概率论与数理统计课件(第4章)

合集下载

概率论与数理统计教程(茆诗松)第4章

解：用 Xi=1表示第i个部件正常工作, 反之记为Xi=0. 又记Y=X1+X2+…+X100，则 E(Y)=90，Var(Y)=9.
由此得：
P{Y
85}
ห้องสมุดไป่ตู้
1
85
0.5 9
90
0.966.
13 July 2020
华东师范大学
第四章大数定律与中心极限定理
第10页
二、给定 n 和概率，求 y
例4.4.4 有200台独立工作(工作的概率为0.7)的机床，
第6页
4.4.3 二项分布的正态近似
定理4.4.2 棣莫弗—拉普拉斯中心极限定理
设n 为服从二项分布 b(n, p) 的随机变量，则当 n
充分大时，有
lim
n
P
n
np npq
y
( y)
是林德贝格—勒维中心极限定理的特例.
13 July 2020
华东师范大学
第四章大数定律与中心极限定理
第7页
13 July 2020
华东师范大学
第四章大数定律与中心极限定理
第5页
例4.4.2 设 X 为一次射击中命中的环数，其分布列为
X 10 9 8 7
6
P 0.8 0.1 0.05 0.02 0.03
求100次射击中命中环数在900环到930环之间的概率.
解: 设 Xi 为第 i 次射击命中的环数，则Xi 独立同分布，
且 E(Xi) =9.62，Var(Xi) =0.82，故
P
900
100 i 1
Xi
930
930 100 9.62 100 0.82
900 100 9.62 100 0.82

