 2) P(Y 3)
C32
(
2 )2 3
( 1 )1 3
C33
1 ba
a
b
阴影部分面积为 1
f (x)
（1） f (x) 0
（ 2 ）
f ( x)dx 1

[1,N]离散均匀分布样本中位数分布-描述统计

1,N 离散均匀分布样本中位数分布基于Wolfram Mathematica9,下表给出了 1,N 区间内离散均匀分布DU 1，N 样本中位数的概率密度（质量）函数、累积分布函数、累积分布函数、逆生存函数、风险函数（故障率）、矩母函数 MGF 、中心矩母函数 CMGF 、累积量母函数 CGF 、阶乘矩母函数 FMGF 、特征函数的计算和结果表达式，均值、中位值、众数、四分位数列表、q分位数、方差、标准差、一三四分位数间矩、偏度系数、峰度系数、四分偏度系数、r阶原点矩、r阶中心矩、r阶阶乘矩、r阶累积量、信息熵等描述性统计量的计算和结果表达式。

dist DiscreteUniformDistribution 1,N ;dist1 OrderDistribution dist,2n 1 ,n 1 ;"1.概率密度（质量）函数:"PDF dist1,k"2.累积分布函数:"CDF dist1,k"3.生存（可靠性）函数："SurvivalFunction dist1,k"4.逆生存函数："InverseSurvivalFunction dist1,q"5.风险函数（故障率）:"HazardFunction dist1,k"6.矩母函数 MGF :"MomentGeneratingFunction dist1,t"7.中心矩母函数 CMGF :"CentralMomentGeneratingFunction dist1,t"8.累积量母函数 CGF :"CumulantGeneratingFunction dist1,t"9.阶乘矩母函数 FMGF :"CharacteristicFunction dist1,t"10.特征函数:"CharacteristicFunction dist1,t"11.均值:"Mean dist1"12.中位值:"Median dist1"13.四分位数列表:"Quartiles dist1"14.q分位数:"Quantile dist1,q"15.方差:"Variance dist1"16.标准差:"StandardDeviation dist1"17.一、三四分位数间矩:"InterquartileRange dist1"18.偏度系数:"Skewness dist1"19.峰度系数:"Kurtosis dist1"20.四分偏度系数:"QuartileSkewness dist1"21.r阶原点矩矩:"Moment dist1,r"22.r阶中心矩:"CentralMoment dist1,r"23.r阶阶乘矩:"FactorialMoment dist1,r"24.r阶累积量:"Cumulant dist1,r"25.信息熵："Sum PDF dist1,k Log PDF dist1,k , k,1,N 1.概率密度（质量）函数:BetaRegularized 1N kN,1 n,1 n BetaRegularized kN,1 n,1 n k 1&&k N 01 BetaRegularized 1 1N,1 n,1 n k 1&&k N 0BetaRegularized 1N,1 n,1 n k 1&&k N 0 0True2.累积分布函数:BetaRegularized Floor kN,1 n,1 n 1 k N1k N0True3.生存（可靠性）函数：1k 1BetaRegularized N Floor kN,1 n,1 n 1 k N0True4.逆生存函数：ConditionalExpression Max 1,Ceiling N 1 InverseBetaRegularizedq,1 n,1 nInverseBetaRegularizedN InverseBetaRegularized 1True5.风险函数（故障率）:2[1,N]离散均匀分布样本中位数分布-描述统计.nb1 BetaRegularized k N N,1 n,1 n1 k 2&&k N 01k 2 0 k N 1 BetaRegularized k N N,1 n,1 nBetaRegularized 1 k NN,1 n,1 nBetaRegularized 1 k N N ,1 n,1 nk 2&&k N 0True6.矩母函数 MGF :MomentGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,t 7.中心矩母函数 CMGF :CentralMomentGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,t 8.累积量母函数 CGF :CumulantGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,t 9.阶乘矩母函数 FMGF :CharacteristicFunctionOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,t 10.特征函数:CharacteristicFunctionOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,t 11.均值:Mean OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n 12.中位值:ConditionalExpressionMax 1,Ceiling N InverseBetaRegularized 12,1 n,1 nInverseBetaRegularized1InverseBetaRegularized NTrue13.四分位数列表:[1,N]离散均匀分布样本中位数分布-描述统计.nb3ConditionalExpression Max 1,Ceiling N InverseBetaRegularized 14,1 n,1 nInverseBetaRegularized1InverseBetaRegularized N TrueConditionalExpression Max 1,Ceiling N InverseBetaRegularized 12,1 n,1 nInverseBetaRegularized1InverseBetaRegularized N TrueConditionalExpression Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 nInverseBetaRegularized1InverseBetaRegularized N True14.q分位数:ConditionalExpression Max 1,Ceiling N InverseBetaRegularized q,1 n,1 nInverseBetaRegularized1InverseBetaRegularized N True15.方差:Variance OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n16.标准差:StandardDeviationOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n17.一、三四分位数间矩:4[1,N]离散均匀分布样本中位数分布-描述统计.nbConditionalExpression 1 N InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized1 N InverseBetaRegularized14,1 n,1 n 0&&InverseBetaRegularized1Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularizedNMax 1,Ceiling N InverseBetaRegularized14,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized1Max 1,Ceiling N InverseBetaRegularized34,1 n,1 nInverseBetaRegularized0&&0 InverseBetaRegularize34,1 n,1 n 1NMax 1,Ceiling N InverseBetaRegularized34,1 n,1 nInverseBetaRegularized1&&0 InverseBetaRegularize34,1 n,1 n 1Max 1,Ceiling N InverseBetaRegularized14,1 n,1 nMax 1,Ceiling N InverseBetaRegularized34,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&0 InverseBetaRegularized34,1 n,1 n 10True0 InverseBetaRegularized 34,1 n,1 n 118.偏度系数:Skewness OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n19.峰度系数:Kurtosis OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n20.