概率论第四章
概率论第四章
![概率论第四章](https://img.taocdn.com/s3/m/18b538bdc77da26925c5b070.png)
由定义,对任意实数 x1<x2,随机点落 在区间( x1 , x2 ] 的概率为: P{ x1<X x2 } = P{ X x2 } - P{ X x1 } = F(x2)-F(x1) 因此,只要知道了随机变量X的分布函 数, 它的统计特性就可以得到全面的描述.
说明
(1) 分布函数主要研究随机变量在某一区间内取值
证明
1 F ( )
f ( x ) d x 1.
f ( x ) d x.
S f ( x) d x 1
p( x )
S1 f ( x) d x
x1
x2
1
0
x2
1
x1 x 2
S1
x
(3) P{x1 X x2 } F ( x2 ) F ( x1 ) x f ( x)dx
证明
P{ x1 X x2 } F ( x2 ) F ( x1 )
f ( x) d x f ( x) d x f ( x) d x.
x2
x2 x1
x1
同时得以下计算公式
P{ X a } F (a )
a
f ( x) d x,
P{ X a } 1 P{ X a } 1 F (a )
由 F ( x) f ( x) d x 得
x
0, x 0, xx d x , 0 x 3, 0 6 F ( x) 3 x x d x ( 2 x ) d x , 3 x 4, 3 2 0 6 1, x 4.
概率论与数理统计第四章二维随机变量及其分布
![概率论与数理统计第四章二维随机变量及其分布](https://img.taocdn.com/s3/m/e5be7b8b77eeaeaad1f34693daef5ef7ba0d12ca.png)
(4)
fX Y (x
y)
f (x, y) fY ( y)
= ex
fY X ( y
x)
f (x, y) fX (x)
= ey
(5)
f (x, y) exy fX (x) fY ( y)
因此X ,Y相互独立。
二、二维连续型随机变量函数的分布
1.Z=X+Y的分布 设(X,Y)的联合密度函数为f(x,y),则由分布函数的定义知, Z=X+Y的分布函数为:
3. F (x , y) 为连续函数,且在f(x,y)的连续点处,
2F(x, y) f (x, y) xy
一、二维连续型随机变量概念
定义8 称
f X (x)
f (x, y)dy
( x )
为X的边缘密度函数。
称
fY ( y)
f (x , y)dx
( y )
为Y的边缘密度函数。一、二维连ຫໍສະໝຸດ 型随机变量概念定义9称
fX Y (x
y)
f (x, y) fY ( y)
为在Y=y条件下X的条件概率密
度,称
f (x, y) fY X ( y x) fX (x)
为在X=x条件下Y的条件概率密度.
定理2 设(X,Y)为二维连续型随机变量,则X与Y相互独 立等价于 f (x, y) fX (x) fY ( y)
y)
一、二维随机变量的概念
联合分布函数F(x,y)有如下的性质:
1. 0 F(x , y) 1
2. F(x , y) 关于x、关于y单调不减;
3. F(x , y) 关于x、关于y右连续
4.
lim F(x , y) 0 , lim F(x , y) 1
概率论课程第四章
![概率论课程第四章](https://img.taocdn.com/s3/m/b17d9f0fcc17552707220889.png)
第四章 数字特征前面我们介绍了随机变量及其分布,对于一个随机变量,只要知道了它的分布(分布函数或分布律、分布密度),它取值的概率规律就全部掌握了。
但在实际问题中,一个随机变量的分布往往不易得到,且常常只需知道随机变量的某几个特征就够了。
例如检查棉花的质量时,我们关心的是棉花纤维的平均长度和纤维长度与平均长度的偏差大小,这些数字反映了随机变量的一些特性,我们称能够反映随机变量特征的数字为随机变量的数字特征。
本章将介绍几个最常用的数字特征:数学期望、方差、协方差和相关系数。
第一节 数学期望一、离散型随机变量的数学期望数学期望反映的是随机变量取值的集中位置的特征,能够满足这一要求的自然是随机变量的平均取值,那么这个平均取值如何得到呢?怎样定义,我们先看一个例题例1:全班40名同学,其年龄与人数统计如下:该班同学的平均年龄为:4092115201519118⨯+⨯+⨯+⨯=a8.194092140152040151940118=⨯+⨯+⨯+⨯=若令X 表示从该班同学中任选一同学的年龄,则X 的分布律为于是,X 取值的平均值,即该班同学年龄的平均值为4092140152040151940118)(⨯+⨯+⨯+⨯==a X E8.19==∑ii i p x定义1:设X 为离散型随机变量,其分布律为i i p x X P ==}{, ,2,1=i如果级数 绝对收敛,则此级数为X 的数学期望(或均值),记为 E(X),即 ∑=ii i p x X E )(意义:E(X)表示X 取值的(加权)平均值。
如果级数 不绝对收敛,则称数学期望不存在。
例2:甲、乙射手进行射击比赛,设甲中的环数为X1,乙中的环数为X2,已知 X1和X2的分布律分别为:问谁的平均击中环数高?解:甲的平均击中环数为 E(X1)=8 0.3+9 0.1+10 0.6=9.3 乙的平均击中环数为 E(X2)=8 0.2+9 0.5+10 0.3=9.1 可见E(X1)> E(X2),即甲的平均击中环数高于乙的平均击中环数。
