概率讲义02

合集下载

2014年自考 概率论与数理统计串讲讲义 第二章 随机变量及其概率分布

2014年自考 概率论与数理统计串讲讲义 第二章  随机变量及其概率分布

第二章 随机变量及其概率分布1. 离散型随机变量()01k K K KP X x p p ==≥⎧⎪⎨=⎪⎩∑ 例1 设 ,则3.02.05.01=--=c2.常见离散型随机变量(1)0—1分布:设X ~),1(p B ,则应用背景:一次抽样中,某事件A 发生的次数X ~),1(p B ,其中EX X P A P p ====)1()(例2 设某射手的命中率为p ,X 为其一次射击中击中目标的次数,则X ~),1(p B(2)二项分布:设X ~),(p n B ,则()(1),0,1,2,,k k n k n P X k C p p k n -==-=应用背景:n 次独立重复抽样中某事件A 发生的次数X ~),(p n B ,其中()p P A =为事件A 在一次抽样中发生的概率。

例3 某射手的命中率为0.8,X 为其5次射击中命中目标的次数,则X 取的可能值为5,,1,0 ,52()0.80.2k k k P X k C -==,即X ~)8.0,5(B记住:若X ~),(p n B ,则np EX =,)1(p np DX -=(3)泊松(Poisson )分布 若(),0,1,2,!KP X k e k k λλ-===则称X 服从参数λ的泊松分布,且DX EX ==λ,记X ~)(λB ,0>λ应用背景:偶然性事件发生的次数X 一般服从某个参数的泊松分布,如某地的降雨的次数,车祸发生的次数等等。

另外,当Y ~),(p n B ,且n 很大,P 很小时,令np =λ,则()!kP Y k e k λλ-=≈例4 一个工厂生产的产品中的次品率0.005,任取1000件,计算解:设X 表任取的1000件产品中的次品数,则X ~)005.0,100(B ,由于n 很大,p 很小,令5==np λ则(1)55551506151!15!051)1()0(1)2(------=--=--≈=-=-=≥e e e e e X P X P X P (2)5505(5)!kk P X e k -=≤≈∑3.随机变量的分布函数:X 的分布函数为)()(x X P X F ≤=,+∞<<∞-x)(x F 的性质:①1)(0≤≤x F②若21x x <,则0)()(12≥-x F x F③1)(,0)(=+∞=-∞F F④)()(b F b X P =≤,)(1)(),()()(b F b X P a f b F b X a P -=>-=≤<例5 设X 的分布函数⎩⎨⎧≤>+=-0,00,)(x x be a x F x λ,其中0>λ,则______=a b=______. 解:由1)(=+∞F 知1=a (因为a be a F x x =+=+∞-+∞→)(lim )(λ)由0)(=-∞F ,及题设0≤x 时0)(=x F ,故0)1()()(lim 0=+=+=-→+b be a x F x x λ综上有⎩⎨⎧≤>-=-0,00,1)(x x e x F x λ,即1,1-==b a例6 设X 的分布函数⎪⎩⎪⎨⎧≥<≤<=e x e x x x x F ,11,ln 1,0)(求 )5.22(),30(),2(≤<≤<≤X P X P X P解:2ln )2()2(==≤F X P101)0()3()30(=-=-=≤<F F X P25.1ln 2ln 5.2ln )2()5.2()5.22(=-=-=≤<F F X P4. 连续型随机变量若((,))()b a P X a b f x dx ∈=⎰,其中b a <任意,则称X 为连续型随机变量。

概率讲义第2章

概率讲义第2章

第二章 随机变量及其分布第一节 引论一.集合论初步1.对等的概念2.有限集、无限集、可列集、不可数集、幂集)(A ℜ、基数A3.命题1:N Q ~、N Z ~、1~),(~]1,0[~]1,0(R b a命题2:区间]1,0(是一个不可数集,记ℜ=]1,0(,称为连续基数。

4.命题1:任给一集A ,则)(A ℜ=};{A B B ⊂与A 不对等。

证明:反证之。

若A A ~)(ℜ,则可记)(A ℜ=};{A x B x ∈,即可将)(A ℜ中的元素用A 的元素来标记(使)(A ℜ与A 的元素一一对应)。

对于A x ∈∀,只有下列两种情形之一发生:x B x i ∈)(或x B x ii ∉)(。

令D =},;{A x B x x x ∈∉,有)(A D ℜ∈,因此可知A x ∈∃0,满足D B x =0。

若D x ∈0,则00x B x ∉,即D x ∉0,矛盾;若D x ∉0,则00x B x ∈,即D x ∈0,矛盾。

证完命题2:最大的基数不存在。

命题3(Cantor-Bernstein 定理):若A 与B 的一个子集*B 对等,而B 与A 的一个子集*A 对等,则A 与B 对等。

即B B A ⊂*~,A A B ⊂*~B A ~⇒5.定义:设有集合A 与B ,α=A ,β=B 。

记从B 到A 的一切映射所构成的集合为B A ,则称B A 的基数为α的β次幂βα。

例如:},,2,1{n B =,}1,0{A ,则B 到A 的映射总数正好是n 2。

命题1:设α=A ,则α2)(=ℜA证明:α2是集合A }1,0{的基数,而A }1,0{就是定义在A 上的A 中子集的特征函数(映射)全体形成的集合,而对应于A 中的每个子集E ,均惟一地对应一个特征函数)(x E χ=⎩⎨⎧-∈∈E A x E x ,0,1,反之亦然,这说明)(A ℜ与A}1,0{是对等的。

命题2:ℜ=ℜ02证明:只需比较N }1,0{与]1,0(的基数。

《概率》 讲义

《概率》 讲义

《概率》讲义一、什么是概率在我们的日常生活中,经常会听到“可能”“也许”“大概”这样的词汇,这些词所表达的不确定性,在数学中就可以用概率来描述。

概率,简单来说,就是衡量某个事件发生可能性大小的一个数值。

比如抛一枚硬币,正面朝上和反面朝上的可能性各占一半,我们就说抛硬币正面朝上的概率是 05 。

概率的取值范围在 0 到 1 之间。

如果一个事件完全不可能发生,那么它的概率就是0 ;如果一个事件肯定会发生,那么它的概率就是1 。

而大部分事件发生的概率则介于 0 和 1 之间。

二、概率的计算方法计算概率有多种方法,其中最基本的就是古典概型和几何概型。

古典概型适用于试验结果有限且等可能的情况。

例如,一个盒子里有 5 个红球和 3 个白球,从中随机取出一个球,求取出红球的概率。

因为总共有 8 个球,取出每个球的可能性相等,而红球有 5 个,所以取出红球的概率就是 5÷8 = 0625 。

几何概型则适用于试验结果是无限的情况。

比如在一个单位圆中随机取一点,求这个点落在圆的某个扇形区域内的概率,这时就需要通过计算扇形区域的面积与整个圆的面积之比来得到概率。

除了这两种基本的概型,还有一些更复杂的概率计算方法,比如条件概率和全概率公式。

条件概率是指在已知某个事件发生的条件下,另一个事件发生的概率。

例如,已知今天下雨,明天也下雨的概率就是一个条件概率。

全概率公式则是将一个复杂的事件分解为多个简单的互斥事件,然后通过这些简单事件的概率来计算复杂事件的概率。

三、概率在生活中的应用概率在我们的生活中有着广泛的应用,从简单的游戏到复杂的决策都离不开它。

在彩票中,虽然中奖的概率极低,但仍然吸引着很多人购买,这是因为人们总是抱着一丝侥幸心理,希望自己成为那个幸运儿。

但从概率的角度来看,购买彩票中大奖更多的是一种娱乐,而不是可靠的致富方式。

在保险行业,保险公司通过对各种风险发生的概率进行计算和评估,来确定保险的费率和赔偿金额。

《概率》 讲义

《概率》 讲义

《概率》讲义一、什么是概率在我们的日常生活中,经常会听到“可能”“也许”“大概”这样的词汇,而这些词所表达的不确定性,在数学中可以用“概率”来进行量化和研究。

概率,简单来说,就是用来衡量某个事件发生可能性大小的一个数值。

这个数值在 0 到 1 之间。

如果一个事件发生的概率是 0,那就意味着这个事件几乎不可能发生;如果概率是 1,那就表示这个事件肯定会发生;而如果概率在 0 和 1 之间,比如 05,那就说明这个事件有一半的可能性会发生。

举个例子,抛一枚均匀的硬币,正面朝上和反面朝上的概率都是 05。

因为硬币只有正反两面,而且在理想情况下,硬币正反面出现的机会是均等的。

再比如,从一个装有 5 个红球和 5 个白球的袋子中随机摸出一个球是红球的概率,就是 05。

二、概率的计算方法1、古典概型古典概型是一种最简单的概率模型。

在古典概型中,如果一个试验有 n 个等可能的结果,事件 A 包含其中的 m 个结果,那么事件 A 发生的概率 P(A) = m / n 。

例如,一个盒子里有 3 个红球和 2 个白球,从中随机取出一个球是红球的概率,总共有 5 个球,其中红球有 3 个,所以取出红球的概率就是 3/5 。

2、几何概型几何概型是另一种常见的概率模型。

当试验的结果是无限个,且每个结果出现的可能性相等时,我们常常使用几何概型来计算概率。

比如说,在一个时间段内等待公交车,假设公交车在这段时间内任何时刻到达的可能性相等,那么我们计算在某一特定时间段内等到公交车的概率时,就可以使用几何概型。

3、条件概率条件概率是指在某个条件下,某个事件发生的概率。

假设事件 A 和事件 B,在事件 B 已经发生的条件下,事件 A 发生的概率,记作 P(A|B) 。

例如,已知一个家庭有两个孩子,其中一个是女孩,那么另一个孩子也是女孩的概率就是一个条件概率。

三、概率在实际生活中的应用1、保险行业保险公司在制定保险政策和计算保费时,会大量使用概率知识。

概率论第二章(课件2)

概率论第二章(课件2)

条件概率具有非负性、规范性、乘法 法则和全概率公式等性质。
贝叶斯定理
贝叶斯定理的表述
对于任意两个事件A和B,有 P(B|A)=P(A|B)P(B)/P(A)。
贝叶斯定理的应用
贝叶斯定理常用于在已知某些条件 下,对其他条件的发生概率进行推 断和更新。
贝叶斯定理的意义
贝叶斯定理是概率论中的一个重要 定理,它提供了在已知某些信息的 情况下,对其他信息的可信度进行 评估的方法。
期望的计算
期望的计算公式为E(X)=∑xp(x),其中x为随机变量X的所有可能取值, p(x)为对应的概率。
方差与协方差
方差的定义
方差是随机变量与其期望之间的差的平方的期望,表示随机变量 取值与期望的偏离程度。
方差的性质
方差具有非负性,即对于任何随机变量X,D(X)≥0。
协方差的定义
协方差是两个随机变量的线性相关程度的度量,表示两个随机变量 同时偏离各自期望的程度。
自的概率分布相乘得到。
THANKS
感谢观看
02
随机变量及其分布
离散随机变量
离散随机变量定义
离散随机变量是在可数样本空间上的概率函数。
离散随机变量的概率分布
离散随机变量的概率分布由一个非负整数序列给出,表示在每个样 本点上随机变量取值的概率。
离散随机变量的期望值
离散随机变量的期望值是所有可能取值的概率加权和。
连续随机变量
连续随机变量念 • 随机变量及其分布 • 随机向量及其分布 • 随机变量的函数及其分布 • 随机变量的数字特征
01
概率论的基本概念
概率的定义与性质
01
02
03
概率的定义
概率是描述随机事件发生 可能性大小的数值,通常 用P表示。

概率论与数理统计(茆诗松)第二章讲义(PDF)

概率论与数理统计(茆诗松)第二章讲义(PDF)