四分偏度系数:1 InverseBetaRegularized1&&InverseBetaRegularize14,1 n,1 n &&InverseBetaRegularized,1 n,1 n 1InverseBetaRegularized0&&InverseBetaRegularize1,1 n,1 n &&[1,N]离散均匀分布样本中位数分布-描述统计.nb54,1 n,1 n &&InverseBetaRegularized12,1 n,1 n Indeterminate InverseBetaRegularized1&&InverseBetaRegularize12,1 n,1 n &&InverseBetaRegularized,1 n,1 n 1InverseBetaRegularized0&&InverseBetaRegularize12,1 n,1 n &&InverseBetaRegularized34,1 n,1 n1 InverseBetaRegularized1&&InverseBetaRegularize12,1 n,1 n &&InverseBetaRegularized,1 n,1 n 1InverseBetaRegularized0&&InverseBetaRegularize12,1 n,1 n &&InverseBetaRegularized34,1 n,1 n ComplexInfinity InverseBetaRegularized1&&InverseBetaRegularize14,1 n,1 n &&InverseBetaRegularized,1 n,1 n 1InverseBetaRegularized0&&InverseBetaRegularize14,1 n,1 n &&InverseBetaRegularized3 4,1 n,1 n1 2N Max 1,Ceiling N InverseBetaRegularized 14,1 n,1 n 1 Max 1, Ceiling N InverseBetaRegularized1 4,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized0&&InverseBetaRegularized2 N Max 1,Ceiling N InverseBetaRegularized 1,1 n,1 n N Max 1,0 InverseBetaRegularized14,1 n,1 n 1&& InverseBetaRegularized1&&6[1,N]离散均匀分布样本中位数分布-描述统计.nbConditionalExpression4,1 n,1 n N Max 1,Ceiling N InverseBetaRegularized14,1 n,1 nInverseBetaRegularized1&&InverseBetaRegularized11 N 1 N 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 nInverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized0&&0 InverseBetaRegularize12,1 n,1 n 1 11 N 1 N 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 nInverseBetaRegularized14,1 n,1 n 0&&InverseBetaRegularized1&&0 InverseBetaRegularize12,1 n,1 n 11 Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 n 1 Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized0&&0 InverseBetaRegularize12,1 n,1 n 1N Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 n N Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&InverseBetaRegularized1&&0 InverseBetaRegularize12,1 n,1 n 11 2N Max 1,Ceiling N InverseBetaRegularized34,1 n,1 n 1 Max 1,Ceiling N InverseBetaRegularized34,1 n,1 nInverseBetaRegularized0&&0 InverseBetaRegularize34,1 n,1 n 1&&InverseBetaRegularized 2 N Max 1,Ceiling N InverseBetaRegularized34,1 n,1 n N Max 1,Ceiling N InverseBetaRegularized34,1 n,1 nInverseBetaRegularized1&&0 InverseBetaRegularize34,1 n,1 n 1&&InverseBetaRegularized 2 Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n Max 1,Ceiling N InverseBetaRegularized0 InverseBetaRegularized14,1 n,1 n 1&&0 InverseBetaRegularized3,1 n,1 n 1&&[1,N]离散均匀分布样本中位数分布-描述统计.nb7Ceiling N InverseBetaRegularized34,1 n,1 n Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 n4,1 n,1 n 1&&InverseBetaRegularized2N Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 n Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 n0 InverseBetaRegularized14,1 n,1 n 1&&0 InverseBetaRegularized 34,1 n,1 n 1&&InverseBetaRegularized1 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 n Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 n1 Max 1,Ceiling N InverseBetaRegularized34,1 n,1 nInverseBetaRegularized0&&0 InverseBetaRegularize34,1 n,1 n 1&&0 InverseBetaRegularized12,1 n,1 n 1N 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 n Max 1,Ceiling N InverseBetaRegularized 34,1 n,1 nN Max 1,CeilingN InverseBetaRegularized34,1 n,1 nInverseBetaRegularized1&&0 InverseBetaRegularize34,1 n,1 n 1&&0 InverseBetaRegularized12,1 n,1 n 1Max 1,Ceiling N InverseBetaRegularized 14,1 n,1 n 2Max 1,Ceiling N InverseBetaRegularized12,1 n,1 n Max 1,Ceiling N InverseBetaRegularized34,1 n,1 n Max 1,Ceiling N InverseBetaRegularized14,1 n,1 n Max 1,Ceiling N InverseBetaRegularized34,1 n,1 nTrue&&8 [1,N]离散均匀分布样本中位数分布-描述统计.nb0 InverseBetaRegularized 12,1 n,1 n 1&&0 InverseBetaRegularized 34,1 n,1 n 121.r 阶原点矩矩:Moment OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,r 22.r 阶中心矩:CentralMomentOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,r 23.r 阶阶乘矩:FactorialMomentOrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,r 24.r 阶累积量:Cumulant OrderDistribution DiscreteUniformDistribution 1,N ,1 2n ,1 n ,r 25.信息熵：k 1NLogBetaRegularized 1Nk N ,1 n,1 n BetaRegularized k N,1 n,1 n k 1&&k1 BetaRegularized 11N,1 n,1 n k 1&&k BetaRegularized 1N,1 n,1 n k 1&&k 0True[1,N]离散均匀分布样本中位数分布-描述统计.nb9。

