3-4概率论
《概率论与数理统计》第四章考点手册
《概率论与数理统计》第四章 随机变量的数字特征考点33 离散型随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.设X 是离散型随机变量,概率分布为P {X =x i }=p i ,i =1,2,…。
则∑∞==1)(i i ip x X E 为X 的数学期望(或均值)。
2.常用离散型随机变量的数学期望（1）两点分布：X ∼B(1,p),0<p<1，则E(X)=p 。
（2）二项分布：X ∼B(n,p)，其中0<p<1，则E(X)=np 。
（3）泊松分布:X ∼P(λ)，其中λ>0，则E(X)=λ。
考点34 连续型随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.设X 是连续型随机变量，则称⎰∞∞-=dx x f x X E )()(为X 的数学期望。
2. 常用连续型随机变量的数学期望（1）均匀分布若X~U[a,b],即X 服从[a,b]上的均匀分布,则； 21)()(b a dx a b x dx x xf X E b a +=-==⎰⎰+∞∞- （2）指数分布若X 服从参数为λ的指数分布，则 ； /1)(0λλλ⎰+∞-==dx e x X E x 正态分布若X 服从),(2s µN ，则.)(μ=X E考点35 二维随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.二维离散型随机变量的数学期望：设二维离散型随机向量(X,Y)的概率分布为p ij ,i=1,2,⋯，j=1,2,⋯.则：.),()],([11åå¥=¥==i j ij j i p y x g Y X g E2. 二维连续型随机变量的数学期望：设二维连续型随机向量(X,Y)的密度函数为f(x,y),则:. ),(),()],([dxdy y x f y x g Y X g E òò¥¥-¥¥-=考点36 数学期望的性质（★★★一级考点，选择、填空）(1).设C 是常数，则E(C)=C;E(C)=C ×1=C(2).若k 是常数，则E(kX)=kE(X);(3).E(X+Y)=E(X)+E(Y);(4).设X,Y 相互独立，则E(XY)=E(X)E(Y);考点37 方差的概念（★★二级考点，选择、填空）1.方差的概念:设X 是一随机变量，若E [X -E (X )]2 存在,则称其为X 的方差，记成Var(X )，即Var(X )=E {[X -E (X )]2} 并称)(X Var 为X 的标准差。
概率论与数理统计正态分布4-3二维正态分布课件
统计决策
基于二维正态分布，可以制定统 计决策规则，例如置信区间和预 测区间的确定。
在金融领域的应用
1 2 3
资产定价
二维正态分布可以用于资产定价模型，如期权定 价模型，以模拟两个相关资产的价格变动。
风险管理
在金融领域，二维正态分布可用于评估投资组合 的风险，例如计算投资组合的VaR值（风险价 值）。
例如，对于二维正态分布的均值向量，可以通过样本数据的均值向量进行检验， 判断其与理论值是否存在显著差异。
非参数检验
非参数检验是在总体分布形式未知或认为总体分布形式与理论分布形式存在较大差异的情况下，利用 样本数据对总体分布进行检验的方法。在二维正态分布的情境下，非参数检验通常包括核密度估计、 散点图和多维距离等方法。
特性
分布函数具有连续性、非负性和归一性等特性，能够完整描述随机向量的概率 分布。
03
二维正态分布的应用
在统计学中的应用
参数估计
二维正态分布可以用于估计两个 变量的联合概率分布，从而对参 数进行估计，如线性回归中的参 数估计。
假设检验
在统计分析中，二维正态分布可 以用于检验两个变量之间是否存 在某种关系，例如相关性检验或 因果关系检验。
金融数据分析
二维正态分布可以用于分析金融数据，例如股票 价格和交易量的关系。
在物理和工领域的应用
信号处理
在通信和雷达信号处理中，二维正态分布可用于 描述信号的功率谱密度。
地震学
在地震学中，二维正态分布可用于描述地震事件 的时空分布。
图像处理
在图像处理中，二维正态分布可用于描述图像的 像素强度分布。
边缘分布的特性
总结词
边缘分布是指将二维正态分布的其中一个随机变量固定，得到的另一个随机变量 的分布。
概率论与数理统计第四版
概率论与数理统计第四版1. 简介概率论与数理统计是现代科学中的两个重要领域，它们在各个学科中都有广泛的应用。
本文档将介绍概率论与数理统计第四版的主要内容和特点。
2. 内容概述概率论与数理统计第四版主要分为两大部分：概率论和数理统计。
下面将对每个部分进行详细的介绍。
2.1 概率论概率论是研究随机现象规律的数学理论。
本书在概率论部分包括了以下几个主要内容：•随机事件与概率•随机变量及其分布•数学期望与方差•多维随机变量的分布•大数定律与中心极限定理•随机过程通过学习概率论的基本理论和方法，读者能够更好地理解和应用随机现象的规律。
2.2 数理统计数理统计是研究如何利用数据来推断总体特征的统计学分支。
本书的数理统计部分包括了以下几个主要内容：•统计数据的描述与分析•参数估计•假设检验•方差分析•相关与回归分析•非参数统计方法数理统计是概率论的应用，它使我们能够利用样本数据对总体进行推断与决策。
3. 特点概率论与数理统计第四版具有以下几个特点：3.1 理论与实践结合本书在介绍概率论和数理统计的基本理论的同时，也强调实际应用。
每个章节都配有大量的实例和案例分析，帮助读者将所学的理论知识应用到实际问题中。
3.2 全面而深入本书的内容全面而深入，涉及了概率论和数理统计的基本概念、原理和方法。
它不仅适合作为大学本科生的教材，也适合作为研究生和科研人员的参考书。
3.3 清晰的表达和结构概率论与数理统计第四版的作者通过清晰的表达和结构化的组织，使得书籍容易理解和阅读。
每个概念和方法都有详细的解释和定义，使读者能够更好地掌握和运用。
3.4 丰富的习题和答案为了帮助读者巩固所学的知识，本书的每个章节都附有大量的习题和答案，读者可以通过做习题来检验自己的理解和掌握程度。
4. 结论概率论与数理统计第四版是一本全面而深入的概率论与数理统计教材，它以理论与实践结合的方式，清晰地介绍了概率论和数理统计的基本概念、原理和方法。
通过学习本书，读者可以获得概率论和数理统计的基本知识，提高数据分析和决策能力。
概率论第三章第3,4节条件分布,独立性
P X m， Y n q n2 p2 , n 2,3,; m 1,2,n 1
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
例3 设某班车起点站上车人数 X 服从参数为 ( 0) 的泊松分布，每位乘客在中途下车的概率为 p(0 p 1),
1 f ( x, y) , x y x, f ( y | x ) 当0 x 1, Y | X 2x f X ( x) 其它。 0,
1 P{ X , Y 0} 1 2 ( 3) P{ X | Y 0} 2 P{Y 0} y
1 1 (1 ) 2 3 2 2 1 4 1 1 2
目 录 前一页 后一页 退 出
第三章 随机变量及其分布
§3条件分布
P{ X x , y Y y } FX |Y ( x | y ) lim 0 P{ y Y y }
F ( x , y ) lim [F ( x, y ) F ( x, y )]/ 2 y 0 d lim [ F ( y ) F ( y )] / 2 Y Y FY ( y ) 0 dy y x x f ( u, v )dudv f ( u, y )du y . fY ( y) fY ( y)
n 2
2
第三章 随机变量及其分布
§3条件分布
在 X= m 条件下随机变量Y 的条件分布律为
当m=1,2,3,… 时，
P{Y n | X m}
P{ X m ,Y n} P{ X m }
p 2 q n 2 n m 1 pq , m 1 pq
《概率论与数理统计》课件3-4条件分布
Y
1.7<Y<1.8( ),
X
1.7 1.8 .
