概率统计3.4
概率论与数理统计(随机变量的相互独立性)
即X与Y独立．
3.4 随机变量的相互独立性
反之，若X与Y独立，由于f(x,y)，fX(x)，fY(y)都是 连续函数，故对所有的x,y，有
f ( x, y) fX ( x) fY ( y)
特别，令 x 1, y 2，可以得到
1
1
2 1 2 1 2 2 1 2
从而 0.
☺课堂练习
已知 ( X ,Y ) 的分布律为
( X ,Y ) (1,1) (1,2) (1,3) (2,1) (2,2) (2,3)
111 1
pij
6
9 18
3
(1) 求 与 应满足的条件; (2) 若 X 与 Y 相互独立,求 与 的值.
解：将 ( X ,Y ) 的分布律改写为
(2) P{ X1 X2 1} D f ( x1, x2 )dx1d x2
x2
1
x1 x2 1 D
O
1
1 0
1 x2 0
1 9
e ( x1 x2 )/ 3
d
x1
d
x2
1 9
1 ex2 / 3 (
0
1 0
x2
e
x1
/
3
d
x1
)dx2
x1
9
18
3.4 随机变量的相互独立性
【例3.17】已知随机变量X与Y相互独立且都服从参 数为1/2的0-1分布，定义随机变量
1 当X Y为偶数 Z 0 当X Y为奇数
求Z的分布律，(X，Z)的分布律， 并问X与Z是否独立？
解：由X与Y的分布律
X
0
《概率论与数理统计》3-3 边缘分布
2
2
2
1 arctan x 2
同理 ,
x ,
1 FY y lim F x, y 2 arctan y x 2 2 2
求 :⑴ C , ⑵ P X Y 1 . 解 又 ⑴由性质 :
x, y D,
其它 ,
f x, y d 1.
y
2 1
D1
O
1
x
f x, y d 0 dx0 Cxydy
1 1 2 C x y dx 2C xdx 0 2 0 0 1 2
P X ,Y D f x, y dxdy.
D
注: 注意分块积分. 只对密度函数为正的部分积分.
例1 设 D 是由 x 0, y 0, x 1, y 2 所围成的平面区
域 , 二维随机变量 X , Y 的联合概率密度函数为:
Cxy f x, y 0
fY y
所以
f x, y dx y 1dx 2 2 y,
0 y 1,
其它 .
2 y
2 2 y fY y 0
y
1 yx
y 2 x
O
1
2x
2 , , 定理 3.6 设 X , Y ~ N 1 , 2 , 12 , 2
2 1
,Y
.
证明 :
f X x
y 2
概率与统计学公式集锦整理速查
概率与统计学公式集锦整理速查以下是概率与统计学领域中常见的公式集锦，方便您在需要时进行查阅和使用。
1. 概率公式1.1 事件的概率：P(A) = n(A) / n(S)1.2 互斥事件的概率：P(A ∪ B) = P(A) + P(B)1.3 两独立事件的概率：P(A ∩ B) = P(A) × P(B)1.4 随机事件的和：P(A ∪ B) = P(A) + P(B) - P(A ∩ B)1.5 随机事件的差：P(A - B) = P(A) - P(A ∩ B)1.6 互补事件的概率：P(A') = 1 - P(A)2. 