第二章 随机变量及其分布上一章研究内容: 事件(集合A )→ 概率(数).本章将用函数研究概率,函数是数与数的关系,即需要用数反映事件——随机变量.事件(数)→ 概率(数).§2.1 随机变量及其分布2.1.1.随机变量的概念随机试验的样本点有些是定量的:如掷骰子掷出的点数,电子元件使用寿命的小时数.有些是定性的:如掷硬币正面或反面,检查产品合格或不合格.对于定性的结果也可以规定其数量性质:如掷硬币,正面记为1,反面记为0;检查产品,合格记为1,不合格记为0.随机试验中,可将每一个样本点ω 都对应于一个实数X (ω),称为随机变量(Random Variable ),常用大写英文字母X , Y , Z 等表示随机变量,而随机变量的具体取值通常记为小写英文字母x , y , z .对于随机变量首先应掌握它的全部可能取值:如掷硬币,⎩⎨⎧=反面正面,0,1X ,X 的全部可能取值为0, 1;掷两枚骰子,X 表示掷出的点数之和,X 的全部可能取值为2, 3, 4, … , 12 ;观察某商店一小时内的进店人数X ,X 的全部可能取值为0, 1, 2, … ;电子元件使用寿命,用X 表示使用的小时数,X 的全部可能取值为 ),0[∞+; 一场足球比赛(90分钟),用X 表示首次进球时间(分钟),若为0:0,记X = 100,X 的全部可能取值为 (0, 90 )∪{100};注意:1. 每个样本点都必须对应于一个实数,2.不同样本点可以对应于同一个实数,3.随机变量的每一取值或取值范围都表示一个事件.应掌握将随机变量的取值或取值范围描述为事件,又能将事件用随机变量表达的方法. 例 掷一枚骰子,用X 表示出现的点数,则 X = 1表示出现1点;X > 4表示点数大于4,即出现5点或6点;X ≤ 0为不可能事件.又出现奇数点,即X = 1, 3, 5;点数不超过3,即X ≤ 3. 例 X 表示商店一天中某商品的销售件数(顾客的需求件数), 则 X = 0表示没有销售;X ≤ 10表示销售不超过10件.又销售5件以上(不含5件)即X > 5;若该商店准备了a 件该商品,事件“能满足顾客需要”,即X ≤ a . 例 X 表示一只电子元件的使用寿命(小时), 则 X = 1000表示该元件恰好使用了1000小时,X ≥ 800表示该元件使用寿命在800小时以上. 例 90分钟足球比赛,X 表示首次进球时间(分钟),且0:0时,记X = 100, 则 X = 10表示上半场第10分钟首次进球.又上半场不进球即X > 45;开场1分钟内进球即X ≤ 1.如果随机变量X 的全部可能取值是有限个或可列个,则称为离散型随机变量.(注:可列个即可以排成一列,一个一个往下数,如非负整数0, 1, 2, 3, … )离散型随机变量的全部可能取值是实数轴上一些离散的点,而连续型随机变量的全部可能取值是实数轴上一个区间或多个区间的并,如电子元件使用寿命X (小时),全部可能取值是),0[∞+.下面按离散型和连续型分别进行讨论.2.1.2. 离散随机变量的概率分布列对于随机变量还应该掌握它的每一取值或取值范围表示事件的概率.定义 如果随机变量X 的全部可能取值是有限个或可列个,则称为离散型随机变量.设离散型随机变量X 的全部可能取值为x 1, x 2, …, x k , …,则X 取值x k 的概率p k = p (x k ) = P {X = x k }, k = 1, 2, …… 称为离散型随机变量的概率分布函数(Probability Distribution Function ,PDF ),简称概率分布或概率函数.直观上,又写为L LLL)()()(2121k kx p x p x p Px x x X 或 ⎟⎟⎠⎞⎜⎜⎝⎛L L L L)()()(~2121k k x p x p x p x x x X , 称为X 的概率分布列.如掷一枚骰子,X 表示出现的点数,X 的分布列为616161616161654321PX . 概率函数基本性质:(1)非负性 p (x k ) ≥ 0 , k = 1, 2, ……; (2)正则性1)(1=∑∞=k kxp .这是因为事件X = x 1 , X = x 2 , … , X = x k , … 是一个完备事件组, 故P {X = x 1} + P {X = x 2} + … + P {X = x k } + … = P (Ω) = 1,即p (x 1) + p (x 2) + … + p (x k ) + … = 1. 例 设盒中有2个红球3个白球,从中任取3球,以X 表示取得的红球数.求X 的分布列. 解:X 的全部可能取值0, 1, 2 ,样本点总数为1035=⎟⎟⎠⎞⎜⎜⎝⎛=n ,X = 0表示“取到3个白球”,所含样本点个数为1330=⎟⎟⎠⎞⎜⎜⎝⎛=k ,有1.0101)0(==p , X = 1表示“取到1个红球2个白球”,所含样本点个数为612231=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=k ,有6.0106)1(==p , X = 2表示“取到2个红球1个白球”,所含样本点个数为322132=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=k ,有3.0103)2(==p . 故X 的分布列为3.06.01.0210P X.求离散型随机变量X 的概率分布步骤: (1)找出X 的全部可能取值,(2)将X 的每一取值表示为事件, (3)求出X 的每一取值的概率.例 现有10件产品,其中有3件不合格.若不放回抽取,每次取一件,直到取得合格品为止.用X 表示抽取次数,求X 的概率分布. 解:X 的全部可能取值1, 2, 3, 4 ,X = 1表示“第1次就取得合格品”,有107)1(=p , X = 2表示“第2次取得合格品且第1次是不合格品”,有30797103)2(=⋅=p , X = 3表示“第3次取得合格品且前两次是不合格品”,有12078792103)3(=⋅⋅=p , X = 4表示“第4次取得合格品且前三次是不合格品”,有1201778192103)4(=⋅⋅⋅=p , 故X 的分布列为120112073071074321PX . 例 上例若改为有放回地抽取,又如何? 解:X 的全部可能取值1 , 2 , … , n , … ,7.0107)1(==p ,21.0107103)2(=⋅=p ,7.03.0)3(2×=p ,…,7.03.0)(1×=−k k p ,…, 故X 的概率函数为L ,2,1,7.03.0)(1=×=−k k p k ;X 的分布列为LL L L 7.03.07.03.021.07.032112××−k PkX .例 若离散型随机变量的概率函数为kCk p =)(,k = 1, 2, 3, 4,且C 为常数. 求:(1)C 的值,(2)P {X = 3},(3)P {X < 3}.解:(1)由正则性知:1432)4()3()2()1(=+++=+++CC C C p p p p ,即11225=C ,故2512=C .(2)254)3(}3{===p X P , (3)25182562512)2()1(}3{=+=+=<p p X P . 2.1.3.随机变量的分布函数连续型随机变量在单个点取值概率为零,如电子元件使用寿命恰好为1000小时这个事件的概率就等于零,因此连续型随机变量不能考虑概率函数.为了用单独一个变量表示一个区间,特别地取区间 (−∞, x ].定义 随机变量X 与任意实数x ,称F (x ) = P {X ≤ x },−∞ < x < +∞为X 的累积分布函数(Cumulative Distribution Function ,CDF ),简称分布函数.P {a < X ≤ b } = P {X ≤ b } − P {X ≤ a } = F (b ) − F (a ),P {X > a } = 1 − P {X ≤ a } = 1 − F (a ),由概率的连续性知)0()(lim }{lim }{−==≤=<−−→→a F x F x X P a X P ax ax ,且P {X = a } = P {X ≤ a } − P {X < a } = F (a ) − F (a – 0),可见X 在任一区间上或任一点取值的概率都可用分布函数表示. 例 已知随机变量X 的分布列为3.05.02.0210PX ,求X 的分布函数.解:X 的全部可能取值为0, 1, 2,当x < 0时,F (x ) = P {X ≤ x } = P (∅) = 0, 当0 ≤ x < 1时,F (x ) = P {X ≤ x } = p (0) = 0.2,当1 ≤ x < 2时,F (x ) = P {X ≤ x } = p (0) + p (1) = 0.7, 当x ≥ 2时,F (x ) = P {X ≤ x } = P (Ω ) = 1,故⎪⎪⎩⎪⎪⎨⎧≥<≤<≤<=.2,1,21,7.0,10,2.0,0,0)(x x x x x F若离散型随机变量的全部可能取值为x 1, x 2, ……,概率函数p (x k ) = p k ,k = 1, 2, ……,则分布函数∑≤=≤=xx kk xp x X P x F )(}{)(.且离散型随机变量的分布函数F (x )是单调不减的阶梯形函数,X 的每一可能取值x k 是F (x )的跳跃点,跳跃高度是相应概率p (x k ).例 已知某离散型随机变量X 的分布函数为⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<≤<≤<≤−−<=,5,1,52,6.0,20,4.0,01,3.01,0)(x x x x x x F 求X 的分布列. 解:X 的全部可能取值是F (x )的跳跃点,即 −1, 0, 2, 5,跳跃高度依次为:p (−1) = 0.3 − 0 = 0.3; p (0) = 0.4 − 0.3 = 0.1; p (2) = 0.6 − 0.4 = 0.2; p (5) = 1 − 0.6 = 0.4.故X 的分布列为4.02.01.03.05201PX −.分布函数的基本性质:(1)单调性,F (x ) 单调不减,即x 1 < x 2时,F (x 1) ≤ F (x 2); (2)正则性,F (−∞) = 0,F (+∞) = 1;(3)连续性,F (x ) 右连续,即)()(lim 00x F x F x x =+→. 证:(1)当x 1 < x 2时,{X ≤ x 1} ⊂ {X ≤ x 2},有F (x 1) ≤ F (x 2);(2)F (−∞) = P {X < −∞} = P (∅) = 0,F (+∞) = P {X < +∞} = P (Ω ) = 1;(3)任取单调下降且趋于x 0的数列{x n },有}{}{}{lim 01x X x X x X n n n n ≤=≤=≤∞=∞→I ,根据概率的连续性知}{}{}{lim 01x X P x X P x X P n n n n ≤=⎟⎟⎠⎞⎜⎜⎝⎛≤=≤∞=∞→I ,即)()(lim 00x F x F x x =+→. 但F (x )不一定左连续,任取单调增加且趋于x 0的数列{x n },有}{}{}{lim 01x X x X x X n n n n <=≤=≤∞=∞→U ,得}{}{}{lim 01x X P x X P x X P n n n n <=⎟⎟⎠⎞⎜⎜⎝⎛≤=≤∞=∞→U , 故}{)(}{)(lim 0000x X P x F x X P x F x x =−=<=−→.2.1.4. 连续随机变量的概率密度函数离散型随机变量的全部可能取值是有限或可列个点,连续型随机变量的全部可能取值是实数区间.但连续型随机变量在单独一个点取值的概率为0,其概率函数无实际意义,对于连续随机变量通常考虑其在某个区间上取值的概率,这就需要讨论分布函数.连续型随机变量的分布函数是连续函数. 注意:概率为0的事件不一定是不可能事件.定义 随机变量X 的分布函数F (x ),若存在函数p (x ),使 ∫∞−=xdu u p x F )()(,则称X 为连续型随机变量,p(x )为X 的概率密度函数(可以理解为:p (u )为概率密度,p (u )du 为X 在该小区间内取值的概率,∫∞−x 为从−∞ 到x 无限求和.几何意义:在平面上作出密度函数p (x )的图形,则阴影部分的面积即为F (x )的值.密度函数基本性质:(1)非负性 p (x ) ≥ 0;(2)正则性 1)(=∫∞+∞−dx x p .因)()(x F du u p x =∫∞−,有1)()(=+∞=∫∞+∞−F dx x p .连续型随机变量的性质:设连续型随机变量X 的概率密度函数为p (x ),分布函数为F (x ),则有 (1)∫=−=≤<21)()()(}{1221x x dx x p x F x F x X x P ;(2)当p (x ) 连续时,p (x ) = F ′(x ); 因∫∞−=x du u p x F )()(,当p (x ) 连续时,有)(])([)(x p du u p x F x=′=′∫∞−(3)X 在单独一个点取值的概率为0,其分布函数为连续函数;(4)P {x 1 < X ≤ x 2} = P {x 1 ≤ X ≤ x 2} = P {x 1 < X < x 2} = P {x 1 ≤ X < x 2},即连续型...随机变量在某区间内的概率与区间开闭无关,离散型则不成立;(5)只在有限个点上取值不相同的密度函数对应于同一个分布函数,一般,只在概率为0的数集上取值不相同的密度函数都对应于同一个分布函数.例 设F (x ) = A + B arctan x 为某连续型随机变量X 的分布函数. 求:(1)A , B ; (2)}31{≤≤−X P ; (3)密度函数p (x ). 解:(1)由正则性 F (−∞) = 0,F (+∞) = 1,得:02π)arctan (lim =−=+−∞→B A x B A x ,12π)arctan (lim =+=++∞→B A x B A x ,故21=A ,π1=B ;(2)x x F arctan π121)(+=,得1274ππ1213ππ121)1()3(}31{=⎥⎦⎤⎢⎣⎡⎟⎠⎞⎜⎝⎛−⋅+−⎟⎠⎞⎜⎝⎛⋅+=−−=≤≤−F F X P . (3)密度函数)1π(1)()(2x x F x p +=′=.例 已知⎩⎨⎧<<−=,,0,10),()(32其它x x x C x p是某连续型随机变量X 的密度函数,求:(1)C , (2)}211{<<−X P , (3)分布函数F (x ).解:(1)由正则性:1)(=∫∞+∞−dx x p ,得1120)4131()43()(10431032==−−=−=−∫C C x x C dx x x C ,故C = 12;(2)165)641241(12)43(12)(12)(}211{2104321032211=−=−=−==<<−∫∫−x x dx x x dx x p X P ;(3)X 的全部可能取值为 [0, 1],分段点0, 1,当x < 0时,0)()(==∫∞−xdu u p x F ,当0 ≤ x < 1时,4304303234)43(12)(12)()(x x u u du u u du u p x F xxx−=−=−==∫∫∞−,当x ≥ 1时, 1)(12)()(132=−==∫∫∞−du u u du u p x F x,故⎪⎩⎪⎨⎧≥<≤−<=.1,1,10,34,0,0)(43x x x x x x F例 已知⎩⎨⎧<<−=,,0,11|,|)(其它x x x p是某连续型随机变量X 的密度函数,求分布函数F (x ).解:分段点−1, 0, 1,当x < −1时,0)()(==∫∞−xdu u p x F ;当−1 ≤ x < 0时, 212122)()()(22121x x u du u du u p x F xxx−=+−=−=−==−−∞−∫∫; 当0 ≤ x < 1时,21221022)()()(220212001x x u u udu du u du u p x F xxx+=++=+−=+−==−−∞−∫∫∫;当x ≥ 1时, 1)()()(101=+−==∫∫∫−∞−udu du u du u p x F x.故⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<≤+<≤−−<=.1,1,10,21,01,21,0,0)(22x x x x xx x F§2.2 随机变量的数学期望对于随机变量,还应当掌握反映其平均值、分散程度等的指标,这就需要引入数学期望和方差等概念. 2.2.1.数学期望的概念例 甲、乙两个射击选手,在射击训练中甲射了10次,其中3次10环,1次9环,4次8环,2次7环;乙射了15次,其中2次10环,9次9环,2次8环,2次7环.问谁的表现更好? 分析:比较他们射中的平均环数甲共射中3 × 10 + 1 × 9 + 4 × 8 + 2 × 7 = 85环,平均每次射中5.81085=环; 乙共射中2 × 10 + 9 × 9 + 2 × 8 + 2 × 7 = 131环,平均每次射中73.815131=&环. 故乙的表现更好.一般地,若在n 次试验中,出现了m 1次x 1,m 2次x 2,…,m k 次x k ,(其中m 1 + m 2 + … + m k = n ),则平均值为∑==+++ki i i k k n mx n x m x m x m 12211L ,即平均值等于取值与频率乘积之和.因n 很大时,频率稳定在概率附近,即平均值将稳定在取值与概率乘积之和附近. 2.2.2.数学期望的定义定义 设离散型随机变量X 的分布列是⎟⎟⎠⎞⎜⎜⎝⎛L L L L )()()(~2121k kx p x p x p x x x X ,如果级数∑∞=1)(k k k x p x 绝对收敛,则称之为X 的数学期望(Expectation ),记为E (X ). 数学期望的实际意义是反映随机变量的平均取值,是其全部可能取值以相应概率为权数的加权平均.如X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛−2.04.01.03.04102,则E (X) = (−2) × 0.3 + 0 × 0.1 + 1 × 0.4 + 4 × 0.2 = 0.6. 例 某人有4发子弹,现在他向某一目标射击,若命中目标就停止射击,否则直到子弹用完为止.设每发子弹命中率为0.4,以X 表示射击次数,求E (X ). 解:先求X 的分布列,X 的全部可能取值为1, 2, 3, 4,X = 1,第一枪就命中, p (1) = 0.4;X = 2,第一枪没有命中,第二枪命中,p (2) = 0.6 × 0.4 = 0.24; X = 3,前两枪没有命中,第三枪命中,p (3) = 0.6 2 × 0.4 = 0.144; X = 4,前三枪没有命中, p (4) = 0.6 3 = 0.216.则X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛216.0144.024.04.04321,故E (X ) = 1 × 0.4 + 2 × 0.24 + 3 × 0.144 + 4 × 0.216 = 2.176.例 若X 的概率函数为L ,2,1,21)2(==⎟⎟⎠⎞⎜⎜⎝⎛−k kp k k,求E (X ). 解:因∑∑∞=∞=−=⋅−11)1(21)2(k kk k k k k 收敛但不是绝对收敛,故E (X ) 不存在.离散型随机变量的数学期望是取值乘概率求和:∑∞=1)(k k k x p x ,类似可定义连续型随机变量的数学期望是取值乘密度积分:∫+∞∞−dx x xp )(.定义 设连续型随机变量X 的密度函数为p (x ).如果广义积分∫+∞∞−dx x xp )(绝对收敛,则称之为X 的数学期望,记为E (X ).例 已知连续型随机变量X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其它x x x p 求E (X ).解:32322)()(1310=⋅=⋅==∫∫∞+∞−x xdx x dx x xp X E . 例 已知X 的密度函数为⎩⎨⎧<<+=.,0,20,)(其它x bx a x p 且32)(=X E ,求a , b . 解:由正则性得122)2()()(2220=+=⋅+=+=∫∫∞+∞−b a x b ax dx bx a dx x p ,又32382)32()()()(20322=+=⋅+⋅=+==∫∫∞+∞−b a x b x a dx bx a x dx x xp X E ,故21,1−==b a . 例 已知X 的密度函数为+∞<<∞−+=x x x p ,)1π(1)(2,求E (X ).解:因+∞∞−+∞∞−+∞∞−+∞∞−+=⋅+=+=∫∫∫)1ln(π21)(21)1π(1)1π()(2222x x d x dx x x dx x xp 发散, 故E (X )不存在. 2.2.3.数学期望的性质设X 为随机变量,g (x ) 为函数,则称Y = g (X ) 为随机变量函数,Y 也是一个随机变量.下面不加证明地给出随机变量函数的数学期望计算公式.定理 设X 为随机变量,Y = g (X ) 为随机变量函数,则(1)若X 为离散型随机变量,概率函数为p(x k ), k = 1, 2, …,则∑∞===1)()()]([)(k k k x p x g X g E Y E ;(2)若X 为连续型随机变量,密度函数为p (x ),则∫+∞∞−==dx x p x g X g E Y E )()()]([)(.数学期望具有以下性质:(1)常数的期望等于其自身,即E (c ) = c ;(2)常数因子可移到期望符号外,即E (aX ) = a E (X );(3)随机变量和的期望等于期望的和,即E [g 1 (X ) + g 2 (X )] = E [g 1 (X )] + E [g 2 (X )]. 证明:(1)将常数c 看作是单点分布p (c ) = 1,故E (c ) = c p (c ) = c ;(2)以连续型为例加以证明,)()()()(X aE dx x xp a dx x axp aX E ===∫∫+∞∞−+∞∞−;(3)以连续型为例加以证明,∫∫∫+∞∞−+∞∞−+∞∞−+=+=+dx x p x g dx x p x g dx x p x g x g X g X g E )()()()()()]()([)]()([212121= E [g 1 (X )] + E [g 2 (X )].由性质(2)、(3)知随机变量线性组合的期望等于期望的线性组合,可见数学期望具有线性性质. 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛−3.04.01.02.02101, 求E (2X +1),E (X 2).解:E (2X +1) = −1 × 0.2 + 1 × 0.1 + 3 × 0.4 + 5 × 0.3 = 2.6;E (X 2) = 1 × 0.2 + 0 × 0.1 + 1 × 0.4 + 4 × 0.3 = 1.8. 例 已知圆的半径X 是一个随机变量,密度函数为⎪⎩⎪⎨⎧<<=.,0,31,21)(其他x x p 求圆面积Y 的数学期望. 解:圆面积Y = π X 2,故3π1332π21π)(π)(3133122=⋅=⋅==∫∫∞+∞−xdx x dx x p x Y E . 例 设国际市场对我国某种出口商品的需求量X (吨)的密度函数为⎪⎩⎪⎨⎧<<=.,0,40002000,20001)(其他x x p 设每售出一吨,可获利3万美元,但若销售不出,每积压一吨将亏损1万美元,问如何计划年出口量,能使国家获利的期望最大.解:设计划年出口量为a 吨,每年获利Y 万美元.当X ≥ a 时,销售a 吨,获利3a 万美元;当X < a 时,销售X 吨,积压a − X 吨,获利3X − (a − X ) = 4X − a 万美元;即⎩⎨⎧<≤−≤≤==.2000,4,4000,3)(a X a X X a a X g Y则4000200024000200020003)2(2000120001320001)4()()()(aa a a x a ax x dx a dx a x dx x p x g Y E +−=⋅+⋅−==∫∫∫+∞∞− 8250)3500(10001400071000122+−−=−+−=a a a , 故计划年出口量为3500吨时,使国家获利的期望最大.§2.3 随机变量的方差与标准差数学期望反映平均值,方差反映波动程度.如甲、乙两台包装机,要求包装重量为每袋500克,现各取5袋,重量为甲:498,499,500,501,502; 乙:490,495,500,505,510.二者平均值相同都是500克,但显然甲比乙好.此时比较的是它们的偏差(即取值与平均值之差).偏差:甲:−2,−1,0,1,2;乙:−10,−5,0,5,10. 2.3.1.方差的定义定义 随机变量X 与其数学期望E (X ) 之差X − E (X ) 称为偏差.偏差有大有小,可正可负,比较时需要去掉符号,但绝对值函数进行微积分处理不方便,因此考虑偏差平方的数学期望.定义 随机变量X ,若E [X − E (X )]2存在,则称之为X 的方差(Variance ),记为Var (X ) 或D (X ).即Var (X ) = E [X − E (X )]2.显然方差Var (X ) ≥ 0,称)Var(X 为X 的标准差(Standard Deviation ).在实际问题中,标准差与随机变量有相同的量纲.方差与标准差反映波动程度.方差越大,取值越分散;方差越小,取值越集中. 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛4.04.02.0321, 求E (X ), Var (X ).解:E (X ) = 1 × 0.2 + 2 × 0.4 + 3 × 0.4 = 2.2;Var (X ) = (−1.2)2 × 0.2 + (−0.2)2 × 0.4 + 0.82 × 0.4 = 0.56. 例 已知X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其他x x x p求E (X ), Var (X ).解:32322)()(1310=⋅=⋅==∫∫∞+∞−x xdx x dx x xf X E ; 181949821949842)98382()()32()Var(1023410232=+−=⎟⎠⎞⎜⎝⎛+−=+−=−=∫∫∞+∞−x x x dx x x x dx x p x X .例 已知X 的全部可能取值为0, 1, 2,且E (X ) = 1.3,Var (X ) = 0.81.求X 的分布列.解:设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛c b a 210,由正则性得:a + b + c = 1,且E (X ) = 0 × a + 1 × b + 2 × c = b + 2c = 1.3,Var (X ) = (−1.3)2 × a + (−0.3)2 × b + 0.72 × c = 1.69a + 0.09b + 0.49c = 0.81, 解得a = 0.3,b = 0.1,c = 0.6,故X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛6.01.03.0210.2.3.2. 方差的性质方差具有以下性质:(1)方差计算公式:Var (X ) = E (X 2) − [E (X )]2; (2)常数的方差等于零,即Var (c ) = 0;(3)设a , b 为常数,则Var (a X + b ) = a 2 Var (X ). 证:(1)Var (X ) = E [X − E (X )]2 = E [X 2 − 2X ⋅ E (X ) + E (X )2] = E (X 2 ) − 2E (X ) ⋅ E (X ) + [E (X )]2.= E (X 2) − [E (X )]2;(2)Var (c ) = E [c − E (c )]2 = E (c − c )2 = E (0) = 0;(3)Var (a X + b ) = E [(a X + b ) − E (a X + b )]2 = E [a X + b − a E (X ) − b ]2 = a 2 E [X − E (X )]2 = a 2 Var (X ). 由性质(1),显然有以下推论:推论 对于随机变量X ,如果E (X 2) 存在,则E (X 2) ≥ [E (X )]2.以后常利用方差计算公式Var (X ) = E (X 2) − [E (X )]2计算随机变量的方差.通常用公式计算比直接用定义计算方差要方便. 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛4.04.02.0321, 求Var (X ).解:前面已求得E (X ) = 2.2,因E (X 2) = 1 2 × 0.2 + 2 2 × 0.4 + 3 2 × 0.4 = 5.4, 故Var (X ) = E (X 2) − [E (X )]2 = 5.4 − 2.22 = 0.56. 