.
.
.
1
( X,Y )
j
P{Y = yj } > 0
PX P{X= xi |Y= yj }=
xi ,Y
yj
…
P Y yj
Y = yj
X
= pij p• j
i=1,2,
.
r.v,
r.v
.
i P{X = xi } 0
P{Y yj | X xi } )
X = xi
Y
(j = 1,2,
. .
P X xi Y yj 0 i=1,2, …
P X xi Y yj 1
i1
1 设 (X, Y) 的联合分布律如下，
求X=0、X=1的条件下, Y的条件概率分布.
P Y = 0 | X = 0} = P Y = 1| X = 0} =
1 ==
5 3 == 5
A)
B)
C)
D)
A
B
C
D
提交
单选题 1分
二维随机变量(X, Y)的联合概率密度为
(8xy2 0 < x < < 1 f (x, y) =
〈 的边缘概率密度为 ( )．
(8 | (x
−
x7 )
fX (x) =〈
3
|0
(8 |
(x
−
x6 )
fX (x) =〈
3
|0
0<x<1 else
0<x<1 else
(| B) fX (x) =〈
(1− x6
)| 0
(|
概率论与数理统计3-4
20
O
20
x
图 3-12
求 （1）给定 Y＝y 条件下, X 的条件概率密度； （2）给定 Y＝10 条件下, X≤5 的概率； （3）如果 Y＝20 件呢?
解: （1）
fY ( y )
f X |Y ( x | y ) f ( x, y ) fY ( y ) ；
同理，当 fX (x) >0 时，
fY |X ( y | x ) f ( x, y ) f X ( x) .
第3章 连续型随机变量
3.4.1 连续性随机变量的条件分布密度与独立性
定义 3.8 设(X， 是连续性随机变量，f ( x , y ) ，f X ( x ) ， Y)
f X ( z y ) f Y ( y ) dy ,
卷积公式
f X ( x ) f Y ( z x ) dx .
第3章 连续型随机变量
3.4.2二个连续型随机变量和分布
例 3.16 设 X 和 Y 独立, 有共同的概率密度
1 当 0 x 1 f ( x) 0 其他
z
2
1
f ( x , y ) dxdy . D＝{ (x, y): z y f ( x , y ) dx dy .
z f ( u y , y ) du dy
x+y ≤z }，
+
+
第3章 连续型随机变量
3.4.2二个连续型随机变量和分布
1 / f ( x, y ) 0 当x y 1
概率论与数理统计第三、四章答案
第三章 习题参考答案1.计算习题二第2题中随机变量的期望值。
解：由习题二第2题计算结果0112{0}={1}=33p p p p ξξ====，得12201333E ξ=⨯+⨯= 一般对0-1分布的随机变量ξ有{1}E p p ξξ===2．用两种方法计算习题二第30题中周长的期望值，一种是利用矩形长与宽的期望计算，另一种是利用周长期望的分布计算。
解：方法一：先按定义计算长的数学期望290.3300.5310.229.9E ξ=⨯+⨯+⨯=和宽的数学期望190.3200.4210.320E η=⨯+⨯+⨯=再利用数学期望的性质计算周长的数学期望(22)229.922099.8E E ζξη=+=⨯+⨯=方法二：利用习题二地30题的计算结果(见下表)，按定义计算周长的数学期望960.09980.271000.351020.231040.0698.8E ξ=⨯+⨯+⨯+⨯+⨯=3.对习题二第31题，（1）计算圆半径的期望值；（2）(2)E R π是否等于2ER π？（3）能否用2()ER π来计算远面积的期望值，如果不能用，又该如何计算？其结果是什么？解（1）100.1110.4120.3130.211.6ER =⨯+⨯+⨯+⨯=（2）由数学期望的性质有(2)223.2E R ER πππ==（3）因为22()()E R E R ππ≠，所以不能用2()E R π来计算圆面积的期望值。
利用随机变量函数的期望公式可求得222222()()(100.1110.4120.3130.2)135.4E R E R ππππ==⨯+⨯+⨯+⨯= 或者由习题二第31题计算结果，按求圆面积的数学期望1000.11210.41440.31690.2)135.4E ηπππ=⨯+⨯+⨯+⨯=4． 连续随机变量ξ的概率密度为,01(,0)()0,a kx x k a x ϕ⎧<<>=⎨⎩其它又知0.75E ξ= ，求k 和a 的值 解 由1010()11324a a kx dx kx dx a k E kx x dx a ϕξ+∞-∞===+=⋅==+⎰⎰⎰解得 2,3a k ==5．计算服从拉普拉斯分布的随机变量的期望和方差（参看习题二第16题）。