北京理工大学《概率论与数理统计》课件-第4章随机变量的数字特征

北京理工大学《概率论与数理统计》分布函数能够完整地描述随机变量的统计特性，但在某些实际问题中，不需要全面考查随机变量的变化，只需知道它的随机变量的某些数字特征也就够了.评定某企业的经营能力时，只要知道该企业例如：年平均赢利水平研究水稻品种优劣时，我们关心的是稻穗的平均粒数及平均重量考察一射手的水平，既要看他的平均环数是否高，还要看他弹着点的范围是否小，即数据的波动是否小.由上面的例子看到，平均盈利水平、平均粒数、平均环数、数据的波动大小等，都是与随机变量有关的某个数值，能清晰地描述随机变量在某些方面的重要特征，这些数字特征在理论和实践上都具有重要意义.另一方面，对于一些常用的重要分布，如二项分布、泊松分布、指数分布、正态分布等，其中的参数恰好就是某些数字特征，因此，只要知道了这些数字特征，就能完全确定其具体的分布.第四章随机变量的数字特征4.1随机变量的平均取值——数学期望4.2随机变量取值平均偏离平均值的情况——方差4.3 描述两个随机变量之间的某种关系的数——协方差与相关系数4.1 数学期望一离散型随机变量的数学期望二连续型随机变量的数学期望三常见分布的数学期望四随机变量函数的数学期望五数学期望的性质六、数学期望的应用一离散型随机变量的数学期望引例射击问题设某射击手在同样的条件下,瞄准靶子相继射击90次,(命中的环数是一个随机变量).射中次数记录如下命中环数Y0 1 2 3 4 5命中次数n k 2 13 15 10 20 30频率n k/n2/90 13/90 15/90 10/90 20/90 30/90试问:该射手每次射击平均命中靶多少环?解：平均命中环数这是以频率为权的加权平均命中环数Y0 1 2 3 4 5命中次数n k2 13 15 10 20 30频率n k /n 2/90 13/90 15/90 10/90 20/90 30/900211321531042053090×+×+×+×+×+×=21315102030012345909090909090=×+×+×+×+×+×50k k n k n =⋅∑ 3.37.==射中靶的总环数射击次数平均射中环数频率随机波动随机波动“平均射中环数”的稳定值?=由频率的稳定性知：当n 很大时：频率n k /n 稳定于概率p k 稳定于50k k n k n =⋅∑50k k k p =⋅∑50k k n k n =⋅∑“平均射中环数”等于射中环数的可能值与其概率之积的累加定义1 设X 是离散型随机变量，它的概率分布是:P {X =x k }=p k , k =1,2,…如果绝对收敛,则称它为X 的数学期望或均值.记为E (X ), 即如果发散，则称X 的数学期望不存在.1k k k x p ∞=∑1()k k k E X x p ∞==∑1||k k k x p∞=∑注意：随机变量的数学期望的本质就是加权平均数，它是一个数，不再是随机变量.注1：随机变量X 的数学期望完全是由它的概率分布确定的，而不应受X 的可能取值的排列次序的影响，因此要求绝对收敛1k k k xp ∞=<+∞∑11111(1)1ln 2234212n n−+−++−→− 1111111(2)1ln 22436852−−+−−+→注2.E (X )是一个实数，而非随机变量，它是一种以概率为权的加权平均，与一般的算术平均值不同，它从本质上体现了随机变量X 取可能值的真正的平均值，也称均值.当随机变量X 取各个可能值是等概率分布时，X 的期望值与算术平均值相等.假设X 1P80 85 90 1/4 1/4 1/21()800.25850.25+900.586.25E X =×+××=X 2P80 85 901/3 1/3 1/32()85.E X =注3.数学期望E(X)完全由随机变量X的概率分布确定，若X服从某一分布，也称E(X)是这一分布的数学期望.乙射手甲射手例1.甲、乙两个射击手，他们射击的分布律如下表所示，问：甲和乙谁的技术更好?击中环数8 9 10概率0.3 0.1 0.6击中环数8 9 10概率0.2 0.5 0.3单从分布列看不出好坏，解：设甲，乙两个射击手击中的环数分别为X 1，X 2E (X 1)=8×0.3+9×0.1+10×0.6=9.3（环）E (X 2)=8×0.2+9×0.5+10×0.3=9.1（环）例2.1654年职业赌徒德.梅尔向法国数学家帕斯卡提出一个使他苦恼很久的分赌本问题：甲、乙两赌徒赌技相同，各出赌注50法郎，每局中无平局.他们约定，谁先赢三局，则得到全部100法郎的赌本.当甲赢了2局，乙赢了1局时，因故要中止赌博.现问这100法郎如何分才算公平？解：假如比赛继续进行下去，直到结束为止. 则需要2局.这时，可能的结果为：甲甲，甲乙，乙甲，乙乙即：甲赢得赌局的概率为3/4，而乙赢的概率为1/4.设：X、Y分别表示甲和乙得到的赌金数. 则分布律分别为：X0 100 P1/4 3/4Y0 100 P3/4 1/4这时，可能的结果为：甲甲，甲乙，乙甲，乙乙即：甲赢得赌局的概率为3/4，而乙赢的概率为1/4.E(X)=0×1/4+100×3/4=75E(Y)=0×3/4+100×1/4=25即甲、乙应该按照3：1的比例分配全部的赌本.例3.确定投资决策方向?某人有10万元现金,想投资于某项目,预估成功的机会为30%,可得利润8万元,失败的机会为70%,将损失2万元.若存入银行,同期间的利率为5%,问是否做此项投资?解：设X 为此项投资的利润，则存入银行的利息：故应该选择该项投资.(注：投资有风险，投资须谨慎)X 8 −2P0.3 0.7此项投资的平均利润为：E (X )=8×0.3+(−2)×0.7=1(万元)10×0.05=0.5(万元)设X 是连续型随机变量，密度函数为f (x ).问题：如何寻找一个体现随机变量平均值的量.将X 离散化.二、连续型随机变量的数学期望在数轴上取等分点：…x −2<x −1<x 0<x 1<x 2<…x k +1−x k =∆x ，k =0,±1,….，并设x k 都是f (x )的连续点.则小区间[x i ,x i+1)阴影面积近似为f (x i )∆x i1()i x x f x dx+=∫()i f x x≈∆P {x i <X ≤x i +1}定义一个离散型随机变量X *如下：其数学期望存在，且绝对收敛时，P {X *=x i }=P {x i ≤X <x i +1} ≈f (x i )∆x对于X *，当当分点越来越密，即∆x →0时，可以认为X *=x i 当且仅当x i ≤X <x i +1(*)i i ix P X x =∑(*){*}i i iE X x P X x ==∑()i i ix f x x ≈∆∑0=lim ()i i x ix f x x ∆→∆∑则其分布律为E (X *) →E (X ) *0=lim x EX EX ∆→即有：+()xf x dx∞−∞=∫定义2：设X 是连续型随机变量，其密度函数为f (x )，如果绝对收敛，则称的值为X 的数学期望，如果积分发散，则称随机变量X 的数学期望不存在.+()xf x dx ∞−∞∫+||()x f x dx∞−∞∫即+()()E X xf x dx∞−∞=∫+()xf x dx ∞−∞∫记为E (X ).注意：随机变量的数学期望的本质就是加权平均数，它是一个数，不再是随机变量.三、常见分布的数学期望1.0−1分布设随机变量X服从参数为p的0−1分布，求EX.解：X的分布律为X0 1P1−p p则：E(X)=0×P{X=0}+1×P{X=1}=P{X=1}=p概率是数学期望的特例(第五章)2.二项分布X 的分布律为P {X =k }=C n k p k (1−p )n−k ,k =0,1,…,n .解：设随机变量X ~b (n ,p )，求EX .0{}nk EX kP X k ==∑0(1)n k k n k n k kC p p −=−∑1!(1)!()!n k n kk n k p p k n k −=−−∑1(1)(1)1(1)!(1)(1)!()!nk n k k n np p p k n k −−−−=−−−−∑11(1)1(1)n l k l ln ln l np Cp p −=−−−−=−∑1[(1)]n np p p −=+−np=抛掷一枚均匀硬币100次，能期望得到多少次正面3.泊松分布则解：X 的分布律为设随机变量X ~π(λ)，求EX .{},0,1,2,!kP X k e k k λλ−=== 00(){}!k k k e E X kP X k k k λλ−∞∞=====∑∑11(1)!k k ek λλλ−∞−==−∑1!ii k i e i λλλ∞=−−=∑=e e λλλλ−=1!k k e k k λλ−∞==∑泊松分布的参数是λ4.几何分布解：X 的分布律为P {X =k }=q k −1p ,k =1,2,….p+q =1设随机变量X 服从参数为p 的几何分布，求EX .111(){}k k k E X kP Xk k pq∞∞−=====⋅∑∑11k k p k q∞−=⋅∑1=()kk p q ∞=′∑1=()k k p q ∞=′∑()1q p q′=−211(1)p q p=−重复掷一颗骰子平均掷多少次才能第一次出现6点设X ~U (a , b )，求E (X ).解：X 的概率密度为：X 的数学期望为：数学期望位于区间(a ,b )的中点.5.均匀分布1()0a xb f x b a<<=− 其它()()2bax a b E X xf x dx dx b a +∞−∞+===−∫∫设X 服从指数分布，求E (X ).分部积分法6.指数分布当概率密度表示为：对应的数学期望为θ.,0()0,x e x f x x λλ− >=≤ 0xxedx λλ+∞−=∫()()E X xf x dx +∞−∞=∫1λ=1,0()0,0xe xf x x θθ− > = ≤解：X 的概率密度为：设X ~N (μ,σ2)，求E (X ).解：X 的概率密度为被积函数为奇函数，故此项积分为0.7.正态分布22()21()2x f x eµσπσ−−=()()E X xf x dx +∞−∞=∫22()212x xedxµσπσ−+∞−−∞=∫221()2x t t t edtµσσµπ−=+∞−−∞+∫ 2222122t t tedt edt σµππ+∞+∞−−−∞−∞+∫∫µ=N (0,1)的密度函数积分为1.