概率论课件第四章
![概率论课件第四章](https://img.taocdn.com/s3/m/67db18660622192e453610661ed9ad51f11d545c.png)
二项分布
描述$n$重伯努利试验中成功次数的概率分 布。
泊松分布
用于描述单位时间或空间内事件发生的次数 的概率分布。
常见的连续概率分布
正态分布
描述自然界中许多现象的分布情况,具有钟 形曲线的特点。
均匀分布
在一定范围内的取值概率均相等的分布。
期望和方差
期望是随机变量取值的加权平均值,反映了随机变量的平均水平。 方差是随机变量取值与其期望之差的平方的加权平均值,反映了随机变量的离散程度。
概率论课件第四章
本章将回顾概率论的基础知识,包括实验、样本空间和事件,概率和频率, 离散和连续概率分布,以及期望和方差。
实验、样本空间和事件
在概率论中,实验是指可以重复进行的过程,样本空间是实验所有可能结果的集合,事件是样本空间中 的一个子集。 通过对实验和事件的定义,我们可以定量地描述事件的发生概率。
概率和频率
概率是事件发生的可能性的度量,通常用数字表示。 频率是事件在多次独立重复实验中发生的相对次数,随着实验次数增多,频 率逐渐趋近于概率值。
离散和连续概率分布
离散概率分布用于描述离散型随机ห้องสมุดไป่ตู้量的取值及其对应的概率。 连续概率分布用于描述连续型随机变量的取值及其对应的概率密度函数。
常见的离散概率分布
概率论与数理统计第四章
![概率论与数理统计第四章](https://img.taocdn.com/s3/m/ff68fe3a814d2b160b4e767f5acfa1c7aa0082f7.png)
上述定理还可以推广到两个或两个以上随 机变量的函数的情况。
02
该公式的重要性在于: 当我们求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.
01
例6
例 7
解:
设(X,Y)在区域A上服从均匀分布,其中A为x轴,y轴和直线x+y+1=0所围成的区域。 求EX,E(-3X+2Y),EXY。
例5
若将这两个电子装置串联连接组成整机,求整机
寿命(以小时计) N 的数学期望.
的分布函数为
三、随机变量函数的数学期望
1. 问题的提出:
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.
若设
i=1,2,…,n
则 是n次试验中“成功” 的次数
解
X~B(n,p),
“成功” 次数 .
则X表示n重努里试验中的
于是
i=1,2,…,n
由于X1,X2,…, Xn 相互独立
= np(1- p)
E(Xi)= p,
D(Xi)=
p(1- p) ,
例7
解
1
展开
2
证:D(X)=E[X-E(X)]2
3
=E{X2-2XE(X)+[E(X)]2}
4
=E(X2)-2[E(X)]2+[E(X)]2
5
=E(X2)-[E(X)]2
概率论第4章
![概率论第4章](https://img.taocdn.com/s3/m/3454303c87c24028915fc3dd.png)
19 2012-6-28
例5 甲,乙各自同时向一敌机射击, 已知 甲击中敌机的概率为0.6, 乙击中敌机的 概率为0.5. 求敌机被击中的概率.
20 2012-6-28
解 设A为事件"甲击中敌机", B为事件"乙 击中敌机", C为事件"敌机被击中", 由广 义加法定理知 P(C)=P(AB)=P(A)+P(B)-P(AB) 根据题意可认为A,B事件相互独立, 因此 有 P(AB)=P(A)P(B)=0.60.5=0.3 于是 P(C)=0.6+0.5-0.3=0.8
P( B | A) r m r/n m/n P( AB) P( A)
5 2012-6-28
.
在一般情形下, 如果P(A)>0, 也定义事件 A出现下事件B的条件概率为
P( B | A) P( AB) P( A) , ( P( A) 0)
乘法定理 两事件的积事件的概率等于其 中一事件的概率与另一事件在前一事件出 现下的条件概率的乘积:
正品数 第一台车床加工的零件数 第二台车床加工的零件数 总计 35 50 85 次品数 5 10 15 总计 40 60 100
从这100个零件中任取一个零件, 则"取得的 零件为正品"(设为事件B)的概率为
P( B) 85 100 0.85
3 2012-6-28
正品数 第一台车床加工的零件数 第二台车床加工的零件数 总计 35 50 85
乘法定理可以推广到有限多个事件的情 形. 例如, 对于A,B,C三个事件, 有 P(ABC)=P((AB)C)=P(AB)P(C|AB) =P(A)P(B|A)P(C|AB), (P(AB)>0)
概率论第四章
![概率论第四章](https://img.taocdn.com/s3/m/47d7b60f5f0e7cd1842536da.png)
1
1
2 1 x 6 x 2 ydy dx 0 0
2 3 4
2 12 x 2 x x d x ; 0 5
19
E XY
xyf x, y dxdy.