例 已知X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其他x x x p 求Var (X ).解:前面已求得32)(=X E , 因21422)(141022=⋅=⋅=∫x xdx x X E , 故1813221)]([)()Var(222=⎟⎠⎞⎜⎝⎛−=−=X E X E X . 对于随机变量X ,若方差Var (X ) 存在,且Var (X ) > 0.令)Var()(*X X E X X −=,有0)]()([)Var(1)]([)Var(1)Var()(*)(=−=−=⎟⎟⎠⎞⎜⎜⎝⎛−=X E X E X X E X E X X X E X E X E ; 1)Var()Var(1)](Var[)Var(1)Var()(Var *)Var(==−=⎟⎟⎠⎞⎜⎜⎝⎛−=X X X E X X X X E X X .称X *为X 的标准化随机变量.2.3.3. 切比雪夫不等式方差反映随机变量的分散程度,切比雪夫不等式给出其定量标准.切比雪夫不等式表明大偏差概率的上限与方差成正比.定理 设X 为随机变量,且方差Var (X ) 存在,则对于任何正数ε ,都有2)Var(}|)({|εεX X E X P ≤≥−.证明:以连续型随机变量为例证明,设X 的密度函数为p (x ),有∫≥−=≥−εε|)(|)(}|)({|X E x dx x p X E X P ,且∫∞+∞−−=−=dx x p X E x X E X E X )()]([)]([1)Var(22222εεε,故222|)(|22)Var()()]([)()]([}|)({|εεεεεX dx x p X E x dx x p X E x X E X P X E x =−≤−≤≥−∫∫∞+∞−≥−,得证.注:切比雪夫不等式的等价形式2)Var(1}|)({|εεX X E X P −≥<−.如随机变量X 的数学期望为E (X ) = 10,方差Var (X ) = 1,则由切比雪夫不等式可得43211}2|10{|}128{2=−≥<−=<<X P X P . 例 设随机变量X 的全部可能取值为),0[∞+,且数学期望E (X ) 存在,试证:对任何正数a ,都有)(1}{X E aa X P ≤≥. 证明:以连续型随机变量为例证明,设X 的密度函数为p (x ),有∫+∞=≥a dx x p a X P )(}{,且∫∫+∞+∞∞−==0)()(1)(1dx x p a x dx x xp a X E a ,故)(1)()(}{0X E adx x p a x dx x p a x a X P a =≤≤≥∫∫+∞+∞,得证.定理 设随机变量X 的方差存在,则Var (X ) = 0的充分必要条件是存在常数b ,使得X 几乎处处收敛于b ,即P {X = b } = 1.证:充分性,设存在常数b ,使得P {X = b } = 1,有P {X ≠ b } = 0,即E (X ) = b P {X = b } = b ,故Var (X ) = E [X − E (X )]2 = E (X − b )2 = 0 × P {X = b } = 0; 必要性,设X 的方差Var (X ) = 0,因事件U +∞=+∞→⎭⎫⎩⎨⎧≥−=⎭⎬⎫⎩⎨⎧≥−=>−11|)(|lim 1|)(|}0|)({|n n n X E X n X E X X E X ,则01)Var(lim 1|)(|lim 1|)(|}0|)({|21=⎟⎠⎞⎜⎝⎛≤⎭⎬⎫⎩⎨⎧≥−=⎟⎟⎠⎞⎜⎜⎝⎛⎭⎬⎫⎩⎨⎧≥−=>−+∞→+∞→+∞=n X n X E X P n X E X P X E X P n n n U , 可得P {| X − E (X )| > 0} = 0,即P {| X − E (X )| = 0} = 1,取b = E (X ),有b 为常数, 故P {X = b } = 1.注:如果P {X = b } = 1,记为X = b , a.e.(或a.s.),称为X = b 几乎处处成立(或几乎必然成立).这里,a.e.就是almost everywhere 的缩写,a.s.就是almost surely 的缩写.意味着不成立的情况是一个测度(或概率)等于零的集合(或事件).§2.4 常用离散分布对于一个给定的函数,只要满足概率函数的两条基本性质:非负性、正则性,都可以成为某个离散随机变量的概率函数.但绝大多数在实际工作中并不常见,下面是几种常用的概率函数. 2.4.1.两点分布与二项分布一.两点分布两点分布只可能在两个点取值,通常就是0或1.定义 随机变量的可能取值只有两个:0或1,且概率函数为p (0) = 1 − p ,p (1) = p , 其中0 < p < 1,称X 服从两点分布(Two-point Distribution )或0-1分布,记为X ~ (0-1).分布列为⎟⎟⎠⎞⎜⎜⎝⎛−p p110. 两点分布实际背景是一次伯努利试验.通常描述为:X 表示一次伯努利试验中事件A 发生的次数.非负性:p (0) = 1 − p > 0,p (1) = p > 0; 正则性:(1 − p ) + p = 1. 两点分布的数学期望为E (X ) = 0 × (1 − p ) + 1 × p = p .又因E (X 2 ) = 02 × (1 − p ) + 12 × p = p ,故方差为Var (X ) = E (X 2 ) − [E (X )]2 = p − p 2 = p (1 − p ).二.二项分布在n 重伯努利试验中,以X 表示事件A 的发生次数,则X 的全部可能取值为0, 1, 2, …, n ,且kn k p p k n k X P −−⎟⎟⎠⎞⎜⎜⎝⎛==)1(}{. 定义 若离散型随机变量X 的概率函数为kn k p p k n k p −−⎟⎟⎠⎞⎜⎜⎝⎛=)1()(, k = 0, 1, 2, …, n ;0 < p < 1, 则称X 服从二项分布(Binomial Distribution ),记为X ~ b (n , p ).二项分布的实际背景是n 重伯努利试验. 当n = 1时,二项分布就是两点分布.非负性:0)1()(>−⎟⎟⎠⎞⎜⎜⎝⎛=−kn k p p k n k p ; 正则性:1)]1([)1()(11=−+=−⎟⎟⎠⎞⎜⎜⎝⎛=∑∑=−=nnk k n k nk p p p p k n k p . 例 掷三枚硬币,X 表示正面朝上的次数,求X 的概率分布.解:X 的全部可能取值为0, 1, 2, 3 ,将掷每一枚硬币看作一次试验.每次试验两种结果:正面A ,反面A ;每次试验相互独立;每次试验概率5.0)(=A P . 即n 重伯努利试验,n = 3,5.0=p ,有X ~ b (3, 0.5),p (0) = 0.5 3 = 0.125,375.05.05.013)1(21=××⎟⎟⎠⎞⎜⎜⎝⎛=p , 375.05.05.023)2(12=××⎟⎟⎠⎞⎜⎜⎝⎛=p , p (3) = 0.5 3 = 0.125.例 现有5台机床,每台机床一小时内平均开动18分钟,且是否开动相互独立,以X 表示同一时刻开动的机床数,求X 的概率分布.解:X 的全部可能取值为0, 1, 2, 3, 4, 5 ,将每台机床是否开动看作一次试验.每次试验两种结果:开动A ,不开动A ;每次试验相互独立;每次试验概率P (A ) = 0.3. 即n 重伯努利试验,n = 5,p = 0.3,有X ~ b (5, 0.3).p (0) = 0.7 5 = 0.16807,36015.07.03.015)1(41=××⎟⎟⎠⎞⎜⎜⎝⎛=p , 3087.07.03.025)2(32=××⎟⎟⎠⎞⎜⎜⎝⎛=p , 1323.07.03.035)3(23=××⎟⎟⎠⎞⎜⎜⎝⎛=p , 02835.07.03.045)4(14=××⎟⎟⎠⎞⎜⎜⎝⎛=p , p (5) = 0.3 5 = 0.00243 .一般地,如果随机变量X 服从二项分布,概率函数值p (k ) 将随着k 的增加,先逐渐增加,达到最大值后,又逐渐减少.通常,一个随机变量X 的概率函数或密度函数的最大值点称为X 的最可能值.二项分布b (n , p )的最可能值为⎩⎨⎧+−++++=.)1(,1)1()1(,)1(],)1[(0是正整数时当或不是正整数时当p n p n p n p n p n k 这里[x ]表示不超过x 的最大整数.如[2.3] = 2,[3.14] = 3,[−1.2] = −2.证:若X ~ b (n , p ),有n k p p k n k n p p k n k p k n k kn k ≤≤−−=−⎟⎟⎠⎞⎜⎜⎝⎛=−−0,)1()!(!!)1()(, 则11)1()!1()!1(!)1()!(!!)1()(+−−−−+−−−−−=−−k n k k n k p p k n k n p p k n k n k p k p ⎟⎠⎞⎜⎝⎛+−−−⋅−−−=−−11)1()!()!1(!1k n p k pp p k n k n k n k)1()1()1()!()!1(!1+−−+⋅−−−=−−k n k k p n p p k n k n k n k , 当k < (n + 1) p 时,有p (k ) > p (k − 1);当k > (n + 1) p 时,有p (k ) < p (k − 1).如果(n + 1) p 不是正整数,取k 0 = [(n + 1) p ],有k 0 < (n + 1) p ,即p (k 0) > p (k 0 − 1);且k 0 + 1 > (n + 1) p ,即p (k 0 + 1) < p (k 0). 故p (k 0) 为最大值.如果(n + 1) p 是正整数,取k 0 = (n + 1) p ,即p (k 0) = p (k 0 − 1), 故p (k 0) 和p (k 0 − 1) 都是最大值.如X ~ B (3, 0.5),有(n + 1) p = 4 × 0.5 = 2是正整数,最可能值k 0 = 2或1;X ~ B (5, 0.3),有(n + 1) p = 6 × 0.3 = 1.8不是正整数,最可能值k 0 = [1.8] = 1.三.二项分布的数学期望和方差组合数公式⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=−⋅−−⋅=−⋅=⎟⎟⎠⎞⎜⎜⎝⎛11)!()!1()!1()!(!!k n k n k n k n k n k n k n k n , (n ≥ k > 0). 二项分布b (n , p )的数学期望为∑∑∑=−−=−=−−⎟⎟⎠⎞⎜⎜⎝⎛−−=−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅⋅=−⎟⎟⎠⎞⎜⎜⎝⎛⋅=nk k n k n k kn k nk k n k p p k n np p p k n k n k p p k n k X E 1110)1(11)1(11)1()( = np [ p + (1 − p )]n − 1 = np .又因∑∑∑=−=−=−−⎟⎟⎠⎞⎜⎜⎝⎛⋅+−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅−=−⎟⎟⎠⎞⎜⎜⎝⎛⋅=nk k n k n k k n k nk k n k p p k n k p p k n k k p p k n k X E 002022)1()1(11)()1()( )()1(22)1()1()(22X E p p k n k k n n k k nk k n k+−⎟⎟⎠⎞⎜⎜⎝⎛−−−−⋅−=∑=− np p p k n pn n nk kn k +−⎟⎟⎠⎞⎜⎜⎝⎛−−−=∑=−−222)1(22)1( = n (n − 1) p 2 [ p + (1 − p )]n − 2 + np = (n 2 − n ) p 2 + np ,故方差为Var (X ) = E (X 2 ) − [E (X )]2 = (n 2 − n ) p 2 + np − (np )2 = − np 2 + np = np (1 − p ).2.4.2.泊松分布一.泊松分布泊松分布是一种理论推导的极限分布(成立的条件和推导过程见附录). 定义 若随机变量X 的概率函数为λλ−=e !)(k k p k, k = 0, 1, 2, …… ;λ > 0,则称X 服从参数为 λ 的泊松分布(Poisson’s Distribution ),记为X ~ P (λ).泊松分布的实际背景是已知平均发生次数为常数λ ,实际发生次数的概率分布.如足球比赛进球数,商店进店人数,电话接听次数等.非负性:λ > 0时,0e !>−λλk k;正则性:1e e e !=⋅=⋅−∞=−∑λλλλk kk .例 已知一场足球比赛的进球数X 服从参数λ = 2.3的泊松分布,求比分为0:0, 1:0以及总进球数超过5个的概率.解:因X ~ P(2.5),则3.2e !3.2)(−=k k p k , k = 0, 1, 2, …….比分0:0,即X = 0,100.0e e !03.2)0(3.23.20===−−p (查表);比分1:0,即X = 1,231.0100.0331.0e 3.2e !13.2)1(3.23.21=−===−−p (查表);总进球数超过5个,即X > 5,030.0970.01e !3.21e!3.2}5{53.263.2=−=−==>∑∑=−∞=−k k k k k k X P (查表). 例 已知某公用电话每小时内打电话的人数X 服从参数为λ = 8的泊松分布.求某一小时内无人打电话的概率,恰有10人打电话的概率,至少有10人打电话的概率.解:因X ~ P(8),有8e !8}{−==k k X P k . 无人打电话的概率0003.0e e !08}0{880====−−X P ,恰有10人打电话的概率099.0717.0816.0e !108}10{810=−===−X P (查表),至少有10人打电话的概率283.0717.01}9{1e !8}10{108=−=≤−==≥∑∞=−X P k X P k k (查表). 例 已知某商店一天中某种贵重商品的销售件数X 服从泊松分布P (7),问该商店每天应该准备多少件该商品才能以99.9%以上的概率满足顾客需要?解:设准备了a 件该商品,X ~ P(7),则7e !7)(−=k k p k .事件“满足顾客需要”,即X ≤ a ,有P {X ≤ a } ≥ 0.999,故查表可得a = 16. 泊松分布P (λ )的最可能值为⎩⎨⎧−=.,1,],[0是正整数时当或不是正整数时当λλλλλk 证:若X ~ P(λ),有L ,2,1,0,e !)(==−k k k p kλλ,故k k k k k k k k p k p k k k k−⋅−=⎟⎠⎞⎜⎝⎛−⋅−=−−=−−−−−−−−−λλλλλλλλλλe )!1(1e )!1(e)!1(e !)1()(111,当k < λ 时,有p (k ) > p (k − 1);当k > λ 时,有p (k ) < p (k − 1).如果λ 不是正整数,取k 0 = [λ ] ,有k 0 < λ ,即p (k 0) > p (k 0 − 1);且k 0 + 1 > λ ,即p (k 0 + 1) < p (k 0). 故p (k 0) 为最大值.如果λ 是正整数,取k 0 = λ ,即p (k 0) = p (k 0 − 1), 故p (k 0) 和p (k 0 − 1) 都是最大值. 二.泊松分布的数学期望和方差泊松分布P (λ )的数学期望为λλλλλλλλλλλ=⋅=−⋅=−=⋅=−∞=−−∞=−∞=−∑∑∑e e )!1(e e)!1(e!)(111k k k kk kk k k k X E ,即泊松分布的参数 λ 反映平均发生次数.又因)()!2(e e!e!)(e!)(222222X E k k k k k k k k X E k k k kk kk k+−⋅=⋅+⋅−=⋅=∑∑∑∑∞=−−∞=−∞=−∞=−λλλλλλλλλ= λ 2 e −λ ⋅ e λ + λ = λ 2 + λ ,故方差为Var (X ) = E (X 2 ) − [E (X )]2 = λ 2 + λ − (λ )2 = λ .三.二项分布的泊松近似二项分布与泊松分布的实际背景都是反映发生次数问题.下面的定理说明了二者之间的联系,泊松分布是二项分布的一种极限分布. 定理 (泊松定理)在n 重伯努利试验中,记事件A 在每次试验中发生的概率为与试验次数n 有关的数p n ,如果当n → +∞ 时,有n p n → λ ,则λλ−−+∞→=−⎟⎟⎠⎞⎜⎜⎝⎛e !)1(lim k p p k n k k n n k n n . 证:记λ n = n p n ,有λλ=+∞→n n lim ,因nk n n n kn n k n n n n n n p )(11)1(−−⋅−−−⎟⎠⎞⎜⎝⎛−+=⎟⎠⎞⎜⎝⎛−=−λλλλ,且e 1lim =⎟⎠⎞⎜⎝⎛−+−+∞→nnn n n λλ,λλ−=−−+∞→n k n n n )(lim , 则λλλλ−−−⋅−+∞→−+∞→=⎟⎠⎞⎜⎝⎛−+=−e 1lim )1(lim )(n k n n n n k n n n n n n p ,又因⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=+−−=⎟⎟⎠⎞⎜⎜⎝⎛n k n k n k k n n n k n k 1111!!)1()1(L L ,且11111lim =⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−+∞→n k n n L , 故⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−−=−⎟⎟⎠⎞⎜⎜⎝⎛−+∞→−+∞→n k n p p k n p p k n k n nk n k n k n n k n n 1111)1(!lim )1(lim L λλ−+∞→−+∞→+∞→=⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅−⋅=e !1111lim )1(lim !)(lim k n k n p k np k n k n n n k n n L . 此定理表明对于二项分布b (n , p ),当n 很大,p 很小时,可用泊松分布P (λ ) 近似,其中λ = n p .例 某地区每年人口意外死亡率为0.0001,现有60000人投保人身意外保险,求一年内因投保人意外死亡恰好赔付8人的概率以及赔付不超过5人的概率.解:设X 表示“一年内因投保人意外死亡而赔付的人数”,X ~ B (60000, 0.0001).则5999289999.00001.0860000}8{××⎟⎟⎠⎞⎜⎜⎝⎛==X P ,∑=−××⎟⎟⎠⎞⎜⎜⎝⎛=≤50600009999.00001.060000}5{k kk k X P , 但显然计算很繁琐,为便于计算,用泊松分布近似.因n = 60000很大,p = 0.0001很小,λ = np = 6,有)6(~P X &,故103.0744.0847.0e !86}8{68=−=≈=−X P ,446.0e !6}5{506=≈≤∑=−k k k X P .2.4.3. 超几何分布一.超几何分布在N 件产品中,有M 件次品,从中不放回地取n 件,以X 表示取得的次品数.设X 取值为k ,一方面,显然有k ≤ n 且k ≤ M ,即k ≤ min{n , M },另一方面,有k ≥ 0且n − k ≤ N − M ,可得k ≥ M + n − N ,即k ≥ max{0, M + n − N }.这样X 的全部可能取值为l , l + 1, …, L ,其中l = max{0, M + n − N },L = min{n , M },且⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛==n N k n M N k M k X P }{.定义 若随机变量X 的概率函数为⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=n N k n M N k M k p )(,k = l , l + 1, …, L ,l = max(0, n + M − N ),L = min(M , n ),M < N ,n < N , 则称X 服从超几何分布(Hypergeometric Distribution ),记为X ~ h (n , N , M ).超几何分布的实际背景是古典概型中的不放回抽样检验问题. 注:有放回检验抽样问题对应的是二项分布.非负性:0>⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛n N k n M N k M ;正则性:10=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛∑∑==n N n N n N k n M N k M n N k n M N k M Ll k L k .注:比较(1 + x )M(1 + x )N − M与(1 + x )N中x n的系数可以证明⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛∑=n N k n M N k M Ll k .例 一袋中有3个红球,2个白球,不放回地取出3个球,X 表示取得的红球数.求X 的概率分布.解:不放回抽样,N = 3,M = 2,n = 3,则X ~ h (3, 5, 3).故X 的全部可能取值为1, 2, 3, (l = max (0, n + M − N ) = 1,L = min(n , M ) = 3),3.0352213}1{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P ,6.0351223}2{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P ,1.0350233}3{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P . 超几何分布h (n , N , M )的最可能值为⎪⎩⎪⎨⎧+++−++++++++++++=.21)1(,121)1(21)1(,21)1(],21)1[(0是正整数时当或不是正整数时当N M n N M n N M n N M n N M n k证:若X ~ h (n , N , M),有)!()!()!()!(!!1)(k n M N k n M N k M k M n N n N k n M N k M k p +−−−−⋅−⋅⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=, 故p (k ) − p (k − 1))!1()!1()!1()!1()!(!)!()!()!(!)!(!−+−−+−+−−⎟⎟⎠⎞⎜⎜⎝⎛−−+−−−−⎟⎟⎠⎞⎜⎜⎝⎛−=k n M N k n k M k n N M N M k n M N k n k M k n N M N M)]()1)(1[()!()!1()!1(!)!(!k n M N k k n k M k n M N k n k M k n N M N M +−−−+−+−+−−+−+−⎟⎟⎠⎞⎜⎜⎝⎛−=)]2()1)(1[()!()!1()!1(!)!(!+−+++−−+−+−⎟⎟⎠⎞⎜⎜⎝⎛−=N k n M k n M N k n k M k n N M N M .当21)1(+++<N M n k 时,有p (k ) > p (k − 1);当21)1(+++>N M n k 时,有p (k ) < p (k − 1). 如果21)1(+++N M n 不是正整数,取21)1[(0+++=N M n k ,有21)1(0+++<N M n k ,即p (k 0) > p (k 0 − 1);且21)1(10+++>+N M n k ,即p (k 0 + 1) < p (k 0).故p (k 0) 为最大值.如果21)1(+++N M n 是正整数,取21)1(0+++=N M n k ,即p (k 0) = p (k 0 − 1),故p (k 0) 和p (k 0 − 1) 都是最大值. 二.超几何分布的数学期望和方差超几何分布h (n , N , M )的数学期望为N nM n N k n M N k M N nM n N n N k n M N k M k M k n N k n M N k M k X E Ll k L lk L l k =⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅=∑∑∑===11111111)(, 又因∑∑∑===⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅+⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅−=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅=L lk L l k Ll k n N k n M N k M k n N k n M N k M k k n N k n M N k M k X E )()(222 ∑=+⎟⎟⎠⎞⎜⎜⎝⎛−−−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−−−⋅−=Llk X E n N n n N N k n M N k M k k M M k k )(22)1()1(22)1()1()(2N nM N N M M n n N nM n N k n M N k M N N M M n n Ll k +−−−=+⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅−−−=∑=)1()1()1(2222)1()1()1(, 故方差为)1())(()1()1)(1()]([)()Var(222222−−−=−+−−−=−=N N n N M N nM N M n N nM N N M n nM X E X E X . 为了便于记忆,可将超几何分布与二项分布的数学期望和方差进行比较.二项分布b (n , p ):数学期望E (X ) = np ,方差Var (X ) = np (1 − p );超几何分布h (n , N , M ):数学期望N M nX E =)(,方差11)Var(−−⎟⎠⎞⎜⎝⎛−=N n N N M N M n X ; 可见分布h (n , N , M )中的N M 相当于二项分布b (n , p )中的p ,方差修正因子为1−−N nN . 三.超几何分布的二项近似直观上,当抽样个数n 远小于M 及N − M 时,不放回抽样问题可近似看作有放回抽样问题,也就是此时超几何分布可用二项分布近似.定理 如果当N → +∞ 时,p NM→, (0 < p < 1),则k n k N p p k n n N k n M N k M −+∞→−⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛)1(lim . 证:因⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=+−−=⎟⎟⎠⎞⎜⎜⎝⎛N n N n N n n N N N n N n 1111!!)1()1(L L , 且⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=⎟⎟⎠⎞⎜⎜⎝⎛M k M k M k M k 1111!L ,⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−−−=⎟⎟⎠⎞⎜⎜⎝⎛−−−M N k n M N k n M N k n M N kn 1111)!()(L , 故⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−+∞→+∞→N n N n N M N k n M N k n M N M k M k M n N k n M N k M n k n k N N 1111!1111)!()(1111!lim lim L L L ⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅−⋅−=−+∞→N n N M N k n M N M k M N M N M k n k n nk n k N 111111111111)()!(!!lim L L L ⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛⋅⎟⎟⎠⎞⎜⎜⎝⎛=+∞→−+∞→N n N M N k n M N M k M N M N M k n N kn k N 111111111111lim 1lim L L L。