注意：不是所有的随机变量都有数学期望例如：Cauchy 分布的密度函数为但发散故其数学期望不存在.21(),(1)f x x x π=−∞<<+∞+2||||()(1)x x f x dx dx x π+∞+∞−∞−∞=+∫∫四随机变量函数的数学期望设已知随机变量X的分布，我们需要计算的不是X的期望，而是X的某个函数的期望，比如说g(X)的期望. 那么应该如何计算呢？一种方法是，因为g(X)也是随机变量，故应有概率分布，它的分布可以由已知的X的分布求出来. 一旦我们知道了g(X)的分布，就可以按照期望的定义把E[g(X)]计算出来.例4.某商店对某种家用电器的销售采用先使用后付款的方式，记该种电器的使用寿命为X (以年计)，规定：X ≤1,一台付款1500元；1<X ≤2，一台付款2000元2<X ≤3，一台付款2500元；X >3，一台付款3000元设X 服从指数分布，且平均寿命为10年，求该商店一台电器的平均收费.解：设该商店一台电器的收费为Y .要求E (Y )X 的分布函数为：1101,()0,0x e x F x x − −>=≤设该商店一台电器的收费为YX ≤1，一台付款1500元1 <X ≤2，一台付款2000元2 <X ≤3，一台付款2500元X >3，一台付款3000元1101,0()0,0x ex F x x − −>=≤P {Y =1500}=P {X ≤1}=F (1)=1−e −0.1=0.0952P {Y =2000}=P {1<X ≤2}=F (2)−F (1)=0.0861P {Y =2500}=P {2<X ≤3}=F (3)−F (2)=0.0779P {Y =3000}=P {X >3}=1−F (3)=0.7408设X 服从指数分布，且平均寿命为10年.Y 的分布律为所以该商店一台电器的平均收费，即Y 的数学期望为Y 1500 2000 2500 3000P0.0952 0.0861 0.0779 0.7408()15000.095220000.086125000.0779 30000.74082732.15E Y =×+×+×+×=使用上述方法必须先求出g(X)的分布，有时这一步骤是比较复杂的.那么是否可以不先求g(X)的分布，而只根据X的分布求E[g(X)]呢？例5.设离散型随机变量X 的概率分布如下表所示,求:Z=X 2的期望.X−11P214141E (Z )= g (0)×0.5+g (-1)×0.25+g (1)×0.25解:=0.5注:这里的.)(2x x g =(1)当X 为离散型随机变量时，分布律为P {X = x k }=p k ，k =1,2,⋯(2)当X 为连续型随机变量时，概率密度函数为f (x ).定理：设Y 是随机变量X 的函数，Y =g (X )(g 是连续函数)若级数绝对收敛，则有若积分绝对收敛，则有1()[()]()kkk E Y E g X g x p∞===∑()[()]()()E Y E g X g x f x dx+∞==∫1()k k k g x p ∞=∑()()g x f x dx+∞−∞∫该公式的重要性在于：当求E [g (X )]时，不必知道g (X )的分布，而只需知道X 的分布就可以了，这给求随机变量函数的期望带来很大方便.k k k g x p X E Y E g X g x f x dx X 1(),()[()]()(),∞=+∞−∞== ∑∫离散型连续型例6.设随机变量X~b(n, p)，Y=e aX，求E(Y).解：因为X的分布律为所以有{}(1), 0,1,...,k k n knP X k C p p k n−==−= ()E Y=(1)nak k k n knke C p p−=−∑()(1)nk a k n knkC e p p−=−∑[(1)]a npe p=+−={}nakke P X k==∑例7.设X ~U [0,π]，Y=sinX ，求E (Y ).解：因为X 的概率密度为所以有1,0()0,x f x ππ≤≤ =其他()sin ()E Y xf x dx +∞−∞=∫01sin x dx ππ⋅∫2π=定理：设Z 是随机变量X 和Y 的函数，Z =g (X,Y )(g 是连续函数),Z 是一维随机变量(1)若(X,Y )是二维离散型随机变量，概率分布为(2)若(X,Y )是二维连续型随机变量，概率密度为f (x, y )，则有这里假定上两式右边的积分或级数都绝对收敛11()[(,)](,)ijijj i E Z E g X Y g x y p∞∞====∑∑()[(,)](,)(,)E Z E g X Y g x y f x y dxdy+∞+∞−∞−∞==∫∫{,},,1,2,i j ij P X x Y y p i j ====则有几个常用的公式()[(,)](,)(,)E Z E g X Y g x y f x y dxdy+∞+∞−∞−∞==∫∫(,)EX xf x y dxdy+∞+∞−∞−∞=∫∫(,)EY yf x y dxdy+∞+∞−∞−∞=∫∫22()(,)E Y y f x y dxdy+∞+∞−∞−∞=∫∫22()(,)E X x f x y dxdy+∞+∞−∞−∞=∫∫()(,)E XY xyf x y dxdy+∞+∞−∞−∞=∫∫例8.设二维随机变量(X ,Y )的密度函数为求E (X ),E (Y ),E (X +Y ),E (XY ).解：21(13),02,01,(,)40,x y x y f x y +<<<< =其它()(,)E X xf x y dxdy+∞+∞−∞−∞=∫∫212001(13)4x xdx y dy =⋅+∫∫43=()(,)E Y yf x y dxdy+∞+∞−∞−∞=∫∫212001(13)4xdx y y dy +∫∫58=数学期望的性质注意：X ,Y 相互独立()()(,)E X Y x y f x y dxdy+∞+∞−∞−∞+=+∫∫(,)(,)xf x y dxdy yf x y dxdy+∞+∞+∞+∞−∞−∞−∞−∞+∫∫∫∫()()E X E Y +45473824=+=()(,)E XY xyf x y dxdy +∞+∞−∞−∞=∫∫2120011(13)22x xdx y y dy=⋅⋅+∫∫455386=⋅=()()E X E Y ⋅设X =(X 1,…, X n )为离散型随机向量，概率分布为≥ 1nnj j j j n P X =x ,,x =p ,j ,,j .11{()}1Z = g (X 1,…, X n ),若级数绝对收敛，则.<∞∑ nnnj j j j j j g x ,,x p 111()=∑ nnnn j j j jj j E Z =E g X ,,X g x ,,x p 1111()(())()设X =(X 1,…, X n )为连续型随机向量，联合密度函数为 n f x x 1(,,)Z = g (X 1,…, X n ),若积分绝对收敛，则+∞+∞−∞−∞∫∫n n ng x x f x x x x 111(,,)(,,)d d n E Z E g X X 1()=((,,))+∞+∞−∞−∞=∫∫n n ng x x f x x x x 111(,,)(,,)d d五数学期望的性质1.设C 是常数，则E (C )=C 4.设X 、Y 相互独立，则E (XY )=E (X )E (Y );2.若k 是常数，则E (kX )=kE (X )3.E (X +Y )=E (X )+E (Y )注意:由E (XY )=E (X )E (Y )不一定能推出X ,Y 独立推广(诸X i 相互独立时)推广11[]()nni i i i i i E C X C E X ===∑∑11[]()n ni i i i E X E X ===∏∏性质4 的逆命题不成立，即若E (X Y ) = E (X )E (Y )，X ,Y 不一定相互独立.反例XY p ij -1 0 1-10181818181818181810p • j838382p i•838382X Y P-1 0 1828284EX EY ==0;E XY ()=0;=E XY EX EY ()但P X Y 1{=-1,=-1}=8≠=P X P Y 23{=-1}{=-1}8××=30+2103-3+5=92X XY Y X XY Y E(3+2-+5)=3E()+2E()-E()+E(5)性质2和3×××EX EY =310+2-3+5性质4例9.设X ～N (10,4)，Y ～U [1,5]，且X 与Y 相互独立，求E (3X ＋2XY －Y ＋5).解：由已知，有E (X )＝10, E (Y )＝3.例10: 设X 1 , X 2…,X n 相互独立且都服从B (1, p ),求Z = X 1 + X 2+…+X n 的数学期望E (Z ).解:注: 由二项分布的可加性易知Z = X 1 + X 2+…+X n ～B (n, p ).EZ = E (X 1 + X 2+…+X n )= E (X 1 ) +E ( X 2)+…+E (X n )= p +p +…+p =n p求二项分布的数学期望的又一种方法.例11.（超几何分布的数学期望）设一批同类型的产品共有N 件，其中次品有M 件.今从中任取n (假定n ≤N −M )件，记这n 件中所含的次品数为X ，求E (X ).则有所以解: 引入X ＝X 1+X 2+…+X n且易知抽签模型，概率与试验次数无关例10和例11：将X 分解成数个随机变量之和，然后利用随机变量和的期望等于期望的和这一性质，此方法具有一定的意义.1,,1,2,,0,i i X i n i ==第件是次品第件不是次品iMP X N{1}==1()ni i EX E X ==∑ni i P X 1{1}==∑1ni M N ==∑nM N =为普查某种疾病，N 个人需验血.有如下两种验血方案：（1）分别化验每个人的血，共需化验N 次；（2）分组化验.每k 个人分为1组，k 个人的血混在一起化验，若结果为阴性，则只需化验一次；若为阳性，则对k 个人的血逐个化验，找出有病者，此时k 个人的血需化验k+1次.设每个人血液化验呈阳性的概率为p ，且每个人化验结果是相互独立的.试说明选择哪一方案较经济.验血方案的选择例13.六、数学期望的应用解：只需计算方案(2)所需化验次数X 的期望.。

