概率论与数理统计第4讲
《概率论与数理统计》典型例题 第四章 大数定律与中心极限定理
= 0.15,
µn 为
5000
户中收视
该节目的户数，所以可应用棣莫弗-拉普拉斯中心极限定理，即二项分布以正态 分布为极限定理。
解 ： 设 µn 为 5000 户 中 收 视 该 节 目 的 户 数 ， 则 µn ~ B(n, p) ， 其 中
n = 5000, p = 0.15 。 由棣莫弗-拉普拉斯中心极限定理， µn − np 近似服从 np(1− p)
显然需用到前一不等式，则只需算出 E(X + Y ) 与 D(X + Y ) 即可。
解：由于 E(X + Y ) = 0 ，
D( X + Y ) = DX + DY + 2Cov( X , Y ) = DX + DY + 2ρ XY DX DY = 1+ 4 + 2×1× 2× (−0.5) = 3 ，
( D )服从同一离散型分布。
分析：林德伯格-列维中心极限定理要求的条件是 X 1, X 2,", X n,"相互独
立、同分布、方差存在，这时，当 n 充分大时， Sn 才近似服从正态分布。 根据 条件分析选项即可。
解：显然选项 A 与 B 不能保证 X 1, X 2 , ", X n 同分布，可排除。 选项 C 给出了指数分布，此时独立同分布显然满足，而且由于是指数分布， 方差肯定存在，故满足定理条件。 选项 D 只给出其离散型的描述，此时独立同分布显然满足。 但却不能保证 方差一定存在，因此也应排除。 故选 C 。 注：本例重在考察中心极限定理的条件。
P{ X
− EX
≥ ε}≤
E[g( X − EX )] 。 g(ε )
分析：证明的结论形式与切比雪夫不等式非常相似，利用切比雪夫不等式的 证明思想试试看。
《概率论与数理统计》高教版PPT
P(A) = A中样本点的个数 / 样本点总数
30 July 2013
华东师范大学
第一章 随机事件与概率
第35页
注 意
• 抛一枚硬币三次 抛三枚硬币一次
• Ω1={(正正正), (反正正), (正反正), (正正反),
(正反反), (反正反), (反反正), (反反反)}
此样本空间中的样本点等可能. • Ω2={(三正), (二正一反), (二反一正), (三反)} 此样本空间中的样本点不等可能.
第一章 随机事件与概率
第30页
注 意
求排列、组合时，要掌握和注意： 加法原则、乘法原则.
30 July 2013
华东师范大学
第一章 随机事件与概率
第31页
加法原理
完成某件事情有 n 类途径， 在第一类途径中有m1种方 法，在第二类途径中有m2种方法，依次类推，在第 n 类 途径中有mn种方法，则完成这件事共有 m1+m2+…+mn种 不同的方法.
事件运算的图示
AB
AB
AB
30 July 2013
华东师范大学
第一章 随机事件与概率
第16页
德莫根公式
A B A B;
A B A B
A A;
i 1 i i 1 i
n
n
A A
i 1 i i 1
n
n
i
30 July 2013
华东师范大学
第一章 随机事件与概率
六根草，头两两相接、 尾两两相接。求成环的概率.
解：用乘法原则直接计算
所求概率为
6 4 4 2 2 1 8 6 5 4 3 2 1 15
概率论与数理统计-第6章-第4讲-区间估计
本讲内容
01 置信区间定义 02 求置信区间的步骤 03 几点说明
02 求置信区间的步骤
例 设X1,…Xn 是取自 N (, 2 ) 的样本， 2已知,
求参数 的置信水平为 1 的置信区间.
明确问题：求什么参数的置信区间?置信水平是多少？
解 选 的点估计为 X
寻找未知参数的
取 U X N (0,1) 一个良好估计 n
u
2} 1
1
为什么 这样取？
u
u
2
2
8
02 求置信区间的步骤
从中解得
P{|
X
n
|u2}源自1P{Xn u 2
X
n
u
2}
1
于是所求 的 置信区间为
[X
n u 2 ,
X
n u
2]
也可简记为 X n u 2
从例题的过程，我们归纳出求置信区间的
一般步骤如下:
1
u
u
2
2
9
02 求置信区间的步骤
求置信区间的步骤
10
本讲内容
01 置信区间定义 02 求置信区间的步骤 03 几点说明
03 几点说明
1. 要求 θ 以很大的可能被包含在 [θˆ1, θˆ2 ]
内，P(ˆ1 ˆ2 ) 1 要尽可能大.
即要求估计尽量可靠. 2. 估计的精度要尽可能的高. 如要求区间
长度 θˆ2 θˆ1 尽可能短.
置信度与精度是一对矛盾，当样本容 量固定时，置信度越高，则精度越差.