《概率论》第3章§4相互独立的随机变量
§4
A, B 相互独立 X , Y 相互独立
相互独立的随机变量
11/19
P( A | B) P( A), P( B | A) P( B)
f ( x, y) f X ( x) fY ( y) (a.e) f ( x, y ) f X |Y ( x | y ) = f X ( x) ( a.e) fY ( y )
§4
相互独立的随机变量
1/19
随机变量的独立性
离散型、连续型随机变量的独立性的判断
利用随机变量的独立性进行相关概率的 计算
第三章 多维随机变量及其分布
§4
A, B 相互独立
相互独立的随机变量
A, B 之间没有任何关系
P( AB) P( A) P( B)
2/19
怎样定义 r.v X , Y 之间的独立性 若
FX ( x2 ) FY ( y2 ) FX ( x1 ) FY ( y2 ) FX ( x2 ) FY ( y1 ) FX ( x1 ) FY ( y1 )
[ FX ( x2 ) FX ( x1 )] [ FY ( y2 ) FY ( y1 )]
P{x1 X x2 }P{ y1 Y y2 }
X ~ U (0,1), Y ~ U (0,1)
X , Y 独立,故联合密度为
1, 0 x 1, 0 y 1 f ( x, y ) f X ( x ) f Y ( y ) 其它 0,
故两信号互相干扰的概率为
P{ | X Y | 1 }
120
1
y
y x
1 2 1 2 1
2
( x ) 1 exp{ [ 21 2 1 2(1 )
概率论与数理统计-第3章-第4讲-随机变量的独立性
1, (x, y) G
f (x, y) 0,
其它.
1
2x
02 随机变量的独立性
例题 设二维离散型随机变量 X， Y 的联合分布律为
应用
Y X
1
1
1 6
2
3
1
1
9
18
2
1 3
试确定常数 ， 使得随机变量 X 与Y 相互独立．
02
随机变量的独立性 由表，可得随机变量 X 与Y 的边缘分布律为
P{XY Y 0} P{( X 1)Y 0}
P{X 1 0,Y 0} P{X 1 0,Y 0}
P(X ) P(X ) 1
2
P{X 1}P{Y 0} P{X 1}P{Y 0} 1111 1
22 22 2
第4讲 随机变量的独立性
本节我们学习了二维随机变量的独立性, 后续会推广到更多维. 随机变量的独立性在概率论和数理统计中会发挥重要的作用.
用分布函数表示, 即 设 X,Y 是两个随机变量, 若对任意的x, y, 有 F ( x, y) FX (x)FY ( y)
则称 X, Y 相互独立 .
它表明, 两个随机变量相互独立时, 联合分布函数等于两个 边缘分布函数的乘积 .
01 两个随机变量独立的定义
离散型
X与Y 独立
对一切 i , j 有
01 两个随机变量独立的定义 两个随机变量独立的定义
设 X,Y是两个随机变量, 若对任意的x,y ,有 P ( X x,Y y) P( X x)P(Y y)
则称X,Y相互独立 .
如何判断
两事件A, B独立的定义是： 若 P(AB)=P(A)P(B)则称事件A, B独立 .
01 两个随机变量独立的定义
(完整版)概率论第三章第四章习题及答案
第三章 多维随机变量及其分布
n
解:(1)P{X n} P{X n,Y m}
m0
n e14 (7.14)m (6.86)nm
m0
m!(n m)!
e14 n
n! (7.14)m (6.86)nm
n! m0 m!(n m)!
e14 (7.14 6.86)n 14n e14 , n 0,1,2,
返回主目录
第三章 多维随机变量及其分布
(3)P{Y m | X 20} C2m0 0.51m0.4920m , m 0,1,2, ,20.
P{Y m | X n} Cnm 0.51m0.49nm , m 0,1,2, , n
返回主目录
第三章 多维随机变量及其分布
11.设随机变量(X,Y)的联合概率密度为
0, FU (u) un ,
1,
u 0, 0 u 1,
u 1.
返回主目录
第四章 随机变量的数字特征
U 的密度函数为
nun1, x (0,1),
fU (u)
0,
其他.
0, FU (u) un ,
1,
u 0, 0 u 1,
u 1.
E(U )
ufU (u)du
e14 (7.14)m (6.86)nm m!(n m)!
e
1414n n!
Cnm
7.14 14
m
6.86 14
nm
Cnm 0.51m0.49nm , m 0,1,2, , n
P{X n,Y m} e14 (7.14)m (6.86)nm , m!(n m)!
m 0,1,2, , n; n 0,1,2, .