《概率论与数理统计》全套课件PPT(完整版)

哈工大著名老师田波平课件4——概率论与数理统计-刘星斯维提整理

F ( x, y) = P ( X ≤ x,Y ≤ y)
称为二维rv,(X,Y)的分布函数,或称为X和Y的联合分布函数. 二维rv(X,Y)的分布函数F(X,Y)几何解释:
6
(X,Y)——随机点之坐标,
x, y ∈ R ,F(x,y)——表示随机点 (X,Y)落在以点(x,y)为顶点的左下
F ( x, y ) = ∫∞ ∫∞ P(u , v )dudv
x y
则称(X,Y)为二维连续型rv,并称P(x,y) 为二维rv(X,Y)的pdf或称为X和Y的联合pdf.
33
物理解释:设pdf(x,y)为质量面密度,则 F(x,y)相对于以P(x,y)为质量密度分布在 (∞, x] × (∞, y ] 中物质总质量. 由定义知,若 P( x, y )在点(x0,y0)处连续, 则有: 2 F (x , y ) ( x 0 , y 0 ) = P (x 0 , y 0 ) xy
… … …
…
…
Pi … 1
17
Pj P1 P2 … Pj
…
…
Definiton2 设(X,Y)为二维离散型rv,所有可能取值为(xi,yj)
P = P(X = xi ,Y = y j ) ij
i,j=1,2… 令 (I) i, j =1,2,
则称(I)为rv(X,Y)的分布列,或称为X与Y的联合分布列. 二维离散型rv分布列具有: (1) (2)
i =1
1
r
表示Ai出现次数,它们都是E0产生的rv;
例 2. X = ( X 1 , X n ) 表示对某物理量的用 n 次随机测量的结果,则( X 1 , X n ) 是同一 E 产生的 n 个 rv. 例3.掷一对均匀称骰子一次E,X,Y分

概率论和数理统计(第三学期)第4章随机向量

φξ(x)、φη(y)分别是(ξ,η)的联合分布密度及边缘分布密度，则ξ、η相互独立的充要条件是：对任意点(x,y)，有
φ(x,y)=φξ(x) ·φη(y)
证明
x, y x• y
Fx, y x y u,vdudv
x
y
u
v
dudv
x
u
du
y
v
dv
F x• F y
i 1
例１一袋中有五件产品，其中两件次品，三件正
品，从袋中任意依次取出两件，分别采用有放回与不放回两种方式进行抽样检查，规定随机变量
＝１0,,
第１次取出次品第１次取出正品
＝１0,,
第２次取出次品第２次取出正品
则(ξ,η)的联合分布律如下（并可求得边缘分布律）：
表１有放回抽样的分布律
pij η
或η的概率分布称为它的边缘分布。
定义2：随机向量(ξ,η)分量ξ、η的分布函数称为(ξ,η)
关于ξ、η的边缘分布函数。
设(ξ,η)的分布函数为F(x,y) ，则(ξ,η)关于ξ的边缘分布函数为
F x P x P{ x, } Fx,
同F理y F , y
由上述可知，Fξ(x)、Fη(y)由F(x,y)唯一确定，但其逆并不一定成立。
（４）对任意两点(x1，y1) 、(x2，y2) ，若x1≤x2， y1≤y2，则 F(x2，y2)－ F(x2，y1) － F(x1，y2)＋ F(x1，y1) ≥0
§4.2 二维离散型随机向量
定义若随机向量(ξ,η) 所有可能取值是有限对或
可列多对(xi，yj)(i，j=1,2, …)，则称(ξ,η)是二维离散型随机变量；
我们可以证明：