u
u
2
2
区间的长度为 2u —— 达到最短
2n
14
03 几点说明
特别说明
即使在概率密度不对称的情形，如
《概率论与数理统计》第4-7 章自测题讲评
《概率论与数理统计》第4－7章自测题讲评第四章﹑数字特征1. 设随机变量X 的密度函数f(x)= ⎩⎨⎧5x 4 0≤x ≤10 其他 , 求数学期望EX 。
【讲评】考点：连续型随机变量数学期望的定义为EX= ∫-∞+∞xf(x)dx 。
[解]：EX= ∫-∞+∞xf(x)dx = 5∫01x 5dx = 5[x 56]01= 562.设随机变量X ～N (-1，3)，Y ～N (0，5)，Cov(X ,Y )=0.4，求D (X +Y )的值。
【讲评】考点：正态分布N(μ, σ2)的数字特征，EX=μ，DX=σ2。
和的方差公式：D(X+Y)=DX+DY+2Cov(X, Y)。
[解]：D(X+Y)=DX+DY+2Cov(X, Y)= 3+5+2×0.4 = 8.83. 设随机变量X 和Y 的密度函数分别为f X (x)= ⎩⎨⎧0.5， 1≤x ≤30， 其它 ，f Y (y)= ⎩⎨⎧3e -3y ， y>00， y ≤0 ，若X ，Y 相互独立，求： E(XY)【讲评】考点：均匀分布与指数分布的数学期望，X~U[a,b] ⇒ EX=a+b 2 。
X~exp(λ) ⇒ EX=1λ 。
若X 与Y 相互独立，则 E(XY)=EXEY 。
本题：注意：X~U[1,3], Y~Exp(3) ⇒ EX=1+32 =1, EY=1/3，因为X, Y 相互独立，则 E(XY)=E(X)E(Y)=1×(1/3) =1/34. 设 X 服从参数为 λ 的普阿松分布(λ>0)，则下列6个等式中那几个是错误的。
DX=1λ , E(X)D(X) =1 , E(X 2)=E(X)[E(X)+1] , E(X) = λ , E (X - λ)2 = 0, EX=λ2+λ【讲评】考点：普阿松分布X~P(λ)的数字特征：EX=λ, DX=λ 。
及DX = E(X-EX)2 = EX 2 – (EX)2 , EX 2 =DX+(EX)2本题：X~P(λ) ⇒ EX=λ, DX=λ, EX 2=λ+λ2 .所以E(X)D(X) =1，E(X 2)=λ2＋λ＝E(X)[E(X)+1]，E(X) = λ，但是 DX=1λ , E (X - λ)2 = 0, 这两个是错误等式。
第6章 第4讲 正定二次型 课件(共26张PPT)- 《概率论与数理统计(慕课版)》同步教学(人民邮
之差为2r – m为符号差.
3
01
正定二次型的定义
惯性定理
任意二次型 X T AX 都可通过非退化线性变换化为规范形
z12 z22
z 2p z 2p 1
z 2p q，
其中 p 为正惯性指数，q 为负惯性指数，p + q为二次型的秩
且 p 、q 由二次型唯一确定，即规范情势唯一的.
霍尔维茨定理
例5
方程3x 2 5 y 2 5z 2 4 xy 4 xz 10 yz 1表示何种二次曲面.
2
2
2
f
x
,
y
,
z
解 因为
3x 5 y 5z 4 xy 4 xz 10 yz
是一个二次型，
3 2 -2
其矩阵A= 2 5 -5 ，由 A - E 0 得
因为 3 2 3 0，
所以A不是正定矩阵，从而二次型不是正定二次型.
10
01
正定二次型的定义
例3
已知A为n阶正定矩阵，E为n阶单位矩阵，证明 | A E | 1.
解
设A的特征值为 1 , 2 ,
, n， 由A为正定矩阵知
1 0, 2 0,
A + E 的特征值为 1 1, 2 1,
4
01
正定二次型的定义
定义6.3
对应矩阵A 称为正定矩阵.
实二次型 f ( x1 , x2 ,
恒有 f (c1 , c2 ,
, xn ) X T AX，若对任意 (c1 , c2 ,
, cn ) 0，则称 f ( x1 , x2 ,
, cn )T 0，
概率论与数理统计教案(48课时)(最新整理)
( x, y )G
，注意二重积分运算知识点的复习。
d) 二维均匀分布的密度函数的具体表达形式。
五．思考题和习题
思考题：1. 由随机变量 X ,Y 的边缘分布能否决定它们的联合分布？
2. 条件分布是否可以由条件概率公式推导？ 3. 事件的独立性与随机变量的独立性是否一致？ 4．如何利用随机变量之间的独立性去简化概率计算，试举例说明。 习题：
第四章 随机变量的数字特征 一．教学目标及基本要求
(1)理解数学期望和方差的定义并且掌握它们的计算公式；
(2)掌握数学期望和方差的性质与计算，会求随机变量函数的数学期望，特别是利用
期望或方差的性质计算某些随机变量函数的期望和方差。
(3)熟记 0-1 分布、二项分布、泊松分布、正态分布、均匀分布和指数分布的数学期
第四节 二维随机变量的函数的分布
已知(X,Y)的分布率 pij 或密度函数 (x, y) ，求 Z f ( X ,Y ) 的分布律或密度
函数Z (z) 。特别如函数形式： Z X Y , Z max( X ,Y ), Z min( X ,Y ) 。
2 学时
三．本章教学内容的重点和难点
a) 二维随机变量的分布函数及性质，与一维情形比较有哪些不同之处；
5．列举正态分布的应用。
习题：
第三章 多维随机变量及其分布
一．教学目标及基本要求
(1)了解二维随机变量概念及其联合分布函数概念和性质，了解二维离散型和连续 型随机变量定义及其概率分布和性质，了解二维均匀分布和正态分布。
(2)会用联合概率分布计算有关事件的概率，会求边缘分布。 (3)掌握随机变量独立性的概念，掌握运用随机变量的独立性进行概率计算。 (4)会求两个独立随机变量的简单函数(如函数 X+Y, max(X, Y), min(X, Y))的分布。
概率论与数理统计4-2 方差
X
,
为X的 标准化 变量
E ( X ), D( X )。 X 1 * ) E( X ) 0 解 E( X ) E( X 2 * * 2 * 2 E[( ) ] D( X ) E([ X ] ) [ E( X )] 1 1 2 D( X ) 1 E[( X ) ] 2
推论
若 X i (i 1, 2,...n)相互独立，则有： D( X 1 X 2 ... X n ) D( X 1 ) D( X 2 ) ... D( X n ) 进一步有：D( Ci X i ) [C D( X i )]
i 1 i 1 2 i n n
4. D(X)=0
P{X= C}=1 , 这里C=E(X)
下面我们的举例说明方差性质应用 .
