北京理工大学教学课件

合集下载

北京理工大学《概率论与数理统计》课件-第8章

数学期望和方差是两个重要的数字特征，分别表示单个随机变量的平均值和离散程度；而对于多维随机变量，不仅能够确定边缘分布，还包含各分量之间关系的信息.刻划两个r.v.间相互关系的一个重要数字特征：协方差和相关系数若DX 、DY 存在，则有D (X ±Y )=DX +DY ±2E [(X−EX )(Y−EY )]这说明E [(X −EX )(Y −EY )]表达了X 与Y 之间的某种关系.且当X 和Y 独立时，有D (X ±Y )=DX +DY即：若X 和Y 独立，从而有结论：若E [(X −EX )(Y −EY )]≠0，则X 和Y 不独立.则有E [(X−EX )(Y−EY )]=0协方差1.定义设：二维随机变量(X ,Y )，它的分量的数学期望为E (X )和E (Y )，若E [(X −E (X ))(Y −E (Y ))]存在，则称它为X ,Y 的协方差，记为Cov (X ,Y )，即一、协方差（Covariance ）()(,)(())(())Cov X Y E X E X Y E Y =--协方差为正说明同向变化程度更高;协方差为负说明反向变化程度更高2.计算（1）若二维离散型随机变量(X ,Y )的联合分布律为P (X =x i ,Y =y j )=p ij i,j =1,2,…（2）若二维连续型随机变量(X ,Y )的密度函数为f (x ,y )且Cov (X,Y )存在，则E [g (X ,Y )] E [g (X ,Y )] (,)[(())(())]Cov X Y E X E X Y E Y =--11(())(())i j iji j x E X y E Y p ∞∞===--∑∑(,)[(())(())]Cov X Y E X E X Y E Y =--(())(())(,)x E X y E Y f x y dxdy+∞+∞-∞-∞=--⎰⎰可见，若X 与Y 独立，Cov (X ,Y )=0.Cov (X ,Y )=E {[X -E (X )][Y -E (Y )]}=E (XY )-E (X )E (Y )-E (Y )E (X )+E (X )E (Y )=E (XY )-E (X )E (Y )=E {XY -XE (Y )-YE (X )+E (X )E (Y )}（3）Cov (X ,Y )=E (XY )-E (X )E (Y )证明：（5）Cov (X 1+X 2,Y )=Cov (X 1,Y )+Cov (X 2,Y )（2）Cov (X ,Y )=Cov (Y ,X )3.简单性质（4）Cov (aX ,bY )=abCov (X ,Y )a ,b 是常数（6）若X ,Y 的协方差Cov (X ,Y )存在，则E (XY )=E (X )E (Y )+Cov (X ,Y )（3）Cov (X ,X )=D (X )（1）Cov (X ,a )=0若X 1,X 2,…,X n 两两独立，则有D (X +Y )=D (X )+D (Y )+2Cov (X ,Y )4.随机变量和的方差与协方差的关系11()()n ni i i i D X D X ===∑∑11()()2(,)n ni i i j i j i i D X D X Cov X X <===+∑∑∑∑例1.设：随机变量X 和Y 的联合概率分布为求X 和Y 的协方差.解：,()[()](,)i j iji j E Z E g X,Y g x y p ==∑YX−1 0 1 010.06 0.18 0.160.080.32 0.20Cov (X ,Y )=E (XY )-E (X )E (Y )E (XY )=0×(−1)×0.06+0×0×0.18+0×1×0.16+1×(−1)×0.08+1×0×0.32+1×1×0.20=0.12另外，X 和Y 的边缘分布律分别为所以YX−1 0 1 010.06 0.18 0.160.080.32 0.20X 0 1P 0.4 0.6Y−1 0 1 P 0.14 0.5 0.36EY =−1×0.14+0×0.5+1×0.36=0.22EX =0×0.4+1×0.6=0.6E (XY )=0.12Cov (X ,Y )=E (XY )-E (X )E (Y )Cov (X ,Y )=E (XY )-E (X )E (Y )=0.12-0.6×0.22=-0.012例2.设：(X,Y)在圆域D={(x,y):x2+y2≤r2(r>0)}上服从均匀分布，求Cov(X,Y).解：易知(X,Y)的联合概率密度为所以22222221,(,)0,x y r f x y rx y rπ⎧+≤⎪=⎨⎪+>⎩22221x y ry dxdyrπ+≤=⋅⎰⎰=22221x y rx dxdyrπ+≤=⋅⎰⎰=(,)EX xf x y dxdy+∞+∞-∞-∞=⎰⎰(,)EY yf x y dxdy+∞+∞-∞-∞=⎰⎰所以E (X )=E (Y )=0Cov (X ,Y )=E (XY )-E (X )E (Y )=0此题表明，Cov (X ,Y )等于0,但X 与Y 不独立，.22222221, (,)0,x y r f x y r x y r π⎧+≤⎪=⎨⎪+>⎩(,)EXY xyf x y dxdy +∞+∞-∞-∞=⎰⎰22221x y r xy dxdy r π+≤=⋅⎰⎰0=协方差衡量了X和Y之间同向或反向的变化趋势。