cxey ,0 x y ,
概率论与数理统计第三、四章答案
概率论与数理统计第三、四章答案第三章 习题参考答案1.计算习题二第2题中随机变量的期望值。
解：由习题二第2题计算结果112{0}={1}=33pp p p ξξ====，得12201333E ξ=⨯+⨯=一般对0-1分布的随机变量ξ有{1}E p p ξξ===2．用两种方法计算习题二第30题中周长的期望值，一种是利用矩形长与宽的期望计算，另一种是利用周长期望的分布计算。
解：方法一：先按定义计算长的数学期望290.3300.5310.229.9E ξ=⨯+⨯+⨯=和宽的数学期望190.3200.4210.320E η=⨯+⨯+⨯=再利用数学期望的性质计算周长的数学期望(22)229.922099.8E E ζξη=+=⨯+⨯=方法二：利用习题二地30题的计算结果(见下表)，按定义计算周长的数学期望ξ96 98 100 102 104p0.090.270.350.230.06960.09980.271000.351020.231040.0698.8E ξ=⨯+⨯+⨯+⨯+⨯=3.对习题二第31题，（1）计算圆半径的期望值；（2）(2)E R π是否等于2ER π？（3）能否用2()ER π来计算远面积的期望值，如果不能22||201()2x x D E x e dx x e dx ξξ+∞+∞---∞===⎰⎰20|22x x x e xe dx +∞-+∞-=-+=⎰6题目略解 (1)15辆车的里程均值为1274(9050150)91.33153++⋅⋅⋅+=≈ (2) 记ξ为从188辆汽车中任取一辆记录的里程数，则ξ的分布表如下表所示（a=188）ξ10 30 50 70 90 110 130 150 170p 5/a11/a 16/a 25/a 34/a 46/a 33/a 16/a 2/a故51124520103017096.1718818818847E ξ=⨯+⨯+⋅⋅⋅+⨯=≈ 7题目略解 记ξ为种子甲的每公顷产量，η为种子乙的每公顷产量，则45000.1248000.3851000.454000.14944E ξ=⨯+⨯+⨯+⨯= 45000.2348000.2451000.354000.234959E η=⨯+⨯+⨯+⨯=8．一个螺丝钉的重量是随机变量，期望值10g,标准差为1g,100个一盒的同型号螺丝钉重量的期望值和标准差个为多少（假设每个螺丝钉的重量都部首其他螺丝钉重量的影响）？解 设i ξ为一盒中第i 个螺丝钉的重量(1,2,,100)i =⋅⋅⋅,则 题设条件为101,i i E g D g ξξ==且12100,,,ξξξ⋅⋅⋅相互独立。
34：概率高三复习数学知识点总结(全)
概率1.随机事件的概率（1）必然事件：在一定条件下，必然会发生的事件；（2）不可能事件：在一定条件下，肯定不会发生的事件；（3）随机事件：在一定条件下，可能发生也可能不发生的事件.（4）随机事件的概率：对于给定的随机事件,A 在大量重复进行同一试验时，事件A 发生的频率n m会在某个常数附近摆动并趋于稳定，我们把这个常数常数称为随机事件A 的概率，记作).(A P 注：由定义可知,1)(0≤≤A P 必然事件的概率是1，不可能事件的概率是0.2.事件的关系与运算定义符号表示包含关系如果事件A 发生，则事件B 一定发生，这时称事件B 包含事件A (或称事件A 包含于事件B )B ⊇A (或A ⊆B )相等关系若A ⊆B 且B ⊆A A ＝B并事件(和事件)若某事件发生当且仅当事件A 发生或事件B 发生，称此事件为事件A 与事件B 的并事件(或和事件)A ∪B (或A ＋B )交事件(积事件)若某事件发生当且仅当事件A 发生且事件B 发生，则称此事件为事件A 与事件B 的交事件(或积事件)A ∩B (或AB )互斥事件若A ∩B 为不可能事件(A ∩B ＝∅)，则称事件A 与事件B 互斥A ∩B ＝∅对立事件若A ∩B 为不可能事件，A ∪B 为必然事件，那么称事件A 与事件B 互为对立事件A ∩B ＝∅，P(A)+P(B)=13.古典概型（列举法）（1）古典概型的两大特点：①所有的基本事件只有有限个；②每个基本事件的发生都是等可能的.（2）古典概型的概率计算公式：如果一次试验的等可能基本事件共有n 个，那么每一个等可能基本事件发生的概率都是.1n 如果某个事件A 包含了其中m 个等可能基本事件，那么事件A 发生的概率为.)(nmA P =例1-1【2020全国I 文】设O 为正方形ABCD 的中心，在D CB A O ,,,,中任选三点，则取到三点共线的概率为（）A.51B.52 C.21 D.54例1-2【2016全国I 文】为美化环境，从红、黄、白、紫4种颜色的花中任取2种花种在一个花坛中，余下的2种花种在另一个花坛中，则红色和紫色的花不在同一花坛的概率是（）A.31 B.21 C.32 D.65例1-3【2016江苏高考】将一颗质地均匀的骰子（一种各个面上分别标有1,2,3,4,5,6个点的正方体玩具）先后抛掷2次，则出现向上的点数之和小于10的概率是.答：1-1：A ；1-2：C；1-3：65.4.互斥事件和对立事件（1）互斥事件：不能同时发生的两个事件叫做互斥事件.一般地，如果事件n A A A ,,,21 中的任意两个都是互斥事件，则称事件n A A A ,,,21 彼此互斥.（2）互斥事件概率公式：如果事件B A ,互斥，那么事件B A +发生（注：B A +表示事件B A ,至少有一个发生）的概率，等于事件B A ,分别发生的概率的和，即).()()(B P A P B A P +=+推广：一般地，若n A A A ,,,21 彼此互斥，那么).()()()(2121n n A P A P A P A A A P +++=+++ 注：若A，B 不互斥，则).()()()(B A P B P A P B A P -+=（3）对立事件：如果两个互斥事件必有一个发生，那么称这两个事件为对立事件.事件A 的对立事件记为.A （4）对立事件的概率公式：).(1)(A P A P -=注：“至多”，“至少”的问题考虑反面（对立事件）往往比较简单.例2-1：某中学的学生积极参加体育锻炼，其中有96%的学生喜欢足球或游泳，60%的学生喜欢足球，82%的学生喜欢游泳，则该中学既喜欢足球又喜欢游泳的学生数占该校学生总数的比例是（）A.62% B.56% C.46% D.42%例2-2：将一枚骰子连续抛掷两次，至少有一次向上的点数为1的概率是.