海南大学《概率论与数理统计》课件第四章随机变量及其分布

例如：X 0 取出的n个产品中没有次品；
X 3 取出的n个产品中至多有3个次品；
X 3 取出的n个产品中有超过3个的次品.
8
关于随机变量的补充说明
• 引入随机变量之后, 可以更方便地表示事件。 • 随机变量的确定不仅与样本空间有关, 也与试验
的研究目的有关。 • 随机变量满足函数的单值对应关系。 • 随机变量不仅有取值的不同, 取到这些值的概率
②正则性： p( xi ) 1 . i 1
这两条性质也是随机变量分布列的充要条件。
由概率的意义和随机变量的完备性容易证明。
25
二、离散型随机变量的分布函数
由分布列可以写出其分布函数 F ( x) P( xi ) xi x
它的图形是有限（或无穷）级数的阶梯函数〔右连续〕
F(x)
1
0
x
26
27
X的分布列为
X1 2 3 P 0.6 0.3 0.1
X的分布函数为
0, x 1; 0.6, 1 x 2; F ( x) 0.9, 2 x 3; 1 , x 3.
注意：由分布列求分布函数是概率累加的过程.
并且，总有：当x xmin时，F ( x) 0; 当x xmax时，F ( x) 1.
解 (1) 根据分布函数的性质可知
F() 1, F() 0
依题意可得
18
F() A π B 1 2
F() A π B 0 2
联立上面两个方程可以解得 A 1,B 1 2π
(2) 随机变量 X 落在(-1,1)内的概率可以表示为
P{1 X 1} F (1 0) F (1)
P{a X b} F(b 0) F(a 0);
P{a X b} F(b 0) F(a).

海南大学《概率论与数理统计》课件-第一二三四章

x2 f ( x)d x;
x1
(4) 若 f ( x) 在点 x 处连续,则有 F( x) f ( x).
注意对于任意可能值 a ,连续型随机变量取 a 的概率等于零.即
P{ X a} 0.
10、均匀分布定义设连续型随机变量X 具有概率密度
例如某无f些线( x元电) 件元或件0b,设的1 a备寿, 的命其a寿,电它命x,力服设从b,备指的数寿分命布,. 则称动物X 的在寿区命间等(a都,b)服区从间指上数服分从布均. 匀分布, 记为 X ~ U(a,b).
代表事件 A 在试验中发生的概率，它与试验总
数
n 有关。若
lim
n
npn
0
则
lim
n
Cnk
pnk
1 pn
nk
k
k！e
8、连续型随机变量及其概率密度
设X为随机变量，F ( x)为X 的分布函数,若存在非负函数f ( x),使对于任意实数x 有
x
F ( x) f (t)d t,
第一章随机事件及其概率
1 了解样本空间的概念，理解随机事件的概念，重点掌握随机事件的关系和运算。 2 理解概率和条件概率的概念，掌握概率的基本性质，能利用古典概型和几何概型计算一些事件的概率。 3 掌握概率的加法公式、条件概率公式、乘法公式、全概率公式和贝叶斯公式计算过事件的概率的方法 4 理解事件独立性的概念，会利用事件独立性进行事件概率计算。 5 理解独立重复试验的概率，掌握利用伯努利概型计算过事件概率的方法。
(3) F () lim F ( x) 0, F () lim F( x) 1;
x
x

概率论与数理统计(茆诗松)第四章讲义

⎡ T eit ( X − x1 ) − eit ( X − x2 ) ⎤ e − itx1 − e − itx2 ( ) ϕ t dt E dt ⎥ = ⎢ ∫−T ∫−T it it ⎦ ⎣
T
⎡ T cos t ( X − x1 ) + i sin t ( X − x1 ) − cos t ( X − x2 ) − i sin t ( X − x2 ) ⎤ dt ⎥ = E ⎢∫ it ⎦ ⎣ −T cos t ( X − x1 ) − cos t ( X − x2 ) ⎤ ⎡ T sin t ( X − x1 ) − sin t ( X − x2 ) dt ⎥ = E ⎢∫ −i −T t t ⎦ ⎣ ⎡ T sin t ( X − x1 ) − sin t ( X − x2 ) ⎤ dt ⎥ ， = E ⎢2∫ t ⎦ ⎣ 0
itx 0
+∞
−λ x
dx = ∫ λ e
0
+∞
−( λ −it ) x
e −( λ −it ) x λ ； dx = λ ⋅ = − (λ − it ) 0 λ − it
x2
+∞
1 −2 （6）标准正态分布 N (0, 1)：密度函数 p ( x) = e , − ∞ < x < +∞ ，特征函数为 2π
1 1 e itx dx = ⋅ ϕ (t ) = ∫ e ⋅ a b−a b − a it
b itx b
=
a
e ibt − e iat ； it (b − a )
⎧λ e − λx , （5）指数分布 Exp(λ)：密度函数 p ( x) = ⎨ ⎩0,
x > 0; x ≤ 0.

《概率论》第4章§4.1大数定律

n
P X n X 的直观含义: 随着 n 的增大,绝对误差
n
| X n X |较大的可能性越来越小.
n
nA P 1 抛硬币试验的频率稳定性 X n n 2 nA
1
1 2
1 /2 1 2
n
下午7时10分36秒
O
k
5
常用的几个大数定律
大数定律一般形式：
n k 1
马尔可大数定律
定理4.3
若随机变量序列{Xn}满足：
1 Var n X 0 (马尔可夫条件) i 2 i 1 n
则 {Xn}服从大数定律.
下午7时10分36秒
8
注意点
(1) 伯努利大数定律是切比雪夫大数定律的特例.
(2) 切比雪夫大数定律是马尔可夫大数定律的特例.
lim 怎样定义极限 n X n p
“频率稳定性”的严格数学描述是什么
下午7时10分36秒 3
“抛硬币”试验将一枚硬币连续抛 n 次 ,记 A { 正面朝上 } nA n 次试验中 A 发生的次数则 A 发生的频率为 n Xn A 蒲丰（1707-1788） n (n 1, 2, ) 法国数学家、自然哲学家 { X n}1是随机变量列 n n nA n 实验者 { X n X n ( ) }n 1是定义在样本空间上的函数列 4048 2048 0.5069 蒲丰 2048 德 · 1 1 2 3 3 3 3 4 4 51061 7 7 7 0.5181 2021 摩根 n 6 6 X n : 1f ( x), f n ( x) 6 n78 2, 10 ) 在区间 15a16 ) 上有定义, 设函数 1 2 3 4 5 ( 1, 9 11 12 13 14 ( , b ...... 4048 12000 6019 0.5016 皮尔逊反面朝上 f n (正面朝上 f ( x) 是指: x (a, b) 有 x)收敛于 24000 0.5005 皮尔逊 lim f n ( x) f12012 逐点收敛 ( x) 不太现实, n 罗曼诺夫斯基 80640 39699 0.4923 对于随机变量列,是否有要求太严! X n 0.5n ( ) p )( ) lim X (n 4 下午7时10分36秒