2 1 x 2 2 6 x y dy dx 0 0 1
28
例设随机变量X服从参数为1的指数分布,求 E{ X e 2 X }
解 X的密度函数为
e , ( x 0) f ( x) EX 1 0, ( x 0) 2 X 2 X 所以 E( X e ) EX E(e )
x
而
E (e
所以
f ( x)dx 1 3 x e dx 0 3 4 2 X E( X e ) 3
(4)
如果 X 与 Y 相互独立,则
E XY E X E Y .
25
证明 (2)连续型 设X~f(x),则 E (CX)
Cxf ( x )dx
C
xf ( x )dx CE(X)
(3)离散型 设(X,Y)联合分布为 P(X=xi,Y=yj)=pij ,(i,j=1,2…)
g ( x, y) f ( x, y)dxdy 绝对收敛,
则:EZ=
g ( x, y) f ( x, y)dxdy 。
15
例 设离散型随机变量X 的分布列为 X -1 0 2 3
Pk
1 8
1 4
2
3 8
1 4
试计算:E X , E X
和 E 2 X 1 。
概率论第四章总结-精品文档
![概率论第四章总结-精品文档](https://img.taocdn.com/s3/m/4a3dc6072af90242a895e55b.png)
XY
=
数.
Cov ( X ,Y ) D( X ) D(Y)
称为随机变量X与Y的相关系
2.基本性质
7)| |=1的充要条件是,存在常数 a,b使得 P{Y=a+bX}=1
XY
1)Cov(X,Y)=Cov(Y,X) , Cov(X,X)=D(X).
5)Cov(X1+X2,Y)=Cov(X1,Y)+Cov (X2,Y). 6)| |≤1. *当=0时,称X与Y不 相关.
XY
2)D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 3)Cov(X+Y)=E(XY)-E(X)E(Y).
4)Cov(aX,bY)=abCov(X,Y),a,b是常数.
3.例题 • 设随机变量X ~ N( , ),Y ~ N( , ),且设X,Y相互独立,试求 • Z1=aX+bY和Z2=aX-bY的相关系数(其中a,b是不为零的常数).
The key
解:E[(X-C)2]=E(X2-2CX+C2)=E(X2)-2CE(X)+C2=E(X2) -[E(X)]2+{[E(X)]2-2CE(X)+C2}=D(X)-[E(X)-C]2 ≥ D(X),等 号当且仅当C=E(X)时成立.
三、协方差及相关系数
1.定义
量E{(X-E(X))(Y-E(Y))}称为随机变量X与Y的协方差. 记为Cov(X,Y),即 Cov(X,Y)=E{(X-E(X))(Y-E(Y))}
,
j=1,2,····,说明X的 数学期望不存在. 例2.将n只球(1—n号)随 机的放进n个盒子(1—n号) 中,一个盒子装一只球.若
3j j
概率论基础第四章ppt
![概率论基础第四章ppt](https://img.taocdn.com/s3/m/d6af925af01dc281e53af087.png)
P{ X k}
k
e
k 0,1, 2, , 0
X 的数学期望为 x ab E ( X ) xf ( x)dx dx ba 2 a
b
即数学期望是区间[a, b]的中点. 例4.5已知随机变量 X ~ e( ) 。求数学期望 E ( X ). 解: X 的概率密度为 e x x 0 f ( x) x0 0
概率论
第四章 随机变量的数字特征与特征函数
随机变量的数学期望 随机变量的方差 随机变量的矩与中位数 随机变量间的协方差与相关系数 熵与信息 随机变量的特征函数 小结与练习
二、数学期望的定义 离散型随机变量 Def 设离散型随机变量的概率分布为
P( X xi ) pi
b
例4.11已知随机变量 X ~ N ( , 2 )。求方差 D( X ).
解: X 的概率密度为 f ( x)
1 e 2 ( x )2 2 2
xR
易知数学期望为 E ( X ) 所以,随机变量X 的方差为
D( X ) ( x )
t x 2 1 e 2 ( x )2 2 2
k! X 的数学期望为 k e k 1 E( X ) k e e e k! k 0 k 1 ( k 1)! 即 E( X ) 例4.4已知随机变量 X ~ U (a, b) 。求数学期望 E ( X ). 解: X 的概率密度为 1 a xb f ( x) b a 0 其它
k!
k e
k!
k! k! k 0 k e k (k 1) 2e e 2 k! k 2 而已知 E( X ) 所以,X 的方差为 D( X ) E ( X 2 ) -[ E ( X )]2
《概率论第四章》PPT课件
![《概率论第四章》PPT课件](https://img.taocdn.com/s3/m/335087d3b04e852458fb770bf78a6529647d35db.png)
2 2a
所以 f(s,t)4
1 a2
s2t2
e4a22
2
1对概念的理解:
描述随机变量X波动大小的量( B )
(A)数学期望EX
(B)方差DX
(C)X的分布函数F(x) (D)X的密度函数f(x)
设 X~N(μ,σ2),在下列哪种情况下的概率密度曲
线比较平缓(D )
(A) 较小 (B) 较大 (C) 较小 (D) 较大
一、协方差与相关系数的概念及性质
1. 问题的提出
若随机 X和 Y 变 相量 互 ,那 独么 立
D (X Y ) D (X ) D (Y ).