例7 设X~B(n,p)，求E(X)和D(X). 解
X~B(n,p), 则X表示n重努里试验中的
“成功” 次数 .
1 如第i次试验成功 i=1,2，…，n 若设 X i 0 如第i次试验失败
则X
1 fZ ( z) e 3 2
( z 5)2 18
.
四、切比雪夫不等式
定理 设随机变量X具有数学期望 E ( X ) , 方差 D( X ) 2 , 则对于任意正数 ，有不等式
事件{|X-E(X)|< }的概率越大，即随机变量X 集
P{| X E ( X ) | } 2 2 或 P{| X E ( X ) | } 1 2 由切比雪夫不等式可以看出，若 2 越小，则
b 2
2
b a ab E( X ) , D( X ) 2 12
(完整版)《概率论与数理统计》讲义
第一章 随机事件和概率 第一节 基本概念1、排列组合初步（1）排列组合公式)!(!n m m P n m -= 从m 个人中挑出n 个人进行排列的可能数。
)!(!!n m n m C n m -=从m 个人中挑出n 个人进行组合的可能数。
例1．1：方程xx x C C C 76510711=-的解是 A ． 4 B ． 3 C ． 2 D ． 1例1．2：有5个队伍参加了甲A 联赛，两两之间进行循环赛两场，试问总共的场次是多少？(2)加法原理（两种方法均能完成此事）：m+n某件事由两种方法来完成，第一种方法可由m 种方法完成，第二种方法可由n 种方法来完成，则这件事可由m+n 种方法来完成。
(3)乘法原理（两个步骤分别不能完成这件事）：m ×n某件事由两个步骤来完成，第一个步骤可由m 种方法完成，第二个步骤可由n 种方法来完成，则这件事可由m ×n 种方法来完成。
例1．3：从5位男同学和4位女同学中选出4位参加一个座谈会，要求与会成员中既有男同学又有女同学，有几种不同的选法？例1．4：6张同排连号的电影票，分给3名男生和3名女生，如欲男女相间而坐，则不同的分法数为多少？例1．5：用五种不同的颜色涂在右图中四个区域里，每一区域涂上一种颜色，且相邻区域的颜色必须不同，则共有不同的涂法A．120种B．140种 C．160种D．180种(4)一些常见排列①特殊排列②相邻③彼此隔开④顺序一定和不可分辨例1．6：晚会上有5个不同的唱歌节目和3个不同的舞蹈节目，问：分别按以下要求各可排出几种不同的节目单？①3个舞蹈节目排在一起；②3个舞蹈节目彼此隔开；③3个舞蹈节目先后顺序一定。
例1．7：4幅大小不同的画，要求两幅最大的排在一起，问有多少种排法？例1．8：5辆车排成1排，1辆黄色，1辆蓝色，3辆红色，且3辆红车不可分辨，问有多少种排法？①重复排列和非重复排列（有序）例1．9：5封不同的信，有6个信箱可供投递，共有多少种投信的方法？②对立事件例1．10：七人并坐，甲不坐首位，乙不坐末位，有几种不同的坐法？例1．11：15人中取5人，有3个不能都取，有多少种取法？例1．12：有4对人，组成一个3人小组，不能从任意一对中取2个，问有多少种可能性？③ 顺序问题例1．13：3白球，2黑球，先后取2球，放回，2白的种数？（有序） 例1．14：3白球，2黑球，先后取2球，不放回，2白的种数？（有序） 例1．15：3白球，2黑球，任取2球，2白的种数？（无序）2、随机试验、随机事件及其运算（1）随机试验和随机事件如果一个试验在相同条件下可以重复进行，而每次试验的可能结果不止一个，但在进行一次试验之前却不能断言它出现哪个结果，则称这种试验为随机试验。
概率论与数理统计第4讲
14
Ω
经常有一些概率论的较难的题, 直接计算某 事件的概率困难, 因此考虑先求此事件的逆 事件的概率 例 掷3次硬币, 求至少一次正面朝上的概率. 解: 假设A={至少一次正面}, 则 A={全是反面}, 只包含一个基本事件. 基本事件总数为23=8, 因此 1 P( A) = 8 1 7 则 ( A) =1− P( A) =1− = P 8 8
因 ⊃ B且 ⊃ C因 必 A ⊃ BC 此 有 A A 因 P( A− BC) = P( A) − P(BC) = 此 = P( A) −[1− P(BC)] = 0.9 − (1− 0.8) = 0.7 因 , 应 选 (C). 此 填 项
23
(1992年研究生入学考试题)
1 已 P( A) = P(B) = P(C) = 知 4 1 P( AB) = 0, P( AC) = P(B ) = C 6 则 件 , B, C全 发 的 率 ___ 事 A 不 生 概 为
24
(1990年研究生入学考试题) 设随机事件 , B及和事件 + B的概率分别 A A
是0.4,0.3和 .6.则积事件 B的 0 A 概率 ( AB) = ___ P 由已知得:
0.6 = P( A+ B) = P( A) + P(B) − P( AB) = 0.4 + 0.3− P( AB) 得 P( AB) = 0.1 故P( AB) = P( A− B) = P( A) − P( AB) = 0.4 − 0.1 = 0.3 其 P( AB) = P( A− B) = P( A) − P( AB) 中 是 用 子须 熟 常 式 , 记 .