概率论与数理统计考点

《概率论与数理统计》第一章随机事件与概率事件之间的关系：事件之间的运算：运算法则：交换律A ∪B=B ∪A A ∩B=B ∩A结合律(A ∪B)∪C=A ∪(B ∪C) (A ∩B)∩C=A ∩(B ∩C) 分配律(A ∪B)∩C=(AC)∪(BC) (A ∩B)∪C=(A ∪C)∩(B ∪C) 对偶律 A ∪B ‾‾ =A ‾∩B ‾ A ∩B ‾‾ =A ‾∪B ‾ 古典概型：概率公式：求逆公式 P(A ‾)=1- P(A)加法公式 P(A ∪B)=P(A)+P(B)-P(AB)P(A ∪B ∪C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC) 求差公式：P(A-B)=P(A)-P(AB); 当A ⊃B 时，有P(A-B)=P(A)-P(B)注意： A-B = A B ‾ = A-AB = (A ∪B)-B条件概率公式：P(A|B)=P(AB)P(B); (P(B)>0)P(A|B)表示事件B 发生的条件下，事件A 发生的概率。

贝叶斯公式：P(A k |B)= P(B|A k )P(A k )P(B) = P(B|A k )P(A k )∑i=1nP(B|A i )P(A i )（由果溯因）概论的性质：事件的独立性：如果事件A 与事件B 满足P(AB)=P(A)P(B)，则称事件A 与事件B 相互独立。

结论：1. 如果P(A)>0，则事件A 与B 独立⇔2. 事件A 与事件B 独立⇔事件A 与事件B ‾独立⇔事件A ‾与事件B 独立⇔事件A ‾与事件B ‾独立贝努里概型：指在相同条件下进行n 次试验；每次试验的结果有且仅有两种A 与A ‾；各次试验是相互独立；每次试验的结果发生的概率相同P(A)=p, P(A‾)=1-p 。

(1) 均匀分布

Show[fn1,fn3]
小
0.5 0.4
大 0.3 0.2 0.1
-6
几何意义数据意义
-5 -4 -3 -2 -1
大小与曲线陡峭程度成反比大小与数据分散程度成正比
正态变量的条件若 r.v. X
① 受众多相互独立的随机因素影响
② 每一因素的影响都是微小的 ③ 且这些正、负影响可以叠加
在 x = ± 时, 曲线 y = f (x) 在对应的
点处有拐点曲线 y = f (x) 以 x 轴为渐近线
曲线 y = f (x) 的图形呈单峰状
P(X ) F() 1 F() P(X )
1 2
0.3 0.25
0.2 0.15
0.1 0.05
-6 -5 -4 -3 -2 -1
x
(x) 1
x t2
e 2 d t x
2
其值有专门的表供查.
0.4 0.3 0.2 0.1
-3 -2 -1
123
(0) 0.5 (x) 1 (x)
P(| X | a) 2 (a) 1
(x) 1(x)
X