若随机X变 和Y 量 不相互独立
D(XY)?
D (X Y ) E { (X Y ) E (X Y ) } 2
D ( X ) D ( Y ) 2 E { [ X E ( X ) ] [ Y E ( Y ) ] } .
《概率论第四章》PPT课 件
2随机变量函数的数学期望
(1)离散型随机变量函数的数学期望
若 Y=g(X), 且 P { X x k } p k ,k 1 ,2 , ,
则有
E(g(X)) g(xk)pk.
k1
(2)连续型随机变量函数的数学期望
若 X 是连续型的,它的分布密度为 f (x) , 则
由方差性质知
P { Y ( a 0 b 0 X ) 0 } 1 ,或 P { Y a 0 b 0 X } 1 .
例4.4.3 设X和Y 是相互独立的随,都 机服 变从 量
正态分N布(0,2),又 aXbY,aXbY (1) 求 与的相关系数 (2) 问, 是否相关?是否独立? (3) 当, 相互独立,求时(,)的联合密度函数
概率论与数理统计第四章
![概率论与数理统计第四章](https://img.taocdn.com/s3/m/22cc9c72f08583d049649b6648d7c1c709a10b0f.png)
)
(
)
(
)
,
(
Y
D
X
Dபைடு நூலகம்
Y
X
Cov
xy
=
r
=4[E(WV)]2-4E(W2)×E(V2)≤0
01
得到[E(WV)]2≤E(W2)×E(V2). →(8)式得到证明.
02
设W=X-E(X),V=Y-E(Y),那么
03
其判别式
由(9)式知, |ρ xy|=1 等价于 [E(WV)]2=E(W2)E(V2). 即 g(t)= E[tW-V)2] =t2E(W2)-2tE(WV)+E(V2) =0 (10) 由于 E[X-E(X)]=E(x)-E(X) =0, E[Y-E(Y)]=E(Y)-E(Y) =0.故 E(tW-V)=tE(W)-E(V)=tE[X-E(X)]-E[Y-E(Y)]=0 所以 D(tW-V)=E{[tW-V-E(tW-V)]2}=E[(tW-V)2]=0 (11) 由于数学期望为0,方差也为0,即(11)式成立的充分必要条件是 P{tW-V=0}=1
随机变量X的数学期望是随机变量的平均数.它是将随机变量 x及它所取的数和相应频率的乘积和.
=
(1)
)
2
3
(
)
(
-
=
ò
µ
µ
-
dx
x
x
E
j
x
可见均匀分布的数学期望为区间的中值.
例2 计算在区间[a,b]上服从均匀分布的随机变量 的数学期望
泊松分布的数学期望和方差都等于参数λ.
其他
02
f(x)=
01
(4-6)
03
(4)指数分布
概率论第四章
![概率论第四章](https://img.taocdn.com/s3/m/7e327d553c1ec5da50e2703e.png)
(连续型随机变量的性质) 定 理 设 X 是任意一个连续型随机变量,
例 9.某产品的次品率为 0.1,检验员每天检验 4 次, 每次随机的取 10 件产品进行检验, 如果发现其 中的次品数多于 1,就去调整设备。以 X 表示一天 中调整设备的次数, 试求 X 的概率函数。 (设各产品 是否为次品是相互独立的)
三.一维连续型随机变量
• 1 概率密度函数 • 2 常见连续型随机变量
(1) 该物业管理公司至少需要配备多少名 维修工人,才能使居民报修后能得到及时修
理的概率不低于 99%?(这里不考虑维修时间长短) (2) 如果该物业管理公司现有 4 名修理工, 那么居民报修后不能得到及时 维修的概率有 多大?
均匀分布: 称具有下列分布律的随机变量 X 服从 集合 a1, a2 ,, an 上的(离散型)均匀分布:
2.二项分布 如果随机变量 X 的概率函数为
P X k C p 1 p
k n k nk
, k 0,1,, n 。
那么称 X 服从参数为 n 、 p 的二项分布。 记作 X B n, p ,其中 0 p 1 。
(1)在 n 次重复独立试验中,事件 A 发生的 次数就服从二项分布。 (2)利用二项展开定理不难验证:
例3. 某物业管理公司负责 10000 户居民的 房屋维修工作。假定每户居民是否报 修是相互独立的,且一个时段内报修 的概率都是 0.04%。另外,一户居民 住房的维修只需一名修理工来处理。
在某个时段报修的居民数 X B 10000,0.0004 。 按泊松定理,可以近似认为 X 4 。试问:
(1)由无穷级数知识知
k! e
k 0
k
概率论第4章
![概率论第4章](https://img.taocdn.com/s3/m/7f22e8fa04a1b0717fd5ddd6.png)
ò ò
+¥ +¥
- ¥ - ¥
(设该积分绝对收敛) g ( x , y ) f ( x , y ) dxdy .