答：2-1：C；2-2：.36115.事件的独立性（1）条件概率：一般地，对于两个事件A 和,B 在已知事件B 发生的条件下事件A 发生的概率，称为事件B 发生的条件下事件A 的条件概率，记为).|(B A P 概率的乘法公式：).()|()(B P B A P AB P =注：事件AB 表示事件A 和事件B 同时发生.（2）事件的独立性①定义：一般地，若事件B A ,满足)()|(A P B A P =（即事件B 发生不影响事件A 发生的概率），则称事件B A ,独立.②性质：若事件B A ,相互独立，则事件A 与B ，A 与,B A 与B 都相互独立.③公式：事件B A ,相互独立的充要条件是).()()(B P A P AB P =④推广：若n A A A ,,,21 相互独立，则这n 个事件同时发生的概率为).()()()(2121n n A P A P A P A A A P =⑤区别：独立事件与互斥事件的根本区别在于是否能同时发生，如果不能那是互斥事件，如果能再满足)()()(B P A P AB P =则为独立事件.注：求条件概率的两个思路：思路一：缩减样本空间法计算条件概率，如求P (A |B )，可分别求出事件B ，AB 包含的基本事件的个数，再利用公式P (A |B )＝n (AB )n (B )计算；思路二：直接利用公式计算条件概率，即先分别计算出P (AB )，P (B )，再利用公式P (A |B )＝P (AB )P (B )计算.（3）全概率公式设n A A A ,,,21 是一组两两互斥的事件，,21Ω=n A A A 且,0)(>i A P ,,,2,1n i =则对任意的事件,Ω⊆B 有∑==ni i i A B P A P B P 1).|()()(我们称上面的公式为全概率公式.全概率公式是概率论中最基本的公式之一.6.离散型随机变量及其概率分布（1）随机变量：一般地，如果随机试验的结果可以用一个变量来表示，那么这样的变量叫做随机变量，通常用大写拉丁字母Z Y X ,,（或小写的希腊字母ξ，η，ζ）等表示，而用小写拉丁字母z y x ,,（加上适当下标）等表示随机变量可能的取值.（2）离散型随机变量的概率分布：一般地，假定随机变量X 有n 个不同的取值，它们分别是1x ，2x ，…，n x ，且()i i P X x p ==，1,2,,i n =⋅⋅⋅，①则称①为随机变量X 的概率分布列，简称为X 的分布列．也可以将①用表的形式来表示．X 1x 2x …nx P1p 2p …np 我们将表称为随机变量X 的概率分布表．它和①都叫做随机变量X 的概率分布．注：①),,2,1(0n i p i =≥；②121=+++n p p p ；③求随机变量的概率分布的步骤：1.确定X 的可能取值(1,2,)i x i =…；2.求出相应的概率()i i P X x p ==；3.列成表格的形式.7.常见离散型随机变量的概率分布（1）两点分布（0-1分布）若随机变量X 服从两点分布，即其分布列为X01P p-1p 则,)(p X E =).1()(p p X D -=（2）超几何分布一批产品共N 件，其中有M 件次品，任取n 件，其中恰有X 件次品，则事件}{r X=发生的概率为()r n r M N MnN C C P X r C --==，0,1,2,,r m = ，其中{}min ,m n M =，称X 服从超几何分布，记为),,,(~N M n H X 并将()r n r M N MnNC C P X r C --==记为).,,;(N M n r H X 01…mP00n M N Mn NC C C --11n M N Mn NC C C --…m n m M N Mn NC C C --则N nM X E =)(；)1())(()(2---=N N n N M N nM X D （了解）.8.二项分布（1）n 次独立重复试验（伯努利试验）一般地，由n 次试验构成，且每次试验相互独立完成，每次试验的结果仅有两种对立的状态，即A 和,A 每次试验中.0)(>=p A P 我们将这样的试验称为n 次独立重复试验，也称为伯努利试验.（2）二项分布一般地，在n 次独立重复试验中，设事件A 发生的次数为,X 在每次试验事件A 发生的概率均为,p 那么在n 次独立重复试验中，事件A 恰好发生k 次的概率为),2,1,0()1()(n k p p C k X P k n kk n =-==-.此时称随机变量X 服从参数为p n ,的二项分布，记作).,(~p n B X（3）均值与方差若),,(~p n B X 则np x E =)(，).1()(p np x V -=注：超几何分布与二项分布的区别与联系（1）区别：是否有放回是两个的本质区别，有放回是二项分布，无放回是超几何分布；（2）联系：当总体容量较大时如流水线上，也可以用二项分布近似超几何分布.9.离散型随机变量的均值与方差（1）一般地，若离散型随机变量X 的概率分布为X 1x 2x…nx P1p 2p …np 其中,1,,,2,1,021=+++=≥n i p p p n i p 则有如下公式1.均值（数学期望）：.)(2211n n p x p x p x X E ++==μ它反映了离散型随机变量取值的平．均水平．．．．注：对于连续型变量通常取“组中值”来代替i x 计算期望.2.方差：.)()()()(22221212n n p x p x p x X V μμμσ-++-+-== (方差也可以用V(x)表示），它刻画了随机变量X 与其均值E (X )的平均偏离程度．．．．．．.．3.标准差：.)(X V =σ注：随机变量的方差和标准差都反映了随机变量的取值偏离于均值的平均程度.方差或标准差越小，随机变量偏离于均值的平均程度就越小，稳定性就越好.（2）均值和方差的性质若随机变量b aX Y +=（b a ,为常数），则,)()(b X aE Y E +=).()(2X V a Y V =10.正态分布（1）正态曲线函数,21)(222)(σμπσ--=x e x f 其中实数μ和σ为参数(σ>0，μ∈R).我们称函数)(x f 的图象为正态分布密度曲线，简称正态曲线．