2 4 1 3 3 C4 4×3× 2 4 P( A ) = 3 = = 3 C7 7×6×5 35
概率论与数理统计教案(48课时)
概率论与数理统计教案（48课时）第一章随机事件及其概率本章的教学目标及基本要求(1)理解随机试验、样本空间、随机事件的概念；(2)掌握随机事件之间的关系与运算，；(3)掌握概率的基本性质以及简单的古典概率计算；学会几何概率的计算；(4)理解事件频率的概念，了解随机现象的统计规律性以及概率的统计定义。
了解概率的公理化定义。
(5)理解条件概率、全概率公式、Bayes公式及其意义。
理解事件的独立性。
本章的教学内容及学时分配第一节随机事件及事件之间的关系第二节频率与概率2学时第三节等可能概型(古典概型)2学时第四节条件概率第五节 事件的独立性2学时三.本章教学内容的重点和难点1）随机事件及随机事件之间的关系;2）古典概型及概率计算;3）概率的性质;5）独立性、n 重伯努利试验和伯努利定理四.教学过程中应注意的问题1）使学生能正确地描述随机试验的样本空间和各种随机事件;2）注意让学生理解事件4uB,AuB 、AcB,4-B,4B = ®,A... 的具体含义,理解事件的互斥关系；根定律；4)条件概率, 全概率公式和Bayes 公式 3) 让学生掌握事件之间的运算法则和德莫4）古典概率计算中，为了计算样本点总数和1)事件的有利场合数，经常要用到排列和组合，复习排列、组合原理；2)讲清楚抽样的两种方式有放回和无放回；思考题和习题思考题：1.集合的并运算和差运算-是否存在消去律？2.怎样理解互斥事件和逆事件？3.古典概率的计算与几何概率的计算有哪些不同点？哪些相同点？习题：第二章随机变量及其分布本章的教学目标及基本要求(1)理解随机变量的概念，理解随机变量分布函数的概念及性质，理解离散型和连续型随机变量的概率分布及其性质，会运用概率分布计算各种随机事件的概率；(2)熟记两点分布、二项分布、泊松分布、正态分布、均匀分布和指数分布的分布律或密度函数及性质；二.本章的教学内容及学时分配第一节随机变量第二节第二节离散型随机变量及其分布离散随机变量及分布律、分布律的特征第三节常用的离散型随机变量常见分布（0-1分布、二项分布、泊松分布）2学时第四节随机变量的分布函数分布函数的定义和基本性质，公式第五节连续型随机变量及其分布连续随机变量及密度函数、密度函数的性质2学时第六节常用的连续型随机变量常见分布（均匀分布、指数分布、正态分布）及概率计算2学时三.本章教学内容的重点和难点a）随机变量的定义、分布函数及性质；b）离散型、连续型随机变量及其分布律或密度函数，如何用分布律或密度函数求任何事件的概率；C）六个常见分布（二项分布、泊松分布、几何分布、均匀分布、指数分布、正态分布）；四.教学过程中应注意的问题a）注意分布函数F（x） P{X x}的特殊值及左连续性概念的理解；b）构成离散随机变量X的分布律的条件，它与分布函数F（x）之间的关系；c）构成连续随机变量X的密度函数的条件，它与分布函数F（x）之间的关系；d）连续型随机变量的分布函数F（x）关于x处处连续，且P（X x） 0，其中x为任意实数，同时说明了P（A） 0不能推导A 。
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
《概率论与数理统计》第4-7 章自测题讲评
《概率论与数理统计》第4－7章自测题讲评第四章﹑数字特征1. 设随机变量X 的密度函数f(x)= ⎩⎨⎧5x 4 0≤x ≤10 其他 , 求数学期望EX 。
【讲评】考点：连续型随机变量数学期望的定义为EX= ∫-∞+∞xf(x)dx 。
[解]：EX= ∫-∞+∞xf(x)dx = 5∫01x 5dx = 5[x 56]01= 562.设随机变量X ～N (-1，3)，Y ～N (0，5)，Cov(X ,Y )=0.4，求D (X +Y )的值。
【讲评】考点：正态分布N(μ, σ2)的数字特征，EX=μ，DX=σ2。
和的方差公式：D(X+Y)=DX+DY+2Cov(X, Y)。
[解]：D(X+Y)=DX+DY+2Cov(X, Y)= 3+5+2×0.4 = 8.83. 设随机变量X 和Y 的密度函数分别为f X (x)= ⎩⎨⎧0.5， 1≤x ≤30， 其它 ，f Y (y)= ⎩⎨⎧3e -3y ， y>00， y ≤0 ，若X ，Y 相互独立，求： E(XY)【讲评】考点：均匀分布与指数分布的数学期望，X~U[a,b] ⇒ EX=a+b 2 。
X~exp(λ) ⇒ EX=1λ 。
若X 与Y 相互独立，则 E(XY)=EXEY 。
本题：注意：X~U[1,3], Y~Exp(3) ⇒ EX=1+32 =1, EY=1/3，因为X, Y 相互独立，则 E(XY)=E(X)E(Y)=1×(1/3) =1/34. 设 X 服从参数为 λ 的普阿松分布(λ>0)，则下列6个等式中那几个是错误的。
DX=1λ , E(X)D(X) =1 , E(X 2)=E(X)[E(X)+1] , E(X) = λ , E (X - λ)2 = 0, EX=λ2+λ【讲评】考点：普阿松分布X~P(λ)的数字特征：EX=λ, DX=λ 。
及DX = E(X-EX)2 = EX 2 – (EX)2 , EX 2 =DX+(EX)2本题：X~P(λ) ⇒ EX=λ, DX=λ, EX 2=λ+λ2 .所以E(X)D(X) =1，E(X 2)=λ2＋λ＝E(X)[E(X)+1]，E(X) = λ，但是 DX=1λ , E (X - λ)2 = 0, 这两个是错误等式。
概率论与数理统计第四章_几种重要的分布
ξ
0
1
2
3
4
p 0.0016 0.0256 0.1536 0.4096 0.4096
４.２超几何分布（了解）
主要内容： （一）了解超几何分布的概念 （二）了解超几何分布的期望和方差
４.２超几何分布
例１ 某班有学生２０名，其中有５名女同学，今从 班上任选４名学生去参观展览，被选到的女同学数ξ
k1 (k 1)!(n k)!
n
(k 11)n! pk (1 p)nk
k1 (k 1)!(n k)!
n
(k 1)n!
n
pk (1 p)nk
n!
pk (1 p)nk
k1 (k 1)!(n k)!
k1 (k 1)!(n k)!
n
n!
n
pk (1 p)nk
n!
pk (1 p)nk
k2 (k 2)!(n k)!