性质 1 设 c 是常数,则有 E ( c ) = c . 性质 2 设 X 是随机变量,设 c 是常数,则有 E (cX ) = cE ( X ) . 性质 3 设 X ,Y 是随机变量,则有 E ( X + Y ) = E ( X ) + E ( Y ) . (该性质可推广到有限个随机变量 之和的情况) 性质 4 设 X , Y 是相互独立的随机变量,则有 E ( XY ) = E ( X ) E ( Y ) . (该性质可推广到有限 个随机变量之积的情况) 2. 方差 (1)定义 设 X 是随机变量 , E{[ X - E ( X )] } 存在,就称其为 X 的方 差 ,记为 D ( X ) ( 或 Var ( X ) ) ,即
å x p
k =1
k
发散,则称随机变量 X 的数学期望不存在.
(2)连续型随机变量的数学期望 定义 设连续型随机变量 X 的分布密度函数为 f ( x ) ,若积分 学期望或均值.记为 E ( X ) , E ( X ) = 不存在。 (3)随机变量的函数的数学期望 定理 设 Y 为随机变量 X 的函数: Y = g ( X ) (g 是连续函数) ① X 是离散型随机变量,分布律为 p ( X = x k = 1 , 2 , L ;若级数 k = P k ),
r XY = í
, a > 0 ì1 , a < 0 î-1
性质 4 r XY = 1 的充要条件是,存在常数 a, b 使 P {Y = aX + b } = 1 . 事实上相关系数只是随机变量间线性关系其强弱的一个度量, 当 r XY = 1 表明随机变量 X 与 Y 具有线 性关系, r = 1 时为正线性相关, r = -1 时为负线性相关,当 r XY < 1 时,这种线性相关程度就随着 r XY 的减小而减弱,当 r XY = 0 时,就意味着随机变量 X 与 Y 是不相关的. (4)X 与 Y 不相关的充要条件 只要满足以下四个条件之一就可以 ①
概率论第四章总结
![概率论第四章总结](https://img.taocdn.com/s3/m/7627218f6037ee06eff9aef8941ea76e58fa4a20.png)
VS
概率密度函数的性质
概率密度函数具有非负性、规范性、连续 性等性质,这些性质反映了随机变量的概 率分布特征。
常见随机变量的分布函数与概率密度函数
离散型随机变量
离散型随机变量的分布函数和概率密度函数描述了随机变量取离散值的概率,常见的离散型随机变量有二项分布、 泊松分布等。
独立性的定义与性质
独立性的定义
在概率论中,两个事件A和B被称为独立的,如果它们的联合概率可以表示为各自概率 的乘积,即P(A∩B)=P(A)P(B)。
独立性的性质
独立性具有一些重要的性质,包括传递性、对称性、反对称性等。这些性质确保了独立 性在概率论中具有实际意义。
条件概率与独立性的关系
条件概率与独立性的关系
连续型随机变量
连续型随机变量的分布函数和概率密度函数描述了随机变量在某个区间内取值的概率,常见的连续型随机变量有 正态分布、指数分布等。
05
随机变量的变换
线性变换
线性变换的定义
线性变换是概率论中随机变量的 一种变换方式,它将一个随机变 量转换为另一个随机变量,且转 换关系由线性方程式给出。
线性变换的性质
04
随机变量的分布函数与概率密度函数
分布函数的定义与性质
分布函数的定义
随机变量的分布函数是描述随机变量取值概率的函数,表示随机变量取值小于或等于某个值的概率。
分布函数的性质
分布函数具有非负性、规范性、单调性、右连续性等性质,这些性质反映了随机变量的概率特征。
概率密度函数的定义与性质
概率密度函数的定义
函数方差的定义与性质
定义
设$g(x)$是$R$上的有界函数,$X$是随机 变量,则$D[g(X)]$定义为$g(X)$关于$X$ 的方差。
概率论第四章-new资料
![概率论第四章-new资料](https://img.taocdn.com/s3/m/fadabc3ad4d8d15abf234e97.png)
的部分和 Sn X k 的分布在适当条件下向正态分
第四章 正态分布
§4.1 正态分布的概率密度与分布函数
(1)定义 如果随机变量 X 的密度函数为
f x 1
e
x 2
2 2
2
x
其中参数
>0
则称随机变量 X服从正态分布 N (, 2 ),
记为:
X ~ N ,2
(2)正态分布密度函数的图形性质
f (x)的图形呈钟形,关于直线 x 对称;
μ
=
1.8
5.9
-
σ
μ
=
0.7
解方程组可得: σ = 3, μ = 3.8
P{X 0} = 1- F(0) = 1- Φ(0 - 3.8)
3
= 1- Φ(-1.27) = Φ(1.27) = 0.898
例4 设 X ~ N (, 2 ) , (1)求P{|X-μ|<σ},
P{|X-μ|<2σ}, P{|X-μ|<3σ}; (2) 已知:P{μ-aσ<X<μ-aσ}=0.95,求a的值。
(b) 正态分布有许多良好的性质,这些性质是其它许多 分布所不具备的.