4)

4

2

2

2
2

(0)

0.3
2 0.8
P(X 0) 0.2
解二图解法
0.2 0.15
0.1 0.05
0.3 0.2
-2
2
4
6
由图
P(X 0) 0.2
例 3 原理
设 X ~ N ( , 2), 求 P(| X | 3 )

各种分布的随机数生成算法

各型分布随机数的产生算法随机序列主要用概率密度函数（PDF〃Probability Density Function）来描述。

一、均匀分布U(a,b)⎧1x∈[a,b]⎪ PDF为f(x)=⎨b−a⎪0〃其他⎩生成算法：x=a+(b−a)u〃式中u为[0,1]区间均匀分布的随机数(下同)。

二、指数分布e(β)x⎧1⎪exp(−x∈[0,∞)βPDF为f(x)=⎨β⎪0〃其他⎩生成算法：x=−βln(1−u)或x=−βln(u)。

由于(1−u)与u同为[0,1]均匀分布〃所以可用u 替换(1−u)。

下面凡涉及到(1−u)的地方均可用u替换。

三、瑞利分布R(µ)⎧xx2exp[−x≥0⎪回波振幅的PDF为f(x)=⎨µ2 2µ2⎪0〃其他⎩生成算法：x=−2µ2ln(1−u)。

四、韦布尔分布Weibull(α,β)xα⎧−αα−1⎪αβxexp[−(]x∈(0,∞)βPDF为f(x)=⎨⎪0〃其他⎩生成算法：x=β[−ln(1−u)]1/α五、高斯（正态）分布N(µ,σ2)⎧1(x−µ)2exp[−]x∈ℜ2PDF为f(x)=⎨2πσ 2σ⎪0〃其他⎩生成算法：1〄y=−2lnu1sin(2πu2)生成标准正态分布N(0,1)〃式中u1和u2是相互独立的[0,1]区间均匀分布的随机序列。

2〄x=µ+σy产生N(µ,σ2)分布随机序列。

六、对数正态分布Ln(µ,σ2)⎧1(lnx−µ)2exp[−x>0PDF为f(x)=⎨2πσx 2σ2⎪0〃其他⎩生成算法：1〄产生高斯随机序列y=N(µ,σ2)。

2〄由于y=g(x)=lnx〃所以x=g−1(y)=exp(y)。

七、斯威林（Swerling）分布7.1 SwerlingⅠ、Ⅱ型7.1.1 截面积起伏σ⎧1−exp[σ≥0⎪σ0截面积的PDF为f(σ)=⎨σ0〃【指数分布e(σ0)】⎪0〃其他⎩生成算法：σ=−σ0ln(1−u)。