（2）正态曲线的特点①曲线位于x 轴上方，与x 轴不相交；当x 无限增大时，曲线无限接近x 轴.②曲线是单峰的，它关于直线μ=x 对称；③曲线在μ=x 处达到峰值1σ2π；④曲线与x 轴之间的面积为1；⑤当σ一定时，曲线的位置由μ确定，曲线随着μ的变化而沿x 轴平移，如图甲所示；⑥当μ一定时，曲线的形状由σ确定，σ越小，曲线越“瘦高”，表示总体的分布越集中；σ越大，曲线越“矮胖”，表示总体的分布越分散，如图乙所示．（3）正态分布的定义及表示①若随机变量X 的概率分布密度函数为,21)(222)(σμπσ--=x e x f 则称随机变量X 服从正态分布，则记作),(~2σμN X ．其中，参数μ反映了正态分布的集中位置，σ反映了随机变量的分布相对于均值μ的离散程度，此时=)(X E μ，=)(X D 2σ.特别地，当10==σμ，时，称随机变量X 服从标准正态分布，记作X~N （0，1）.②若),,(~2σμN X 则如图所示，X 取值不超过)(x X P ≤为图中区域A 的面积，而)(b X a P ≤≤为区域B的面积.（4）正态总体在三个特殊区间内取值的概率值①P(μ－σ<X ≤μ＋σ)＝0.6826；②P(μ－2σ<X ≤μ＋2σ)＝0.9544；③P(μ－3σ<X ≤μ＋3σ)＝0.9974．注：在实际应用中，通常认为服从正态分布),(2σμN 的随机变量X 只取]3,3[σμσμ+-之间的值，这在统计学中称为σ3原则.在次区间以外取值的概率只有0.0026,通常认为这种情况几乎不可能发生.【解题规范】【2014江苏高考】盒中共有9个球，其中有4个红球，3个黄球和2个绿球，这些球除颜色外完全相同。
考研数学概率论与数理统计笔记知识点(全)
三 二二维连续型随机变量量（积分积出来的就是连续的）
1.定义：概率密度积分（二二重积分）
2.联合概率密度
1）性质：1.非非负性；2.规范性
2）应用用：求P，就是求二二重积分
在f（x，y）的连续点上，分布求二二阶倒数就是概率密度
步骤：1）画图（为了了解不不等式）
2）讨论
3）代入入（注意端点）
第三章 多维随机变量量及其分布
知识点：一一 二二维随机变量量及其分布函数 二二 二二维离散型随机变量量 三 二二维连续型随机变量量 四 二二维随 机变量量函数的分布
一一 二二维随机变量量及其分布函数
1.二二维随机变量量就是一一个（X，Y）向量量
要注意是一一维的（是用用一一个变量量表示）
4.离散+连续（一一定是使用用全概率公式的）
定义：X为离散型，Y为连续型，且相互独立立
六 全概率公式与⻉贝叶斯公式（关键在于完备事件组）
1.完备事件组：互斥是对立立的前提条件
2.全概率公式：由因到果（推导，画图）（全部路路径）
3.⻉贝叶斯公式：由果到因（推导，画图）（所占的比比例例）
Note：关键是1.完备事件组必须完备；2.要画图3注意抽签原理理
题型一一：概率的基本计算
1.事件决定概率，但是概率推不不出事件
3.边缘概率密度
1）具体就是边缘分布函数求导（详⻅见笔记）
Note：注意边缘的公式，在求时，注意取值范围，以及上下限（一一根直线传过去）（类似于 二二重积分的先积部分——后积先定限，限内画条线）
2）G是从几几何看出来的，不不要死记公式，要结合图像（G为非非零区域）
Note：1.在写公式之前要先保证分⺟母不不为0，即要先确定范围
概率论第三章(3,4,5)
e x y
y
x0
对y>0 P{ X>1| Y=y }
1
ex y dx e x y
1 y
y 1
e
例3 设( X, Y )服从单位圆上的均匀分布， 概率密度为:
1 2 2 , x y 1 f ( x , y ) 0, 其它
2
求 fY |X ( y | x ) y 1 x 解：
体重X 的分布
身高Y 的分布
现在若限制1.7<Y<1.8(米), 在这个条件下 去求X的条件分布，这就意味着要从该校的学 生中把身高在1.7米和1.8米之间的那些人都挑 出来，然后在挑出的学生中求其体重的分布. 容易想象，这个分布与不加这个条件 时的分布会很不一样.
一、离散型r.v.的条件分布 定义1： 设 (X,Y) 是二维离散型随机变量，
f ( x, y) f X ( x) fY ( y)
故X和Y不独立 .
对于正态分布有如下结论：
二维随机变量 ( X , Y ) ~ N (1, 2 ,1, 2 , ),
则X,Y相互独立 0
n维随机变量的边缘分布与独立性
1.边缘分布
设n维随机变量(X1,X2,...,Xn)的分布函数为 F(x1,x2,...,xn), (X1,X2,...,Xn)的k（1k<n)维 边缘分布函数就随之确定，
P( X xi |Y y j ) 0,
i = 1,2, …
i 1
P( X xi | Y y j ) 1
例1 一射手进行射击，击中目标的概率为 p，(0<p<1)， 射击进行到击中目标两次为 止。以 X 表示首次击中目标所进行的射击次数， 以 Y 表示总共进行的射击次数。试求 X 和 Y 的联合分布及条件分布.
概率论与数理统计 韩旭里 3-2,3,4
dF X ( x ) f X ( x) dx
x
f ( x , y )dy f ( x , y )dx
同理，Y的概率密度为
dFY ( y ) fY ( y ) dy
分别称 f X ( x ), fY ( y )为( X , Y )关于 X和关于 Y的边缘概率密度.
容易想象，这个分布与不加这个条件时的分布会 很不一样. 例如，在条件分布中体重取大值的概率会显著增 加.
1、二维离散型随机变量的条件分布律 定义 设 ( X ,Y ) 是 二 维 离 散 型 随 机 变 , 量 对于固定
的 j , 若 P{Y y j } 0, 则 称 P{ X x i Y y j } P{ X x i , Y y j } P{Y y j } , i 1,2,L
0
设(X,Y)的分布函数为F(x,y)，概率密度为f(x,y)。且 f(x,y)连续和边缘概率密度fY(y)连续，且fY(y)>0，则有：
FX Y ( x y )
x
f (u, y ) du fY ( y )
若记 f X Y ( x y ) 为条件Y=y下X的条件概率密度，则由上 式知：
例3 设随机变量 X 和 Y 具有联合概率密度
6, x 2 y x , f ( x, y) 0, 其他. 求边缘概率密度 f X ( x ), fY ( y ) .