(c) 正态分布可以作为许多分布的近似分布,它是数理 统计的基础.
标准正态分布
若 0, 1,我们称 N 0, 1为标准正态分布.
标准正态分布的密度函数是:
x
1
x2
e2
2
x
标准正态分布的分布函数是:
x x
,
r
)
则其两个边缘分布都是一维正态分布。
证明略。
X的边缘分布为:
X
N(
1,
2 1
概率论 第四章
![概率论 第四章](https://img.taocdn.com/s3/m/1048cf5a852458fb770b56b5.png)
2
, σ 0, x .
则有
E ( X ) xf ( x) d x
1 x e )2 2σ 2
所以
5. 指数分布
设X服从指数分布,其概率密度为
x 1 e , f ( x) 0,
x0 x0
( 0)
E ( X ) x e dx xde
0
1
x
x
xe
x
0
0
e dx
0
x
6. 正态分布
设 X ~ N ( μ, σ ), 其概率密度为
随机变量某一方面的概率特性 都可用数字来描写
本 章 内 容
r.v.的平均取值 —— 数学期望
r.v.取值平均偏离均值的情况 —— 方差 描述两 r.v.间的某种关系的数 —— 协方差与相关系数
§4.1 数学期望
例1 设甲、乙两射手在同样条件下进行射击,其命中环数是一 随机变量,分别记为X、Y,并具有如下分布律 X 10 9 8 7 Y 10 9 8 7 Pk 0.6 0.1 0.2 0.1 Pk 0.4 0.3 0.1 0.2 试问甲、乙两射手的射击水平哪个较高?
k 1
(2) X(连续型)的概率密度为 f (x) ,若积分 绝对收敛,则
g( x ) f ( x )dx
E (Y ) E[ g( X )] g( x ) f ( x )dx
例 设随机变量 X 的分布律为
概率论与数理统计教程第四章
![概率论与数理统计教程第四章](https://img.taocdn.com/s3/m/43134805ce84b9d528ea81c758f5f61fb736280b.png)
应用之例: 正态随机数的产生; 误差分析
第四章 大数定律与中心极限定理
第22页
例4.4.1 每袋味精的净重为随机变量,平均重量为 100克,标准差为10克. 一箱内装200袋味精,求一 箱味精的净重大于20500克的概率?
解: 设箱中第 i 袋味精的净重为 Xi, 则Xi 独立同分布, 且 E(Xi)=100,Var(Xi) =100,
则{Xn}与{Yn}的加、减、乘、除 依概率收敛到 a 与 b 的加、减、乘、除.
第四章 大数定律与中心极限定理
4.3.2 按分布收敛、弱收敛
第16页
对分布函数列 {Fn(x)}而言,点点收敛要求太高.
定义4.3.2 若在 F(x) 的连续点上都有
nlim Fn(x) F(x) 则称{Fn(x)} 弱收敛于 F(x) ,记为
第31页
4.4.4 独立不同分布下的中心极限定理
定理4.4.3ቤተ መጻሕፍቲ ባይዱ林德贝格中心极限定理
设{Xn }为独立随机变量序列,若任对 > 0,有
1 n
lim
B n
2
2 n i1
xi Bn (x i )2 pi (x)dx 0
林德贝格条件
则
lim
P
1
n Bn
n
(Xi
i 1
i )
y
(
y)
第8页
4.2.2 常用的几个大数定律
大数定律一般形式:
若随机变量序列{Xn}满足:
nlim
P
1 n
n
i 1
Xi
1 n
n
E(Xi)
i 1
1
则称{Xn} 服从大数定律.
第四章 大数定律与中心极限定理
概率论与数理统计总结之第四章
![概率论与数理统计总结之第四章](https://img.taocdn.com/s3/m/9b3e8ce4f424ccbff121dd36a32d7375a417c638.png)
概率论与数理统计总结之第四章第四章概率论与数理统计总结第四章是概率论与数理统计中的重要章节,主要介绍了概率分布以及随机变量的性质和应用。
本章内容相对较为复杂,需要掌握一定的数学基础知识,但是只要我们认真学习并进行实践,就能够掌握其中的核心概念和方法。
本章的重点内容包括:离散型随机变量及其概率分布、连续型随机变量及其概率密度函数、随机变量的函数分布、两个随机变量的联合分布、随机变量的独立性等。
首先,我们需要了解离散型随机变量及其概率分布。
离散型随机变量是一种取有限或可数个数值的随机变量,其概率分布可以通过概率分布列或概率质量函数进行描述。
常见的离散型随机变量有二项分布、泊松分布等。
我们需要掌握这些分布的定义、性质以及应用,能够计算其均值、方差以及分布函数等。
接着,我们学习了连续型随机变量及其概率密度函数。
连续型随机变量是一种取连续数值的随机变量,其概率分布可以通过概率密度函数进行描述。
常见的连续型随机变量有均匀分布、正态分布等。
我们需要了解这些分布的定义、性质以及应用,能够计算其期望、方差以及分位数等。
随后,我们学习了随机变量的函数分布。
通过对随机变量进行函数变换,可以得到新的随机变量,其概率分布可以通过原始随机变量的概率分布进行推导。
我们需要了解函数分布的计算方法,能够根据随机变量的分布函数和概率密度函数计算新的随机变量的分布函数和概率密度函数。
然后,我们学习了两个随机变量的联合分布。
对于两个随机变量,我们可以通过联合分布来描述它们的联合概率分布。
对于离散型随机变量,我们可以通过联合分布列来描述;对于连续型随机变量,我们可以通过联合概率密度函数来描述。
我们需要掌握联合概率分布的计算方法,能够计算两个随机变量的联合概率、边缘概率以及条件概率等。
最后,我们学习了随机变量的独立性。
当两个随机变量的联合概率分布可以通过各自的边缘概率分布表示时,我们称它们是独立的。
我们需要了解独立性的定义和性质,能够判断两个随机变量是否独立,并能够计算独立随机变量的联合概率分布。
概率论第四章总结
![概率论第四章总结](https://img.taocdn.com/s3/m/c40463642b160b4e767fcf80.png)
• 2.性质(假设以下所遇到的随 机变量的数学期望存在) 1)设C是常数,则有E(C)=C.