解 可以取０,１,２,３这４个值。
P(
=k)=
C3k
C4k 17
C420
(k=0,1,2,3,)
列成概率分布如下
ξ
0
1
2
3
p 0.4912 0.4211 0.0842 0.0035
定义４２ 设Ｎ个元素分为两类，有Ｎ１个属于第一类， Ｎ２个属于第二类（Ｎ１＋Ｎ２＝Ｎ）。从中按不重复抽 样取n个，令ξ表示这n个中第一（或二）类元素的个数，
k1 (k 1)!(n k)!
n2
n1
n(n 1)Cnl 2 pl2 (1 p)n2l nCnj1 p j1(1 p)n1 j
l0
j0
n2
n(n 1)Cnl 2 pl2 (1 p)n2l l0
概率论与数理统计 第四章
50 1 1 1 ( ) 49 2 100 2
数理统计
28
②
骣n 1 2 2 E (S ) = E 琪 X i - nX 琪 å 琪 n - 1 桫= 1 i
= 1 n- 1 n n 1
2
1 n 2 2 EX i nEX n 1 i 1
2
(n E X
若总体X是连续型随机变量，其概率密度为
f ( x ),
则样本的联合概率密度为
f ( x1 , x 2 , , x n ) f ( x1 ) f ( x 2 ) f ( x n )
对于离散型总体，有相似的结论。
数理统计 17
例 设 ( X 1 , X 2 , , X n ) 是取自正态总体 N ( , 2 ) 的 样本，求样本的概率分布。 解 总体X的密度函数为
数理统计
30
X EX 1 P DX
X 1 P 1 10
0 .0 2 E X DX
E(X ) 0 D(X ) 1 100
显然
X ( 1 ) m in X i ,
1 i n
X (n) m ax X i ,
1 i n
两者也分别称为最小次序统计量和最大次序统计量. 称
R X ( n ) X ( 1 ) 为样本极差
X n1 ( 2 ) Md 1 (X n X n ( ) (1 ) 2 2 2 n 为奇数 （4 - 15） n 为偶数
总体 样本
随机变量 X 随机向量
( X 1 , X 2 , , X n )
数理统计
15
在一次试验中，样本的具体观测值 称为样本值。记为 ( x 1 , x 2 , , x n ) . 有时候样本与样本值使用同一符号， 但含义不同。 简单随机样本 若 X 1 , X 2 , X n 是相互独立的并与总体
概率论与数理统计 第4节 条件概率
于是A的样本点为A (男,女), (女,男), (女,女), B (女,女),
因此P(B A) 1 ; 即另一个也是女孩的概率为1 .
3
3
但是P(B) 1 P(B A); 4
目录 上页 下页 返回 结束
一、条件概率的定义
在例1中,有P(B) P(B A), 原因是: P(B A)是在A发生的条件下B的概率，此时样本空间的 样本点发生了改变，即P(B A)是在新样本空间A A中的 的古典概率。
为 1 ;若第一次落下未打破,第二次落下打破的概率为 7 ;
2
10
若前两次落下未打破,第三次落下打破的概率为 9 ,求透镜
10
落下三次而未打破的概率.
目录 上页 下页 返回 结束
练习答案
1. 解 设A 活到50岁, B 活到51岁，则B A,
于是P(AB) P(B),现求P(B A). 因为P(A) 0.90718 , P(B) 0.901356 ,所以 P(B A) P( AB) 0.90135 0.99357 . P(B) 0.90718
目录 上页 下页 返回 结束
练习答案
2. 解 设Ai表示“第 i次落下透镜打破”， i 1,2,3, 于是所求概率为:
P( A1A2 A3) P( A1)P(A2 A1)P( A3 A1A2 )
(1 1) (1 7 ) (1 9 ) 3 .