统计学公式2.1 定义方差：Var(X) = E[(X - E(X))^2]2.2 方差的性质：Var(aX) = a^2 × Var(X)2.3 协方差：Cov(X, Y) = E[(X - E(X))(Y - E(Y))]2.4 相关系数：ρ(X, Y) = Cov(X, Y) / (√(Var(X)) × √(Var(Y)))2.5 二项分布期望：E(X) = n × p2.6 二项分布方差：Var(X) = n × p × (1 - p)2.7 正态分布的标准差：Var(X) = σ^23. 概率函数与密度函数3.1 二项分布概率函数：P(X = k) = C(n, k) × p^k × (1 - p)^(n - k)3.2 二项分布累积概率函数：P(X ≤ k) = Σ(i=0 to k) C(n, i) × p^i × (1 - p)^(n - i)3.3 正态分布概率密度函数：f(x) = (1 / (σ × √(2π))) × exp(-(x - μ)^2 / (2σ^2))3.4 正态分布累积概率函数：P(X ≤x) = Φ((x - μ) / σ)4. 估计与假设检验4.1 样本均值的抽样分布：X ～N(μ, σ^2/n)，其中 X 为样本均值，μ 为总体均值，σ 为总体标准差，n 为样本容量。
概率论与数理统计 南京大学 3 第三章随机变量的数字特征 (3.4.1) 柯西 施瓦兹不等式
协方差的定义
定义： E[(X-EX)(Y-EY)]称为随机变量X与Y的 协方差，记为Cov(X, Y )。即 Cov(X, Y )= E[(X-EX)(Y-EY)]
协方差的一般计算公式： Cov(X, Y )=E(XY)- E(X)E(Y)
证明：Cov(X, Y )= E[(X-EX)(Y-EY)] =E[XY-XEY-YEX+EXEY] =E(XY)-E(XEY)-E(YEX)+EXEY =E(XY)- E(X)E(Y)
由一元二次方程的求解知： [2Cov(X,Y)]2 -4DXDY≤0
即 Cov2(X,Y) ≤DXDY
柯西-施瓦兹不等式
2018/12/15
柯西-施瓦兹不等式有多种形式：
n
n
n
1.数列形式： ( aibi )2 ai2 bi2
i1
i1
i1
ห้องสมุดไป่ตู้
b
b
b
2.积分形式： ( f (x)g(x)dx)2 f 2(x)dx g2(x)dx
a
a
a
3.概率形式……
=E(X-EX)2+E(Y-EY)2+2E[(X-EX)(Y-EY)]
=DX+DY+2Cov(X,Y)
=DX+DY
定理：（柯西 施瓦兹不等式）若随机变量X、Y的 二阶原点矩存在，则
Cov2( X ,Y ) DX DY
证明：对任意t E[t(X-EX)-(Y-EY)]2 =t2DX-2tCov(X,Y)+DY≥0
（4）若X、Y相互独立，则 Cov(X, Y )= 0；且
D(X+Y)=D(X)+D(Y)。
《概率论与数理统计》课件3-4条件分布
Y
1.7<Y<1.8( ),
X
1.7 1.8 .
.
.
.
1
( X,Y )
j
P{Y = yj } > 0
PX P{X= xi |Y= yj }=
xi ,Y
yj
…
P Y yj
Y = yj
X
= pij p• j
i=1,2,
.
r.v,
r.v
.
i P{X = xi } 0
P{Y yj | X xi } )
X = xi
Y
(j = 1,2,
. .
P X xi Y yj 0 i=1,2, …
P X xi Y yj 1
i1
1 设 (X, Y) 的联合分布律如下，
求X=0、X=1的条件下, Y的条件概率分布.