k
2)设X是一个随机变量,C是常数, 则有E(CX)=CE(X). 3)设X,Y是两个随机变量,则有 E(X+Y)=E(X)+E(Y).(这一性质可以 推广到任意有限个随机变量之和的 情况) 4)设X,Y是相互独立的随机变量,则 有E(XY)=E(X)E(Y).(这一性质可以 推广到任意有限个相互独立的随机 变量之积的情况)
2)D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 3)Cov(X+Y)=E(XY)-E(X)E(Y).
3.例题 • 设随机变量X ~ N( , ),Y ~ N( , ),且设X,Y相互独立,试求 • Z1=aX+bY和Z2=aX-bY的相关系数(其中a,b是不为零的常数).
2
D(X+Y)=D(X)+D(Y)+2E{(X-E(X))(Y-E(Y))}.
4.重要定理——切比雪夫不等式
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 ,不等式
P{|X- |≥ }≤ 成立.
证明:设X的概率密度为飞f(x),则 有 P{|X- |≥ }= f ( x)dx ≤
XY
=
数.
Cov( X , Y ) D( X ) D(Y )
称为随机变量X与Y的相关系
2.基本性质
7)| |=1的充要条件是,存在常数 a,b使得 P{Y=a+bX}=1
XY
1)Cov(X,Y)=Cov(Y,X) , Cov(X,X)=D(X).
- 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)。
0.1 0.25 0.15 0.15 0.2 0.15
求随机变量 Z sin
(X Y)
2
的数学期望。
22
解:E ( Z ) E[sin sin
(X Y)
2
]
(0 0)
2 2 (0 1) (1 1) sin 0.25 sin 0.2 2 2 (0 2) (1 2) sin 0.15 sin 0.15 2 2 0.25
23
0.1 sin
(1 0)
0.15
例1.9 设随机变量(X,Y)的联合密度函数为:
x (1 y ) x e , x 0, y 0, f ( x, y ) 其:E ( X )
.
证明X不存在数学期望.
证明:由于
3k 2 2 | xk | pk k , k 1 k 1 k 3 k 1 k
即该无穷级数是发散的,由数 学期望定义知,X不存在数学期望.
10
例1.3 设随机变量X的概率密度函数为
1 f ( x) , x , 2 (1 x )
dx y 1 100 dy dx 0.5( x y ) 1 100 dy
10 10 x
x
g ( x, y) f ( x, y)dxdy
20 20
1. 42(万元)
27
例1.11 设按季节出售的某种应时产品的销售 量X(单位:吨) 服从[5,10]上的均匀分布.
i 1 j 1
(4)二元连续型随机变量 X , Y 的密度函数为f ( x, y), E(Z )存在,则有
E (Z ) E (h( X , Y ))
h( x, y) f ( x, y)dxdy.
21
例 1.8 设二维随机变量 X , Y 的联合分布律为
计算乙的平均成绩:
8 20 9 65 10 15 8 20 9 65 10 15 8.95 100 100 100 100
所以甲的成绩好于乙的成绩。
5
4.1 数学期望 (一) 数学期望定义 定义:设离散型随机变量X的分布律为
xk pk , 则称级数 xk pk 若级数 k 1 k 1 的值为X的数学期望,记为E(X),即
例1.10 某商店经销某种商品,每周进货量X与
需求量Y是相互独立的随机变量,都~U[10,20]. 商店每售出一单位商品可获利1万元,若需求 量超过进货量,商店可从其他处调剂供应,此 时每单位商品获利0.5万元;求商店经销该商 品每周所获利润的数学期望.
26
解:设Z 表示该种商品每周所得的利润,则
13
例1.6 设X 与Y 独立同分布,密度函数与分布函数为 e x , x 0, 1 e x , x 0, f ( x) F ( x) x 0. x 0. 0, 0, 令N min( X , Y ), M max( X , Y ), 求E ( N ), E ( M ).