北京理工大学应用光学课件讲解

抛物面：到一条直线和一个定点的距离相等的点的轨迹，是
以该点为焦点，该直线为准线的抛物面。对焦点和无限远轴上点符合等光程。
等光程的折射面二次曲面
应用光学讲稿 • 两镜系统基本结构形式
应用光学讲稿
应用光学讲稿
• 常用两镜系统
• 1、经典卡塞格林系统
• 主镜为凹的抛物面，副镜为凸的双曲面，抛物面的焦点和双曲面的的虚焦点重合，经双曲面后成像在其实焦点处。卡塞格林系统的长度较短，主镜和副镜的场曲符号相反，有利于扩大视场。
一种介质对另一种介质的折射率
2、绝对折射率
介质对真空或空气的折射率n c v
应用光学讲稿
3、相对折射率与绝对折射率之间的关系
相对折射率：
n υ1
1, 2 =
υ2
C
第一种介质的绝对折射率： n 1 = υ1
C
第二种介质的绝对折射率： n 2 = υ2
所以
n2
n 1, 2 =
n1
应用光学讲稿
三、用绝对折射率表示的折射定律
3.过光轴任一截面内的成像性质是相同的空间的问题简化为平面问题，系统可用过光轴的一个截面
来代表
应用光学讲稿共轴理想光学系统的成像性质 4.当物平面垂直于光轴时，像平面也垂直于光轴
应用光学讲稿
5. 当物平面垂直于光轴时，像与物完全相似
像和物的比值叫放大率
y'
y
所谓相似，就是物平面上无论什么部位成像，都是按同一放大率成像。即放大率是一个常数
应用光学讲稿
第一节光波与光线
一般情况下, 可以把光波作为电磁波看待，光波
波长：
λ
应用光学讲稿
• 光的本质是电磁波 • 光的传播实际上是波动的传播

北京理工大学《概率论与数理统计》课件-第4章随机变量的数字特征

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

北理工高等代数课件第三次课

特征值与特征向量的求解方法
• 对于每一个特征值λi，求出齐次线性方程组(λiE-A)X=0的一个基础解系，该基础解系即为对应于特征值λi的全部特征向量（可能有多个）。
特征值与特征向量的求解方法
01
注意事项
02 在求解过程中，需要注意计算的正确性和精度。
03 当方阵A的阶数较高时，计算量较大，需要采用一些简化的方法或技巧。
线性变换的定义和性质
• 定义：设$V_n, V_m$分别是数域$P$上的 $n$维、$m$维向量空间，若映射 $\sigma: V_n \rightarrow V_m$满足：对任意$\alpha, \beta \in V_n, k \in P$，有$\sigma(\alpha + \beta) = \sigma(\alpha) + \sigma(\beta), \sigma(k\alpha) = k\sigma(\alpha)$，则称$\sigma$为从$V_n$到$V_m$的一个线性变换。
线性变换的定义和性质
零变换与恒等变换
若对任意$alpha in V_n$，都有$sigma(alpha) = mathbf{0}$，则称$sigma$为零变换；若对任意$alpha in V_n$，都有$sigma(alpha) = alpha$，则称$sigma$ 为恒等变换。
线性变换的核与像
设$sigma: V_n rightarrow V_m$是一个线性变换，称集合${alpha | alpha in V_n, sigma(alpha) = mathbf{0}}$ 为$sigma$的核，记作$text{Ker}(sigma)$；称集合 ${beta | beta = sigma(alpha), alpha in V_n}$为 $sigma$的像，记作$text{Im}(sigma)$。