均匀分布函数判断-概述说明以及解释

均匀分布函数判断-概述说明以及解释1.引言1.1 概述均匀分布函数是概率论和统计学中一个重要的概念，它在各个领域都有广泛的应用。

该函数用于描述一个随机变量在一定范围内取值的概率分布情况。

均匀分布函数具有一些特定的数学性质，研究它的定义和特点有助于我们理解概率论的基本原理和应用。

在本篇文章中，我们将探讨均匀分布函数的定义和特点，并介绍判断一个函数是否为均匀分布函数的方法。

通过理解和应用这些知识，我们可以更好地分析各种实际问题，从而做出准确的决策和预测。

文章将分为三个主要部分。

首先，在引言部分，我们将简要介绍文章的结构和目的。

然后，在正文部分，我们将详细探讨均匀分布函数的定义和特点，包括其数学表达式及其对应的概率密度函数。

我们还将介绍几种判断一个函数是否为均匀分布函数的方法，以帮助读者更好地理解和应用这一概念。

最后，在结论部分，我们将总结本文所讨论的内容，并探讨均匀分布函数判断的重要性。

通过阅读本文，我们将对均匀分布函数有一个全面的了解，并能够运用相关方法判断一个函数是否满足均匀分布的特性。

这将为我们在概率论和统计学的学习和应用中提供重要的指导，也将为我们解决实际问题提供有力的工具和思路。

让我们一起深入探究均匀分布函数，加深对其概念和应用的理解吧！1.2文章结构1.2 文章结构在本文中，将分为三个主要部分来探讨均匀分布函数的判断方法。

每个部分将详细介绍特定的内容，以帮助读者更好地理解和应用均匀分布函数的概念。

首先，引言部分将提供对整篇文章的概述，对均匀分布函数及其重要性进行简要介绍。

这将帮助读者了解文章的背景和目的。

其次，正文部分将通过以下两个小节来详细讨论均匀分布函数的定义、特点以及如何判断一个函数是否符合均匀分布的要求。

第一个小节将重点介绍均匀分布函数的定义和主要特点，包括其概率密度函数的形式、概率密度函数在定义域上的均匀性等。

第二个小节将探讨一些常用的方法和技巧，用于判断一个给定的函数是否符合均匀分布的条件。

概率论与数理统计总复习知识点归纳

D( X ) E( X 2 ) E 2 ( X ), Cov( X ,Y ) E( XY ) EXEY
XY Cov( X ,Y ) / D( X )D(Y )
⑴ E(aX+b)=aE(X)+b，D(aX+b)=a2D(X)
⑵ E(∑iλi Xi)=∑i λi E(Xi)
(3) D(λ1X±λ2Y)=λ12D(X)+λ22D(Y) ±2λ1λ2Cov(X,Y)
0.587
法二用Bayes公式：
P (C) = 0.1, P(C ) 0.9;
P (D/C) = 0.3*0.8+0.7*0.2,
P(D / C ) 0.3*0.2.
C
C
于是有
D
P(C / D)
P(C ) P(D / C )
P(C) P(D / C) P(C ) P(D / C )
i 1
i 1
i 1
例3 已知X~ f(x)，求Y= -X2的概率密度。解用分布函数法。
y<0 时，FY(y) = P(Y≤y) = P(-X2 ≤y) P(X y) P(X y)
FX ( y ) [1 FX ( y )] y≥0 时， FY(y) = P(Y≤y) =1
于是Y的概率密度为
fY ( y) fX (
y)
1 2
( y)1/ 2
fX
(
y ) 1 ( y)1/2 2
1 2
(
y)1/ 2[
fX
(
y) fX (
y )] , y 0
fY (y) 0 , y 0
例4 设二维随机变量(X,Y )的联合密度函数为：
f
( x,
y)

《概率论与数理统计》第4-7 章自测题讲评

《概率论与数理统计》第4－7章自测题讲评第四章﹑数字特征1. 设随机变量X 的密度函数f(x)= ⎩⎨⎧5x 4 0≤x ≤10 其他 , 求数学期望EX 。

【讲评】考点：连续型随机变量数学期望的定义为EX= ∫-∞+∞xf(x)dx 。

[解]：EX= ∫-∞+∞xf(x)dx = 5∫01x 5dx = 5[x 56]01= 562.设随机变量X ～N (-1，3)，Y ～N (0，5)，Cov(X ,Y )=0.4，求D (X +Y )的值。

【讲评】考点：正态分布N(μ, σ2)的数字特征，EX=μ，DX=σ2。

和的方差公式：D(X+Y)=DX+DY+2Cov(X, Y)。

[解]：D(X+Y)=DX+DY+2Cov(X, Y)= 3+5+2×0.4 = 8.83. 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)【讲评】考点：均匀分布与指数分布的数学期望，X~U[a,b] ⇒ EX=a+b 2 。

X~exp(λ) ⇒ EX=1λ 。

若X 与Y 相互独立，则 E(XY)=EXEY 。

本题：注意：X~U[1,3], Y~Exp(3) ⇒ EX=1+32 =1, EY=1/3，因为X, Y 相互独立，则 E(XY)=E(X)E(Y)=1×(1/3) =1/34. 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+λ【讲评】考点：普阿松分布X~P(λ)的数字特征：EX=λ, DX=λ 。

及DX = E(X-EX)2 = EX 2 – (EX)2 , EX 2 =DX+(EX)2本题：X~P(λ) ⇒ EX=λ, DX=λ, EX 2=λ+λ2 .所以E(X)D(X) =1，E(X 2)=λ2＋λ＝E(X)[E(X)+1]，E(X) = λ，但是 DX=1λ , E (X - λ)2 = 0, 这两个是错误等式。

[1,N]离散均匀分布样本最小值分布-描述统计

1,N 离散均匀分布样本最小值分布基于Wolfram Mathematica9,下表给出了 1,N 区间内离散均匀分布DU 1，N 样本最小值的概率密度（质量）函数、累积分布函数、累积分布函数、逆生存函数、风险函数（故障率）、矩母函数 MGF 、中心矩母函数 CMGF 、累积量母函数 CGF 、阶乘矩母函数 FMGF 、特征函数的计算和结果表达式，均值、中位值、众数、四分位数列表、q分位数、方差、标准差、一三四分位数间矩、偏度系数、峰度系数、四分偏度系数、r阶原点矩、r阶中心矩、r阶阶乘矩、r阶累积量、信息熵等描述性统计量的计算和结果表达式。