每售出一件产品,其平均净收入为多少?
16
解:记某件产品寿命为X(年),售出一件产品的净收入为
Y(元),则
500 350 2, Y 500 350 50, 500 - 350, 若0 X 1, 若1 X 3, 若X 3.
由于X服从指数分布,那么
P{Y 200} P{0 X 1} 1 e x / 3dx 1 e 1/ 3 , 0 3 3 1 P{Y 100} P{1 X 3} e x / 3dx e 1/ 3 e 1 , 1 3 1 P{Y 150} P{ X 3} e x / 3dx e 1. 3 3
1
17
即Y的分布律为
Y p -200 100 150
1
1 e
1/ 3
e
1/ 3
e
e 1
因此售出一件产品的平均净收入为
E (Y ) 200 (1 e 200+300e
1/ 3
) 100 (e
1
1/ 3
e ) 150 e
1
1
1/ 3
50e 33.35(元).
解:N的分布函数为FN ( x) 1 (1 F ( x))2 ,
2 e2 x , x 0, 因此,密度函数为f N ( x) x 0. 0, 由上例,E ( N ) E (min( X , Y )) 1 . 2
14
M的分布函数为FM ( x) (F ( x)) ,
(2) X 是连续型随机变量,密度函数为f ( x),
g ( x) f ( x)dx ,则有
E (Y ) E ( g ( X ))
g ( x) f ( x)dx.
19
定理的重要意义在于,求E(Y)时,不必 算出Y的分布律或概率密度函数,只利用X 的分布律或概率密度函数;
P( X xk ) pk k 1, 2,
E ( X ) xk pk
k 1
6
定义:设连续型随机变量 X 的概率密度 + 函数为f(x),若积分 x f ( x)dx , + 则称积分 xf ( x)dx 的值为X的数学期望, 记为E(X),即
E( X )
+
xf ( x)dx
数学期望简称期望,又称均值。
7
例1.1 澳门赌场猜大小游戏中有买4点的 游戏,游戏规则如下,掷3颗骰子,点数 之和为4赌场输,赌场赔率1赔50,否则其
押金归赌场所有,问此规则对赌场还是赌
客更有利?
8
解:显然赌客猜中4点的概率为3/216=1/72.
设一赌客押了1元,那么根据规则,他赢50元的概
可以将定理推广到两个或两个以上随机
变量的函数的情况.
20
定理(续):设Z h( X , Y ) 连续函数 ,
(3)二元离散型随机变量 X , Y 的分布律为:
P( X xi , Y y j ) pij , i, j 1, 2,
E(Z )存在,则有
E ( Z ) E[h( X , Y )] h( xi , y j ) pij ;
k 解:X的分布律:P( X k ) e
k!
k 0,1,
0
X的数学期望为:
E( X ) k e
k 0
k
k!
e
(k 1)!
k 1
k 1
e e
即 E(X )
12
例1.5 设X 服从参数为 ( 0)的指数分布,求E( X ).
xf ( x, y)dydx
0
0
x xe x (1 y ) dydx
0
0
xe [
x
xe xy dy]dx
0
xe x dx 1,
24
例1.9 设随机变量(X,Y)的联合密度函数为:
x (1 y ) x e , x 0, y 0, f ( x, y ) 其他, 0,
若Y X , Y , Z g( X ,Y ) 0.5(X Y ), 若Y X ,
X 和Y 相互独立,因此( X , Y )的概率密度为 1 100, 10 x 20,10 y 20, f ( x, y ) 其他, 0,
E(Z )
20 10
18
(二) 随机变量函数的数学期望
定理:设Y g ( X ) 连续函数 , (1) X 是离散型随机变量,分布律为:
g(x ) p
k 1 k
P( X xk ) pk , k 1, 2,
k
,则有 E (Y ) E[ g ( X )]
g(x )p ;
k 1 k k
数分布,概率密度函数为
1 e x /3 , x 0, 3 f ( x) x 0, 0,
若每件产品的生产成本为350元,出售价格为500元, 并向顾客承诺,如果售出一年之内发生故障,则免费 调换一件;如果在三年之内发生故障,则予以免费维 修,维修成本为50元.在这样的价格体系下,请问:该厂
2
2 e x 2e2 x , x 0, 因此,密度函数为f M ( x) x 0. 0,
由上例,E (M ) xf M ( x)dx
0
2 xe
0
x
dx x2e
0
2 x
dx
2 1 3 . 2 2
15
例1.7 某厂生产的电子产品,其寿命(单位:年)服从指
e x , x 0, 解:X的密度函数为f ( x) x 0. 0,
E ( X ) xf ( x)dx x e x dx
0
xe
x 0
|
e
0
x
1 1 x dx e |0 .
若销售出一吨产品可盈利C1 = 2万元;
但若在销售季节未能售完,造成积压,则每吨产 品将会净亏损C2=0.5万元. 若该厂家需要提前生产该种商品,为使厂家能获 得最大的期望利润,问:应在该季生产多少吨产
品最为合适?
28
解:设应在该季生产a吨产品 (5 a 10) ,所获