2
10
10 200
目录 上页 下页 返回 结束
解（2）由于第二次取球发生在
第一次取球后 ,
因此
的
B
样本点数不好确定 ,于是用定义 2计算. 因为
P(
AB)
概率论与数理统计第四章第四节 大数定理与中心极限定理
第四节 大数定理与中心极限定理概率论与数理统计是研究随机现象统计规律性的学科. 而随机现象的规律性在相同的条件下进行大量重复试验时会呈现某种稳定性. 例如, 大量的抛掷硬币的随机试验中, 正面出现频率; 在大量文字资料中, 字母使用频率; 工厂大量生产某种产品过程中, 产品的废品率等. 一般地, 要从随机现象中去寻求事件内在的必然规律, 就要研究大量随机现象的问题.在生产实践中, 人们还认识到大量试验数据、测量数据的算术平均值也具有稳定性. 这种稳定性就是我们将要讨论的大数定律的客观背景. 在这一节中，我们将介绍有关随机变量序列的最基本的两类极限定理----大数定理和中心极限定理.教学目标：了解大数定理与中心极限定理。
教学重点：大数定理与中心定理。
教学难点：中心定理。
教学内容：一、依概率收敛与微积分学中的收敛性的概念类似, 在概率论中, 我们要考虑随机变量序列的收敛性.定义1 设 ,,,,21n X X X 是一个随机变量序列, a 为一个常数,若对于任意给定的正数ε,有 ,1}|{|lim =<-∞→εa X P n n 则称序列 ,,,,21n X X X 依概率收敛于a , 记为).(∞→−→−n a X Pn定理1 设,,b Y a X Pn P n −→−−→−又设函数),(y x g 在点),(b a 连续, 则),(),(b a g Y X g Pn n −→−.二、切比雪夫不等式定理2设随机变量X 有期望μ=)(X E 和方差2)(σ=X D ,则对于任给0>ε, 有22}|{|εσεμ≤≥-X P .上述不等式称切比雪夫不等式.注：(i) 由切比雪夫不等式可以看出,若2σ越小, 则事件}|)({|ε<-X E X的概率越大, 即, 随机变量X 集中在期望附近的可能性越大. 由此可见方差刻划了随机变量取值的离散程度.(ii) 当方差已知时,切比雪夫不等式给出了X 与它的期望的偏差不小于ε的概率的估计式.如取,3σε= 则有.111.09}3|)({|22≈≤≥-σσσX E X P故对任给的分布,只要期望和方差2σ存在, 则随机变量X 取值偏离)(X E 超过σ3的概率小于0.111.三、大数定理1．切比雪夫大数定律定理3 (切比雪夫大数定律)设 ,,,,21n X X X 是两两不相关的随机变量序列,它们数学期望和方差均存在, 且方差有共同的上界, 即,,2,1,)( =≤i K X D i 则对任意0>ε, 有1)(11lim 11=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧<-∑∑==∞→εn i i n i i n X E n X n P 注: 定理表明: 当n 很大时,随机变量序列}{n X 的算术平均值∑=ni i X n 11依概率收敛于其数学期望∑=ni i X E n 1)(1.2．伯努利大数定理定理4 (伯努利大数定律)设A n 是n 重伯努利试验中事件A 发生的次数, p 是事件A 在每次试验中发生的概率, 则对任意的0>ε, 有1lim =⎭⎬⎫⎩⎨⎧<-→∞εp n n P A n 或 0l i m =⎭⎬⎫⎩⎨⎧≥-→∞εp n n P A n . 注：(i) 伯努利大数定律是定理1的推论的一种特例, 它表明: 当重复试验次数n 充分大时, 事件A 发生的频率nn A依概率收敛于事件A 发生的概率p .定理以严格的数学形式表达了频率的稳定性. 在实际应用中, 当试验次数很大时,便可以用事件发生的频率来近似代替事件的概率.(ii) 如果事件A 的概率很小，则由伯努利大数定律知事件A 发生的频率也是很小的，或者说事件A 很少发生. 即“概率很小的随机事件在个别试验中几乎不会发生”，这一原理称为小概率原理，它的实际应用很广泛. 但应注意到，小概率事件与不可能事件是有区别的. 在多次试验中，小概率事件也可能发生.3．辛钦大数定理 定理5 (辛钦大数定律) 设随机变量 ,,,,21n X X X 相互独立, 服从同一分布,且具有数学期望,,2,1,)( ==i X E i μ 则对任意0>ε, 有11lim 1=⎭⎬⎫⎩⎨⎧<-∑=∞→εμn i i n X n P . 注: (i) 定理不要求随机变量的方差存在;(ii) 伯努利大数定律是辛钦大数定律的特殊情况;(iii) 辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径. 例如, 要估计某地区的平均亩产量, 可收割某些有代表性的地块, 如n 块,计算其平均亩产量, 则当n 较大时,可用它作为整个地区平均亩产量的一个估计. 此类做法在实际应用中具有重要意义.四、中心极限定理在实际问题中, 许多随机现象是由大量相互独立的随机因素综合影响所形成, 其中每一个因素在总的影响中所起的作用是微小的. 这类随机变量一般都服从或近似服从正态分布. 以一门大炮的射程为例, 影响大炮的射程的随机因素包括: 大炮炮身结构的制造导致的误差, 炮弹及炮弹内炸药在质量上的误差, 瞄准时的误差, 受风速、风向的干扰而造成的误差等. 其中每一种误差造成的影响在总的影响中所起的作用是微小的, 并且可以看成是相互独立的, 人们关心的是这众多误差因素对大炮射程所造成的总影响. 因此需要讨论大量独立随机变量和的问题.中心极限定理回答了大量独立随机变量和的近似分布问题, 其结论表明: 当一个量受许多随机因素(主导因素除外) 的共同影响而随机取值, 则它的分布就近似服从正态分布.1．林德伯格—勒维定理定理6 (林德伯格—勒维) 设 ,,,,21n X X X 是独立同分布的随机变量序列, 且,,,2,1,)(,)(2n i X D X E i i ===σμ则 ⎰∑∞--=∞→=⎪⎪⎭⎪⎪⎬⎫⎪⎪⎩⎪⎪⎨⎧≤-x t n i i n dt e x n n X P 2/1221lim πσμ 注: 定理6表明: 当n 充分大时, n 个具有期望和方差的独立同分布的随机变量之和近似服从正态分布. 