In[53]:=dist DiscreteUniformDistribution 1,N ;dist1 OrderDistribution dist,n ,1"1.概率密度（质量）函数:"PDF dist1,k"2.累积分布函数:"CDF dist1,k"3.生存（可靠性）函数："SurvivalFunction dist1,k"4.逆生存函数："InverseSurvivalFunction dist1,q"5.风险函数（故障率）:"HazardFunction dist1,k"6.矩母函数 MGF :"MomentGeneratingFunction dist1,t"7.中心矩母函数 CMGF :"CentralMomentGeneratingFunction dist1,t"8.累积量母函数 CGF :"CumulantGeneratingFunction dist1,t"9.阶乘矩母函数 FMGF :"CharacteristicFunction dist1,t"10.特征函数:"CharacteristicFunction dist1,t"11.均值:"Mean dist1"12.中位值:"Median dist1"13.四分位数列表:"Quartiles dist1"14.q分位数:"Quantile dist1,q"15.方差:"Variance dist1"16.标准差:"StandardDeviation dist1"17.一、三四分位数间矩:"InterquartileRange dist1"18.偏度系数:"Skewness dist1"19.峰度系数:"Kurtosis dist1"20.四分偏度系数:"QuartileSkewness dist1"21.r阶原点矩矩:"Moment dist1,r"22.r阶中心矩:"CentralMoment dist1,r"23.r阶阶乘矩:"FactorialMoment dist1,r"24.r阶累积量:"Cumulant dist1,r"25.信息熵："Sum PDF dist1,k Log PDF dist1,k , k,1,NOut[54]=OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[55]= 1.概率密度（质量）函数:Out[56]= 1 kN n 1 1N k N n k 1&&k N 0 N n k N 0&&k 1 0k N 0 k 1 1 N n k 1&&k N 0 1 1 1N n TrueOut[57]= 2.累积分布函数:Out[58]=1 1 Floor kN n1 k N 1k N0TrueOut[59]= 3.生存（可靠性）函数：Out[60]=1k 1 N Floor k N n1 k N 0TrueOut[61]= 4.逆生存函数：Out[62]=ConditionalExpression Max 1,Ceiling N 1 q1n 0 q1n 1N q1n 01True,0 q1n 1Out[63]= 5.风险函数（故障率）:2[1,N]离散均匀分布样本最小值分布-描述统计.nbOut[64]=1 k N Nn1 k 2&&k N 01k 2 0 k N 1 1 k N Nn11 k N Nn1k N Nnk 2&&k N 00TrueOut[65]= 6.矩母函数 MGF :Out[66]=MomentGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,t Out[67]=7.中心矩母函数 CMGF :Out[68]=CentralMomentGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,t Out[69]=8.累积量母函数 CGF :Out[70]=CumulantGeneratingFunctionOrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,t Out[71]=9.阶乘矩母函数 FMGF :Out[72]=CharacteristicFunctionOrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,t Out[73]=10.特征函数:Out[74]=CharacteristicFunctionOrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,t Out[75]=11.均值:Out[76]=Mean OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[77]=12.中位值:Out[78]=ConditionalExpressionMax 1,Ceiling 1 2 1 n N 0 1 2 1 n 111 2 1 n 0NTrue,0 2 1 n 1Out[79]=13.四分位数列表:Out[80]=ConditionalExpressionMax 1,Ceiling 1 34N 0 1 341n 111 341n 0NTrue,0341n1 ,ConditionalExpressionMax 1,Ceiling 1 2 1 n N 0 1 2 1 n 111 2 1 n 0NTrue,0 2 1 n 1 ,ConditionalExpressionMax 1,Ceiling 1 4 1 n N 0 1 4 1 n 111 4 1 n 0NTrue,0 4 1 n 1[1,N]离散均匀分布样本最小值分布-描述统计.nb3Out[81]=14.q 分位数:Out[82]=ConditionalExpressionMax 1,Ceiling N 1 1 q 1n 0 1 1 q 1n 111 1 q 1n0NTrue,0 1 q 1n 1Out[83]=15.方差:Out[84]=Variance OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[85]=16.标准差:Out[86]=StandardDeviation OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[87]=17.一、三四分位数间矩:Out[88]=ConditionalExpression1 Max 1,Ceiling N 341n N341n 1&&41n 11 Max 1,Ceiling N 4 1 nN341n1&&41n 1 Max 1,Ceiling N 341nN Max 1,Ceiling N4 1 nN341n1&&41n 10True,0341n1&&0 4 1 n 1Out[89]=18.偏度系数:Out[90]=Skewness OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[91]=19.峰度系数:Out[92]=Kurtosis OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 Out[93]=20.四分偏度系数:4 [1,N]离散均匀分布样本最小值分布-描述统计.nbOut[94]=ConditionalExpression 1 34 Indeterminate 34 ComplexInfinity 341 341 Max 1,Ceiling N 34 1n N2Max 1,Ceiling N 2 1 n N1 Max 1,Ceiling N 34 1n N342 Max 1,Ceiling N 34 1n NMax 1,Ceiling N 4 1 n NMax 1,Ceiling N 34 1n N Max 1,Ceiling N 4 1 n N342Max 1,Ceiling N 2 1 n NMax 1,Ceiling N 4 1 n N1 Max 1,Ceiling N 4 1 n N34Max 1,Ceiling N 34 1n N 2Max 1,Ceiling N 2 1 n NMax 1,Ceiling N 4 1 n NMax 1,Ceiling N 34 1n N Max 1,Ceiling N 4 1 n NTrueOut[95]=21.r阶原点矩矩:Out[96]=Moment OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,rOut[97]=22.r阶中心矩:Out[98]=CentralMoment OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,rOut[99]=23.r阶阶乘矩:Out[100]=FactorialMoment OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,rOut[101]=24.r阶累积量:Out[102]=Cumulant OrderDistribution DiscreteUniformDistribution 1,N ,n ,1 ,rOut[103]=25.信息熵：[1,N]离散均匀分布样本最小值分布-描述统计.nb5Out[104]=k 1NLog1k Nn 11Nk Nn k 1&&k N 0N n k N 0&&k 10k N 0 k 1 1 N nk 1&&k N 0 1 1 1Nn True1k Nn 11Nk Nn k 1&&k N 0N n k N 0&&k 10k N 0 k 1 1 N nk 1&&k N 0 1 11Nn True6 [1,N]离散均匀分布样本最小值分布-描述统计.nb。