P Y = 0 | X = 0} = P Y = 1| X = 0} =
1 ==
5 3 == 5
A)
B)
C)
D)
A
B
C
D
提交
单选题 1分
二维随机变量(X, Y)的联合概率密度为
(8xy2 0 < x < < 1 f (x, y) =
〈 的边缘概率密度为 ( )．
(8 | (x
−
x7 )
fX (x) =〈
3
|0
(8 |
(x
−
x6 )
fX (x) =〈
3
|0
0<x<1 else
0<x<1 else
(| B) fX (x) =〈
(1− x6
)| 0
(|
2023年数学一考试大纲
2023年数学一考试大纲摘要：1.引言2.2023年数学一考试大纲概述3.考试内容详解3.1 数学基础部分3.2 代数部分3.3 几何部分3.4 概率与统计部分4.考试题型及分值分布5.考试时间与地点6.备考建议7.结语正文：【引言】随着2023年的到来，全国各地的学子们纷纷投入到紧张的备考之中。
数学一作为众多考生关注的科目，其考试大纲的掌握至关重要。
本文将为您详细解析2023年数学一考试大纲，帮助您更好地备战考试。
【2023年数学一考试大纲概述】2023年数学一考试大纲延续了历年考试大纲的特点，注重对考生数学基础、代数、几何、概率与统计等方面的考察。
整体而言，考试大纲要求考生具备扎实的数学基本功和一定的解决问题的能力。
【考试内容详解】3.1 数学基础部分数学基础部分主要包括数列、极限、连续性、导数、积分等内容。
考生需要熟练掌握各类数学公式，具备较强的运算能力。
3.2 代数部分代数部分主要考察考生的抽象代数知识，包括群、环、域等概念。
同时，考生还需掌握矩阵、向量、线性方程组等相关知识。
3.3 几何部分几何部分主要考察考生的空间几何和解析几何知识，涉及平面几何、空间直线与平面、曲线与曲面等内容。
3.4 概率与统计部分概率与统计部分要求考生掌握基本的概率分布、大数定律、中心极限定理等知识，并能运用统计方法解决实际问题。
【考试题型及分值分布】2023年数学一考试题型主要包括选择题、填空题、解答题等。
其中，选择题和填空题主要考察考生的基本概念和运算能力，占总分的30%；解答题则侧重于考察考生的综合分析和解决问题的能力，占总分的70%。
【考试时间与地点】2023年数学一考试时间预计为每年的6月份，具体时间以当地教育部门公告为准。
考试地点为各省市指定的考点，考生需提前了解并做好准备。
【备考建议】1.深入研究考试大纲，明确复习重点和难点。
2.做好基础知识的学习和巩固，特别是数学公式和定理。
3.勤做习题，提高解题速度和准确率。
贝叶斯统计3.4,3.5教材
27
例3.22
关于成功概率的无信息先验分布至今已有4种 π1(θ)=1 π2(θ)=θ-1(1-θ)-1 π3(θ)=θ-1/2(1-θ)-1/2 ——正常 ——不正常 ——正则化后可成为正常
π4(θ)=θθ(1-θ)(1-θ) ——正则化后可成为正常
注意：1.一般说来，无信息先验不是唯一的.
但它们对贝叶斯统计推断的影响都很小，很少对结 果产生较大的影响
2.任何无信息先验都可以采用。
28
总结
1. 掌握贝叶斯假设
2.掌握位置参数和尺度参数的无信息先验分布
3.会用Fisher信息阵确定无信息先验
29
§3.5 多层先验
一、多层先验 二、多层模型
30
一、多层先验
1.定义
当所给先验分布中超参数难于确定时，可以对超参数 再给出一个先验，第二个先验称为超先验。由先验和 超先验决定的一个新先验称为多层先验。
试求分布参数 与的无信息先验.
取为位置参数, 为尺度参数, 令 1, ln( ), w ln( x), 则有
p( w; , )
1
w
d * 由随机变量函数知, ( ) ( ) 1 , 2 ( ) 1 , d
浙江财经学院本科教学课程经济数学三概率统计精品文档贝叶斯统计34352第三章先验分布的确定31主观概率32利用先验信息确定先验分布33利用边缘分布mx确定先验密度34无信息先验分布35多层先验334无信息先验分布一贝叶斯假设二位置尺度参数族的无信息先验三用fisher信息阵确定无信息先验4所谓参数??的无信息先验分布是指除参数??的取值范围和??在总体分布中的地位之外再也不包含??的任何信息的先验分布