《现代概率论》讲义稿_第二章 测度与积分_

《现代概率论》讲义稿_第二章 测度与积分_

第二章 测度与积分(Measures and Integration)一、测度与测度空间1.测度定义①.()Ω,F 为一可测空间,μ为定义于F 取值于_+R =[0,+]∞的函数(非负集函数),常用μυλ,,等表示②.A ,1,,n n m n A A m n φ∈≥=≠∩F ⇒11()()n n n n A A μμ∞∞===∑∑μ具有可列可加性(σ可加性)③.φ∈F ,且()0μφ=则称μ为Ω上的(或()Ω,F 上的)测度.测度μ是非负、σ可加性、()0μφ=的集合函数.④.If A ∀∈F ,有()A μ<∞,then 称μ在F 上有限测度.特别地,if Ω∈F ,且()1μΩ=,then 称μ为概率测度. If A ∀∈F ,n A ∃∈F ,1..nn s t A A∞=⊂∪且()n A μ<∞,则称μ为σ有限测度.注:1nn A∞=∪不一定∈F例:1R 中的Lebesgue 测度是σ有限的,即1L R =∞() A [,1]()1n n n n L A =+⇒=,()[,]n L A a b b a ==−注:Lebesgue 测度是线段长度概念的延伸(更一般地,是欧式空间中面积或体积概念的延伸),本节引入的测度是Lebesgue 测度的抽象化.2.测度空间设μ为可测空间()Ω,F 上的测度,称三元体()μΩ,,F 为测度空间. 若()μΩ<∞,称μ为有限测度,并称()μΩ,,F 为有限测度空间. 若()1μΩ=,则称μ为概率测度,并称()μΩ,,F 为概率测度空间若存在,1n A n ∈≥F ,使得1nn A∞==Ω∪,且使()n A μ<∞对一切1n ≥成立(n A 为Ω的一个划分),则称μ为σ有限测度,并称()μΩ,,F 为σ有限测度空间.3.完备测度空间设()μΩ,,F 为一测度空间,若,()0A A μ∈=且F ,称A 为μ零测集.如果任何μ零测集的子集均属于F ,称F 关于μ是完备的,称()μΩ,,F 为完备测度空间.P37汪(定义 2.1.5)设μ为σ代数F 上的测度,{:,()0}A A A μ=∈=L F ,又令{():,}N A N A =∈Ω∈⊂存在使N P G ,则把N 中元素称为μ可略集.若⊂N F ,则称μ在F 上完备的.例:①.在()ΩP 上规定μ:#(){}A A μ=(A 的元素个数) 计数测度当A 为无限集时,()A μ=+∞; 当Ω为有限集时,μ为有限的; 当Ω为可列集时,μ为σ有限的.②.若数{():}cA A or A =∈Ω为有限集(或空集)A P ,01A A A υ⎧=⎨⎩为有限集()为无限集则易验证:υ在A 上是有限可加的.但是Ω为无限集时,υ不是可列可加的.4.性质(测度的)半环F 上的测度μ的性质(抽样空间Ω)注:半环①.A B AB ∈⇒∈、F F ②.φ∈F ③.\fA B A B C ∈⇒∈∑、F半环上的测度具有:①.有限可加性 ②.可减性 ③.单调性 ④.下连续性 ⑤.上连续性 ⑥.半σ可加性① 有限可加性如果对一切2n ≥,,1,2,,i A i n ∈= F ,,i j A A i j φ=≠,且1ni i A =∈∑F ,则11()()n ni i i i A A μμ===∑∑证明:显然,1nii A =∑=1ii A ∞=∑,where 12n n AA φ++===11ni i i i A A ∞==∈⇒∈∑∑∵FF由于μ的σ可加性1111()()()()n ni i iii i i i A A A A σμμμμ∞∞===========∑∑∑∑可加性(因()()0n i A μμφ+==)② 可减性If ,\A B A B B A ⊂∈、、F and ()A μ<∞(有限测度),then (\)()()B A B A μμμ=−证明:∵ A 与\B A 不交,且\B A B A =+(有限不交并) ∴()()(\)B A B A μμμ=+ ←利用可加性⇒ (\)()()B A B A μμμ=−③ 单调性If ,A B A B ⊂∈、F , then ()()B A μμ≥④ 下连续性If ,n n A A A ↑∈F ,then ()lim ()n n A A μμ→∞=证明:n ∀,由半环性质,,,1,2,,n k n C k k ∃∈= F ,11..\nk n n nk k s t A A C −==∑(约定0A φ≠)11111lim (\)nk n n n n nk n n n k n A A A A A C ∞∞∞−→∞========∑∑∑∪其中nk C 对不同的n 与k 都不交.∴ 1111()()()n nk k nk nk n k n k A C C μμμ∞∞======∑∑∑∑11lim ()n k N nk N n k C μ→∞===∑∑11lim ()lim ()nk N nk N N N n k C A μμ→∞→∞====∑∑⑤ 上连续性If n A ∈F ,n ∀,..s t n A A ↓∈F and 1()A μ<∞ ,then ()lim ()n n A A μμ→∞= 证明:由半环的定义,n ∀,∃两两不相交的,,1,2,,n k n C k k ∈= F ,11..\nk n n nkk s t A A C+==∑则1223\,\,A A A A 两两不相交,⇒,nk A C 对n ∀与k 两两不相交.∴ 1(\)n i i i nA A A A ∞+==+∑1ik ik i n k C A ∞===+∑∑由σ可加性有11()()()ik n iki k A CA μμμ∞===+∑∑ 对n ∀均成立当1n =时111()()()ik ik i k A C A μμμ∞==∞>=+∑∑ 因()0A μ≥⇒ 111()()i k ik i k A C μμ∞==≥∑∑, 所以1()0ik n ik i n k C μ∞→∞==→∑∑即对11()()()ik n iki k A CA μμμ∞===+∑∑取极限得lim ()()n n A A μμ→∞=注:在φ上的上连续性,即()()0A A φμμφ=⇒==⑥ 半σ可加性或次σ可加性If n A ∈F ,1n n A ∞=∈∪F ,Then ∑∞=∞=≤11)()(n n n n A A μμ∪证:化并为不交并令11A B =,22121\cB A A A A ==, ,111111()(\)n n c c c n n n n kn k k k B A A A A A A A −−−===== ∩∩则n B 对n ∀均不交,即i j B B φ=,j i ≠,,nkl n k c ∀∃∈F ,1,2,,nk l l = ,两两不交,t s . 1\nkl n k nkl l A A C ==∑n 1111()k n j l j n n nkl n l j k B C D −=====∑∑∩ 注: 111.2.3.,j n n n nk k n B j l D j −=⎧⎪⎪=⎨⎪⎪∈⎩∏不一定在上对不交F F111\()n j j n n k n j k A A D −===∑∪ ( 11111(\)()nkl n n n k nkl l k k A A C −−====∑∩∩ ) ⇒111\(\)n nn j jj j j j c n n n n n n j j j A D A D A D =====∑∩∩ (**),1,2,,;i n n E i i ∃∈= F 两两不相交,..s t 1\n jj i i n n n i A D E ==∑ (*)∴ 111n n ni j j i j n n n i j j A E D ====+∑∑∩ (该式是将(*)代入与(*)所得)(上式取测度并放缩)所以 1()()njj n n j A Dμμ=≥∑又前并化不交并有 1111njj n nn n n j n A B D∞∞∞======∑∑∑∪取测度11111()()()()njj n n n n n n j n n A B D A μμμμ∞∞∞∞=======≤∑∑∑∑∪ 即证汪P35-36例 ① 在},2,1{ =N 上,μ为计数测度,};{n k k A n ≥=,则φ↓n A ,但+∞=)(n A μ ② 在},2,1{ =N 上,μ为计数测度,},2{},1{212==−n n A A 则}2,1{lim =∞→n n A , lim n n A φ→∞=(lim )01lim ()lim ()2(lim )n n n n n n n n A A A A μμμμ→∞→∞→∞→∞=<==<=定理:设μ是半环D 上的非负集函数,0)(=φμ,则μ是可列可加的 ⇔ μ有限可加且半可列可加. (证见北大笔记) 注:可列可加 11()()nnn n A A μμ∞∞===∑∑ 有限可加 11()()n niii i A A μμ===∑∑半σ可加 ∑∞=∞=≤11)()(n nn nA A μμ∪定义 三元体(,,)μΩF 称为测度空间,where F 是Ω上的σ−代数,μ是F 上的测度. ()μΩ<∞ ⇒ 有限测度空间 ()1μΩ= ⇒ 概率测度空间,可记为(,,)p ΩF If A ∈F ,且()0A μ=称A 为μ的零测集If F 中的任何μ零测集的子集都是属于F , 测度空间(,,)μΩF 称为完备的.二、外测度与测度的扩张1 .外测度由Ω的最大σ−代数[0,]R →=+∞F 的函数μ称为Ω上的外测度.如果满足 (1)()0μφ= 非负集函数(2)If A B ⊂ then ()()A B μμ≤ 单调性(3)11()()nnn n A A μμ∞∞==≤∑∪ 半可列可加性/次σ−可加性/半σ−可加性(严加安) 令()ΩA 表示Ω的所有子集(包括空集)所构成的集类,设μ为()ΩA 上的一非负集函数(约定()0μφ=),如果μ有单调性并满足如下的次σ−可加性:,1n A n ⊂Ω≥ ⇒ 11()()n n n n A A μμ∞∞==≤∑∪则称μ为Ω上的一外测度. 定理 设μ为Ω的一外测度,令{,}cA D D A D A D μμμ=⊂Ω∀⊂Ω∩∩有()=()+()U 则U 为Ω上的一σ代数,且μ限于U 为一测度,称U 中的元素为μ可测集. 上述定理为测度扩张的基础定理.定理:设C 为Ω上的一集类,且φ∈C . 又设μ为C 上的一半σ−可加非负集函数,()0μφ=. 令*11()inf{();,1}n n n n n A A A n A A μμ∞∞===∈≥⊂∑∪且C A ∀∈Ω∈F则*μ是Ω的外测度, 称为由μ生成(引出)的外测度. μ限于C 与μ一致;当A ∈C 时,*()()A A μμ= . 证明:(1)显然*()0μφ= (2)显然,单调性 (3)如果0*0...()n n s t A μ∃=∞ 有**11()()n n n n A A μμ∞∞==≤∑∪ 成立在*.()n n A μ∀<∞条件下证明0,,1k n n A B k ε∀>∀∃∈≥C 使1kn n k BA ∞=⊃∪ 且*1()()2kn n nn B A εμμ∞=≤+∑111kn n n k n BA ∞∞∞===⊃∪∪∪取外测度*μ***11111()()(())()2kn n n n nn k n n n A B A A εμμμμε∞∞∞∞∞=====≤≤+=+∑∑∑∑∪ 所有,当A ∈C 时,*()()A A μμ=.2.半环上测度的扩张(1)定义扩张 (2)扩张的唯一性、存在性等 (3)完全化(一种扩张) 定义:μ、*μ分别是C (σ代数)、C (半环)上的测度,且⊂C CIf A ∀∈C ,都有*()()A A μμ= Then 称*μ是μ由→C C 上的一个扩张如果*μ′是μ在→C C 另一个扩张,A ∀∈C 都有**()()A A μμ′=称扩张是唯一的 唯一性:设D 是一个π类(系), μ,()υσ∈D 上的测度 (1) ()()A A μυ= A ∈D(2)n A ∃∈D ,1n ≥,不交 ,1nn A∞==Ω∑,()n A μ<∞,1,2......n =则()()A A μυ= ()A σ∀∈D证明:B ∀∈D ,如()B μ<∞, 令()(){}():A A B A B σμυ=∈=∩∩G D 易证G 是一个λ系((1)∈ΩG (2),A B ∈G 则B ∈G (3)↑封闭) 且⊃G D ⇒ ()σ⊃G D∀()A σ∈D ,()()A B A B μυ=∩∩将B 用n A 代替:()()n n A A A A μυ=∩∩ (n ∀均成立)1111()()()()()()()n n n i n n n i A A A A A A A A A A A μμμμυυυ∞∞∞∞=====Ω=====∑∑∑∑∩∩∩∩∩扩张定理:设μ为半环D 上的测度 (1)则μ可以扩张成为()σD 上的测度*μ∃()σD 上测度*μ,使A ∀∈D 上有*()()A A μμ=(2)如上述(2)对D 成立,则这一扩张是唯一的,且*μ在()σD 上也是σ有限的见严加安P19 或北大笔记 证明略完全化(完备化):设*μ在D 上生成的外测度,则(1)A τ∀∈F ,B ∃∈()σD ,B A ⊃ s.t. **()()B A μμ=(2)如有上述(2)式成立,则A τ∀∈F ,B ∃∈()σD ,B A ⊃,s.t. ()0B A τ= 证明略(见北大笔记)三、Lebesgue-stielties 测度分布函数(CDF: Cumulative Distribution Function)()()F x P X x =≤ 一维121122(,,,)(,,,)n n n F x x x P X x X x X x =≤≤≤ n 维 命题A :若()F X 为实值有限随机变量X 的分布函数,则(1)()F X 是单调不减的Proof: If 12X X <,Then 2112()()()0F X F X X x X −=Ρ<≤≥ (2) ()F X 是右连续的Proof:1111lim ()lim ()({[,]}){[,]}x x n F X X x X x X x n n n∞→∞→∞=+=Ρ≤+=Ρ∈−∞+=Ρ∈−∞∩()F x = 注:(1)(2)可概括为单调不减右连续. (3)lim ()0x F x →−∞= lim ()1x F x →+∞=Proof:{}1lim ()lim [,]({[,]}{}0x x n F x x n x n x φ∞→∞→∞==Ρ∈−∞−=Ρ∈−∞−=Ρ∈=∩1lim ()lim {[,]}({[,]}){[,]}1x x n F x x n x n x ∞→+∞→∞==Ρ∈−∞=Ρ∈−∞=Ρ∈−∞+∞=∪记号:设12(,,...,)n a a a a =与12(,,...,)n b b b b =为nR 中的两个点.若(1,2,...)i n ∀= 均有i i a b ≤(i i a b <),则记为a b ≤(a b <) 设a b ≤,令{(,]|,,}na b a b a b R =≤∈C 1((,])()niii a b b a μ==−Π引理:C 为nR 上的半环,且μ为C 上的σ可加非负集函数. 严加安 P23 一维情形定理:()F x 为R 上单调不减右连续的有界函数,则在(,)R B 必存在唯一的有限测度μ, 使([,])()()a b F a F b μ=− a b −∞≤<<+∞ 证明:见汪P48定义:若F 为R 上有限右连续不减函数的有界函数,则由F 在(,)R B 上按上式生成的σ有限完备测度μ称为由F 生成的Lebesgue-stielties 测度,简称L S −测度.特别:当()F t t =(or ()F t t c =+),由此产生的完备化测度称为Lebesgue 测度.由B按Lebesgue 测度扩张成的完备σ代数B 中的集合都称为Lebesgue 测度集. (见汪P49)定理:()F x 为满足命题A 的函数,则必存在概率测度空间(,,)p ΩF 及其上的随机变量 s.t.()()X x F x Ρ≤=n 维情形令()n R B 为nR 上的Borel σ代数.易知,()()n R σ=C B ,于是由测度扩张定理得: 定理:μ可以唯一地扩张成为()nR B 上的σ有限测度(称之为Lebesgue 测度) 令()n R B 为()n R B 的μ完备化,称()n R B 中元为Lebesgue 测度集,而()nR B 中的元称为Borel 可测集.定义:设F 为n R 上的一右连续实值函数,对,na b R ∈,a b ≤,令 111()(1)(1),,,,...nnn nn n b a F F b a ba b a −−Δ=ΔΔΔWhere()111111,()(,,,,,,)(,,,,,,)iii i i i n i i i n G x G x xb x x G x x a x x b a −+−+=−Δ如果对一切a b ≤,有,0a b F Δ≥,称F 为增函数.设μ为()nR B 上一σ有限测度,称μ为Lebesgue-stielties 测度(简称L S −测度),如C ∀∈C ,有()C μ<∞,即μ在C 上有限.定理:设F 为n R 上的一右连续增函数,令 ()0F μφ=,,((,])F a b a b F μ=Δ,a b ≤,,n a b R ∈则Fμ可以唯一地扩张成为nR 上的Lebesgue-stielties 测度.反之,设μ为nR上的一L S −测度,则存在nR 上的一右连续增函数F (不唯一).故见μ为Fμ从C 到()nR B 上的唯一扩张四、积分-期望 关于概率测度的积分1定义与性质定义1:若1()()ini A i X X Iωω==∑(∈E :Ω上F 可测的非负简单函数全体)为阶梯随机变量,称1()niii X P A =∑()iA ∈F 为X 的期望或X 关于P 的积分.记为 []E X ,EX ,()X ω∫,Xdp ∫,X ∫概率测度空间(,,)P ΩF 注:当()()i j i A j B X X I y I ωω==∑∑{}{}()j i A B A EI P A ====⇒为的组合()()iijjijEX X P A y P B ==∑∑命题1 若E 表示(,)ΩF 上阶梯变量的全体,则(1)EX 是唯一满足)(A P EI A =的E 是上的正线性泛函;(2)[]E ⋅在E 上是单调的,且若{},1n X n ≥⊂E ,()n X ↑↓ X ∈E ,则()n EX ↑↓EX ;(3)若()E ⋅为E 上正线性泛函,1)1(=E 且当E 中序列0n X ↓时,0n EX ↓,则由A EI A Q =)(可规定(,)ΩF 上的概率测度.Proof :(1) 由上述注释可得.(2) ()E ⋅非负、线性⇒()E ⋅单调设0n X ↓,记k 为1X 的上确界,则()000()n n X n n X kI EX kP X εεεεεε>≤↓≤+↓≤≤>+↓()0n n X EX εφ>↓⇒↓当∞→n 时,有(,0)()0n n n n n X X X X X X E X X EX EX ↓∈⇒−∈−↓⇒−↓⇒↓E E ()()n n n n X X X X E X E X EX EX ↑∈⇒−↓−∈⇒−↓−⇒↑E E(3) 验证()Q ⋅是概论测度,即()1Q ⋅=.命题2 If {},1n I X n ≥↑,{},1n Y n +≥↑∈E (非负阶梯随机变量全体),且lim lim n n nnX Y ≤,then lim lim n n nnEX EY ≤特别:lim lim lim lim n n n n nnnnX Y EX EY =⇒=Proof: Fixed m ,则m n X Y +∧∈E min(,)m n X Y ,{,1}m n X Y n ∧≥↑and lim()m n m nX Y X +∧=∈E ()n Y ≤,即lim [][]lim lim m m n m n n nnnE X X E X EY EX ↑∞∧=≤===命题3 记{}lim :n n nX X X ++==↑∈G E 单调递增序列的全体对X +∈G ,若lim n nX X =↑,n X +∈E ,令lim n nEX EX =(*)则(1)+G 为(,)ΩF 上非负随机变量全体; (2)由(*)式规定的[]E ⋅是完全确定的; (3)0EX ≤≤∞(X +∈G );(4)在+G 中若12X X ≤,则12EX EX ≤⇐单调性 (5)若X +∈G ,0≥c ,则cX +∈G 且[][]E cX cE X =;(6)If 12,X X +∈G ,then 12X X +,12X X ∨1212,X X X X +∨∧∈G ,且12121212[][][][][]E X X E X E X E X X E X X +=+=∨+∧(7){,1}n X n +≥↑⊂G ,则lim n nX X +=∈G ,且lim lim n n nnE X EX ↑=↑(极限的期望等于期望的极限) 证明:见汪P52-53定义 2 广义实值随机变量X ,若EX +<∞,EX −<∞,则称X 为可积的,且以EX EX EX +−=−表示X 关于P 的积分,也称为期望或关系期望,记为Xdp ∫.若EX +,EX −中至少有一个取有限值,则称X 为非可积的. 用EX EX EX +−=−表示X 关于P 的积分或期望.有界或阶梯随机变量都是可积的,非负随机变量必须是非可积的. If (0)0P X ≠= then X 可积分且0EX = (退化分布)命题4 若()E ⋅表示概率空间上的非可积随机变量的期望,则 (1)EX R ∈,EX R ∈⇔X +,X −可积且()0P X =±∞=(2)If 0((0)0)X P X ≥<=,then 0EX ≥且0EX =⇔(0)1P X ==(3)R c ∈∀,()E cX cEX =,If X Y +有确定的含义,且X −,Y −(X +,Y +)可积,then()E X Y EX EY +=+⇐===成立X ,Y 至少有一个可积(特别地)(4)If X Y ≤,且EX ,EY 存在,then EX EY ≤ Markov 不等式:X 为非负随机变量 ①11()()[]X a aa P X a E XI EX ≥≥≤≤ 0≥∀a ②1()pPa P X a E X ≥≤ 0>a ,0>p③1()()[()]f a P X a E f X ≥≤ f 为],0[+∞上非负不减函数证明:(1)期望定义:EX EX EX EX R +−=−⇒∈的充要条件,且因()1()()()X n X P X P X n E I EX n n+≥=+∞≤≥≤≤ n →∞====⇒当EX +<∞时()0P X ⇒=+∞=(2)If 0X ≥时0EX ≥,若当0X ≥时,0EX =则11()()1111([]0()0011(0){()}()0n n X X nn n P X E XI nEXI nEX P X n n X P X P X P X n n ≥≥⎫≥≤=≤=⇒≥=⎪⎪≥⎬⎪>=≥≤≥=⎪⎭∑∪由0(0)1E P X =⇒== (3)定义:()()iiX X P A E cX cEX =⇒=∑证:()E X Y EX EY +=+ 先证21X X X =−有意义且至少有一非负变量,至少有一可积,则21EX EX EX =−212121X X X X X X X X X EX EX EX EX +−−+−+−==−⇒+=+⇒+=+⇓21EX EX EX EX EX +−−=−= 一般:()()X Y X Y X Y ++−−+=+−+ ⇓X Y −−+可积()()()E X Y E X Y E X Y EX EY EX EY EX EY ++−−++−−+=+−+=+−−=+(4)定义推出2.极限定理Levy 引理(单调收敛定理)Levy lemma(Monotone convergence theorem)积分形式 测度形式(1)If n X X ↑,且0n ∃,0n X −可积, then lim n nEX EX ↑=⇔()()n X X μμ↑; (2)If n X X ↓,且0n ∃,0n X +可积, then lim n nEX EX ↓=⇔()()n X X μμ↓.where 0max(,0)n n n X X X −=∨= ()0max(,0)n n n X X X +=−∨=− n n n X X X +−=−证明:(1)令01n n n Y X X −=+nX X↑⎯⎯⎯→0{,}n Y n n ≥非负递增,且00lim lim()n n n n n nY X X X X −−=+=+, 由于命题前(7)(极限的期望等于期望的极限),即000[lim ]lim lim []lim []n n n n n n n nnnnE Y EY E X X E X X X X −−−==+=+=+,又由01n n n Y X X −=+两边取期望求极限利用上式得000[lim ]lim n n n n n nnE X EY EX EX EX EX EX −−−=−=+−= (1)即证(2)令0n n n Y X X +=−+,0n n ≥,类似于(1)可证.Fatou 引理:随机变量序列{,1}n X n ≥,,Y Z 为可积随机变量. (1)若0,n X Z n n ≥≥,则[lim ]lim n n nnE X EX ≤ ⇔[liminf ]liminf ()n n n nX X μμ≤ ⇔lim lim n n n nX d X d μμ≤∫∫(2)若0,n X Y n n ≤≥,则[lim ]lim n n nnE X EX ≥⇔[limsup ]limsup ()n n nnX X μμ≤ ⇔lim lim n n nnX d X d μμ≤∫∫证明:(1)取inf n k n k nY X X ≥=≤,则0{,}n Y n n ≥为递增序列,0n Y Z ≥,Z 为可积的,由Levy Lemma[lim ][lim ]lim lim n n n n nnnnE X E Y EY EX ==≤.(2)对n X −应用(1)即得(2).Lebesgue Dominated Convergence Theorem :非负随机变量Y 可积,随机变量序列{},1n X n ≥,有n X Y ≤,且lim n n X X →∞=存在.则lim n n EX EX →∞=⇔lim n nX d Xd μμ=∫∫证明:若取Y Z − .