北京理工大学 -PPT模板

机电学院
前身是1954年创建的北京工业学院第二机械系，2008年12月
调整成立机电学院
宇航学院
目前下设飞行器工程、飞行器控制、发射与推进工程和力学四个系，及深空探测技术等研究所
机械与车辆学院
通过建设与发展，形成了以“机械工程”一级学科为核心的学科群，具有较强的综合实力
16
03 文字逻辑 | 并列关系
29
04 图表运用 | 多图展示
团结
勤奋
求实
创新
30
04 图表运用 | 多图展示
杰出校友
钱志道
化学家中国科学院院士
才鸿年
金属材料专家中国工程院院士
武衡
地质学家中国科学院院士
吴一戎
信号处理专家中国科学院院士
31
04 图表运用 | 样机使用
北京理工大学微信企业号
关于手机界面图片的展示：可在此页面替换相应图片，具体方法为首先移动处于顶层的iPhone X样机图片，然后替换下层的内容图片。也可利用“选择”工具对不同层的图片做选择和处理。
历史发展当前现状
精品文科辅助联动、前沿交叉创新互动
18
03 文字逻辑 | 层级与递进关系
统筹规划，制定发展战略，统一管理全校工作
学校
学院
以一级学科为主要依据进行专业管理
负责管理研究室，开展二级学科教学
系所
研究室
开展学科建设和科研工作的基本单位
19
03 文字逻辑 | 层级与递进关系
研究室
我给母校送模板之北京理工大学
汇报人：
我坚持，PPT模板实用至上本科到博士，11年，几乎包揽了学校学院重要PPT
清晰地了解“高校PPT”的需求和特点那么，这套模板一定是实用的、符合学校气质的

北京理工大学 -PPT模板

10
02 文本段落 | 双段落并列展示
德以明理
指道德高尚，达到以探索客观真理作为己任之境界。在此输入解释性文字，用于说明主要观点和核心内容。此处可替换，字体不得小于18。
学以精工
指治学严谨，实现以掌握精深学术造福人类之理想。在此输入解释性文字，用于说明主要观点和核心内容。此处可替换，字体不得小于18 。
国家863、973项目国防重点型号任务国家自然科学基金北京市教委及科委项目
注：数据及相关信息为模拟展示
年度科研经费 9000余万元
21
03 文字逻辑 | 总分关系
治理架构
注：数据及相关信息为模拟展示
中国共产党北京理工大学第十四届委员会中国共产党北京理工大学第十四届纪律检查委员会第九届北京理工大学学术委员会北京理工大学第八届教职工代表大会常设主席团北京理工大学第十三届工会委员会
北京
上海
注：数据及相关信息为模拟展示
广州
重庆
成都
39
04 图表运用 | 地图展示
本科生招生工作优秀省份
学校近年来不断采取各种措施，加强招生宣传，生源质量不断提升。在 2018 年招生工作中，多个省份取得新突破。
612
吉林
599
四川
587
内蒙古
574
广西
632
河南
598
易用耐看并饱含母校情怀
请批评指正
北京理工大学
强健的体魄
是大学生完成学业服务社会、报效祖国的重要基础，也是发挥能力的根本。
恬美的心境
是大学生成长快乐工作和生活的源泉。要有良好的人文素养和审美情趣。
14
文字逻辑