北京理工大学《概率论与数理统计》课件-第4章

解：X 的分布函数为依题意，当x <0时，当0≤x ≤2时，当x >2时，F (x )=P (X ≤x )F (x )=P (X ≤x )=0F (x )=P (X ≤x )=P (X <0)+P (0≤X ≤x )=0+kx 2=kx 2F (x )=P (X ≤x )=1例1.一个靶子是半径为2米的圆盘，设击中靶上任一同心圆盘上的点的概率与该盘的面积成正比，并设射击都能中靶.以X 表示弹着点与圆心的距离，试求随机变量X 的分布函数.当0≤x ≤2时，F (x )=P (X ≤x )=kx 2另外依题意F (2)=P (X ≤2)=k.22=1所以k 14=x x F x x x 20,0(),0241,2<⎧⎪⎪=≤≤⎨⎪>⎪⎩10.80.60.40.2-0.2-2-101234解得说明，存在一个非负可积函数f (x )，使得下式成立易知x x F x x x 20,0(),0241,2<⎧⎪⎪=≤≤⎨⎪>⎪⎩x x F x f x ,02()()20⎧≤≤⎪'==⎨⎪⎩其他()()xF x f t dt-∞=⎰1.定义：设随机变量X 的分布函数为F (x )，如果存在一个非负可积函数f (x )，使对任意的实数x ，均有则称X 是连续型随机变量(Continuous Random Variable )，称f (x )是X 的概率密度函数，简称概率密度(Probability Density Function ).()()xF x f t dt-∞=⎰连续型随机变量X的分布函数F(x)和概率密度f(x)统称为X的概率分布，简称X的分布.易知此时分布函数F(x)是连续函数，即连续型随机变量的分布是连续函数.2.概率密度函数的性质（1）f (x ) ≥ 0（2）这两条性质是判定一个函数f (x )是否为某r.v.X 的概率密度函数的充要条件.f (x )xo 面积为1+()1f x dx ∞-∞=⎰（3）P (a <X ≤b )=F (b )-F (a )如 f (x )xo a b （4）()()GP X G f x dx∈=⎰()()b a f x dx f x dx -∞-∞=-⎰⎰()baf x dx =⎰()()a P X a f x dx+∞>=⎰（5）在f (x )的连续点x 处，有f (x )=F '(x )（6）设x 为f (x )的连续点，当∆x 较小，则有P (x< X ≤x+∆x )故X 的密度f (x )在x 这一点的值，恰好是X 落在区间(x ,x +∆x ]上的概率与区间长度∆x 之比.它反映了X 在x 附近单位长区间上取值的概率.x xx f t dt f x x()()+∆=≈⎰∆连续型随机变量密度函数的性质与离散型随机变量分布律的性质非常相似，但是，密度函数不是概率！（7）P (X =x 0)=F (x 0)-F (x 0-0)P (a <X ≤b )=P (a ≤X ≤b )=P (a <X <b )=P (a ≤X <b )密度函数f (x )在某点处a 的函数值f (a )，并不等于X 取值为a 的概率.但是，这个值f (a )越大，则X 在a 附近取值的概率f (a )∆x 就越大.也可以说，在某点密度曲线的函数值反映了概率集中在该点附近的程度，即X 在该点附近取值的密集程度.=0()ba f x dx=⎰=F (b )-F (a )若X 为连续型随机变量，概率密度f (x )唯一确定了分布函数F (x )；若随机变量X 的分布函数F (x )满足：(1)F (x )连续；(2)存在x 1<x 2<…<x n (n ≥0)，除这些点外，F (x )可导，且导函数F '(x )连续；令F x F x f x F x (),()()0,()''⎧=⎨'⎩当存在当不存在则f (x )必是X 的概率密度.例2.设随机变量X 的概率密度为求(1)常数k 的值；(2)X 的分布函数；(3)P (1<X <7/2).解：(1)由解得kx x f x x x ,03()2/2,340,≤<⎧⎪=-≤≤⎨⎪⎩其他+1()f x dx ∞-∞=⎰3403(2)2x kxdx dx =+-⎰⎰k 16=k 9124=+解:(2)当x <0时，当0≤x <3时，当3≤x <4时，020()()0612x x t x F x f t dt dt dt -∞-∞==+=⎰⎰⎰03203()()0(2)32624x xt t x F x f t dt dt dt dt x -∞-∞==++-=-+-⎰⎰⎰⎰()()0x F x f t dt -∞==⎰求（2）X 的分布函数；()()xF x f t dt-∞=⎰6,03()2/2,340,x x f x x x ≤<⎧⎪=-≤≤⎨⎪⎩其他当x ≥4时，所以()()1xF x f t dt -∞==⎰x x x F x x x x x 220,0/12,03()32/4,341,4<⎧⎪≤<⎪=⎨-+-≤<⎪⎪≥⎩求（2）X 的分布函数；6,03()2/2,340,x x f x x x ≤<⎧⎪=-≤≤⎨⎪⎩其他P X F F 7741(1)()(1)2248<<=-=72723113741(1)()(2)26248x x P X f x dx dx dx <<==+-=⎰⎰⎰求(3)P (1<X <7/2)解:(3)6,03()2/2,340,x x f x x x ≤<⎧⎪=-≤≤⎨⎪⎩其他在上例中，当x ∉[0,4]时，f (x )=0，所以P (X ∉[0,4])=0，为了方便，我们说X 只在[0,4]上取值.g x a x b f x ()0,()0,>≤≤⎧=⎨⎩其他我们就说X 只在[a , b ]上取值.一般地，若随机变量X 的概率密度f (x )是如下分段函数：6,03()2/2,340,x x f x x x ≤<⎧⎪=-≤≤⎨⎪⎩其他例3.设连续型随机变量X 的分布函数为求(1)常数C 值；(2)X 取值于(0.3,0.7)内的概率；(3)X 的密度函数.解：(1)应用连续型随机变量X 的分布函数的连续性，有所以C =1x F x Cx x x 20,0(),011,1<⎧⎪=≤<⎨⎪≥⎩x F F x C11(1)lim ()→-===x x f x F x 2,01()()0,<<⎧'==⎨⎩其他解：20,0(),011,1x F x x x x <⎧⎪=≤<⎨⎪≥⎩(2)P (0.3<X <0.7)=F (0.7)−F (0.3)=0.72−0.32=0.4求(2)P (0.3<X <0.7);(3)X 的密度函数.(3)随机变量的分类：离散型随机变量连续型随机变量.非离散型随机变量非连续非离散型随机变量.（1）若随机变量X 的概率密度为1.均匀分布(Uniform Distribution )则称X 在[a , b ]上服从均匀分布，记为X~U [a , b ]1,()0,a x b f x b a ⎧≤≤⎪=-⎨⎪⎩其他[,]1a b I b a =-[,][,]1,[,]()0,[,]a b a b x a b I I x x a b ∈⎧==⎨∉⎩区间[a ,b ]上的示性函数类似地，我们可以定义区间[a , b )、(a , b ]和(a , b )上的均匀分布一般地，设D 是数轴上一些不相交的区间之和，若X 的概率密度为x D f x D x D 1()0⎧∈⎪=⎨⎪∉⎩，的长度，则称X 在D 上服从均匀分布.若X ~U [a , b ]，X 的分布函数为对于满足a ≤c <d ≤b 的任意的c 、d ，有0(),1,x a x a F x a x bb a<⎧⎪-⎪=≤≤⎨-⎪⎪⎩，其他()d c P c X d b a-<≤=-例1.设公共汽车站从上午7时起每隔15分钟来一班车，如果某乘客到达此站的时间是7:00到7:30之间的均匀随机变量.试求该乘客候车时间不超过5分钟的概率.解：设该乘客于7时X 到达此站，则X 服从[0, 30]上的均匀分布令B ={候车时间不超过5分钟}1530102511130303dx dx =+=⎰⎰()(1015)(2530)P B P X P X =≤≤+≤≤1030()300x f x ⎧≤≤⎪=⎨⎪⎩其它2.指数分布(Exponential Distribution )若随机变量X 的概率密度为其中常数λ>0，则称X 服从参数为λ的指数分布.,0()0,0x e x f x x λλ-⎧>=⎨≤⎩易求得X 的分布函数为1,0()0,0x e x F x x λ-⎧->=⎨≤⎩指数分布的另一种等价定义定义：设连续型随机变量X 的概率密度为1,0()0,0x e x f x x θθ-⎧>⎪=⎨⎪≤⎩其中θ>0为常数，则称X 服从参数为θ的指数分布.服从指数分布的随机变量X 具有以下性质：事实上无记忆性或无后效性(|)()P X s t X s P X t >+>=>(,)(|)()P X s t X s P X s t X s P X s >+>>+>=>()()P X s t P X s >+=>1()1()F s t F s -+=-()s t t s e e e λλλ-+--==1()()F t P X t =-=>1,0()0,0x e x F x x λ-⎧->=⎨≤⎩即对于任意s , t >0，有如果X 表示某仪器的工作寿命，无后效性的解释是：当仪器工作了s 小时后再能继续工作t 小时的概率等于该仪器刚开始就能工作t 小时的概率.说明该仪器的使用寿命不随使用时间的增加发生变化，或说仪器是“永葆青春”的.(|)()P X s t X s P X t >+>=>一般来说，电子元件等具备这种性质，它们本身的老化是可以忽略不计的，造成损坏的原因是意外的高电压等等.3.正态分布(Normal Distribution )若随机变量X 的概率密度为其中μ, σ均为常数，且σ>0，则称X 服从参数为μ和σ的正态分布.记作X ~N (μ, σ2)正态分布最初由高斯（Gauss ）在研究偏差理论时发现，又叫高斯分布.22()21(),2x f x e x μσσπ--=-∞<<∞X 的分布函数为22()21()2t xF x e dtμσσπ---∞=⎰N (10, 32)0-50.10.20.30.40.50.60.70.80.910510152025正态分布N(μ,σ2)密度函数图形的特点f(x)μa.正态分布的密度曲线是一条关于μ对称的钟形曲线.f(μ+c)=f(μ−c )特点是“两头小，中间大，左右对称”.b .μ决定了图形的中心位置，称为位置参数；σ决定了图形中峰的陡峭程度，称为形状参数或者刻度参数μ2μ1μ3x f (x )f (x )0xc .在x =μ处达到最大值：1()2f μπσ=d .曲线f (x )向左右伸展时，越来越贴近x 轴，即f (x )以x 轴为渐近线.当x →±∞时，f (x )→0e .x=μ±σ为f (x )的两个拐点的横坐标.说明X 落在μ附件的概率最大，或者说X 的取值在μ附件最密集.22()21(),2x f x e x μσσπ--=-∞<<∞μf (x )年降雨量、同龄人身高、在正常条件下各种产品的质量指标——如零件的尺寸；纤维的强度和张力、农作物的产量，小麦的穗长、株高、测量误差、射击目标的水平或垂直偏差、信号噪声等等，都服从或近似服从正态分布.标准正态分布(Standard Normal Distribution )μ=0，σ=1的正态分布称为标准正态分布.其密度函数和分布函数常用φ(x )和Ф(x )表示：)(x Φ)(x ϕ221(),2x x e x ϕπ-=-∞<<∞221()2t x x e dt π--∞Φ=⎰注意：Φ(0)=0.5,Φ(-x )=1-Φ(x )若X ~N (0, 1)，对任意的实数x 1，x 2(x 1< x 2)，有人们已编制了Φ(x )的函数表，可供查用.P (X≤x 1)=Φ(x 1)P (X>x 1)=1-Φ(x 1)P (x 1≤X≤x 2)=Φ(x 2)-Φ(x 1)221()2x t x e dt π--∞Φ=⎰−x x Φ(x )x4-40.40.2正态分布的计算()x μσ-=Φ对任意的实数x 1，x 2(x 1< x 2)，有211221()()()()()x x P x X x F x F x μμσσ--<≤=-=Φ-Φ222()()22()22x t xu F x e dt e du μσμσπσπ-----∞-∞==⎰⎰111()()()x P X x F x μσ-≤==Φ111()1()1()x P X x F x μσ->=-=-Φ例2.设X ~N (μ,σ2)，求P (|X −μ|<k σ)的值，k =1, 2, 3.解：当k =1时当k =2时当k =3时(||)()P X k P k X k μσμσμσ-<=-<<+()()F k F k μσμσ=+--()()k k μσμμσμσσ+---=Φ-Φ()()k k =Φ-Φ-()[1()]2()1k k k =Φ--Φ=Φ-(||)2(1)10.6826P X μσ-<=Φ-=(||2)2(2)10.9544P X μσ-<=Φ-=(||3)2(3)10.9974P X μσ-<=Φ-=质量控制中的3σ原则设在正常生产的情况下，某零件的尺寸X服从正态分布N(μ,σ2)，为了在生产过程中随时检查有无系统性误差出现，人们画了一个质量控制图.每隔一定时间，对产品尺寸进行检查，测量的产品的尺寸应落在上、下控制线之内.如果超出控制线，则很有可能是生产出现了异常情况，应该暂停生产进行检查.当然也可能虚报，但虚报的可能性比较小.214y x=π因此，需要求某些随机变量的函数的分布.在某些实际问题中，我们所关心的随机变量不能直接测量得到，而它却是某个能够直接测量的随机变量的函数.例如，考察一批圆轴的截面面积Y ，我们能够直接测量的是直径X ，且当直径X 取x 值时，截面面积Y 的取值为一般地，设X、Y是两个随机变量，y=g(x)是一个已知函数，如果当X取值x时，Y取值为g(x)，则称Y是随机变量X的函数，记为Y=g(X).问题是：如何由已知的随机变量X的概率分布去求它的函数Y=g(X)的概率分布.解：求Y =(X –1)2的分布律.Y 所有可能的取值为0，1，4，而且(0)(1)0.1P Y P X ====(1)(0)(2)0.7P Y P X P X ===+==(4)(1)0.2P Y P X ===-=例1.设随机变量X 的分布律为X −10 1 2P0.20.3 0.1 0.4一、离散型随机变量X 的函数Y =g (X )的分布所以，Y 的分布律为Y0 1 4P0.10.7 0.2X−1 0 1 2 Y= (X–1)24101 P0.20.3 0.1 0.4所以，Y 的分布律为Y0 1 4P0.10.7 0.2一般地，若X 的分布律为则Y =g (X )的分布律为如果g (x k )中有一些值是相等的，则它们是Y 可能取的同一个值.此时，在Y 的分布律中，只需列出一个，然后把对应于这些相同值的概率相加，作为Y 取这个可能值的概率.X x 1 x 2 … x k …Pp 1 p 2 … p k…Y g (x 1) g (x 2)… g (x k ) …Pp 1 p 2 … p k…二、连续型随机变量X 的函数Y =g (X )的分布例2.设随机变量X 的概率密度为令求Y 的分布.解：2,01()0,x x f x <<⎧=⎨⎩其他1,1/20,1/2X Y X ≤⎧=⎨>⎩(1)P Y =(1/2)P X =≤1/2124xdx ==⎰所以Y 的分布为13(0)1(1)144P Y P Y ==-==-=Y0 1P 3/4 1/4例3.设连续型随机变量X 的概率密度函数为求Y =2X +8的概率密度.解：设X 和Y 的分布函数分别为F X (x )和F Y (y ).F Y (y )=P (Y≤y )=P (2X +8≤y )于是Y 的密度函数/8,04()0,X x x f x <<⎧=⎨⎩其它88()()22X y y P X F --=≤=()81()()22Y Y X dF y y f y f dy -==⋅故当8<y <16时，当y ≤8或y ≥16时，81()()22Y X y f y f -=⋅/8,04()0,X x x f x <<⎧=⎨⎩其它88()216X y y f --=8()02X y f -=8,816()320,Y y y f y -⎧<<⎪=⎨⎪⎩其它方法：1.先求Y=g(X)分布函数F(y)；Y2.求分布函数F Y (y)的导数，即为密度函数f Y(y).关键步骤：F(y)=P(Y≤y)=P(g(X)≤y)=P(X∈D)Y。