即{},1n X n ≥满足Fatou 引理条件[lim ]lim n n nnEX E X EX =≤ ≤ lim [lim ]n n nnEX E X EX ≤=(“≤”两边两次利用Fatou 引理)由于n X Y ≤,故X Y ≤,X 可积.由此lim n n EX EX →∞=.五、随机变量及其收敛性研究概率测度空间(,,)p ΩF 上..'r v s 及其收敛性,并推广到一般测度空间(,,)μΩF 上的可测函数及收敛性. 约定:测度空间(,,)μΩF ,如果某一性质在Ω上除了一零测度集外均成立,则称它几乎处处成立,简称..a e (almost everywhere)成立.概率空间(,,)p ΩF ,如果某一性质在Ω上除了一零测度集外均成立,则称它几乎必然成立,简称..a s (almost surely)成立. 定义:设1()n n f ≥,f 均为实值可测函数(1) If ∃ 零测集N ,..s t cN ω∀∈.有lim ()()n nf f ωω=.则称()n f 几乎处处收敛于f (..a e 收敛于f ),记为lim n nf f = ..a e or ..a e n f f ⎯⎯→;(2) If 0ε∀>,存在N f ∈,()u N ε<,..s t ()n f 在cN 上一致收敛于f .则称()n f 几乎一致收敛于f ,并记为lim n nf f = ..a un (almostuniform) or ..a un n f f ⎯⎯⎯→; (3) If 0ε∀>,lim ([||])0n n f f με→∞−>=,则称()n f 依测度收敛于f ,并记为n f f μ⎯⎯→.当μ是概率测度时,称()n f 依概率收敛于f ,记为in p n f f ⎯⎯⎯→(in probability )定理:实值可测函数n f ,f(1)..a e n f f ⎯⎯→⇔1([||])0i n i nf f με∞∞==−≥=∩∪ 0ε∀>;当μ概率测度时,n f ,f 为..r v ,则1([||])0i n i nP f f ε∞∞==−≥=∩∪⇔1([||])1i n i nP f f ε∞∞==−<=∩∪ 0ε∀>即..a s n f f ⎯⎯→(2)..a un n f f ⎯⎯⎯→ ⇔ lim ([||])0in i nff με∞→∞=−≥=∪ 0ε∀>;(3) n f f μ⎯⎯→ ⇔ ()n f 的任何子列()n f ′,存在其子列()k n f ′,..s t ..k a un n f f ′⎯⎯⎯→()k →∞.定理:(1)..a un n f f ⎯⎯⎯→⇒..a e n f f ⎯⎯→, ..a un n f f ⎯⎯⎯→⇒n f f μ⎯⎯→; (2)μ是有限测度,..a e n f f ⎯⎯→⇔..a un n f f ⎯⎯⎯→; (3)n f f μ⎯⎯→,then 存在子列()k n f ,..s t ..k a e n f f ⎯⎯→.1. 随机变量的等价类定义1.设()D ω表示与ω有关的一个论断(命题).若{:()}A D ωω=∈Ω不真为可略集(某论断不真的样本点的集合),即()0P A =.则称()D ω几乎必然成立,或()D ω..a s 成立,或()D ω为真..a s .若A 为μ可略集,则()0A μ=,则称()D ω为真..a e μ. 特别:..r v X 、Y , If ()0P X Y ≠=, then 记X Y =..a s .记:~X Y ⇔X Y =..a s ⇒与X 等价的元素全体记为{:..}X X X X a s ′′==.等价类间的运算{:}{:,}{:,}{:,}{:,}c X cX X X X YX Y X X Y Y X Y X Y X X Y Y X Y X Y X X Y Y X Y X Y X X Y Y ⎫′′=⎪′′′′+=+⎪⎪′′′′=⎬⎪′′′′∨=∨⎪⎪′′′′∧=∧⎭∼∼∼∼∼∼∼∼∼⇒ (1) 同一等价类内的..r v 有相同的分布;(2) If ~X X ′,且同时可积;若可积,则EX EX ′=.例:If 2~(0,)X N σ, then 2~(0,)Y X N σ=−.即X 与X −有相同的分布, 但X 与X −不相等.故分布相同与随机变量相等是两个不同的概念.命题2.4.1(变量形式) 随机变量族{},i X i I ∈,则必有唯一(不计..a s 相等差别)..r v Y (可取±∞)满足(1) 对i I ∀∈,i X Y ≤ ..a s ;(2) If 'Y 也满足,..i i I X Y a s ′∀∈≤,Then '..Y Y a s ≤(满足上述两点的Y 是{}i X 的本性上确界(essentiality supremum),记为sup i i IY ess X ∈=)证明:I 为可列指标集,取sup i i IY X ∈=即可.记()arctan f x x =↑有界,令sup [(sup )]i J Ii JE f X δ⊂∈= J 为I 的可列子集 (2.4.1)由上确界定义,必有可列子集...n J I s t ⊂1[(sup )]ni i J E f X nδ∈>−记0n nJ J =∪,则0J 可列,且对每个n ,有1[(sup )]i i J E f X n δδ∈≥>−⇒ 0[(sup )]i i J E f X δ∈= 令0sup i i J Y X ∈=,则Y 为..r v ,且(1)必成立,否则0i X ∃,()00i P X Y >>, 这时()()00i P f X Y f Y ⎡⎤∨>>⎣⎦ ⇒ {}()()000[(sup )]i i i J i E f X E f Y X E f Y δ∈⎡⎤=∨>=⎡⎤⎣⎦⎣⎦∪ 该式(大于)与(2.1.4)(等于)矛盾,故(2)成立. 此外,若'Y 也满足'i X Y ≤ ..a s i I ∀∈则sup 'i i J Y X Y ∈=≤ ..a s故(2)成立, 唯一性是(2)的直接结论.定义2.4.2 若{},i X i I ∈为..r v 族,由命题2.4.1规定的Y 称为{},i X i I ∈的本性上确界,记为sup i i Iess X ∈ or sup i i Ie X ∈.同样,inf sup ()i i i Ii Ies X ess X Δ∈∈=−−称为{},i X i I ∈的本性下确界.P61(汪) 注:① 任一随机变量族有上(下)确界,也就是随机变量作为格是完备的(有上(下)确界); ② 若随机变量族{},i X i I ∈本身是一个格,当,i j I ∈时,{},i j i X X X i I ∨∈∈,则必存在一列{},n i n X i I ∈,使{}n i X 递增地收敛于sup i i Iess X ∈;③ 若{},i X i I ∈对可列个随机变量的上确界运算是封闭的,则sup i i Iess X ∈必属于{},i X i I ∈.(命题2.4.1的)集合形式:可测集族{},i A i I ∈,必存在唯一,..,..i A s t i A A a s ∈∀⊂F 且若B ∈F 也有对,..i i A B a s ∀⊂,则..A B a s ⊂例 []0,1Ω=,[]0,1=F B 为[]0,1上Borel 点集全体,P 取为[]0,1上的Lebesgue 测度,对[]0,1r ∈,令10r r X r ωω=⎧=⎨≠⎩则[]()0,1sup 1r r X ω∈≡,但 []()0,1sup 0r r ess X ω∈=定义2.4.3 ..'r v s {,1}n X n ≥ ,若limsup liminf n n nnX X = ..a s则不计等价类内的差别,其唯一确定的极限limsup n nX X =,也记为lim n nX X = or..a s n X X →,称{,1}n X n ≥为以概率1收敛于X or ..a s 收敛于X .命题2.4.2(1) ..'RVs ..a s n X X → ⇔ 1({})0n N n NP X X ε∞∞==−>=∩∪⇔ 1({})1n N n NP X X ε∞∞==−≤=∩∪ 0ε∀>(2) ..a s n X X → ⇔ 1,({})0n m N n m NP X X ε∞∞==−>=∩∪⇔ 1,({})1n m N n m NP X X ε∞∞==−≤=∩∪⇔ ,m n →∞时,..{,,1}0a s n m X X m n −≥⎯⎯→ Cauchyseries (3)If 正数列{}n ε满足1nn ε∞=<∞∑, {,1}n X n ≥满足11{}n n n n P XX ε∞+=−><∞∑ ⇒ ..a s n X X ⎯⎯→ ()X <∞then {,1}n X n ≥ a.s.收敛于有限随机变量X .证明:(1) ""⇒If 0{:lim ()}n nX X ωωω∈=<∞ ,Then 0ε∀>,0(,)N εω∃,n N >, ..s t 00()()n X X ωωε−≤即0lim ()n n A ωω→∞∉. 所以(){lim }(lim )Cn n n n X X A ε→∞→∞=<∞⊂ ⇒ (1) 结论成立""⇐ 0ε∀>, 对于1({})0n N n NP X X ε∞∞==−>=∩∪ 成立,则11(lim (0n nk P A k ∞=⎧⎫=⎨⎬⎩⎭∪ ( * )因而对011(lim (n n k A k ω→∞≥∉∪及00ε∀>,取01k ε<,由011(lim ())lim(())c cn n n n A A k k ω→∞→∞∈= 必存在()00,N εω, 当()00,n N εω>时,01((cn A kω∈,即()()0001n X X kωωε−≤<.由于0ε可为0∀>的数, 故()()00lim n n X Xωω→∞=,由(*)式,故..a s n X X ⎯⎯→. (2)由实数列收敛的Cauchy 准则,对给定的0ω,()lim n n X ω→∞<∞ ⇔ ()()00,lim 0n m m n X X ωω→∞−=而{,1}n X n ≥..a s 为Cauchy 基本列与(2)中式子等价,可类似(1)证明. (3)记{}1n n n n A X X ε+=−>,Then{}1k n n n k nk n P A P X X ε+≥≥⎛⎞≤−>⎜⎟⎝⎠∑∪ ⇒ ()lim lim 0n k n n k n P A P A →∞→∞≥⎛⎞==⎜⎟⎝⎠∪若()c1lim c nk n n k nA A ω∞∞→∞≥≥∈=∪∩,Then 必存在()0N ω,..s t 0c n k N A ω≥∈∩,即当()0k N ω≥时,有()()1n n n X X ωωε+−≤ ⇒()()1n nnX X ωω+−<∞∑因为当()clim nn A ω→∞∈时,()lim nnXω<∞,故{}..a s n X X ⎯⎯→<∞. 定义2.4.4 Pn X X ⎯⎯→ or lim n n pr X X →∞−=⇔ {}lim 0n n P X X ε→∞−>= 0ε∀>说明 in P 收敛极限不计可数集上的差别是唯一确定的. 如果lim n n pr X X →∞−=, lim n n pr X Y →∞−=,那么0ε∀>有{}022n n n P X Y P X X P X Y εεε→∞⎛⎞⎛⎞−>≤−>+−>⎯⎯⎯→⎜⎟⎜⎟⎝⎠⎝⎠⇒ {}0P X Y ε−>=又由于ε可为任一正数,故()1P X Y ==.引理 2.4.1 If {,1}n X n ≤.in P⎯⎯⎯→Cauchy 基本列,即n X : ,lim {||}0n m m n P X X ε→∞−>= 0ε∀> ⇒ ..a s nk X X ⎯⎯→ (<∞)Then 必有 a.s. 收敛于有限随机变量的子序列{,1}nk X k ≥ Proof :取11n =,而1j j n n −>,且当,j r s n >时(||2)3j j r s P X X −−−><此时1(||2)3j j j jn n jjP XX +−−−><<∞∑∑ 2.4.2=====⇒命题(3){,1}nk X k ≤..a s ⎯⎯→X <∞命题2.4.3 {,1},n X n ≤为..'r v s then(1)If lim n n X X →∞= .a s ⇒ Pr lim n n X X →∞−=(2)Pr lim n n X X →∞−=⇔ {}n X 为in P 收敛下的Cauchy 基本列:(in Pn X X ⎯⎯⎯→⇔n X 为in P 收敛下的Cauchy series.)Proof :(1)..1({||})0a s n n N n N X X P X X ε∞∞==⎫⎯⎯→⎪⎬−>=⎪⎭∩∪ ⇒ 0ε∀>,lim ({||})0n n k nP X X ε∞→∞≥−>=∪ ⇒ 0ε∀>,lim {||}0n n P X X ε→∞−>=. 即in Pn X X ⎯⎯⎯→.(2) “⇒”.in Pn X X ⎯⎯⎯→:{||}{||}{||}22n m n m P X X P X X P X X εεε−>≤−>+−>⇒n X 为依概率收敛下的Cauchy Series.“⇐”由引理2.4.1有.a s nk X X ⎯⎯→⇒in pn X X ⎯⎯⎯→{||}{||}{||}22n n nk nk P X X P X X P X X εεε−>≤−>+−>k n n →∞→∞==⇒in pn X X ⎯⎯⎯→ 即证.注:,,Ω(p)F 上随机变量X ,Y||(,)[1||X Y X Y E X Y ρΔ−=+− 等价于依Pr.收敛 ⇐ 距离空间是完备的例:设B 为[0,1]的Lebesgue 可测集全体.p λ=为[0,1]上的Lebesgue 测度.在可测空间λ([0,1],,)B 上取[/2,(1)/2]()1()k k n p p X ωω+= 2k n p =+ 021k p ≤≤−则对[0,1]ε∈有1|2n kP X ε(|>)= n →∞===⇒ 0n X ρ⎯⎯→2. 一致可积与平均收敛定义 2.4.5 Ω(,,p)F 上{,}i X i I ∈,若||lim sup ||0ii N i I X NX dp →∞∈>=∫,则称{,}i X i I ∈为一致可积的.若随机变量Y 可积,则||lim ||0N Y Y dp →∞=∫ (*)证明:取 ||||n Y n X Y I >= ⇒ ||lim ||0n Y n X Y I =∞→∞== ..a s又||n X Y ≤故由Lebesgue 控制收敛定理即(*)成立.命题2.4.4 Ω(,,p)F 上可积..r v 族{,}i X i I =∈H (1) If I 为有限集,then H 一致可积;(2) If ,||i i I X Y ∀∈≤,Y 可积,then H 一致可积; (3) If 1p ∃>,sup ||pi i IE X ∈<∞, then H 一致可积;证明:(1)(2)由(*)可证明. (3) 利用11||||11||||sup ||i i pi i i p p i IX NX N X dp X dp E X N N N −−∈>>≤≤⇒→∞∫∫即证. 命题 2.4.5 Ω(,,p)F 上可积..r v 族{,}i X i I =∈H 为一致可积的充要条件是 (1) 一致绝对连续: 0()limsup sup ||0i P A i I AX dp δδ→<∈=∫ (☆)(2) 积分一致有界: sup ||i i IE X ∈<∞证明:“⇒”(||N)(||N)||||||i i ii i AA X A X Xdp X dp X dp≤>≤+∫∫∫N →→∞===⇒令P(A)0(1)A =Ω==⇒(2)“⇐”由(☆)式,0ε∀>,()0δε∃>,当()()P A δε<时,有sup ||i i I AX dp ε∈<∫,即{,}i X i I =∈H 一致可积.而1(||)sup ||0N i i iP X N E X N →∞>≤⎯⎯⎯→所以 (||)()i P X N δε><.定义 2.4.6 Ω(,,p)F 上..'r v s {,1}n X n ≥,且..r v X 可积,使lim ||0n n E X X →∞−=则称{}n X (一阶)平均收敛或1L 收敛于X ,记为1L nX X ⎯⎯→.命题2.4.6 对可积..'r v s {,1}n X n ≤下列条件等价: (1)1LnX X ⎯⎯→;(2){}n X 为1L 基本列,即,lim ||0n m m n E X X →∞−=;(3){,1},n X n ≤为一致可积的且Pn X X ⎯⎯→.3. pL 空间定义:设Ω(,,p)F 概率测度空间,若常数p ,且0p <<∞,令||||pp X Ω∞L (,,p)={X:X为r.v.,<}F 记为p L 空间.设1,,pp X L ≤∈定义11||||(||)(||)p p p pp X E X X dp ==∫为X 在L p空间上的范数.sup{:(||)0}Xx P X x ∞=>> ⇒ (||)1P X X∞≤=,(||)0P X X∞>=(,)p p L ⋅构成完备的线性赋范空间—Banach 空间基本不等式:,a b R ∈,0r >,1p <,q <∞且111p q+=(p ,q 为共轭数),则(1)1||max(1,2)(||||)r r r r a b a b −+≤+(2) ||||||p q a b ab p q ≤+ ⇔ 11||||||||pq a b a b p q≤+p L 中基本不等式:(1)1||max(1,2)[||||]p r p pX Y dp X dp Y dp −+≤+∫∫∫Holder 不等式 (2)||pqXY XY dp XY=≤⋅∫⇔||pq E XY XY ≤⋅(111p q+=,1p ≤,1q ≤ ) (3)Minkowski 不等式:ppp X YXY +≤+ ..r v :X Y . (若实数,1p c ≥,则有 ||ppcXc X≤)Proof :1||||||pp X Y dp X Y X Y dp −+=+⋅+∫∫11||||||||p p X X Y dp Y X Y dp −−≤⋅++⋅+∫∫式中11||||(||)p p p qX X Y dp XX Y −−⋅+≤+∫11[(||)]p qqp XX Y dp −=+∫1[||]pqp XX Y =+∫ 11[||][||]ppqqpp X X Y dp YX Y dp ≤⋅++⋅+∫∫ 1()[||]pqp p XY X Y dp =++∫其中 111p q +=⇒1pq p =− 所以有11[||]()pqpp X Y dp XY −+≤+∫即有不等式ppp X YXY +≤+(4)Jensen 不等式f 为上的凸函数,X 为取值(,)a b 的可积..r v ,则有[()]()E f X f EX ≥证明:0(,)X a b ∃∈,f 为凸函数.'000()()()()f x f x f x x x −≥+− (,)x a b ∈令0x EX = x X =,则上式变为'()()()()f X f EX f EX X EX −≥+−上式两边同时取期望得[()]()E f X f EX ≥证明(,)pp L ⋅完备线性赋范空间线性:① If pX L ∈,a R ∈ ⇒paX L ∈ ② ,pX Y L ∈⇒pX Y L +∈ 赋范:0pX≥且0pX=⇔0X = ..a e ⇔0f ≡ppaX a X= ppp X YXY +≤+定义(依范数收敛):设Pn X L ∈, If lim||0p n n X X dp Ω→∞−=∫( ⇔lim 0n pn X X→∞−=)Then 称{}n X 依范数收敛于X (p 方收敛),记为PL n X X ⎯⎯→. 结论:PL n X X ⎯⎯→⇒pn X X ⎯⎯→系(Corollary ):[]1,,p ∈∞..'r v s {,1}n X n ≥.若存在(,,)pY L p ∈ΩF ,n ∀,有||n X Y ≤,则当n →∞时,下列两式等价:(1) pn X X ⎯⎯→ (2) PL n X X ⎯⎯→ 命题2.4.11: 1p ≤≤+∞,pL 中元素列{}n X ,下列两事实等价(1)PL n X X ⎯⎯→ ; (2){}n X 是基本列,即,lim 0n mpn m X X →∞−=;(3){||,1}p n X n ≥一致可积,且pn X X ⎯⎯→. 命题1:(1) [1,]p ∈+∞,p L 为Banach 空间(,)pp L ⋅,且是一个完备集合. (2)若在2(,,)L P ΩF 中取(,)[]X Y E XY =则(,)X Y 是内积,2(,,)L P ΩF 是Hilbert 空间22(,)L ⋅,且也是一个完备格. 定义:(,,)P ΩF ,..r v ,X Y 0p >.||p E X :X 的(分布的)p 阶绝对矩()VarX E X EX Δ=− X 的方差p EX (存在) X 的p 阶矩ΔX 的标准差协方差:(,)()()Cov X Y E X EX Y EY Δ=−− ()0E XY =称,X Y 为正交的相关系数:0(,)00VarX VarY X Y VarX VarY ρΔ⋅≠=⋅=⎩⇒ ,X Y 互不相关的(,)Cov X Y ≤若(,)1X Y ρ≤,由1(||)||ppP X a E X a≥≤,得Chebyshev 不等式 21(||)P X EX a VarX a−>≤ 0a >六、乘积可测空间上的测度1.两个乘积可测空间上的测度 (1) 乘积可测空间(,)i i ΩFi i Ω=ΩΠ=1乘积空间1{(,,):}n i i ωωωΩ=∈Ω ,11{1}nn i i i i i i A A i n σ====∈≤≤ΠΠ:,F F F ,1(,)(,)ni i i =Ω=ΩΠF Fi i A Ω⊂,1{(,,):}n i i A A ωωω=∈ ,可测矩形全体:i ni A A Π==1C 为Ω中可测的矩形全体 ()σ=F C(2) 截口Y X ,集合,E 是Y X ×的子集,分别称}),({E y x Y y E X ∈∈=:(或}),({E y x X x E Y ∈∈=:)为E 在X (或Y )处的截口.记),(y x f 为Y X ×上的函数,),()(y x f y f x =),()(y x f x f y = (3) 引理引理 设11(,)ΩF 与22(,)ΩF 为可测空间(a)若21Ω×Ω∈E ,则1Ω∈∀x ,2Ω∈y ,有2x E ∈F ,1y E ∈F(b)若f 为21Ω×Ω上的12×F F 可测函数,则1Ω∈∀x ,2Ω∈y ,x f 为2Ω上的2F 可测函数,y f 为1Ω上的1F 可测函数.进一步引理 设11(,,)μΩF 与22(,,)νΩF 为两个σ有限测度空间若21Ω×Ω∈E ,则函数(映照)x x E μ⎯⎯→为1Ω上可测;y y E ν⎯⎯→为2Ω上可测.(4) 乘积测度设11(,,)μΩF 与22(,,)νΩF 为两个σ有限测度空间,则在12×F F 上存在唯一的测度νμ×,s.t,)()())((B A B A νμνμ=××, 1A ∈F ,2B ∈F ,从而νμ×亦为σ有限.此外对于12E ∀∈×F F 有12()()()()()()x yE E dx E dy μννμμνΩΩ×==∫∫则测度νμ×称为μ与ν的乘积. (5) 乘积测度的积分Theorem: σ有依测度空间11(,,)μΩF 与22(,,)νΩF ,f 为21Ω×Ω上的非负12×F F 可测函数,则函数2x x f dv Ω→∫与1y y f d μΩ→∫分别在1F 和2F 可测,且有∫∫∫∫∫ΩΩΩΩΩ×Ω==×122121)()()()()(dx dv f dy v d f v fd x y μμμFubini's Theorem: σ有依测度空间11(,,)μΩF 与22(,,)νΩF ,f 为21Ω×Ω上的12×F F 可测函数,若f 关于νμ×可积(积分存在),则:(a) 对..a e μ− x ,x f 为ν可积(关于ν积分存在),对..a e ν−y ,y f 为μ可积(关于μ积分存在)(b) 令⎪⎩⎪⎨⎧=∫Ωotherv f d f I x x x f 02)(可积(积分存在)为若ν⎪⎩⎪⎨⎧=∫Ωelsewheref d f I y y y f 01)(可积(积分存在)为若μμ则)(x I f 为μ可积(积分存在),)(y I f 为v 可积(积分存在),且有1212()()()()()f f fd v I x dx I y v dy μμΩ×ΩΩΩ×==∫∫∫另一种形式的Fubini's Theorem: If 0≥f or ||f d μ<∞∫,then∫∫∫∫∫ΩΩΩ×ΩΩΩ==212112)()(),()()(),(dy v dx y x f fdu dx dy v y x f μμFubini 定理有很多应用 2.乘积可测空间上的概率测度 (1)两维乘积空间上的概率测度设()()1122,,,ΩΩF F 为两个可测空间,[]12(,)120,1P A ωΩ×→F ,若函数12(,)P A ω满足:(a) 11ω∀∈Ω,1(,)P ω⋅是()22,ΩF 上的概率测度; (b) 222,(,)A P A ∀∈⋅F 是()11,ΩF 上的可测函数; 则称P 为()11,ΩF 到()22,ΩF 的转移概率. 注:函数12(,)P A ω满足:()()121,1,,0P P ωωφΩ==; ()12,0,P A A ω≥∀∈F ;2,,i i j A A A i j ϕ∈∩=≠F ,有1111(,)(,)i i i i P A P A ωω∞∞===∑∑.例:可测空间()11,ΩF 和()22,ΩF ,则(a)()⋅Q 是()22,ΩF 上的概率测度,则对()()22122,,A P Q A ω∈=F F 是一个转移概率;(b)可测映照()()1122:,,f Ω→ΩF F ,则()()()2121,A P A I f ωω=也是一个转移概率.(2) 定理定理2.5.1:可测空间()11,ΩF 和()22,ΩF ,1P 为()11,ΩF 上的概率测度,12P 为转移概率,则(a)在()1212,Ω×Ω×F F 上存在唯一概率测度P 满足 ()()()1121212111122,,,A P A A P A P d A A ωω×=∀∈∈∫F F。