解
f X ( x)
y y x
(1,1)
y x2
O
f ( x, y) d y
f X ( x)
当－1<y<1时有：
1/ 1 2 2 f ( x, y) 2 2 1 y f X Y ( x y) ＝ 1 y fY ( y) 0
概率论与数理统计第三四章习题
. 第三、四章练习题 一、 填空题1. 设随机变量函数X 和Y 具有联合概率密度⎪⎩⎪⎨⎧<<<<=其他020,4081),(y x y x f ，则P{Y X <}= ；2. 已知离散型随机变量X 与Y 相互独立，且{0}{0}0.3P X P Y ====，{1}{1}0.7P X P Y ====，则{1}P X Y +== ，{}P X Y == ；3. 设随机变量~(,)X b n p ，且5.0)(=X E ， 45.0)(=X D ，则=n ，=p ；4. 若~(2)X π，则(22)D X += ；5. 已知随机变量~(2,4)X N ，~(1,3)Y N ，X 与Y 相互独立，则32X Y -服从的分布为 ；6. 已知()1E X =-，()3D X =，则2(31)E X -= ；7. 设~(10,0.6)X N ，~(1,2)Y N ，且X 与Y 相互独立，则=)(XYE ，=-)3(Y XD ； 8. 设随机变量X 在区间(0,2)上服从均匀分布，且21Y X =+，则()E Y=, ()D Y=；9. 设随机变量X 与Y 的方差分别为()25D X =，()16D Y =，相关系数0.4XY ρ=，则()D X Y += ；10. 若随机变量X 与Y 相互独立，则相关系数XY ρ= .二、 判断题1. 设X 为随机变量，C 为常数，则()()D X C D X C +=+；2. 设X 为随机变量，C 为常数，则()()E X C E X C +=+；3. 若随机变量,X Y 相互独立，则,X Y 一定不相关；4. 设随机变量X 和Y 都服从标准正态分布，则Y X +一定服从正态分布；5. 若X 与Y 相互独立，则cov()0X Y =，；6. 已知随机变量~(0,1)X U ，2Y X =，则随机变量X 与Y 不相关；7. 已知随机变量~(1,1)X U -，2Y X =，则随机变量X 与Y 不相关；8. 随机变量X 和Y 的联合分布决定X 和Y 的边缘分布.三、 计算题1. 设(,)X Y 的概率密度为, 01,0(,)0, cxy x y xf x y ≤≤≤≤⎧=⎨⎩其他，求（1）c 的值;(2)两个边缘概率密度；（3）说明,X Y 是否相互独立；（4）条件概率密度()X Y f x y .2. 二维随机变量(,)X Y 的概率密度为(2),0,0(,)0,x y Ae x y f x y -+⎧>>=⎨⎩其他，求：（1）系数A ；（2）,X Y 的边缘概率密度函数；（3）问,X Y 是否独立；（4）Z X Y =+的概率密度.3. 某射手有5发子弹，射击一次命中率为0.9，如果他命中目标就停止射击，不命中就一直射到 用完5发子弹，求所用子弹数X 的分布律、数学期望和方差.4. 设二维随机变量(,)X Y 的分布律为（见右表），已知()1E Y =，试求：（1）常数,αλ；（2）()E X .5. 设连续型随机变量X 的分布函数为381, 2,()0, 2x F x x x ⎧⎪-≥=⎨⎪<⎩.，求X 的期望与方差.6. 按节气出售的某种节令商品，每售出1kg 可获利10元，过了节气可将剩余的这种商品全部处理，每处理1kg 净亏损2元.设某商店在节令内这种商品的销售量X （单位：kg ）服从(20,40)内的均匀分布.为使商店获得利润Y 的数学期望最大，问该商店的进货量t 应为多少？。
概率论与数理统计：4-3协方差及相关系数
协方差的计算公式
1 CovX ,Y EXY EX EY 2 DX Y DX DY 2CovX ,Y .
性质
1. CovX ,Y CovY , X . 2. CovaX ,bY abCovX ,Y . a ,b为常数. 3. CovX1 X2 ,Y CovX1,Y CovX2 ,Y .
易知E(X)=0,E(Y)=5/2,E(XY)=0,于是 xy 0,
X,Y不相关.这表示X,Y不存在线性关系.
但,P{X=-2,Y=1}=0 P{X=-2}P{Y=1},知X,Y不
是相互独立的.事实上,X和Y具有关系:Y=X2,Y 的值完全可由X的值所确定.
例2
设X ,Y ~
N
1
,
2
,
2 1
2
1 2
1
2tu
1 2u2
u2 t2
e 2 2 dtdu
1 2 2
u2e
u2 2
du
e
t2 2
dt
1
2
1
2
2
ue
u2 2
du
te
t2 2
dt
1 2 2 2 , 2
故有 CovX ,Y 1 2 .
于是
XY
CovX ,Y DX DY .
得出结论
二维正态分布密度函数中,参数代表了X与Y
协方差及相关系数
协方差与相关系数的概念及性质 相关系数的意义
一、协方差与相关系数的概念及 性质
提出问题
若随机变量X和Y相互独立
DX Y DX DY 若随机变量X和Y不相互独立 DX Y ?
DX Y EX Y 2 EX Y 2 DX DY 2EX EX Y EY .
华东理工大学 概率论课件 3-4C13-4条概、全概公式48ps
P(| A) 符合概率定义中的三个条件：
1)对每一个事件 B ， P(B| A) 0
2) P(| A) 1
3)设 B1, B2 ,, Bn是两两互不相容的事件，则有
P( Bi | A) P(Bi | A)
i 1
i 1
P(| A) 具有概率的重要结果：
1) 如 B1, B2,, Bn 是两两互不相容的事件，则
1.3条件概率 与独立性
复习返回
条件概率 Conditional Probability
抛掷一颗骰子,观察出现的点数 A={出现的点数是奇数}＝｛１，３，５｝ B={出现的点数不超过3}＝｛１，２，３｝
若已知出现的点数不超过3，求出现的点数是奇数的概率?
即:事件 B 已发生，求事件 A
AB
的概率 Ｐ（Ａ｜Ｂ）
A
(AB )
B
A B 都发生，但样本空间
(A)
(B )
缩小到只包含Ｂ的样本点
P( A | B) AB 2
(n)
B 3
条件概率 Conditional Probability
定义
设(, F, P)为一概率空间， A, B F,且P(B) 0,则称
P( A B) P( AB) P(B)
为在事件Ｂ发生的条件下，事件Ａ发生的条件概率．
1 7 1 9 3 1 197 0.985 2 10 2 10 10 2 200
方法二：先算对立事件的概率。
B A1 A2 A3
1 31 3
P( B )
P( A3|
A1 A2 )
P( A2|
A1) P( A1)
10
10
2
200
P(B) 1 P(B ) 1 3 197 0.985 200 200
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
X 和Y 相互独立
P{ X xi ,Y y j } P{ X xi }P{Y y j }.