虽然在一般情况下, 我们很难求出n X X X +++ 21的分布的确切形式, 但当n 很大时, 可求出其近似分布. 由定理结论有.1),/,(~)1,0(~/1)1,0(~1211∑∑∑====⇒-⇒-n i i ni i ni i X n X n N X N nX n N n n X σμσμσμ近似近似故定理又可表述为: 均值为μ, 方差的02>σ的独立同分布的随机变量 ,,,,21n X X X 的算术平均值X , 当n 充分大时近似地服从均值为μ,方差为n /2σ的正态分布. 这一结果是数理统计中大样本统计推断的理论基础.2. 棣莫佛—拉普拉斯定理在第二章中，作为二项分布的正态近似，我们曾经介绍了棣莫佛—拉普拉斯定理，这里再次给出，并利用上述中心极限定理证明之.定理7（棣莫佛—拉普拉斯定理）设随机变量n Y 服从参数p n ,)10(<<p 的二项分布, 则对任意x , 有)(21)1(lim 22x dt e x p np np Y P x tn n Φ==⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧≤--⎰∞--∞→π注: 易见，棣莫佛—拉普拉斯定理就是林德伯格—勒维定理的一个特殊情况.3．用频率估计概率的误差设n μ为n 重贝努里试验中事件A 发生的频率, p 为每次试验中事件A 发生的概率,,1p q -=由棣莫佛—拉普拉斯定理,有⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧<-<-=⎭⎬⎫⎩⎨⎧<-pq n npqnp pq nP p n P n n εμεεμ .12-⎪⎪⎭⎫ ⎝⎛Φ=⎪⎪⎭⎫ ⎝⎛-Φ-⎪⎪⎭⎫ ⎝⎛Φ≈pq n pq n pq n εεε这个关系式可用解决用频率估计概率的计算问题:4. 李雅普诺夫定理定理8（李雅普诺夫定理） 设随机变量 ,,,,21n X X X 相互独立, 它们具有数学期望和方差: ,2,1,0)(,)(2=>==i X D X E kk k k σμ，记.122∑==nk k nB σ 若存在正数δ, 使得当∞→n 时,,0}|{|1122→-∑=++nk k knXE Bδδμ则随机变量之和∑=n k k X 1的标准化变量:nnk kn k kn k k n k k nk k n B X X D X E X Z ∑∑∑∑∑=====-=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-=11111μ的分布函数)(x F n 对于任意x , 满足).(21lim )(lim 2/112x dt e x B X P x F x t n n k k n k k n n n Φ==⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧≤-=⎰∑∑∞--==∞→∞→πμ注：定理8表明, 在定理的条件下, 随机变量.11nnk kn k kn B X Z ∑∑==-=μ当n 很大时,近似地服从正态分布)1,0(N . 由此, 当n 很大时,∑∑==+=nk k n n nk k Z B X 11μ近似地服从正态分布⎪⎪⎭⎫ ⎝⎛∑=21,n n k k B N μ.这就是说,无论各个随机变量),2,1( =k X k 服从什么分布,只要满足定理的条件,那么它们的和∑=nk k X 1当n 很大时,就近似地服从正态分布.这就是为什么正态随机变量在概率论中占有重要地位的一个基本原因.在很多问题中,所考虑的随机变量可以表示成很多个独立的随机变量之和,例如,在任一指定时刻,一个城市的耗电量是大量用户耗电量的总和;一个物理实验的测量误差是由许多观察不到的、可加的微小误差所合成的,它们往往近似地服从正态分布.例题选讲：切比雪夫不等式例1(讲义例1)在每次试验中, 事件A发生的概率为0.75, 利用切比雪夫不等式求: 事件A出现的频率在0.74~0.76之间的概率至少为0.90?中心极限定理例2(讲义例2) 一盒同型号螺丝钉共有100个,已知该型号的螺丝钉的重量是一个随机变量,期望值是100g标准差是10g, 一盒螺丝钉的重量超过10.2kg的概率.例3 (讲义例3)计算机在进行数学计算时，遵从四舍五入原则。
概率论与数理统计第四章数学期望
如果 | xk | pk 有限,定义X的数学期望
k 1
P(X=xk)=pk , k=1,2,…
E ( X ) xk pk
k 1
也就是说,离散型随机变量的数学期望是一个 绝对收敛的级数的和.
分赌本问题 A 期望所得的赌金即为 X 的数学期望
因此彩票发行单位发行 10 万张彩票的创收利 润为
击中环数 概率 击中环数 概率 8 9 10
0 . 3 0 .1 0 . 6
8 9 10
乙射手
0 .2 0 .5 0 .3
试问哪个射手技术较好?
解 设甲、乙射手射中的环数分别为 X 1 , X 2 . 甲射手
击中环数 概率 8 9 10
0 . 3 0 .1 0 . 6
E ( X 1 ) 8 0.3 9 0.1 10 0.6 9.3(环),
200
即为 X 的可能值与其概率之积的累加.
引例2 射击问题 设某射击手在同样的条件下, 瞄准靶子相继射击90次,(命中的 环数是一个随机变量).射中次数 记录如下 命中环数 k 0 1 2 3
命中次数 nk
2 13 15
4 20
5
10
30
2 13 15 nk 10 20 30 频率 90 90 90 n 90 90 90 试问:该射手每次射击平均命中靶多少环?
1 3 200 0 4 4
50(元).
若设随机变量 X 为:在 A 胜2局 B 胜1局 的前提下, 继续赌下去 A 最终所得的赌金.
0 3 1 其概率分别为: 4 4 因而A期望所得的赌金即为X的 “期望”值, 3 1 200 0 150(元). 等于 4 4
- 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)。
数量 厂别
等级
甲厂
乙厂
合计
合格品 次品 合计
475
644
1119
25
56
81
500
700
1200
记"取出的产品是甲厂生产的"这一事件 为A, "取出的产品为次品"这一事件为B.