北京理工大学应用光学课件(大全)-李林

光学系统分类
按有无对称轴分：共轴系统：系统具有一条对称轴线，光轴非共轴系统：没有对称轴线
按介质分界面形状分：球面系统：系统中的光学零件均由球面构成非球面系统：系统中包含有非球面共轴球面系统：系统光学零件由球面构成，并且具有一条对
称轴线今后我们主要研究的是共轴球面系统和平面镜、
二、成像基本概念 1、透镜类型正透镜：凸透镜，中心厚，边缘薄，使光线会聚,也叫会聚透镜
n2 Sin I2 = n1 Sin I1
B I1 R1
I2 C
3、应用
光路可逆：求焦点光学设计中，逆向计算：目镜，显微物
镜等
二、全反射 1、现象
空气I2ຫໍສະໝຸດ O1O2水
I1 R1
A
O3
O4
I0
2、发生全反射的条件
必要条件： n1>n2 由光密介质进入光疏介质
充分条件： I1>I0 入射角大于全反射角
• 3 、R-C系统
• 主镜副镜均为双曲面。
• 4、马克苏托夫系统 • 主镜副镜均为椭球面。 • 5、库特系统 • 主镜副镜均为凹面。 • 6、同心系统 • 7、无焦系统
第二章共轴球面系统的物像关系
本章内容：共轴球面系统求像。由物的位置和大小求像的位置和大小
§ 2-1 共轴球面系统中的光路计算公式
• 物：入射光线的交点 • 实物点：实际入射光线的交点 • 虚物点：入射光线延长线的交点
像空间：像所在的空间
实像空间：系统最后一面以后的空间虚像空间：系统最后一面以前的空间整个像空间包括实像和虚像空间
物空间：物所的空间
实物空间：系统第一面以前的空间虚物空间：系统第一面以后的空间整个物空间包括实物和虚物空间