例3.23 设对某产品的不合格品率了解甚少，只知道 它比较小。现需要确定θ的先验分布。决策人经过 反复思考，最后把他引导到多层先验上去，他的思 路是这样的： (1)开始他用(0,1)上的均匀分布U(0,1)作为θ的先 验分布。
概率统计习题 3.4 演示文稿1
解其中记gZ(为x,此y商) 店{经110000销00xy该50种0( y商x)品每{15周00000(所xy, 得y),y的xy利x 润,由题设知Z=g(X,Y),
由题设条件知(X,Y)的联合概率密度为
1 , 10x20,10 y20,
px, y
(x,
y)
{100 0,
其它,
np1(t)[1
F1 (t)]n1
n(1
t
)n1
1
所以
E(Y )
n n
0
t n dt
n n 1
E(Z )
n n
0
t(
t)n1 dt
n 1
14.设随机变量U服从(-2,2)上的均匀分布,定义X和Y如下:
X {1 若U 1, 1 若U-1,
这是贝塔分布Be(10,1),由此得
E(Y )
10 ;Var(Y ) 11
10 11212
5 726
10．系统有n个部件组成，记 Xi为第i个部件能持续工作的时间，如果 X1, X 2 ,L , X n 独立同分布，且 Xi : Exp()，试在以下情况下求系统持续工作的平均时间：
（1）如果有一个部件在工作，系统就不工作了； （2）如果至少有一个部件在工作，系统就工作。
解 因为X,Y独立,都服从N(0,1),所以 X Y : N (0, 2). ,又因为
max(X ,Y ) X Y | X Y | 2
由于 X Y : N(0, 2).,所以
E[max( X ,Y )] E( X ) E(Y ) E | X Y | E | X Y |
概率论与数理统计__典型例题及其分析
概率论与数理统计 典型例题及其分析第三章 多维随机变量及其分布Y ⑴ 求,a b 应满足的条件； ⑵ 若X 与Y 相互独立 ，求 a,b 的值. 【思路】 先利用联合分布律的性质1ijijp=∑∑确定a,b 应满足的条件，再利用独立性的定义来求出a 与b. 【解】⑴ 因为1ij ijp =∑∑，所以11111,84248b a +++++= 因此 11.24a b += ⑵ 由于 X 与Y 相互独立，即对所有,i j x y 有 ()()(),,i j i j P X x Y y P X x Y y ===== 于是 ()()()112,121,46a P X Y P X Y a a ⎛⎫⎛⎫=======++⎪⎪⎝⎭⎝⎭解得 112a =或1.2a =同理 ()()()131,212,88b P X Y P X Y B b ⎛⎫⎛⎫=======++ ⎪⎪⎝⎭⎝⎭解得 18b =或3.8b = 再由11.24a b +=知 13,128a b == 【解毕】 【技巧】 由于X 与Y 的独立性，故对所有的,i j x y 应有()()(),,i j i j P X x Y y P X x Y y ===== 因此，我们可在联合分布律表中找到几个比较容易计算的值来分别确定分布律中的参数，例如()13,1,24P X Y ===而()()1131,66P X Y a ⎛⎫===∙+ ⎪⎝⎭可求得1;12a =又()13,2,8P X Y ===而18求得3.8b =这种参数的确定方式，需要读者熟练掌握. 例3.2.2 （1999年考研题）设随机变量X 与Y 相互独立 ，下表列出了二维随机变量(),X Y 的联合分布律及关于X 和关于Y 的边缘分布律中的部分数值，试将其余数值填入表中的空间处：- 62 -j【思路】 利用边缘分布律的求法及独立性来进行，例如，从11,86p +=求得11,24p =再利用独立性知1111.6p p =⨯从而知11,4p =等等. 【解】 利用;i ij jij jip p pp ==∑∑以及 1i jijp p==∑∑ 与独立性 ij i j p p p =. 