《概率的概念》 讲义

《概率的概念》 讲义

《概率的概念》讲义一、什么是概率在我们的日常生活中,常常会听到“可能”“也许”“大概”这样的词汇,而这些表述其实都与概率有着千丝万缕的联系。

那么,究竟什么是概率呢?概率,简单来说,就是用来衡量某个事件发生的可能性大小的一个数值。

它的取值范围在 0 到 1 之间。

如果一个事件发生的概率为 0,那就意味着这个事件几乎不可能发生,是一种极其罕见的情况;而如果一个事件发生的概率为 1,那就表示这个事件肯定会发生,没有任何意外。

举个例子,比如说抛硬币。

当我们抛一枚质地均匀的硬币时,出现正面朝上和反面朝上的可能性是相等的。

所以,抛硬币正面朝上的概率就是 05,反面朝上的概率也是 05。

再比如,从一副完整的扑克牌(除去大小王)中随机抽取一张牌,抽到红桃的概率是 1/4,因为扑克牌一共有四种花色,每种花色的牌数量相等。

二、概率的计算方法计算概率的方法主要有两种:古典概型和几何概型。

古典概型是指在一个试验中,所有可能的结果是有限的,并且每个结果出现的可能性相等。

计算古典概型的概率,我们通常使用公式:P(A) =事件 A 包含的基本事件数/基本事件总数。

还是以抛硬币为例,抛硬币这个试验中,基本事件只有两个,即正面朝上和反面朝上。

所以,抛硬币正面朝上的概率 P(正面朝上) = 1 /2 = 05。

几何概型则是在一个试验中,每个事件发生的概率只与构成该事件区域的长度、面积或体积成比例。

比如说,在一个数轴上的区间 0, 10内随机取一个点,取到 5 到 8 之间的点的概率,就可以通过计算区间 5,8 的长度与区间 0, 10 的长度之比来得到。

三、概率的性质概率具有一些重要的性质,理解这些性质有助于我们更好地运用概率解决问题。

首先,概率的值永远在 0 到 1 之间,包括 0 和 1。

这是因为概率是用来衡量可能性大小的,不可能出现小于 0 或者大于 1 的情况。

其次,必然事件的概率为 1,不可能事件的概率为 0。

必然事件是指一定会发生的事件,比如“太阳从东方升起”,其概率就是 1;不可能事件是指绝对不会发生的事件,比如“月亮变成正方形”,其概率就是0。

《概率的概念》 讲义

《概率的概念》 讲义

《概率的概念》讲义在我们的日常生活中,很多事情的结果是不确定的。

比如明天是否会下雨,买彩票是否能中奖,考试是否能取得好成绩等等。

而概率,就是用来衡量这些不确定事件发生可能性大小的工具。

那到底什么是概率呢?简单来说,概率就是对随机事件发生可能性大小的一个数值度量。

如果一个事件发生的可能性越大,那么它的概率就越大;反之,如果一个事件发生的可能性越小,它的概率就越小。

为了更好地理解概率,我们先来看一个简单的例子。

假设一个盒子里有 5 个红球和 3 个白球,我们从中随机取出一个球,那么取出红球的概率是多少呢?要计算这个概率,我们首先需要知道总的可能性有多少种。

在这个例子中,从 8 个球中取出任意一个球,总共有 8 种可能性。

而取出红球的可能性有 5 种。

所以取出红球的概率就是 5÷8 = 5/8。

概率的取值范围在 0 到 1 之间。

如果一个事件的概率为 0,那就意味着这个事件几乎不可能发生;如果概率为 1,就表示这个事件肯定会发生;而当概率在0 到1 之间时,说明这个事件有一定的可能性发生。

比如,太阳从西边升起这个事件的概率就是 0,因为这在我们的认知中是不可能发生的;而抛硬币正面朝上的概率是 05,因为抛硬币只有正面和反面两种可能,且出现正面和反面的可能性是相等的。

在实际生活中,概率有着广泛的应用。

比如在保险行业,保险公司会根据各种风险事件发生的概率来计算保险费用。

如果某种疾病发生的概率较高,那么针对这种疾病的保险费用就会相对较高。

在天气预报中,气象学家会根据各种气象数据和模型来预测明天降雨的概率。

如果降雨的概率较大,人们就会提前做好相应的准备,比如携带雨具。

在统计学中,概率也是非常重要的。

通过对大量数据的分析和计算概率,可以帮助我们得出一些有用的结论和决策。

再来说说概率的计算方法。

除了像前面提到的通过计算事件可能出现的结果数来计算概率外,还有一些常见的概率计算规则。

比如加法规则,如果事件 A 和事件 B 是互斥的(也就是说两个事件不能同时发生),那么事件 A 或者事件 B 发生的概率就等于事件 A发生的概率加上事件 B 发生的概率。

高中数学必修2《概率》知识点讲义

高中数学必修2《概率》知识点讲义

高中数学必修2《概率》知识点讲义Chapter 3 Probabilityn 1 Probability of Random Events1.Basic Concepts:Impossible eventCertain eventEvent (includes certain and impossible events)Random eventProbability (P(A)) of an event A2.Probability。

Frequency。

and Frequency :Frequency (nA) of an event A in n trials under the same nsFrequency。

(fn(A)) of an event A in n trials under the same nsProbability (P(A)) of an event A as the stable frequency。

as the number of trials increasesXXXn 2 Basic Properties of Probability1.XXX:n (sum) eventn (product) eventXXXXXX2.Basic Properties of Probability:Probability of certain event is 1.probability of impossible event is 0.and 0 ≤ P(A) ≤ 1XXX 1XXX 0XXX: P(A∪B)= P(A)+ P(B)XXX: P(A)+P(B)=1 if A and B are complementaryn 3 Classical Probability1.XXX: XXX2.XXX:XXX the total number of possible esXXX AUse formula P(A)= number of es in A/ total number of es3.XXX:XXXXXXXXXNote: The original text had formatting errors and some unclear sentences。

《概率论讲义》课件

《概率论讲义》课件

线性回归
介绍线性回归模型的基本原理和应用案例。
多元非线性回归
探讨多元非线性回归分析的方法和实际应用。
蒙特卡罗方法
1
简介和基本概念
介绍蒙特卡罗方法的基本思想和使用领域。
2
模拟方法
说明蒙特卡罗方法的模拟过程和实际应用。
3
抽样方法
讨论蒙特卡罗方法中的抽样技术和抽样步骤。
应用案例
金融风险管理
探讨概率论在金融风险管理中的应用和重要性。
2
弱大数定律
探讨具体的弱大数定律和其适用性。
3

中心极限定理
详细解释中心极限定理及其在概率论中的重要性。
统计推断
1 点估计
介绍点估计的概念和方法,以及其在概率论中的应用。
2 区间估计
说明区间估计的原理和步骤,并讨论其实际应用。
3 假设检验
讲解假设检验的基本思想和步骤,以及其在统计学中的作用。
回归分析
《概率论讲义》PPT课件
概率论讲义PPT课件大纲
简介
介绍概率论的基本概念和应 用领域,初步了解概率论的 历史和发展。
随机变量
定义随机变量,离散型和连 续型随机变量及其概率分布。
概率分布
二项分布,泊松分布和正态 分布。
大数定律与中心极限定理
1
定义大数定律和中心极限定理
深入了解大数定律和中心极限定理的概念和应用。
人口统计学
展示概率论如何应用于人口统计学数据的分析和预测。
物理学和天文学
介绍概率论在物理学和天文学研究中的关键作用。
结论
总结所学内容,展望概率论的未来发展和应用前景。
参考文献
推荐阅读经典著作和相关文献
提供经典著作和相关文献,供学习和研究参考。

概率2-6讲义

概率2-6讲义

P ( AB) P ( A | B) P ( B)
推广到随机变量
类似定义离散型(X,Y)在 X= xi 条件下 随机变量Y 的条件分布律.
一、离散型随机变量的条件分布律
定义
概率论
设 ( X,Y ) 是二维离散型随机变量,其分布律为
P( X xi , Y y j ) pij , i , j 1,2,
y
2 2 ( x ) ( y ) 1 1 2 f X ( x ) fY ( y ) exp 2 2 2 1 2 2 2 1 x , y
概率论
概率论
例:设(X,Y)的联合分布律为
Y
X
1 2
P{ X i}
0 1/6 1/18
2/9
1 1/9 2/3
7/9
P{Y j}
5/18 13/18
判断X、Y是否相互独立。 X、Y不相互独立。

设(X,Y)的概率密度为
概率论
xe ( x y ) , f ( x, y ) 0,
lim
0

x



y y y y
f x, y dy dx fY y dy

(一定条件下)

x

f x, y dx fY y

x

f x, y dx f y
f x, y 满足: 对给定的y,当 fY ( y) 0时, x 的一元函数 fY y
问X和Y是否独立? 解
x 0, y 0 其它

f X ( x)

2020高中数学 第2章 概率 2.2 超几何分布讲义

2020高中数学 第2章 概率 2.2 超几何分布讲义

2.2 超几何分布学习目标核心素养1.了解超几何分布及其导出过程,并能进行简单的应用.(重点)2.会利用超几何分布的概念判断一个实际问题是否属于超几何分布,从而利用相关公式解题.(难点)1。

通过超几何分布的学习,培养数学抽象素养.2.借助超几何分布的求解,提升数学运算素养.超几何分布的概率及其表示一般地,若一个随机变量X的分布列为P(X=r)=错误!,其中r =0,1,2,3,…,l,l=min(n,M),则称X服从超几何分布,记为X~H(n,M,N),并将P(X=r)=错误!记为H(r;n,M,N).思考1:如何识别超几何分布?[提示]超几何分布必须满足以下两条:①总数为N件的物品只分为两类:M(M≤N)件甲类(或次品),其余的N-M件为乙类(或正品).②随机变量X表示从N件物品中任取n(n≤N)件物品,其中所含甲类物品(或次品)的件数.思考2:在产品检验中超几何分布描述的是放回抽样还是不放回抽样?[提示] 不放回抽样.思考3:在超几何分布中,随机变量X取值的最大值是M吗?[提示] 不一定.当n≥M时,最大值为M,当n<M时,最大值为n.1.盒中有4个白球,5个红球,从中任取3个球,则取出1个白球和2个红球的概率是( )A。

错误!B。

错误!C。

错误!D。

错误!C[根据题意知该问题为古典概型,所以P=错误!=错误!。

]2.在含有5件次品的10件产品中,任取4件,则取到的次品数X的分布列为P(X=r)=________。

错误!,r=0,1,2,3,4 [P(X=r)=错误!,r=0,1,2,3,4.]3.从有3个黑球,5个白球的盒中取出2个球,其中恰有一个是白球的概率是________.错误![由题意,这是一道超几何分布题,其中N=8,M=5,n=2。

所以P(X=1)=错误!=错误!。

]超几何分布的辨析【例1】,说明理由.(1)抛掷三枚骰子,所得向上的数是6的骰子的个数记为X,求X的概率分布;(2)有一批种子的发芽率为70%,任取10颗种子做发芽实验,把实验中发芽的种子的个数记为X,求X的概率分布;(3)盒子中有红球3只,黄球4只,蓝球5只.任取3只球,把不是红色的球的个数记为X,求X的概率分布;(4)某班级有男生25人,女生20人.选派4名学生参加学校组织的活动,班长必须参加,其中女生人数记为X,求X的概率分布;(5)现有100台MP3播放器未经检测,抽取10台送检,把检验结果为不合格的MP3播放器的个数记为X,求X的概率分布.[思路探究] 总体是否由两类个体构成→错误!→错误![解] (1)(2)中样本没有分类,不是超几何分布问题,是重复试验问题.(3)(4)符合超几何分布的特征,样本都分为两类.随机变量X 表示抽取n件样本,某类样本被抽取的件数,是超几何分布.(5)中没有给出不合格品数,无法计算X的概率分布,所以不属于超几何分布问题.1.判断一个随机变量是否服从超几何分布,应看三点:(1)总体是否可分为两类明确的对象;(2)是否为不放回抽样;(3)随机变量是否为样本中其中一类个体的个数.2.超几何分布中,r,n,M,N均为有限数,且r≤min(n,M).1.下列随机变量中,服从超几何分布的有________.(填序号)①在10件产品中有3件次品,一件一件地不放回地任意取出4件,记取到的次品数为X;②从3台甲型彩电和2台乙型彩电中任取2台,记X表示所取的2台彩电中甲型彩电的台数;③一名学生骑自行车上学,途中有6个交通岗,记此学生遇到红灯的数为随机变量X。