北京理工大学《概率论与数理统计》课件-第4章

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

北京理工大学《概率论与数理统计》课件-第11章

区间估计的基本概念前面介绍了参数的点估计，讨论了估计量的优良性准则，给出了寻求估计量最常用的矩估计法和最大似然估计法.参数的点估计是用一个确定的值去估计未知参数，看似精确，实际上把握不大，没有给出误差范围，为了使估计的结论更可信，需要引入区间估计.Neyman(1894–1981)引例在估计湖中鱼数的问题中，若根据一个实际样本，得到鱼数N的最大似然估计为1000条.实际上，N的真值可能大于1000，也可能小于1000.为此，希望确定一个区间来估计参数真值并且满足：1.能以比较高的可靠程度相信它包含参数真值.“可靠程度”是用概率来度量的.2.区间估计的精度要高.可靠度：越大越好估计你的年龄八成在21－28岁之间区间：越小越好被估参数可靠度范围、区间一、置信区间的定义（Confidence Interval ）对于任意θ∈Θ，满足设总体X 的分布函数F (x ,θ)含有一个未知参数θ，θ∈Θ,对于给定常数α(0<α<1)，若由抽自X 的样本X 1,X 2,…,X n 确定两个统计量112212ˆˆ{(,,,)(,,,)}1n n P X X X X X X θθθα<<≥-112ˆ(,,,)nX X X θ212ˆ(,,,)nX X X θ和则称随机区间是θ的置信水平为1−α的置信区间.12ˆˆ(,)θθ和分别称为置信下限和置信上限.1ˆθ2ˆθ（1）当X 连续时，对于给定的α，可以求出置信区间满足此时，找区间使得至少为1−α，且尽可能接近1−α.12ˆˆ(,)θθ112212ˆˆ{(,,,)(,,,)}1nnP X X X X X X θθθα<<=-12ˆˆ(,)θθ112212ˆˆ{(,,,)(,,,)}1n n P X X X X X X θθθα<<=-12ˆˆ()P θθθ<<（2）当X 离散时，对于给定的α，常常找不到区间满足12ˆˆ(,)θθ说明：（2）估计的精度要尽可能高. 如要求区间长度尽可能短，或者能体现该要求的其他准则.（1）要求θ以很大的可能被包含在区间内，即概率尽可能的大.可靠度与精度是一对矛盾，一般是在保证可靠度的条件下尽可能提高精度.12ˆˆ()P θθθ<<12ˆˆ(,)θθ21ˆˆθθ-（3）对于样本(X 1,X 2,…,X n )112212ˆˆ((,,,),(,,,))n n X X X X X X θθ以1−α的概率保证其包含未知参数的真值.随机区间112212ˆˆ{(,,,)(,,,)}1n n P X X X X X X θθθα<<=-即有：（4）对于样本观测值(x 1,x 2,…,x n )可以理解为：该常数区间包含未知参数真值的可信程度为1−α.112212ˆˆ((,,,),(,,,))n n x x x x x x θθ常数区间只有两个结果，包含θ和不包含θ.此时，不能说：112212ˆˆ{(,,,)(,,,)}1n n P x x x x x x θθθα<<=-没有随机变量，自然不能谈概率如：取1−α=0.95.若反复抽样100次，样本观测值为112212ˆˆ{(,,,)(,,,)}1n n P X X X X X X θθθα<<=-1121ˆˆ((,,),(,,))i i i in n x x x x θθ于是在100个常数区间中，包含参数真值的区间大约为95个，不包含真值的区间大约为5个.12,,,ii i nx x x1,2,,100i =对应的常数区间为1,2,,100i =对一个具体的区间而言，它可能包含θ，也可能不包含θ，包含θ的可信度为95%.1121ˆˆ((,,),(,,))i i i i nnx x x x θθ二、构造置信区间的方法枢轴量法1.寻求一个样本X 1,X 2,…,X n 和θ的函数W =W (X 1,X 2,…,X n ;θ)，使得W 的分布不依赖于θ和其他未知参数，称具有这种性质的函数W 为枢轴量（Pivotal quantity ）.3.若由不等式a <W (X 1,X 2,…,X n ;θ)<b 得到与之等价的θ的不等式2.对于给定的置信水平1−α，定出两个常数a 和b ，使得P {a <W (X 1,X 2,…,X n ;θ)<b }=1−α112212ˆˆ(,,,)(,,,)n n X X X X X X θθθ<<即有P {a <W (X 1, X 2,…, X n ;θ)<b }关键：1.枢轴量W (X 1, X 2,…, X n ;θ)的构造2.两个常数a ,b 的确定一般从θ的一个良好的点估计出发构造，比如MLE因此，是θ的一个置信水平为1−α的置信区间.112212ˆˆ{(,,,)(,,,)}1n n P X X X X X X θθθα=<<=-12ˆˆ(,)θθf (w )ababab1−α1−α1−α希望置信区间长度尽可能短.对于任意两个数a 和b ，只要使得f (w )下方的面积为1−α，就能确定一个1−α的置信区间.f(w)abab ab1−α1−α1−α当W 的密度函数单峰且对称时，如：N (0,1),t 分布等，当a =−b 时求得的置信区间的长度最短.如：b =z α/2或t α/2(n )当W 的密度函数不对称时，如χ2分布，F 分布，习惯上仍取对称的分位点来计算未知参数的置信区间.χ21−αα/2α/222()n αχ21-2()n αχ单个正态总体参数的区间估计一、单个正态总体的情形X 1, X 2,…, X n 为来自正态总体N (μ,σ2)的样本，置信水平1−α.样本均值样本方差11nii X X n ==∑2211()1nii S X X n ==--∑0-4-3-2-1012340.050.10.150.20.250.30.350.4是枢轴量W 是样本和待估参数的函数，其分布为N (0,1)，完全已知由于是μ的MLE ，且是无偏估计，由抽样分布定理知X ~(0,1)X W N nμσ-=1.均值μ的置信区间（方差σ2已知情形）单峰对称-4-3-2-1012340.050.10.150.20.250.30.350.4即等价变形为选择两个常数b =−a =z α/222{}1X P z z nααμασ--<<=-22{}1P X z X z nnαασσμα-<<+=-1−αα/2α/2z α/2−z α/2简记为因此，参数μ的一个置信水平为1−α的置信区间为22(,)X z X z nnαασσ-+2()X z nασ±置信区间的长度为22n l z nασ=说明：2.置信区间的中心是样本均值；4.样本容量n 越大，置信区间越短，精度越高；1.l n 越小，置信区间提供的信息越精确；5.σ越大，则l n 越大，精度越低.因为方差越大，随机影响越大，精度越低.3.置信水平1−α越大，则z α/2越大.因此，置信区间长度越长，精度越低；22n l z nασ=22(,)X z X z nnαασσ-+2.均值μ的置信区间（方差σ2未知情形）想法：用样本标准差S 代替总体标准差σ.是枢轴量包含了未知未知参数σ，~(0,1)X W N nμσ-=此时，因此不能作为枢轴量.~(1)X T t n Snμ-=-由抽样分布理论知：使即枢轴量~(1)X T t n Snμ-=-22((1)(1))1X P t n t n Snααμα---<<-=-22{(1)(1)}1P t n T t n ααα--<<-=-选择两个常数b =−a =t α/2 (n -1)等价于因此，方差σ2未知情形下均值μ的一个置信水平为1−α的置信区间为22{(1)(1)}1S S P X t n X t n nnααμα--<<+-=-22((1),(1))X t n X t n nnαα--+-例1.现从中一大批糖果中随机取16袋，称得重量（以克记）如下：506508 499 503 504 510 497 512 514 505 493 496 506 502 509 496设每袋糖果的重量近似服从正态分布. 试求总体均值μ的置信水平为0.95的置信区间.解：这是单总体方差未知，总体均值的区间估计问题.均值μ的置信水平1−α的置信区间为22((1),(1))x t n x t n nnαα--+-根据给出的数据，算得这里10.95,16n α-==/20.025(1)(15) 2.1315t n t α-==503.75, 6.2022x s ==因此，μ的一个置信水平为0.95的置信区间为6.20226.2022(503.75 2.1315,503.75 2.1315)1616(500.4,507.1)-⨯+⨯=此区间包含μ的真值的可信度为95%.22((1),(1))x t n x t n nnαα--+-3.方差σ2的置信区间（均值μ未知）σ2的常用点估计为S 2，且是无偏估计。