概率论与数理统计(理工类-第四版)吴赣昌主编课后习题答案第六章【范本模板】

第六章参数估计6.1 点估计问题概述习题1总体X在区间[0，θ］上均匀分布，X1，X2,⋯，Xn是它的样本，则下列估计量θ是θ的一致估计是（).(A）θ=Xn；(B）θ=2Xn；(C)θ=X¯=1n∑i=1nXi;（D)θ=Max{X1,X2，⋯,Xn｝。

解答：应选（D）.由一致估计的定义，对任意ɛ>0，P(∣Max{X1，X2，⋯,Xn}—θ∣〈ɛ)=P（-ɛ+θ〈Max{X1，X2，⋯，Xn}<ɛ+θ）=F(ɛ+θ）—F(-ɛ+θ).因为FX（x)=｛0,x〈0xθ,0≤x≤θ1，x〉θ,及F（x）=FMax｛X1，X2，⋯,Xn｝（x)=FX1(x)FX2(x)⋯FXn（x）,所以F（ɛ+θ)=1，F（-ɛ+θ）=P（Max｛X1，X2,⋯,Xn}〈—ɛ+θ)=(1—xθ）n，故P(∣Max{X1,X2，⋯,Xn｝-θ∣〈ɛ）=1-(1-xθ)n→1（n→+∞).习题2设σ是总体X的标准差，X1，X2,⋯，Xn是它的样本，则样本标准差S是总体标准差σ的（)。

(A）矩估计量；(B)最大似然估计量；（C)无偏估计量; (D）相合估计量。

解答:应选（D）.因为，总体标准差σ的矩估计量和最大似然估计量都是未修正的样本标准差；样本方差是总体方差的无偏估计，但是样本标准差不是总体标准差的无偏估计.可见,样本标准差S是总体标准差σ的相合估计量.习题3设总体X的数学期望为μ，X1,X2，⋯，Xn是来自X的样本，a1,a2,⋯，an是任意常数，验证(∑i=1naiXi)/∑i=1nai（∑i=1nai≠0)是μ的无偏估计量。

解答：E（X）=μ，E（∑i=1naiXi∑i=1nai）=1∑i=1nai⋅∑i=1naiE（Xi) （E（Xi)=E(X）=μ)=μ∑i=1nai∑i=1n=μ,综上所证，可知∑i=1naiXi∑i=1nai是μ的无偏估计量。

习题4设θ是参数θ的无偏估计，且有D(θ)〉0, 试证θ2=（θ)2不是θ2的无偏估计.解答：因为D（θ）=E(θ2）-［E(θ)］2，所以E(θ2)=D（θ)+［E(θ)]2=θ2+D（θ）〉θ2，故(θ)2不是θ2的无偏估计。