求解空格内的数值，故11111111111,,68246p p p p p =-===⨯即11,4p =又由121,p p +=可得2131.44p =-= 反复运用上列公式，可求得 1322232313111,,,,.128423p p p p p ===== j例3.2.3 （1999年考研题）已知随机变量1X 和2X 的概率分布分别为 1x -1 0 1 2x 0 1 与 P111 424 P 1122， 而且()120 1.P X X ==求1X 和2X 的联合分布；问： ⑴ 1X 和2X 是否独立？ ⑵ 为什么？ 【思路】 已知1X 和2X 的边缘分布，一般是不能确定1X 和2X 的联合分布的，但题中给了一附加条件()120 1.P X X ==因此就要从条件入手加以分析，再利用边缘分布与联合分布的关系，就可求解此题了.独立性的判断是比较简单的.【解】⑴ 由()120 1.P X X ==知()1200,P X X ≠=即()()12121,11,10.P X X P X X =-===== 于是1X 和2X 的联合分布有如下结构：1j p 从而利用边缘分布律与联合分布律的关系知()()()1121211,01,1,P X P X X P X X =-==-=+==即 1110,4p +=从而得111.4p = 同理可知31222111,,0.p p p ===故1X 和2X 的联合分布律为1j p ⑵ 由以上结果知 ()120,00,P X X === 而 ()()12111000.224P X P X ===⨯=≠ 可见，1X 与2X 不独立. 【技巧】先.将边缘分布的数据以及由条件()1201P X X ==中对应数据填入表中，得到联合分布律表的基本结构，再来求其余ij p 的值，是对解离散型随机向量的基本技巧.按独立性的要求，可以检验1X 与2X 是否独立，特别对不独立的说明只需找出一对(),i j x y ，使ij i j p p p ≠即可.例3.2.4 将两封信投入3个编号为1，2，3的信箱，用,X Y 分别表示投入第1，2号信箱的信的数目，求(),X Y 的边缘分布律，并判断X 与Y 是否独立.【思路】 首先确定(),X Y 的所有可能取值，并用古典概型求出取相应值的概率，即可得到(),X Y 的联合分布律，剩下的问题也就迎刃而解了.【解】 将2封信投到3个信箱的总投法239,n ==而X 和Y 的可能取值均为0，1，2，于是- 64 -()0,0P X Y P ===（两封信都投入第3号信箱）=1;9()1,0P X Y P ===（两封信中一封投入第1号信箱，另一封投入第3号信箱）11212.99C C == 同理可得：()()220,1;1,1;99P X Y P X Y ====== ()()()1,22,12,20.P X Y P X Y P X Y ========= 这样，可得(),X Y 的联合分布律，又由于()()()()22,,0,1,2,,,0,1,2.i i P X k P X k Y i k P X k P X i Y k k ============∑∑故所求的分布律为X 的边缘分布律在表中的最后一列，Y 的边缘分布律在表中的最后一行. 由于()10,09P X Y ===，而()()44100,999P X P Y ===⨯≠故X 与Y 不独立. 【解毕】 【技巧】 二维离散型随机变量的联合分布律，在实际问题中可用事件的乘机（交）的概率求得，此时概率的乘法公式是十分常用的计算技巧. 例3.2.5 设(),X Y 服从区域(){}2,:01D x y y x =≤≤-上的均匀分布，⑴ 写出(),X Y 的联合密度函数；⑵ 求X 和Y 的边缘密度函数； ⑶ 求概率()2P Y X ≥.【思路】 先画出区域D 的图形，再按上面的解法来求解. 