P(B | A) 25 25/1200 P( AB) . 500 500 /1200 P( A)
6
事实上, 容易验证, 对一般的古典概型, 只 要P(A)>0, 总有
解法 1 缩减样本空间 A 中的样本点数,
即第一次取得红球的取法为 P31P41, 第二
次取得白球占其中P31P21种, 所以
P(B | A) P31P21 1
P31P41 2
17
也可以直接用古典概型的办法进行考虑, 因为第一次取走了一个红球, 袋中只剩下 4个球, 其中有两/4, 所以
12
解 记Ai为事件"第i次取到的是黑球" (i=1,2) (1) 在已知A1发生, 即第一次取到的是黑 球的条件下, 第二次取球就在剩下的2个 黑球, 7个白球共9个球中任取一个, 根据 古典概率计算, 取到黑球的概率为2/9, 即 有
P(A2|A1)=2/9
13
(2) 在已知A2发生, 即第二次取到的是黑 球条件下, 求第一次取到黑球的概率. 但 第一次取球发生在第二次取球之前, 故问 题的结构不象(1)那么直观. 我们可按定 义计算P(A1|A2).
B AB A
S
15
②计算条件概率有两种方法: (a) 在样本空间S中, 先求事件P(AB)和 P(A), 再按定义计算P(B|A). (b) 在缩减的样本空间A中求事件B的概 率, 就得到P(B|A).
16
例2 袋中有5个球, 其中3个红球2个白球. 现从袋中不放回地连取两个. 已知第一次 取得红球时, 求第二次取得白球的概率. 解 设A表示"第一次取得红球", B表示"第 二次取得白球", 求P(B|A).
P(B | A) P( AB) P( A)
由这些共性得到启发, 我们在一般的概 率模型中引入条件概率的数学定义.
9
二, 条件概率的定义 定义1 设A,B是两个事件, 且P(A)>0, 则称
P(B | A) P( AB)
(4.1)
P( A)
为在事件A发生的条件下, 事件B的条件 概率. 相应地, 把P(B)称为无条件概率. 一 般地, P(B|A)P(B).
P(B | A) P(AB) . P( A)
7
在几何概型中(以
平面区域情形为
例), 在平面上的有 界区域S内等可能
A AB B
投点. 若已知A发生,
则B发生的概率为 S
P(B | A) ( AB) ( AB) / (S) ( A) ( A) / (S)
P( AB)
P( A) 8
可见, 在古典概型和几何概型这两类"等 可能"概率模型中总有
10
因条件概率是概率, 故条件概率具有性质: 设 A 是一事件, 且 P(A)>0, 则 (1) 对任一事件 B, 0P(B|A)1;
(2) P(S|A)=1;
(3) 设 A1,,An 互不相容, 则
P(A1An|A)=P(A1|A)++P(An|A).
(4) P(B | A) 1 P(B | A), P( | A) 0
P(B | A) 2 1 42
18
解法 2 在 5 个球中不放回连取两球的取法
有 P52种, 其中, 第一次取得红球的取法有
P31P41种, 第一次取得红球第二次取得白球
的取法有P31P21种, 所以
P( A)
P31P41 P52
3, 5
由定义得
P( AB)
P31P21 P52
3. 10
P(B | A) P( AB) 3/10 1 . P( A) 3/ 5 2
§1.4 条件概率
1
一, 条件概率的概念 先由一个简单的例子引入条件概率的概 念 引例 一批同型号产品由甲,乙两厂生产, 产品结构如下表:
数量 厂别
等级
甲厂
乙厂
合计
合格品
475
644
1119
次品
25
56
81
合计
500
700
1200
2
数量 厂别
等级
甲厂
乙厂
合计
合格品 次品 合计
475
644
1119
20
例3 一袋中装10个球, 其中3个黑球, 7个 白球, 先后两次从中随意各取一球(不放 回), 求两次取到的均为黑球的概率. 分析 这一概率, 我们曾用古典概型方法 计算过, 这里我们使用乘法公式来计算. 在本例中, 问题本身提供了两步完成一个 试验的结构, 这恰恰与乘法公式的形式相 应, 合理地利用问题本身的结构来使用乘 法公式往往是使问题得到简化的关键.
(5) P(B1B2|A)=P(B1|A)+P(B2|A)P(B1B2|A)
此外, 前面所证概率的性质都适用于条件
概率.
11
例1 一袋中装有10个球, 其中3个黑球, 7 个白球, 先后两次从袋中各取一球(不放 回) (1) 已知第一次取出的是黑球, 求第二次 取出的仍是黑球的概率; (2) 已知第二次取出的是黑球, 求第一次 取出的也是黑球的概率.
19
三, 乘法公式 由条件概率的定义立即得到:
P(AB)=P(A)P(B|A) (P(A)>0) (4.2) 注意到AB=BA, 及A,B的对称性可得到:
P(AB)=P(B)P(A|B) (P(B)>0) (4.3) (4.2)和(4.3)式都称为乘法公式. 利用它们 可计算两个事件同时发生的概率.
25
56
81
500
700
1200
从这批产品中随意地取一件, 则这件产品 为次品的概率为
81 6.75% 1200
3
数量 厂别
等级
甲厂
乙厂
合计
合格品 次品 合计
475
644
1119
25
56
81
500
700
1200
在已知取出的产品是甲厂生产的条件下, 它是次品的概率为
25 5% 500
4
记"取出的产品是甲厂生产的"这一事件 为A, "取出的产品为次品"这一事件为B. 在事件A发生的条件下, 求事件B发生的 概率, 这就是条件概率, 记作P(B|A). 在本例中, 我们注意到:
由P( A1A2 )
P32 P120
1 15 , P( A2 )
3 ,可得 10
P( A1
|
A2 )
P( A1A2 ) P( A2 )
2 9
14
注: ①用维恩图表达(4.1)式, 若事件A已发 生, 则为使B也发生, 试验结果必须是即 在A中又在B中的样本点, 即此点必属于 AB. 因已知A已发生, 故A成为计算条件概 率P(B|A)新的样本空间.