概率完美讲义

概率完美讲义

概率完美讲义简介本讲义旨在提供关于概率的基础知识和重要概念的全面介绍。

通过本讲义的研究,读者将能够理解概率的概念、计算概率的方法以及概率在实际问题中的应用。

目录1. 概率的定义和基本原理2. 概率的计算方法3. 概率分布4. 多元概率5. 概率在实际问题中的应用6. 统计学中的概率概念概率的定义和基本原理概率是指某件事件发生的可能性的度量。

在本章中,我们将首先介绍概率的定义和基本原理,包括样本空间、事件和概率的运算法则。

概率的计算方法本章将介绍概率的计算方法,包括古典概率、几何概率、条件概率和贝叶斯公式。

读者将学会如何通过这些方法计算事件的概率。

概率分布概率分布是指随机变量各个取值和其对应概率之间的关系。

本章将介绍常见的概率分布,如离散型概率分布和连续型概率分布,并介绍如何计算期望值和方差。

多元概率多元概率是指涉及多个随机变量的事件的概率。

本章将介绍多元概率的概念和计算方法,包括联合概率、条件概率和独立性。

概率在实际问题中的应用概率在实际问题中有广泛的应用,本章将介绍概率在统计学、科学研究和风险管理等领域的应用,并提供相关案例分析。

统计学中的概率概念统计学中的概率是指利用样本数据对未知参数进行估计的方法。

本章将介绍统计学中的概率概念,如点估计和区间估计,并介绍如何利用抽样分布进行统计推断。

结论本讲义提供了关于概率的基础知识和重要概念的全面介绍。

读者通过学习本讲义,将能够掌握概率的定义和基本原理,了解概率的计算方法和概率分布,以及掌握概率在实际问题中的应用和统计学中的概率概念。

概率统计经典讲义

概率统计经典讲义
§2 中心极限定理
一、中心极限定理的客观背景 在实际问题中,常常需要考虑许多随
机因素所产生的总的影响.
例如:炮弹射击的落点与目标的偏差,就 受着许多随机因素的影响.
如瞄准时的误差, 空气阻力所产生的误差, 炮弹或炮身结构所引起的误差等等. 对我们来说重要的是这些随机因素的总影响.
自从高斯指出测量误差服从正 态分布之后,人们发现,正态分布 在自然界中极为常见.

n
Xi n
lim P{ i1
x}
x
1 e-t2 2dt(x)
n
n
- 2
定理1表明,当n充分大时,n个具有期望和方 差的独立同分布r.v.之和近似服从正态分布.
n
Xi n 近似
i1
~ N(0,1)
n
1 n
ni1
Xi
X
近似~/ n / nN(0,1)近似
X ~ N(,2/n)
定理2(Liapunov中心极限定理)
0.2
0.2
1 P{ X 14 0} 1 (0) 0.2
1 0.5 0.5
例2 某单位有200部电话分机,每部电话约有5% 的时间要使用外线通话.设每部电话是否使用外线 通话是相互独立的.求该单位总机至少需要安装多 少条外线才能以90%以上的概率保证每部电话需 要使用外线时可以打通?
1 n
每箱产品的平均强度为 n i1 X i X
X =
X14=X14
2
0.2
近 似
~ N(0,1)
n 100
(1) P{X 14.5} P{X 14 14.514}
0.2
0.2
P{X 14 2.5}1 P{X 14 2.5}
0.2

2015方浩概率强化讲义2

2015方浩概率强化讲义2
【P66,5】设随机变量 X 服从参数为 的指 X 数分布.求Y 1 e 的概率密度
37
【例 2.13,R】设随机变量 X U 0, ,求随 机变量Y sin X 的概率密度.
38
【例 2.14】随机变量 X 的概率密度为,
1 , 1 x 0 2 1 f X x , 0 x 2 ,Y X 2 ,求Y 的概率 4 其它 0,
, k 0,1,
, n;
6
(3) 泊松分布(参数 0)
P X k
e
k
k!
, k 0,1, 2,
; X ~ P ( )
(4) 几何分布(参数为 p 0,1 )
P X k (1 p)
(5) 超几何分布
7
k 1
p, k 1,2, ; X
B p2 p1 p3 D p1 p3 p2
35
【例】设随机变量 X 概率密度为 , f x Ae , x aX b N 0,1 a 0 ,求 A,a, b
x 1 2
2

36
[题型三 随机变量函数的分布]


f ( x )dx 1
9
3. 分布函数的性质 (1) F x 为连续函数( f x 不一定连续) (2) P X a F a F a 0 0.
b a
(3) P{a X b} F (b) F (a ) f ( x )dx (只管积分,不管端点的开闭) (4) 若 f x 在 x 处连续,则 F x f x
G p .
(三)一维连续型随机变量 1.[ 定 义 ] : F ( x ) P{ X x }

高中数学完整讲义——概率_随机事件的概率2.随机事件的概率计算

高中数学完整讲义——概率_随机事件的概率2.随机事件的概率计算

高中数学讲义版块一:事件及样本空间1.必然现象与随机现象必然现象是在一定条件下必然发生某种结果的现象;随机现象是在相同条件下,很难预料哪一种结果会出现的现象.2.试验:我们把观察随机现象或为了某种目的而进行的实验统称为试验,把观察结果或实验的结果称为试验的结果.一次试验是指事件的条件实现一次.在同样的条件下重复进行试验时,始终不会发生的结果,称为不可能事件; 在每次试验中一定会发生的结果,称为必然事件;在试验中可能发生,也可能不发生的结果称为随机事件.通常用大写英文字母A B C ,,,来表示随机事件,简称为事件. 3.基本事件:在一次试验中,可以用来描绘其它事件的,不能再分的最简单的随机事件,称为基本事件.它包含所有可能发生的基本结果.所有基本事件构成的集合称为基本事件空间,常用Ω表示.版块二:随机事件的概率计算1.如果事件A B ,同时发生,我们记作A B ,简记为AB ; 2.一般地,对于两个事件A B ,,如果有()()()P AB P A P B =,就称事件A 与B 相互独立,简称A 与B 独立.当事件A 与B 独立时,事件A 与B ,A 与B ,A 与B 都是相互独立的.3.概率的统计定义一般地,在n 次重复进行的试验中,事件A 发生的频率mn,当n 很大时,总是在某个常数附近摆动,随着n 的增加,摆动幅度越来越小,这时就把这个常数叫做事件A 的概率,记为()P A . 从概率的定义中,我们可以看出随机事件的概率()P A 满足:0()1P A ≤≤. 当A 是必然事件时,()1P A =,当A 是不可能事件时,()0P A =. 4.互斥事件与事件的并互斥事件:不可能同时发生的两个事件叫做互斥事件,或称互不相容事件.由事件A 和事件B 至少有一个发生(即A 发生,或B 发生,或A B ,都发生)所构成的事件C ,称为事件A 与B 的并(或和),记作C A B =.若C A B =,则若C 发生,则A 、B 中至少有一个发生,事件A B 是由事件A 或B 所包含的基本事件组成的集合.5.互斥事件的概率加法公式:若A 、B 是互斥事件,有()()()P A B P A P B =+若事件12n A A A ,,,两两互斥(彼此互斥),有1212()()()()n n P A A A P A P A P A =+++.事件“12n A A A ”发生是指事件12n A A A ,,,中至少有一个发生. 6.互为对立事件知识内容板块二.随机事件的概率计算高中数学讲义 不能同时发生且必有一个发生的两个事件叫做互为对立事件.事件A 的对立事件记作A .有()1()P A P A =-. <教师备案>1.概率中的“事件”是指“随机试验的结果”,与通常所说的事件不同.基本事件空间是指一次试验中所有可能发生的基本结果.有时我们提到事件或随机事件,也包含不可能事件和必然事件,将其作为随机事件的特例,需要根据情况作出判断.2.概率可以通过频率来“测量”,或者说是频率的一个近似,此处概率的定义叫做概率的统计定义.在实践中,很多时候采用这种方法求事件的概率.随机事件的频率是指事件发生的次数与试验总次数的比值,它具有一定的稳定性,总是在某个常数附近摆,且随着试验次数的增加,摆动的幅度越来越小,这个常数叫做这个随机事件的概率.概率可以看成频率在理论上的期望值,它从数量上反映了随机事件发生的可能性的大小,频率在大量重复试验的前提下可近似地看作这个事件的概率.3.基本事件一定是两两互斥的,它是互斥事件的特殊情形.主要方法:解决概率问题要注意“四个步骤,一个结合”: 求概率的步骤是:第一步,确定事件性质⎧⎪⎪⎨⎪⎪⎩等可能事件 互斥事件独立事件 n 次独立重复试验,即所给的问题归结为四类事件中的某一种.第二步,判断事件的运算⎧⎨⎩和事件积事件,即是至少有一个发生,还是同时发生,分别运用相加或相乘事件.第三步,运用公式()()()()()()()()(1)k k n k n n m P A nP A B P A P B P A B P A P B n P k C p p -⎧=⎪⎪⎪+=+⎨⎪⋅=⋅⎪=-⎪⎩等可能事件: 互斥事件: 独立事件: 次独立重复试验:求解第四步,答,即给提出的问题有一个明确的答复.解决此类问题的关键是会正确求解以下六种事件的概率(尤其是其中的(4)、(5)两种概率): ⑴ 随机事件的概率,等可能性事件的概率; ⑵ 互斥事件有一个发生的概率; ⑶ 相互独立事件同时发生的概率; ⑷ n 次独立重复试验中恰好发生k 次的概率; ⑸ n 次独立重复试验中在第k 次才首次发生的概率; ⑹ 对立事件的概率. 另外:要注意区分这样的语句:“至少有一个发生”,“至多有一个发生”,“恰好有一个发生”,“都发生”,“不都发生”,“都不发生”,“第k 次才发生”等.题型一 概率与频率【例1】下列说法:①频率是反映事件发生的频繁程度,概率反映事件发生的可能性的大小;典例分析高中数学讲义②做n次随机试验,事件A发生的频率mn就是事件的概率;③百分率是频率,但不是概率;④频率是不能脱离具体的n次试验的实验值,而概率是具有确定性的不依赖于试验次数的理论值;⑤频率是概率的近似值,概率是频率的稳定值.其中正确的是()A.①④⑤B.②④⑤C.①③④D.①③⑤【例2】对某工厂所生产的产品质量进行调查,数据如下:950件合格品,大约需要抽查多少件产品?【例3】某篮球运动员在最近几场大赛中罚球投篮的结果如下:((2)这位运动员投篮一次,进球的概率为多少?【例4】下列说法:①频率是反映事件发生的频繁程度,概率反映事件发生的可能性的大小;②做n次随机试验,事件A发生m次,则事件A发生的概率为mn;③频率是不能脱离n次试验的实验值,而概率是具有确定性的不依赖于试验次数的理论值;④频率是概率的近似值,概率是频率的稳定值.其中正确命题的序号为.【例5】盒中装有4只相同的白球与6只相同的黄球.从中任取一只球.试指出下列事件分别属于什么事件?它们的概率是多少?⑴A=“取出的球是白球”;⑵B=“取出的球是蓝球”;⑶C=“取出的球是黄球”;⑷D=“取出的球是白球或黄球”.高中数学讲义题型二 独立与互斥【例6】(2010辽宁高考)两个实习生每人加工一个零件.加工为一等品的概率分别为23和34,两个零件是否加工为一等品相互独立,则这两个零件中恰有一个一等品的概率为A .12B .512C .14D .16【例7】掷两枚均匀的骰子,记A =“点数不同”,B =“至少有一个是6点”,判断A 与B 是否为独立事件.【例8】设M 和N 是两个随机事件,表示事件M 和事件N 都不发生的是( )A .M N +B .M N ⋅C . M N M N ⋅+⋅D .M N ⋅【例9】判断下列各对事件是否是相互独立事件⑴ 甲组3名男生、2名女生;乙组2名男生、3名女生,今从甲、乙两组中各选1名同学参加 演讲比赛,“从甲组中选出1名男生”与“从乙组中选出1名女生”. ⑵ 容器内盛有5个白乒乓球和3个黄乒乓球,“从8个球中任意取出1个,取出的是白球”与“从剩下的7个球中任意取出1个,取出的还是白球”.【例10】⑴某县城有两种报纸甲、乙供居民订阅,记事件A 为“只订甲报”,事件B 为“至少订一种报”,事件C 为“至多订一种报”,事件D 为“不订甲报”,事件E 为“一种报也不订”.判断下列每对事件是不是互斥事件,再判断它们是不是对立事件.①A 与C ;②B 与E ;③B 与D ;④B 与C ;⑤C 与E .高中数学讲义【例11】抛掷一枚骰子,记事件A为“落地时向上的数是奇数”,事件B为“落地时向上的数是偶数”,事件C为“落地时向上的数是3的倍数”,事件D为“落地时向上的数是6或4”,则下列每对事件是互斥事件但不是对立事件的是()A.A与B B.B与C C.A与D D.C与D【例12】每道选择题都有4个选择支,其中只有1个选择支是正确的.某次考试共有12道选择题,某人说:“每个选择支正确的概率是14,我每题都选择第一个选择支,则一定有3题选择结果正确”.对该人的话进行判断,其结论是()A.正确的B.错误的C.模棱两可的D.有歧义的题型三随机事件的概率计算【例13】(2010丰台二模)一个正三角形的外接圆的半径为1,向该圆内随机投一点P,点P恰好落在正三角形外的概率是_________.【例14】(2010崇文一模)从52张扑克牌(没有大小王)中随机的抽一张牌,这张牌是J或Q或K的概率为_______.【例15】(2010朝阳一模)一只小蜜蜂在一个棱长为30的正方体玻璃容器内随机飞行.若蜜蜂在飞行过程中与正方体玻璃容器6个表面中至少有一个的距离不大于10,则就有可能撞到玻璃上而不安全;若始终保持与正方体玻璃容器6个表面的距离均大于10,则飞行是安全的,假设蜜蜂在正方体玻璃高中数学讲义 容器内飞行到每一位置可能性相同,那么蜜蜂飞行是安全的概率是( )A .18B .116C .127D .38【例16】(2010东城二模)在直角坐标系xOy 中,设集合{}(,)01,01x y x y Ω=≤≤≤≤,在区域Ω内任取一点(,)P x y ,则满足1x y +≤的概率等于 .【例17】(2010朝阳一模)在区间[π,π]-内随机取两个数分别记为,a b ,则使得函数22()2πf x x ax b =+-+有零点的概率为( )A .78B .34C .12D .14【例18】(2010东城一模)某人向一个半径为6的圆形标靶射击,假设他每次射击必定会中靶,且射中靶内各点是随机的,则此人射击中靶点与靶心的距离小于2的概率为( )A .113B .19 C .14 D .12【例19】(2010西城一模)在边长为1的正方形ABCD 内任取一点P ,则点P 到点A 的距离小于1的概率为 .【例20】(2010丰台二模)已知(){},|6,0,0x y x y x y Ω=+≤≥≥,{}(,)4,0,20A x y x y x y =-≤≥≥.若向区域Ω上随机投一点P ,则点P 落入区域A 的概率是_________.高中数学讲义【例21】(2010朝阳一模)袋子中装有编号为,a b的2个黑球和编号为,,c d e的3个红球,从中任意摸出2个球.⑴写出所有不同的结果;⑵求恰好摸出1个黑球和1个红球的概率;⑶求至少摸出1个黑球的概率.【例22】(2010崇文二模)在平面直角坐标系xOy中,平面区域W中的点的坐标(,)x y满足225x y+≤,从区域W中随机取点(,)M x y.⑴若x∈Z,y∈Z,求点M位于第四象限的概率;⑵已知直线:(0)l y x b b=-+>与圆22:5O x y+=y x b-+≥的概率.【例23】(2010西城一模)一个盒子中装有4张卡片,每张卡片上写有1个数字,数字分别是1、2、3、4.现从盒子中随机抽取卡片.⑴若一次抽取3张卡片,求3张卡片上数字之和大于7的概率;⑵若第一次抽1张卡片,放回后再抽取1张卡片,求两次抽取中至少一次抽到数字3的概率.高中数学讲义【例24】(2010海淀一模)某商场为吸引顾客消费推出一项优惠活动.活动规则如下:消费每满100元可以转动如图所示的圆盘一次,其中O为圆心,且标有20元、10元、0元的三部分区域面积相等.假定指针停在任一位置都是等可能的.当指针停在某区域时,返相应金额的优惠券.(例如:某顾客消费了218元,第一次转动获得了20元,第二次获得了10元,则其共获得了30元优惠券.)顾客甲和乙都到商场进行了消费,并按照规则参与了活动.⑴若顾客甲消费了128元,求他获得优惠券面额大于0元的概率?⑵若顾客乙消费了280元,求他总共获得优惠券金额不低于20元的概率?【例25】(2010石景山一模)为援助汶川灾后重建,对某项工程进行竞标,共有6家企业参与竞标.其中A企业来自辽宁省,B、C两家企业来自福建省,D、E、F三家企业来自河南省.此项工程需要两家企业联合施工,假设每家企业中标的概率相同.⑴企业E中标的概率是多少?高中数学讲义⑵在中标的企业中,至少有一家来自河南省的概率是多少?【例26】(2010湖北高考)投掷一枚均匀硬币和一枚均匀骰子各一次,记“硬币正面向上”为事件A,“骰于向上的点数是3”为事件B,则事件A,B中至少有一件发生的概率是A.512B.12C.712D.34【例27】盒子中有大小相同的3只小球,1只黑球,若从中随机地摸出两只球,两只球颜色不同的概率是.【例28】(2010江西高考)一位国王的铸币大臣在每箱100枚的硬币中各掺入了一枚劣币,国王怀疑大臣作弊,他用两种方法来检测.方法一:在100箱中各任意检查一枚;方法二:在5箱中各任意抽查两枚.国王用方法一、二能发现至少一枚劣币的概率分别为12,p p,则()A.12p p=B.12p p<C.12p p>D.以上三种情况都有可能【例29】(2010陕西卷高考)铁矿石A和B的含铁率a,冶炼每万吨铁矿石的2CO的排放量b及每万吨铁矿石的价格c如下表:高中数学讲义2最少费用为______(百万元).【例30】甲、乙两人进行击剑比赛,甲获胜的概率是0.41,两人战平的概率是0.27,那甲不输的概率为________甲不获胜的概率为_______.【例31】已知A B ,是相互独立事件,且()0.3P A =,()0.6P B =,则()P A B ⋅=______.【例32】某人射击5枪,命中3枪,3枪中恰有2枪连中的概率为( )A .120B .110C .25D .35【例33】袋中有大小相同的5个白球和3个黑球,从中任意摸出4个,求下列事件发生的概率.⑴ 摸出2个或3个白球; ⑵ 至少摸出一个黑球.【例34】一批产品共100件,其中5件是废品,任抽10件进行检查,求下列事件的概率.⑴ 10件产品中至多有一件废品;⑵ 10件产品中至少有一件废品.【例35】(2009湖南卷文)为拉动经济增长,某市决定新建一批重点工程,分为基础设施工程、民生工程和产业建设工程三类.这三类工程所含项目的个数分别占总数的12,13,16.现有3名工人独立地从中任选一个项目参与建设.求:⑴他们选择的项目所属类别互不相同的概率;⑵至少有1人选择的项目属于民生工程的概率.【例36】甲、乙二射击运动员分别对一目标射击1次,甲射中的概率为0.8,乙射中的概率为0.9,求:⑴2人都射中的概率?⑵2人中有1人射中的概率?【例37】(2009全国卷Ⅰ文)甲、乙二人进行一次围棋比赛,约定先胜3局者获得这次比赛的胜利,比赛结束.假设在一局中,甲获胜的概率为0.6,乙获胜的概率为0.4,各局比赛结果相互独立.已知前2局中,甲、乙各胜1局.⑴求再赛2局结束这次比赛的概率;⑵求甲获得这次比赛胜利的概率.【例38】纺织厂某车间内有三台机器,这三台机器在一天内不需工人维护的概率:第一台为0.9,第二台为0.8,第三台为0.85,问一天内:⑴3台机器都要维护的概率是多少?⑵其中恰有一台要维护的概率是多少?⑶至少一台需要维护的概率是多少?【例39】从甲口袋摸出一个红球的概率是13,从乙口袋中摸出一个红球的概率是12,则23是()A.2个球不都是红球的概率B.2个球都是红球的概率C.至少有一个红球的概率D.2个球中恰好有1个红球的概率【例40】甲、乙两个人独立地破译一个密码,他们能译出密码的概率分别为13和14,求:⑴两个人都译出密码的概率;⑵两个人都译不出密码的概率;⑶恰有1个人译出密码的概率;⑷至多1个人译出密码的概率;⑸至少1个人译出密码的概率.【例41】现时盛行的足球彩票,其规则如下:全部13场足球比赛,每场比赛有3种结果:胜、平、负,13场比赛全部猜中的为特等奖,仅猜中12场为一等奖,其它不设奖,则某人获得特等奖的概率为.【例42】从10位同学(其中6女,4男)中,随机选出3位参加测验,每位女同学能通过测验的概率均为45,每位男同学能通过测验的概率均为35,试求:⑴选出的3位同学中至少有一位男同学的概率;⑵10位同学中的女同学甲和乙及男同学丙同时被抽到,且三人中恰有二人通过测验的概率.【例43】(08天津)甲、乙两个篮球运动员互不影响地在同一位置投球,命中率分别为12与p,且乙投球2次均未命中的概率为116.⑴求乙投球的命中率p;⑵求甲投球2次,至少命中1次的概率;⑶若甲、乙两人各投球2次,求两人共命中2次的概率.【例44】甲盒中有红、黑、白三种颜色的球各个,乙盒子中有黄、黑、白三种颜色的球各个,32从两个盒子中各取个球,求取出的两个球是不同颜色的概率.【例45】某商场有奖销售中,购满100元商品得1张奖券,多购多得.第1000张奖券为一个开奖单位,设特等奖1个,一等奖10个,二等奖50个.设1张奖券中特等奖、一等奖、二等奖的事件分别为,,A B C ,求: ⑴()()(),,P A P B P C ; ⑵1张奖券的中奖概率;⑶1张奖券不中特等奖且不中一等奖的概率.【例46】把10张卡片分别写上0129,,,,后,任意叠放在一起,从中任取一张,设“抽到大于3的奇数”为事件A ,“抽到小于7的奇数”为事件B ,求()P A ,()P B 和()P A B .【例47】甲、乙两人下棋,乙不输的概率是0.7,下成和棋的概率为0.5,分别求出甲、乙获胜的概率.1【例48】黄种人群中各种血型的人所占的比如下表所示:AB型血的人,其他不同血型的人不能互相输血.小明是B型血,若小明因病需要输血,问:⑴任找一个人,其血可以输给小明的概率是多少?⑵任找一个人,其血不能输给小明的概率是多少?【例49】在袋中装20个小球,其中彩球有n个红色、5个蓝色、10个黄色的,其余为白球.求:⑴如果从袋中取出3个都是相同颜色彩球(无白色)的概率是13114,且2≥n,那么,袋中的红球共有几个?⑵根据⑴的结论,计算从袋中任取3个小球至少有一个是红球的概率.【例50】某射手射击一次射中10环、9环、8环、7环的概率分别为0.120.320.270.11,,,,计算这名射手射击一次:⑴射中9环或8环的概率;⑵至少射中7环的概率;⑶至多射中8环的概率.【例51】射击运动员李强射击一次击中目标的概率是0.8,他射击3次,恰好2次击中目标的概率是多少?【例52】在12345,,路车的到来.假如汽车,,,,条线路汽车经过的车站上,有位乘客等候着134经过该站的次数平均来说2345,,,路车是相等的,而1路车是其他各路车次数的总和.试求首先到站的汽车是这位乘客所需要线路的汽车的概率.【例53】(2007年全国I卷文)某商场经销某商品,顾客可采用一次性付款或分期付款购买.根据以往资料统计,顾客采用一次性付款的概率是0.6,经销一件该商品,若顾客采用一次性付款,商场获得利润200元;若顾客采用分期付款,商场获得利润250元.⑴求3位购买该商品的顾客中至少有1位采用一次性付款的概率;⑵求3位位顾客每人购买1件该商品,商场获得利润不超过650元的概率.【例54】(2007年全国II卷文)从某批产品中,有放回地抽取产品二次,每次随机抽取1件,假设事件A:“取出的2件产品中至多有1件是二等品”的概率()0.96P A .⑴求从该批产品中任取1件是二等品的概率p;⑵若该批产品共100件,从中任意抽取2件,求事件B:“取出的2件产品中至少有一件二等P B.品”的概率()【例55】(2009全国卷Ⅰ文)甲、乙二人进行一次围棋比赛,约定先胜3局者获得这次比赛的胜利,比赛结束.假设在一局中,甲获胜的概率为0.6,乙获胜的概率为0.4,各局比赛结果相互独立.已知前2局中,甲、乙各胜1局.⑴求再赛2局结束这次比赛的概率;⑵求甲获得这次比赛胜利的概率.【例56】为防止某突发事件发生,有甲、乙、丙、丁四种相互独立的预防措施可供采用,万元的前提下,请确定一个预防方案,使得此突发事件不发生的概率最大.【例57】某售货员负责在甲、乙、丙三个柜面上售货.如果在某一小时内各柜面不需要售货员照顾的概率分别为0.90.80.7,,.假定各个柜面是否需要照顾相互之间没有影响,求在这个小时内:⑴只有丙柜面需要售货员照顾的概率;⑵三个柜面恰好有一个需要售货员照顾的概率;⑶三个柜面至少有一个需要售货员照顾的概率.【例58】(2006年北京卷)某公司招聘员工,指定三门考试课程,有两种考试方案.方案一:考试三门课程,至少有两门及格为考试通过;方案二:在三门课程中,随机选取两门,这两门都及格为考试通过.,,,且三门课程考试是否及格相互假设某应聘者对三门指定课程考试及格的概率分别是a b c之间没有影响.⑴分别求该应聘者用方案一和方案二时考试通过的概率;⑵试比较该应聘者在上述两种方案下考试通过的概率的大小.(说明理由)【例59】假设飞机的每一台发动机在飞行中的故障率都是1P,且各发动机互不影响.如果至少50%的发动机能正常运行,飞机就可以顺利地飞行.问对于多大的P而言,四发动机飞机比二发动机飞机更安全?【例60】(2009陕西卷文)椐统计,某食品企业一个月内被消费者投诉的次数为012,,的概率分别为0.4,0.5,0.1⑴求该企业在一个月内被消费者投诉不超过1次的概率;⑵假设一月份与二月份被消费者投诉的次数互不影响,求该企业在这两个月内共被消费者投诉2次的概率.【例61】某项选拔共有四轮考核,每轮设有一个问题,能正确回答问题者进入下一轮考核,否则即被淘汰.已知某选手能正确回答第一、二、三、四轮的问题的概率分别为45、35、25、15,且各轮问题能否正确回答互不影响.⑴求该选手进入第四轮才被淘汰的概率;⑵求该选手至多进入第三轮考核的概率.题型四 条件概率【例62】设某批产品有4%是废品,而合格品中的75%是一等品,任取一件产品是一等品的概率是_____.【例63】某地区气象台统计,该地区下雨的概率是415,刮风的概率是215,既刮风又下雨的概率是110,设A =“刮风”,B =“下雨”,求()()P B A P A B ,.【例64】(09上海春)把一枚硬币抛掷两次,事件A =“第一次出现正面”,事件B =“第二次出现反面”,则()_____P B A =.【例65】(2010宣武二模)抛掷一枚质地均匀的骰子,所得点数的样本空间为{}1,2,3,4,5,6S =.令事件{}2,3,5A =,高中数学讲义21 思维的发掘 能力的飞跃 事件{}1,2,4,5,6B =,则()P A B 的值为( )A . 35B . 12C . 25D .15【例66】设某种动物活到20岁以上的概率为0.7,活到25岁以上的概率为0.4,求现龄为20岁的这种动物能活到25岁以上的概率.【例67】抛掷一颗骰子两次,在第一次掷得向上一面点数是偶数的条件下,则第二次掷得向上一面点数也是偶数的概率为 .【例68】掷两枚均匀的骰子,记A =“点数不同”,B =“至少有一个是6点”,求(|)P A B 与(|)P B A .。