第01章序列的统计量、检验和分布

1 I u 1
2
1 exp 1u2
2 2
151u2
2
I
u 1
16
351u2
3
I
u 1
32
c osuIu 1
4 2
这里u是核函数的辐角，I (.)是指示函数，辐角为真时，它取 1，否则取 0。26
(2) Bandwidth（带宽）带宽h控制密度估计的平滑程度；带宽越大，估计越平滑。带宽的选取在密度估计中非常重要，缺省设置是一种基于数据的自动带宽，
分布。
8
§1.2 均值、中位数、方差的假设检验
这部分是对序列均值、中位数、方差的假设检验。在序列对象菜单选择View/tests for descriptive stats/simple hypothesis tests，就会出现下面的序列分布检验对话框：
9
1. 均值检验
原假设是序列 x 的期望值 m ，备选假设是 ≠m ，即
超过指定值 r 的概率
F x(r)pr(x ob r)
Survivor(残存)操作用来描绘序列的经验残存函数
S x ( r ) p( r x o r ) 1 b F x ( r )
17
Quantile(分位数) 操作用来描绘序列的经验分位数。对 0 q 1, X 的分位数 x(q) 满足下式：
布相对于正态分布是平坦的；而例1.3中GDP增长率的峰度为
2.14 ，说明GDP增长率的分布相对于正态分布也是平坦的。
7
Jarque-Bera 检验检验序列是否服从正态分布。统计
量计算公式如下
JB N6 kS21 4K32
S为偏度，K为峰度，k是序列估计式中参数的个数。
在正态分布的原假设下，J-B统计量是自由度为2的 2 分

均匀分布概念

数学概念
设连续型随机变量X的分布函数为
F(x)=(x-a)/(b-a),a≤x≤b
则称随机变量X服从[a,b]上的均匀分布,记为X~U[a,b].
若[x1,x2]是[a,b]的任一子区间,则
P{x1≤x≤x2}=(x2-x1)/(b-a)
这表明X落在[a,b]的子区间内的概率只与子区间长度有关,而与子区间位置无关,因此X落在[a,b]的长度相等的子区间内的可能性是相等的,所谓的均匀指的就是这种等可能性.
在实际问题中,当我们无法区分在区间[a,b]内取值的随机变量X取不同值的可能性有何不同时,我们就可以假定X服从[a,b]上的均匀分布.
生物学概念
均匀分布或称规则分布。

植物种群的个体是等距分布，或个体之间保持一定的均匀的间距。

均匀分布在自然情况下极为罕见，而人工栽培的有一定株行距的植物群落即是均匀分布。

数理统计9：完备统计量，指数族，充分完备统计量法，CR不等式

数理统计9：完备统计量，指数族，充分完备统计量法，CR不等式昨天我们给出了统计量是UMVUE的⼀个必要条件：它是充分统计量的函数，且是⽆偏估计，但这并⾮充分条件。

如果说⼀个统计量的⽆偏估计函数⼀定是UMVUE，那么它还应当具有完备性的条件，这就是我们今天将探讨的内容。

由于本系列为我独⾃完成的，缺少审阅，如果有任何错误，欢迎在评论区中指出，谢谢！⽬录Part 1：完备统计量完备统计量跟充分统计量从名字上看是相对应的，但是完备统计量的意义不像充分统计量那么明确——充分统计量代表能“完全包含”待估参数信息的统计量，⽽完备统计量则是使得不同的参数值对应不同的统计量分布。

具体说来，完备统计量的定义是这样的：设总体分布族的密度函数为\(f(x;\theta)\)，这⾥\(\theta\in \Theta\)是待估参数，称\(\Theta\)为参数空间（其实我们之前接触过但没有专门提过参数空间的概念）。

设\(T=T(\boldsymbol{X})\)为⼀统计量，若对任何可测函数\(\varphi(\cdot)\)具有以下的条件：\[\mathbb{E}[\varphi(T(\boldsymbol{X}))]=0\Rightarrow \mathbb{P}(\varphi(T(\boldsymbol{X}))=0)=1,\quad \forall\theta\in\Theta, \]就称\(T(\boldsymbol{X})\)是完备统计量。

如果放宽条件，当\(\varphi(\cdot)\)是有界函数时上式成⽴，则称此统计量是有界完备统计量。

显然，有界完备统计量必是完备统计量。

从线性代数的⾓度来看，可以把函数空间视为⼀个⽆限维向量空间，那么取期望就可以视为该向量空间上的⼀个映射，容易验证此映射具有线性映射的性质：\[\mathbb{E}[f(T(\boldsymbol{X}))+g(T(\boldsymbol{X}))]=\mathbb{E}[f(T(\boldsymbol{X}))]+\mathbb{E}[g(T(\boldsymbol{X}))],\\ \mathbb{E}[\lambdaf(T(\boldsymbol{X}))]=\lambda\mathbb{E}[f(T(\boldsymbol{X}))], \]完备性就要求\(T(\boldsymbol{X})\)的选择，会使得期望映射成为⼀个单射（可以回顾单射的条件是\(\mathrm{null}\mathbb{E}=\{0\}\)，可参考此），也就意味着每⼀个期望值都对应唯⼀的可测函数\(\varphi(\cdot)\)。