北京理工大学《概率论与数理统计2》课件-第七章总复习

S
S2
1 n1
n i 1
(Xi
X
)2
它反映了总体标准差的信息
37
它反映了总体k
阶矩的信息
3(1) 样本k阶原点矩
an,k
1 n
n
X
k i
,
Байду номын сангаас
k
1,
2,
i1
(2)样本k阶中心矩
它反映了总体k 阶
中心矩的信息
mn,k
1 n
n i1
(Xi
X )k ,k
2, 3,
特别
an,1 X
mn,2
1 n
有时也根据总体分布的类型来称呼总体的名称，如正态总体、二项分布总体、0-1分布总体等等.
11
1.2.2. 样本空间和样本的两重性 1 样本空间
为推断总体分布及各种特征，按一定规则从总体中抽取若干个体进行观察试验，以获得有关总体的信息，这一抽取过程称为 “抽样”
所抽取的部分个体称为样本(或子样). 样本中所包含的个体数目称为样本容量.
设样本X1, X 2 , , X ni.i.d., X1 ~ N (, 2 ), 其中和 2未知.
设样本X1, X 2 , , X ni.i.d., X1 ~ Exp(), 其中未知.
这些未知的量只有通过样本去估计. 统计学上把出现在样本分布中的未知的常数称为参数.
25
在一些问题中，参数虽然未知，但根据参数的性质可以给出参数取值范围.
33
注1：统计量只与样本有关，不能依赖任何未知参数
注2：统计量既然是依赖于样本的，而
后者又是随机变量，即统计量是随机变量
的函数，故统计量是随机变量，具有概率

北京理工大学《大学英语》课件 Unit9RealityTV

I would be thrilled / beside myself with excitement if I had the chance to become a contestant in a reality TV show.
I think it’s embarrassing to have all your daily activities filmed. There’s no privacy.
Survivor is the most successful reality TV show / has enjoyed great popularity among viewers / has received the highest ratings.
Reality TV shows like Survivor have a strong element of adventure / suspense / challenging the unknown / surviving in adverse circumstances.
• Smoking is not only a waste of money but is also a danger to one’s health.
• Studies show that cigarette smokers are much more likely to die from a heart attack than nonsmokers.
Warm-up
• Read aloud “Language focus” and try to remember the useful expressions.
• Enjoy a public service advertisement and talk about the harmfulness of smoking.