《概率的概念》 讲义

《概率的概念》 讲义

《概率的概念》讲义一、什么是概率在我们的日常生活中,经常会听到“可能”“也许”“大概”这样的词汇,而这些表述其实都与概率这个概念有着千丝万缕的联系。

简单来说,概率就是用来衡量某个事件发生可能性大小的一个数值。

比如说,抛一枚均匀的硬币,正面朝上的概率就是 05,也就是 50%。

这意味着,如果我们进行大量的抛硬币实验,那么正面朝上的次数大约会占到总次数的一半。

概率的取值范围在 0 到 1 之间。

当概率为 0 时,表示这个事件绝对不会发生;当概率为 1 时,则表示这个事件肯定会发生;而当概率在 0 到 1 之间时,表明这个事件有一定的可能性发生,数值越大,发生的可能性就越高。

二、概率的计算方法1、古典概型古典概型是一种比较简单的概率计算模型。

在这种情况下,假设所有的结果都是等可能发生的。

比如,一个盒子里有 5 个红球和 3 个白球,从中随机取出一个球,取出红球的概率就是红球的个数除以总球数,即 5÷(5 + 3) = 5/8。

2、几何概型几何概型则与几何图形的长度、面积或体积有关。

例如,在一个长度为 10 厘米的线段上,随机选取一个点,这个点落在 3 厘米到 7 厘米之间的概率就是(7 3)÷10 = 4/10 = 2/5。

3、条件概率条件概率是指在已知某个事件发生的条件下,另一个事件发生的概率。

比如,已知今天下雨,明天也下雨的概率就是一个条件概率。

三、概率在生活中的应用1、天气预报天气预报中经常会提到降雨概率。

比如说明天降雨的概率是 30%,这就是运用概率来对天气情况进行预测和描述,帮助我们提前做好相应的准备。

2、保险行业保险公司在制定保险产品和确定保费时,会大量运用概率知识。

他们通过对各种风险发生的概率进行计算和评估,来确定合理的保险费用和赔偿金额。

3、彩票购买彩票时,我们都希望能够中大奖。

但实际上,中大奖的概率非常低。

通过对彩票中奖概率的了解,我们可以更加理性地对待彩票,避免过度投入。

  1. 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. 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. 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)。

用水量正常天数不少于 5 天的概率为
例 7 一批产品的废品率为 0.03,进行 20 次独立重复抽样,求出现废品的频率为 0.1 的概率。
解:令 X 表示 20 次独立重复抽样中出现的废品数. X~B(20,0.03) (注意:不能用 X 表示频率,若 X 表示频率,则它就不服从二项分布)所求的概率为
(1) 当χ<0 时,F(χ)=P{X≤χ}=0 (2) 当 0≤χ<1 时,F(χ)=P{X≤χ}=P{X=0}=0.5 (3) 当 1≤χ<2 时,F(χ)=P{X≤χ}=P{X=0}+P{X=1}=0.5+0.3=0.8 (4) 当χ≥2 时,F(χ)=P{X≤χ}=P{X=0}+P{X=1}+P{X=2}=0.5+0.3+0.2=1
p
……
……
性质: 1。pi≥0,一切 I; 2。
例 1 设袋中装着分别标有-1,2,2,2,3,3 数字的六个球,现从袋中任取一球,令 X 表示取得球上所 标的数字,求 X 的分布律。
解:
X 的 可 能 取 值 为 -1 , 2 , 3 , 且 容 易 求 得
故 X 的分布律为
X -1 2
3
p 1/6 1/2 1/3 例:相同条件下,独立的向目标射击 4 次,设每次击中目标的概率为 0.8, 求击中目标次数 X 的分布律
解:(1)
,其分布律为
于是,在一分钟内
接到超过 7 次呼唤的概率为
(2)设所需设备的线路为 K 条,按题意应有
P{X≤K}≥90% 即 P{X≤K}=1-P{X>K}=1-P{X≥K+1}≥0.9 即 P{X≥K+1}≤0.1
查表得 P{X≥6}=0.0839 而 P{X≥5}=0.1847 ,故应取 K+1=6,即 K=5 所以,至少要设置 5 条线路才能符合要求。
称此定义在样本空间 上的单值实函数X=X(e)为一个随机变量。
引进随机变量后,试验中的每个事件便可以通过此随 或在某范围内取值来表示了。(见图)
机变量取某个值
通俗讲,随机变量就是依照试验结果而取值的变量。
例 1 向靶子(见图)射击一次,观察其得分,规定 击中区域Ⅰ得2分
击中区域Ⅱ得1分
击中区域Ⅲ得0分
解:由于
,即 X 的分布律为
于是有
由条件 P{X=1}=P{X=2}
可得方程


解得 λ=2,0(弃去)
所以
于是
例 11:设电话交换台每分钟接到的呼唤次数 X 服从参数 λ=3 的泊松分布。(1)求在一分钟 内接到超 7 次呼唤的概率;(2)若一分钟内一次呼唤需要占用一条线路。求该交换台至少要 设置多少条线路才能以不低于 90%的概率使用户得到及时服务。
第2页
免费考研论坛 概率论基础知识
主讲:姜瑸麟(北京邮电)
性质 1。F(χ)是单调不减的,即对任意 χ1<χ2,有 F(χ1)≤F(χ2); 2。0≤F(χ)≤1 且 F(-∞)=0,F(+∞)=1; 3。F(χ)为右连续的,即对任意 χ,有 F(χ+0)= F(χ)。
从而,X 的分布函数与分布律的关系便为
§2 几个重要分布
X
1.两点分布 如果随机变量 X 的分布律 p
0
1

q
p
其中 0<p<1,q=1-p 则称 X 服从参数为 p 的(0-1)两点分布,简称为两点分布,记为 X~B(1,p)
实际背景:在贝努里实验中,设事件 A 的概率为 p(0<p<1) 如果所定义的随机变量 X 表示 A 发生的次数,即
解:(1)X 的可能取值为 0,1,2,3,且有
的分布律为
于是 X
X
0
P 0.7865
(2)任取 3 件产品中至少含有一件次品的概率为
1 0.2022
2 0.0112
3 0.0001
P{X≥1}=P{X=1}+P{X=2}+P{X=3}=0.2022+0.0112+0.0001=0.2135 或 P{X≥1}=1-P{X <1=1-P{X=0}=1-0.7865=0.2135
解:(1) 令 Ai={第 i 次购买的奖券中奖},i=1,2,……
X 的分布律为
X1 pp
2 (1-p)p
3 (1-p)2p
…… ……
i (1-p)i-1p
(2)设 n 为所需购买的奖券数,按题意 P{X≤n}≥99% 即

…… ……
例 4 某产品 40 件,其中有次品 3 件,现从中任取 3 件,(1)求取出的 3 件产品中所含次品 数 X 的分布律;(2)求取出产品中至少有一件次品的概率;(3)求出 X 的分布函数 F (x),并作其图形。
总之,
例 2 向一半径为 2 米的圆形靶子射击,假设击中靶上任何一同心圆的概率为该同心圆的面积成正比,且 每次射击必中靶。令 X 表示弹着点到靶心距离,求 X 的分布函数 F(χ)。
解: 当 χ<0 时,F(χ)=P{X≤χ}=0 当 0≤χ≤2 时,F(χ)=P{X≤χ}=P{击中半径为 χ 的同心圆}=λπχ2 特别,当χ=2 时,1=F{2}=λπ4,解得 λ=1/4π,代入上式便得 当χ>2 时,F(χ)=P{X≤χ}=1
例 3 从一批灯泡中任取一个灯泡作寿命试验。观察所测灯泡的寿命(单位:小时) 样本空间Ω=[0, +∞]。可定义随机变量X表示所测得灯泡的寿命于是,
A={测得灯泡寿命大于500(小时)}={X>500}
B={测得灯泡寿命不超过5000(小时)}={X≤5000}。
不具明显数量性质的试验也可以定义随机变量表示试验中每个事件。
则有
主讲:姜瑸麟(北京邮电)
即 X~B(n,p)
例 6 某工厂每天用水量保持正常的概率为 ,求最近 6 天内用水量正常天数 X 的分布律, 并求用水量正常天数不少于 5 天的概率。解:由二项分布实际背景可知 X~B(6, ), 于是
即 X 的分布律为
X0
1
2
3
4
5
6
P 0.0002 0.0044 0.0330 0.1318 0.2966 0.3560 0.1780
概率论基础知识
二 离散型随机变量及其分布律
主讲:姜瑸麟(北京邮电)
§1 离散型随机变量及其分布律的概念
定义:如果随机变量 X 的所有可能取值为有限个或可列个,则称随机变量 X 为离散型随机变量。
X χ1 χ2 …… χn ……
设 X 的所有可能取值为χ1,χ2,……χn,……,则称下列一组概率 P{X=χi}=ρi,i=1,2,……,n,…… 为 X 的分布律。分布律也常常写成表 格形式
显然 X 的分布律为 X 0 1
例 5 .一批产品的 p q p 表示抽得废品的数目,即
q=1-p
即 X~B(1,p) 废品率为 5% X 的分布 X
0
1
p 95%
5%
2.二项分布 如果随机变量 X 的分布律为
其中 0<p
<1, q=1-p,则称 X 服从参数为(n,p)的二项分布,记为 X~B(n,p)
解: X 的可能取值为 0,1,2,3,4 利用二项概率公式便可求得
X 的分布律为
X0
1
2
3
4
p 0.0016 0.0256 0.1536 0.4096 0.4096
第4页
免费考研论坛
概率论基础知识
主讲:姜瑸麟(北京邮电)
例 2 社会上定期发行某种奖券,每券一元,中奖率为 p,某人每次买 1 张奖券,如果没有中 奖便继续买一张,直到中奖为止。求该人购买奖券次数 X 的分布律。如果中奖率为 1%,问 他至少应买多少张奖券才能以不少于 99%的概率中奖。
实际背景:由第一章,独立重复实验一段中可知,在 n 重贝努里实验中,如果每次实验 事件 A 出现的概率为 p(0<p<1) ,则在 n 次独立重复实验中 A 恰好出现 k(≤n)次的概率为
于是,在此 n 重贝努里实验中,如果定义随机变量 X 表示事件 A 出现的次数,
第6页
免费考研论坛 概率论基础知识
其中λ>0,则
称 X 服从参数为λ的泊松分布,记为 X~π(λ) 或者 X~P(λ)
实际背景:满足下列条件的随机质点流(一串重复出现的事件)称为泊松流。 (1)在时间 内流过质点数的概率仅与 有关,与 t 无关; (2)不相交的时间间隔内流过的
质点数彼此独立; (3)在充分短的一瞬间只能流过一个或没有质点流过,要流过 2 个或 2 个以上质点几乎是不可能的。可以证明泊松流在单位时间内流过质点数便服从泊松分布。
例如:单位时间内放射性物质放射出的粒子数;单位时间内某电话交换台接到的呼唤次数; 单位时间内走进商店的顾客数等等;均可认为它们服从泊松分布。
例 10:设
且已知 P{X=1}=P{X=2},求 P{X=4}
第8页
免费考研论坛 概率论基础知识
主讲:姜瑸麟(北京邮电)
例 4 将一枚硬币上抛一次,观察正,反面出现的情况。 试验的样本空间Ω={H,T},H-正面,T -反面。 可定义随机变量X表示上抛1次硬币正面出现的次数,即
第1页
免费考研论坛 概率论基础知识
主讲:姜瑸麟(北京邮电)
于是,A={出现正
面}={X=1}。 用随机变量表示事件常见形式有
样本空间Ω={Ⅰ,Ⅱ,Ⅲ}。定义随机变量 X 表示射击一次的得分

于是,
例 2 观察某电话交换台,在时间T内接到的呼唤次数。 样本空间Ω={0,1,2,……}。可定义随 机变量X就表示在时间T内接到的呼唤次数。于是,
A={接到呼唤次数不超过10次}={X≤10}
相关文档
最新文档