【解】 （1）由于区域D 是由曲线21y x =-和0y =所围成的（如图3.2.1所示），其面积为()12141.3D x dx -=-=⎰ 所以(),X Y 的联合密度为()23,01,40, y xf x y ⎧≤≤-⎪=⎨⎪⎩其他图3.2.1⑵ X 的边缘密度函数为()()()()2120331,11,11,440, 0, x X x x dy x f x f x y dy -+∞-∞⎧⎧⎪--<<⎪-<<===⎨⎨⎪⎪⎩⎩⎰⎰其他其他 而Y 的边缘密度函数为()()3,011,40, 0, Y dx y y f y f x y dy +∞-∞⎧<<⎪<<===⎨⎪⎪⎩⎩⎰其他其他 ⑶ 记(){}2,:G x y y x =≥，则G D ⋂为图3.2.2阴影部分，从而()()()()2221,,33 .442Gx G Dx P Y X P X Y G f x y dxdydxdy dxdy -⋂≥=∈====⎰⎰⎰⎰⎰【寓意】 本题要求熟悉二维均匀分布和计算边缘密度及概率的基本方法，求这些问题的技巧读者应牢牢掌握，最关键的问题是激发呢区间和积分区域的确定. 图 3.2.2例3.2.6 设二维随机变量(),X Y 的概率密度为 (), 0,,0, Ay Ae x y f x y -⎧<<=⎨⎩其他⑴ 确定常数A ；⑵ 求随机变量X 的密度()X f x ；⑶ 求概率()1P X Y +≤. (后二问为1992年考研题) 【解】⑴ 记D 为(),f x y 的零区域，即 (){},:0D x y x y =<< 其图形如图3.2.3所示.由联合密度的性质得(),1f x y dxdy +∞+∞-∞-∞=⎰⎰，从而有()01, .AyAyDxI f x y dxdy Aedxdy dx Ae dy A+∞+∞+∞+∞---∞-∞====⎰⎰⎰⎰⎰⎰ 因此，A=1. ⑵ X 的边缘密度为 ()(), 0, 0,0, 00, 0yx X x e d yx e x f x f x y dy x x +∞-+∞--∞⎧>⎧>⎪===⎨⎨≤⎩⎪≤⎩⎰⎰⑶ 设(){},:1G x y x y =+≤，则D G ⋂如图3.2.4所示.故()()1112121, 12.xyyGD GxP X Y f x y dxdy edxdy dx e dy e e -----⋂+≤====+-⎰⎰⎰⎰⎰⎰- 66 -图 3.2.3 图3.2.4【技巧】 在利用(),1f x y dxdy +∞+∞-∞-∞=⎰⎰确定(),f x y 中的常数时，若(),0f x y ≠的区域为D ，则只需用(),1Df x y dxdy =⎰⎰就可以了.例3.3.1 设(),X Y 的联合分布律为求：⑴ 常数a; ⑵ 联合分布函数在点31,22⎛⎫⎪⎝⎭处的值31,;22F ⎛⎫ ⎪⎝⎭ ⑶ ()1|0.P X y ==【解】⑴ 由联合分布律的性质1ij ijp =∑∑知 1111,446ij ijp a ==+++∑∑ 求得1.3a =⑵(),X Y 的联合分布函数(),F x y 在点31,22⎛⎫⎪⎝⎭处的值 ()()3131111,,1,11,0.2222442F p X Y P X Y P X Y ⎛⎫⎛⎫=≤≤===-+===+= ⎪ ⎪⎝⎭⎝⎭⑶ ()()()11,0341|0.110743P X Y P X Y P X ========+ 【解毕】 【技巧】 求联合分布函数(),F x y 时，只需把取值满足,i j x x y y ≤≤的点(),i j x y 的概率ij p 找出来，然后求和就可以了，值得注意的是不要有遗漏.而求条件分布律时的关键是将其边缘分布求出即可，而边缘分布律的求法在前节已反复强调过多次.例3.3.2 已知随机变量X 和Y 联合概率密度为 ()4, 01,01,,0, xy x y f x y ≤<≤<⎧=⎨⎩其他求⑴ 条件密度()||X Y f x y 及()||;Y X f y x ⑵ X 和Y 的联合分布函数(),F x y .(第二问为1995年考研题) 【思路】 根据条件密度的定义，我们首先要求出X 与Y 的边缘密度，然后再来求条件密度.而联合分布函数的求法是一个较为繁琐的工作，需要分区域讨论，这些区域不能遗漏. 【解】⑴ 由于X 的边缘密度为 ()()104, 012, 01 ,0, 0, X x y d yx x x f x f x y dy +∞-∞⎧≤<≤<⎧⎪===⎨⎨⎩⎪⎩⎰⎰其他.