北京理工大学教学精选版演示课件.ppt

北京理工大学计算机系
第一章
软件工程概述
北京理工大学计算机系
第一章软件工程概述的内容和学时
（2-3学时）
1.1 软件基本概念、分类、特点 1.2 软件工程的发展过程
1.3 软件工程的活动 1.4 软件过程模型 1.5 微软解决框架过程模型 1.6 软件过程能力成熟度模型 1.7 UML程序建模语言介绍
（3）软件工程技术：软件工程分析方法、软件工程系统设计方法、软件测试技术（34）
（4）软件质量度量：软件度量模型、面向对象度量特征、面向对象度量模型（2-4）
（5）软件维护：软件的可维性、软件维护的任务及过程、软件维护的副作用（2-4）
（6）软件工程发展趋势：软件体系结构发展和趋势、构件和接口技术发展和趋势、复用技术发展和趋势（2）
北京理工大学教学课件
软件工程
北京理工大学计算机系
课名：软件工程
教材：软件工程(第二版）齐治昌等
参考教材：
1 计算机软件工程规范国家标准汇编(2000) 2 软件工程—实践者的研究方法（第六版）
教学方式：授课＋课程设计课时： 48
北京理工大学计算机系
教学目的和要求：
（1）掌握软件工程的基本概念（2）了解软件工程项目管理的基本内容和方
显出100个错误。最后失败。例3 1963年美国的火箭控制系统程序。在该程序中，把FORTRAN语句 DO 5 I=1，3 写成了 DO
5 I=1.3 结果使得发往火星的火箭爆炸，造成1000多万美元的损失例4：1966年开发的IBM360机的操作系统。该操作系统花费了5000人年的工作量，写出了近100万行源程
法（3）学会软件工程项目开发过程的分析、设
计、编码要求以及测试、维护的基本策略和方法（4）了解软件工程技术的最新发展趋势和动向

北京理工大学磁学课件3

F = ∫ Idl × B = I ( ∫ d l ) × B
a
b
b
l
a
y
α
F
b
a
= Il × B
方向：大小： F = IBl sin α 推论：对于闭合导线
ˆ j dl = dxi + dyˆ
O
x
a
b a
l
b
F=0
ˆ dl = ( x b − x a )i + ( y b − y a ) ˆ j ∫
ln
→π 2
a + b cos α b a = a cos α
F=
μ0 I1 I2b
2πa
[例] 己知：“无限长”直电流 I1，一侧圆电流 I2，相距圆心为 a。圆电流半径 r。求：作用在圆电流 I2 上的力。解：(1) 在 I2 上取电流元 I 2dl (2) I 2dl 所在处磁场 B1
y
9.5 & 6 磁力 The Force Exerted by a Magnetic Field
§1
带电粒子在磁场中的运动
一、洛仑兹力 Magnetic Force on a Moving Charge
× × × × × × × × × × × × × ×q × ×
B
F = qE + qV × B 洛仑兹力公式
B1 =
μ 0 I1
2πa
I1
I2
df 21 = I 2dl × B1
2导线单位长度受力大小
d f21 = I2dl B1
B2 I 1dl
B1
df 21 μ 0 I1 I 2 f 21 = = I 2 B1 = dl 2 πa

北京理工大学教学课件

北京理工大学《概率论与数理统计》课件-第8章

北京理工大学应用光学课件讲解

北京理工大学《概率论与数理统计》课件-第4章随机变量的数字特征

北理工高等代数课件第三次课

北京理工大学 -PPT模板

北京理工大学 -PPT模板

北京理工大学应用光学课件(大全)-李林

北京理工大学《概率论与数理统计》课件-第4章

北京理工大学《概率论与数理统计》课件-第11章

北京理工大学《概率论与数理统计2》课件-第七章 总复习

北京理工大学《大学英语》课件 Unit9RealityTV

北京理工大学教学精选版演示课件.ppt

北京理工大学 磁学课件3

北京理工大学《概率论与数理统计2》课件-第七章总复习

北京理工大学磁学课件3