2. 设连续型随机变量( X , Y )的联合概率密度为
f ( x , y ), 边缘概率密度分别为 f X ( x ), f Y ( y ), 则有
X 和Y 相互独立 f ( x, y) f X ( x ) fY ( y)
若X与Y独立,则对任意实数x, y 有 f ( x , y) f X ( x ) fY ( y) 取 x 从而
1 1
1 , y 2
即
则 2 1 2 2 1 2 1 2
1 2 1
0
结论 若( X, Y) 服从二维正态分布 N ( 1 , 2 , 12 , 22 , ) 则 X与Y 独立的充要条件是 = 0.
f 其中 f ( x , y)是X,Y的联合概率密度，X ( x ), fY ( y)
分别是X和Y 的边缘概率密度 . 二维随机变量 ( X, Y ) 相互独立,则边 缘分布完全确定联合分布
例4 设某种货物的需求量X与供应量Y 都在[0，a]上 服从均匀分布,并且两者相互独立,求缺货的概率.
解: 由题设 fX(x)=
2 x 1 2 x 1 y 2 y 2 1 exp 2 2 2 2 1 2 2 2 1 1 f X ( x ) fY ( y)
必要性.
课堂练习. 设随机变量X与Y相互独立且同分布,已知
1 P X 1 P Y 1 2
1 P X 1 P Y 1 2
则（ B ）.
A P X Y 1
1 C P XY 1 4
1 B PX Y 2 1 D P X Y 0 4
x1
x2
1 24
1 8
1 12
1 4
1 8
3 8
1 2
1 4
3 4
p j P{Y y j }
1 6
1 3
1
三、连续型随机变量的独立性
若 (X,Y)是连续型随机变量,则上述独立性 的定义等价于： 若对任意的 x, y, 有 f ( x, y) f X ( x ) fY ( y) 成立,则称X,Y相互独立 .
x>0
y >0
dx e y
e y , 即 f X ( x ) xe , x 0 fY ( y) 其它 0, 0, X和Y相互独立.
x
y0 其它
四、小结
1. 若离散型随机变量 ( X,Y )的联合分布律为
P{ X xi , Y y j } pij , i , j 1,2,.
1 2, f(x,y)=fX(x)fY(y)= a 0,
x> y
1 0 xa a 0 其他
fY(y)=
1 , a 0,
0 y a, 其他.
0 x a,0 y a , 其他.
a
P{X>Y}= f(x, y)dxdy 0 =
则称随机变量 X, Y 相互独立 .
两事件A,B独立的定义是： 若P(AB)=P(A)P(B) 则称事件A,B独立 .
用分布函数表示,即 设 X,Y是两个随机变量,若对任意实数x,y,有
F ( x, y) FX ( x)FY ( y)
则称X,Y相互独立 .
它表明,两个随机变量相互独立时,它们的 联合分布函数等于两个边缘分布函数的乘积 .
例6（补充)设(X,Y)的概率密度为
xe ( x y ) , f ( x, y) 0,
问X和Y是否独立？
x 0, y 0 其它
f X ( x ) xe ( x y )dy xe x 解： 0
fY ( y) xe
0 ( x y)
例1 问 X与Y 是否独立？ (X, Y) 的联合分布律为: Y X 0 1 0 0.3 0.2 1 0.4 0.1
解:
边缘分布律为: X
P
0
0.7
1
0.3
Y P
0 0.5
1 0.5
因为 P ( X 0, Y 0) 0.3
P ( X 0) P (Y 0) 0.7 0.5 0.35, 所以不独立.
1 2
dx
x 0
1 1 2a 1 dy 2 x 0 2 a 2 a
2 2 例5 设 ( X ,Y ) ~ N ( 1 , 2 , 1 , 2 , )
证明: X与Y相互独立的充要条件是: 0 证: 充分性. 若 0
f x, y 1 2 1 2 1 2
§3.4
随机变量的独立性
一、随机变量的相互独立性
二、离散型随机变量的独立性
三、变量的相互独立性
随机变量的独立性是概率论中的一个重要概念. 设 (X,Y)为二维随机变量,若对任意的实数x, y, 有
定 义
P ( X x ,Y y ) P ( X x ) P (Y y )
二、离散型随机变量的独立性
若 (X,Y)是离散型随机变量,则上述独立 性的定义等价于： 对(X,Y)的所有可能取值(xi, yj),有
P{ X xi , Y y j } P{ X xi }P{Y y j }
则称X和Y相互独立.
即此时X与Y相互独立 Pij Pi P j
例2(补充) 已知 ( X ,Y ) 的分布律为
( X ,Y ) (1,1) (1,2) (1,3) ( 2,1)
1 3
( 2,2)
( 2,3)
pij
1 6
1 9
1 18
(1) 求与 应满足的条件; (2) 若 X 与 Y 相互独立, 求 与 的值.
解 将 ( X ,Y ) 的分布律改写为
Y
X
1 2
1 1 6 1 3
2 1 9
3 1 18
1 9
1 18
pi P{ X xi } 1 3 1 3
2 3
p j P{Y y j } 1 2
2 (1)由分布律的性质知 0, 0, 1, 3
1 故与 应满足的条件是 : 0, 0 且 . 3
(2) 因为 X 与 Y 相互独立, 所以有
pij pi p j , ( i 1,2; j 1,2,3)
特别有
p12 p1 p2 1 9
1 1 2 , 9 3 9
又
1 1 , 得 . 3 9
例3(补充) 设随机变量X,Y相互独立,下表给出了 X与Y的联合概率与边缘概率的部分值,填写其 余概率值. Y y1 y2 y3 p P { X x } i i X