概率论与数理统计PPT课件第四章数学期望与方差

回归分析
在回归分析中，数学期望和方差等统计指标用于描述因变量和自变量之间的关系，以及预测未来
的趋势。
假设检验
在假设检验中，数学期望和方差等统计指标用于比较两组数据或样本的差异，判断是否具有显著性。
方差分析
方差分析利用数学期望和方差等统计指标，分析不同组别或处理之间的差异，确定哪些因素对数据变化有显著影响。
质量控制
统计分析
在统计分析中，方差分析是一种常用的统计方法，通过比较不同组数据的方差，可以判断它们是否存在显著差异。
在生产过程中，方差用于度量产品质量波动的程度，通过控制产品质量指标的方差，可以提高产品质量稳定性。
03
期望与方差的关系
期望与方差的关系式
期望值是随机变量取值的平均数，表示随机变量的“中心趋势”
方差的性质
方差具有可加性
当两个随机变量相互独立时，它们组合而成的随机变量的方差等于它们各自方差的线性组合。
方差与期望值的关系
方差与期望值之间存在一定的关系，如方差等于期望值减去偏差的平方和再求平均值。
方差的应用
风险评估
在金融和经济学中，方差被用来度量投资组合的风险，通过计算投资组合中各个资产的方差和相关系数，可以评估投资组合的整体风险。
期望与方差的拓展
期望与方差在金融中的应用
金融风险评估
利用数学期望和方差计算金融资产的风险，评估投资组合的风险和回报。
资产定价
利用数学期望和方差等统计指标，对金融资产进行定价，确定其内在价值。
保险精算
通过数学期望和方差等统计方法，评估保险产品的风险和回报，制定合理的保费和赔付方案。
期望与方差在统计学中
期望与方差在其他领域的应用

浙大概率论与数理统计课件第四章随机变量的数字特征

0 0
0
x
x y 1 0
EX=

xf

( x , y ) dxdy
0 0
1
dx
x 2 dy
1 3
1 x
E(-3 X+ 2Y)= dx

1
x 1
2 ( 3 x 2 y ) dy
0 0 1

1 3
1 12
EXY=
k
k 0

e
k

e

k!
( k 1)!
k 1

k 1
e

e

二、连续型随机变量的数学期望
定义2 设X是连续型随机变量，其密度函数为 f (x), 如果积分

xf ( x)dx

绝对收敛,则称此积分值为X的数学期望, 即
E( X ) x f ( x )dx
数学期望、方差、协方差和相关系数
第一节
数学期望
离散型随机变量的数学期望
连续型随机变量的数学期望
随机变量函数的数学期望
数学期望的性质
小结
一、离散型随机变量的数学期望
引例：某7人的数学成绩为90，85，85，80，80， 75，60，则他们的平均成绩为
90 85 2 80 2 75 60 1 7 7 2 7 2 7 1 7 1 7
第四章、随机变量的数字特征
第一节：数学期望第二节：方差第三节：协方差及相关系数第四节：矩、协方差矩阵
在前面的课程中，我们讨论了随机变量及其分布，如果知道了随机变量X的概率分布，那么X的全部概率特征也就知道了.

概率论与数理统计ppt课件

称这种试验为等可能概型(或古典概型)。
*
例1：一袋中有8个球，其中3个为红球，5个为黄球，设摸到每一球的可能性相等，从袋中不放回摸两球，记A={恰是一红一黄}，求P(A)．解：
（注：当L>m或L<0时，记）
例2：有N件产品，其中D件是次品，从中不放回的取n件，记Ak＝{恰有k件次品}，求P(Ak)．解：
*
第四章随机变量的数字特征 4.1 数学期望 4.2 方差 4.3 协方差及相关系数 4.4 矩、协方差矩阵第五章大数定律和中心极限定理 5.1 大数定律 5.2 中心极限定理第六章数理统计的基本概念 6.1 总体和样本 6.2 常用的分布
*
第七章参数估计 7.1 参数的点估计 7.2 估计量的评选标准 7.3 区间估计第八章假设检验 8.1 假设检验 8.2 正态总体均值的假设检验 8.3 正态总体方差的假设检验 8.4 置信区间与假设检验之间的关系 8.5 样本容量的选取 8.6 分布拟合检验 8.7 秩和检验第九章方差分析及回归分析 9.1 单因素试验的方差分析 9.2 双因素试验的方差分析 9.3 一元线性回归 9.4 多元线性回归
解：设 Ai={ 这人第i次通过考核 }，i=1,2,3 A={ 这人通过考核 }，
亦可：
*
例：从52张牌中任取2张，采用(1)放回抽样，（2）不放回抽样，求恰是“一红一黑”的概率。
利用乘法公式
与不相容
（1）若为放回抽样：
（2）若为不放回抽样：
解：设 Ai={第i次取到红牌}，i=1,2 B={取2张恰是一红一黑}
①
②
①
1 2 N
①
②
1 2 N
……

概率论与数理统计(经管类)复习要点第4章随机变量的数字特征

第四章随机变量的数字特征1. 把刻画随机变量某些方面特征的数值称为随机变量的数字特征，如期望、方差、协方差、相关系数等。

2. 随机变量的期望反映了随机变量取值的集中位置。

离散型随机变量的期望设离散型随机变量X 的分布律为P ｛X =x k ｝=p k ，k=1，2，…若级数∑ix i p i 绝对收敛（即级数∑i丨x i 丨p i 收敛），则定义X 的数学期望（简称均值或期望）为E （X ）=∑ix i p i注：当X 的可能取值为有限多个x 1，x 2，…，x n 时，E （X ）=∑=ni 1x i p i 当X 的可能取值为可列多个x 1，x 2，…，x n ，…时，E （X ）=∑∞=1i x i p i三种重要离散型随机变量的数学期望：3. 离散型随机变量函数的数学期望设离散型随机变量X 的分布律为P ｛X =x k ｝=p k ，k=1，2，…令Y =g （X ），若级数∑∞=1k g （x k ）p k 绝对收敛，则随机变量Y 的数学期望为E （Y ）= E[g （X ）] =∑∞=1k g （x k ）p k4. 连续型随机变量的期望三种重要连续型随机变量的数学期望：5. 连续型随机变量函数的数学期望2017.4单解：6. 二维随机变量的期望二维随机变量函数的期望7. 期望的性质（1）常数的期望等于这个常数，即E （C ）=C ，其中C 为常数证明常数C 作为随机变量，它只可能取一个值C ，即P ｛X =C ｝=1，所以E （C ）=C ⋅1=C（2）常数与随机变量X 乘积的期望等于该常数与随机变量X 的期望的乘积，即E （C X ）=C ⋅E （X ）（3）随机变量和的期望等于随机变量期望之和，即E （X +Y ）= E （X ）+ E （Y ）推广：E （C 1X +C 2Y ）= C 1E （X ）+ C 2E （Y ），其中C 1，C 2为常数一般地，设X 1，X 2，…，X n ，为n 个随机变量，则有E （∑=ni iX 1）=∑=ni iX E 1)(E （∑=ni ii X C 1）=∑=ni iiX E C 1)( 其中C i（i=1，2，…）为常数（4）两个相互独立的随机变量乘积的期望等于期望的乘积，即若X ，Y 是相互独立的随机变量，则E （XY ）= E （X ）E （Y ）由数学归纳法可证得：当X1，X2，…，X n相互独立时有E（X1，X2，…，X n）= E（X1）E（X2）…E（X n）2018.4单解：指数分布的期望值为 1，故E（X）= E（Y）=21，所以E（X Y）= E（X）E（Y）=412018.4计解：（1）平均收益率E（X）=1%×0.1+2%×0.2+3%×0.1+4%×0.3+5%×0.2+6%×0.1=3.6%（2）预期利润10×3.6%=0.36万元2017.10单解：E（-3X +2）=-3 E（X）+2=-3×51+2=572017.4填解：E（X+Y）= E（X）+ E（Y）=20×0.1+2=48. 方差反映了随机变量偏离中心——期望的平均偏离程度。

概率论与数理统计课件(完整)

人们在长期的实践中总结得到“概率很小的事件在一次试验中实际上几乎是不发生的”(称之为实际推断原理)。现在概率很小的事件在一次试验中竟然发生了，因此有理由怀疑假设的正确性，从而推断接待站不是每天都接待来访者，即认为其接待时间是有规定的。
1.3 频率与概率
某人向目标射击，以A表示事件“命中目标”， P（ A） =？定义:(p8) 事件A在n次重复试验中出现nA次，则比值nA/n称为事件A在n次重复试验中
(1) P(A) ≥0；
(2) P()＝1；

(3) 可列可加性：设A1，A2，…, 是一列两两互不相容的事件，即AiAj＝，(ij), i , j＝1, 2, …, 有 P( A1 A2 … )＝ P(A1) ＋P(A2)+…. 则称P(A)为事件A的概率。 (1.1)
2.概率的性质 P(8-9) (1) 有限可加性：设A1，A2，…An , 是n个两两互不相容的事件，即AiAj＝，(ij), i , j＝1, 2, …, n ,则有 P( A1 A2 … An)＝ P(A1) ＋P(A2)+… P(An); (2) 单调不减性：若事件AB，则 P(A)≥P(B) (3)事件差 A、B是两个事件，则 P(A-B)=P(A)-P(AB)
种取法.
1、抽球问题
例1:设合中有3个白球，2个红球，现从合中任抽2个球，求取到一红一白的概率。解:设A-----取到一红一白
N () C
2 5
1 1 N ( A) C3 C2

CC 3 P( A) 2 C5 5
1 3
1 2
答:取到一红一白的概率为3/5
一般地，设盒中有N个球，其中有M个白球，现从中任抽n个球，则这n个球中恰有

华东理工大学概率论与数理统计课件第四章解读

1 n lim P X i 1 n n i 1
注意辛钦大数定理成立的条件中只需 X i的数学期望存在；而当 X i 的方差存在时，其即为切比雪夫大数定理的直接推论. 大数定理是参数估计和假设检验的重要理论基础.
返回
例1.
k 互相独立随机变量序列，且
证: 由切比雪夫不等式：P X EX 1
1 1 P X i EX i 1 n i 1 n i 1
n n
D( X )

n
2
得
D( 1 X i ) n i 1
n

2
1
D( X i )
n
i 1 2 2
1
3 k 1 2 3 k 1 2
i
k 的分布
(k=1,2, …),
试证大数定理成立. 解： k 互相独立，且
1
E k 0
2 3
D k k
1 0
3 2
n
2
D( i )
1
n
1
n
2
k
1
n
nn n2
2 3
n
1 3
(n )
14 100 14 86 30 100 30
70
20 20 20 20 P e e 14! 30! 0.0387 0.0083
14
30
返回
例5 某校有4900个学生，已知每天每个学生去阅览室自修的概率为0.1,问阅览室要准备多少座位，才能以99%的概率保证每个去阅览室自修的学生都有座位。
解设Xi(i=1,2,…,n)为装运的第i箱的重量,n是所求的箱数.则 X1,X2,…,Xn独立同分布, EXi=50, DXi=52=25,令 Yn X i ,

概率与数理统计第4章时间序列分析

概率与数理统计第4章时间序列分析第4章时间序列分析[引例]某酿酒公司⽣产⼀种红葡萄酒，这种红葡萄酒颇受市场欢迎，其销售量稳步上升（表4-1），对公司盈利起到重要作⽤。

表4-1 某酿酒公司红葡萄酒销售量单位：件——资料来源：国际通⽤MBA教材配套案例《管理统计案例》机械⼯业出版社1999.3 本章⼩结1.时间序列是把同⼀现象在不同时间上的观察数据按时间先后顺序排列起来所形成的数列，它是动态分析的基础。

时间序列的分析有指标分析和构成因素分析两类。

时间序列的影响因素可归结为长期趋势、季节变动、循环变动和不规则变动等四种，常以乘法模型为基础来进⾏时间序列的分解和组合。

2.⽔平分析指标主要有平均发展⽔平、增减量（逐期、累计）和平均增减量。

不同类型的时间序列计算平均发展⽔平的⽅法有所不同。

累计增减量等于相应逐期增减量之和。

平均增减量是观察期内各个逐期增减量的平均数。

速度分析指标有发展速度、增减速度、平均发展速度和平均增减速度。

定基发展速度也即发展总速度，它等于相应时期内各环⽐发展速度的连乘积。

增减速度等于发展速度减1。

平均发展速度是环⽐发展速度的平均数，其计算⽅法通常采⽤⼏何平均法。

平均增减速度等于平均发展速度减1。

3. 长期趋势的分析⽅法主要有平滑法（移动平均、指数平滑法）和⽅程拟合法。

移动平均关键在于选择平均项数；能消除序列中的季节影响（平均项数与季节周期长度必须⼀致）。

指数平滑法是关键在于确定平滑系数。

⽅程拟合法通常采⽤最⼩⼆乘法来估计趋势⽅程中的参数。

4. 季节⽐率的测定⽅法：原资料平均法和趋势剔除法。

原资料平均法适⽤于⽔平趋势的季节序列；趋势剔除法适⽤于有明显上升（或下降）趋势的季节序列。

当没有季节因素影响时，季节⽐率为1或100%。

序列的季节调整即以原始数据除以对应季节的季节⽐率，⽬的是从时间序列中去掉季节影响，便于分析其它成分。

5.利⽤分析⼯具库中的“移动平均”、“指数平滑法”、“回归”或图表中的添加趋势线功能，可以测定时间序列的长期趋势。

概率论与数理统计(叶慈南刘锡平科学出版社)第4章多维随机变量(r.v.)及其分布

fY
(
y
)
=
π2
1− y2, 0,
− 1 ≤ y ≤ 1. 其它
28
2. 二维正态分布 p97
(X,Y)的概率密度为
f (x, y) =
1
e 2(
−1 1− ρ
2
)

(
x
− µ1 σ2
1
)2
−2
ρ
(
x
−
µ1 )( σ 1σ
y
2
−
µ2
)
+
(
y
− µ2 σ2
2
)2

2πσ σ 1 − ρ 2 12
f ( x, y)dy
−∞
称为(X,Y)关于X的边缘概率密度。
∫ fY ( y) =
+∞
f ( x, y)dx
−∞
称为(X,Y)关于Y的边缘概率密度。
20
例p102 设 ( X ,Y )的概率密度是
f
(
x,
y)
=
cy(2 −

0,
x
),
0 ≤ x ≤ 1, 0 ≤ y ≤ x ,
其它
求 (1) c 的值; (2) 两个边缘密度; (3) P{X<1/2}.
…
pi j
…
p.j
… … … … ….. … …
∑
p1 . p2 .
…
pi . …
1
18
3
例将一枚硬币掷 3 次, 以X表示前 2 次中出现 H的次数, 以Y表示 3 次中出现H的次数. 求X,Y 的联合分布律以及(X,Y)的边缘分布律.
19
三、连续型(X,Y)的边缘概率密度

概率论与数理统计(英文) 第四章

47
3e 3 x for x > 0 f ( x) = for x ≤ 0 0
Find the probability from that it will take on value (a) between 0 and 2; (b) greater than 1. Solution Evaluating the necessary integrals, we get (a) P (0 ≤ x ≤ 2) = 3e
P( X = x) = 0 .
0 ≤ P( X = x) ≤ ∫
ε →0
x +ε
x
x +ε
f ( x)dx
f ( x)dx = 0
0 ≤ P ( X = x) ≤ lim ∫
x
P ( a ≤ X ≤ b) = P ( a ≤ X < b) = P ( a < X ≤ b) = P ( a < X < b)
1 f ( x) = b a 0
for a < x < b, elsewhere,
whose graph is shown in Figure 4.2.1. f(x)
1 ba
0
a
b
x
Figure 4.2.1 The uniform probability density in the interval (a, b)
f ( x) =
(a) Find E(X); (b) Let
1 , ∞ < x < ∞ π (1 + x 2 )
X , 0 < X <1 g(X ) = 0, elsewhere
Find E ( g ( X )) .