其他同理，有 ()()2, 01,,0, Y y y f y f x y dx +∞-∞≤<⎧==⎨⎩⎰其他故当01y <<时，()Y f y >0，且 ()()()|4, 01,,2|0, X Y Y xyx f x y yf x y f y ⎧≤<⎪==⎨⎪⎩其他从而，在{}Y y =条件下，X 的条件密度为 ()|2, 01,01,|0, X Y x x y f x y ≤<<<⎧=⎨⎩其他同样可得，在{}X x =条件下，Y 的条件密度为 ()|2, 01,01,|0, Y X y y x f y x ≤<<<⎧=⎨⎩其他⑵ 对联合分布函数()(),,F x y P X x Y y =≤≤要分区域讨论.对于0x <或0y <，有 ()(),,0;F x y P X x Y y =≤≤= 对于01,01,x y ≤<≤<有 ()2200,4;yx F x y uvdudv xy ==⎰⎰对于1,1x y ≥≥，有 (),1;F x y = 对于1,01,x y ≥≤<有 ()()2,1,;F x y P XY y y =≤≤= 对于1,01,y x ≥≤<有 ()()2,,1;F x y P X x Y x =≤≤= 从而，X 和Y 的联合分布函数为 ()22220, 00,01,01,,, 01,1,, 1,01,1, 1,1x y x y x y F x y x x y y x y x y<<⎧⎪≤<≤<⎪⎪=≤<≤⎨⎪≤≤<⎪≤≤⎪⎩或【技巧】 由于本题中，X 与Y 的地位完全平等，因此，在求条件密度时，只需求出一个，另一个用对- 68 -称性即可得到，此对称性在(),F x y 中也有很好的体现，对称性的利用也经常是我们解决数学问题的一种技巧，另外，在求(),X Y 的分布函数时，一定要牢牢记住它的定义：()(),,.F x y P X x Y y =≤≤对一切,x y 都要讨论，它是一个分区域函数，不同值的定义范围一定要证明. 例3.4.1 设二维随机变量(),X Y 的概率密度函数为 ()()2,01,0,,0, ky x x y x f x y ⎧-≤≤≤≤=⎨⎩其他试求常数k ,并问X 与Y 是否相互独立？【思路】 常数k 的确定仍是利用联合密度的性质，而独立性质的判断只须验证是否成立()()(),,X Y f x y f x f y =为此，首先要求出X 与Y 的边缘密度()X f x 与()Y f y .【解】 由联合密度的性质知()()()1010151,22,24xx y f x y dxdy ky x dxdy k dx x ydy k +∞+∞-∞-∞≤≤≤≤==-=-=⎰⎰⎰⎰⎰⎰ 所以，24.5k =(),X Y 关于X 的边缘密度为()()()()2024122, 012, 0 1,550, 0, x X x ydy x x x x f x f x y dy +∞-∞⎧⎧-≤≤-≤≤⎪⎪===⎨⎨⎪⎪⎩⎩⎰⎰其他.其他而(),X Y 关于Y 的边缘密度为()()()()122412, 01,34,01,52,50, 0, Y y ydx y y y y y x f y f x y dx +∞-∞⎧⎧≤<-+≤≤⎪⎪-===⎨⎨⎪⎪⎩⎩⎰⎰其他其他 很明显，当01,0,x y x <<<<时，有 ()()(),,X Y f x y f x f y ≠ 所以X 与Y 不互相独立. 【注】本例中，(),X Y 的联合密度(),0f x y ≠的区域是三角形区域(){},:01,0D x y x y x =≤≤≤≤.虽然(),f x y 在D 上可表达成分离变量形状 ()()()12,f x y kg x g y =，这里，()12,g x x =-()2.g y y =但需要注意的是，只有当D 为矩形区域(){},:,D x y a x b c y d =≤≤≤≤（包括全平面、半平面等）时，()()()12,f x y kg x g y =才是使X 与Y 相互独立的充要条件.从而本题中X 与Y 不是相互独立的.如果(),X Y 的联合密度改为()()~~2,01,01,,0, k y x x y f x y ⎧⎪-≤≤≤≤=⎨⎪⎩其他则此时，X 与Y 必相互独立.例3.4.2 设X 和Y 是两个相互独立的随机变量，X 服从区间()0,1上的均匀分布，Y 服从参数12λ=的指数分布，求a 的二次方程220a Xa Y ++=有实根的概率.【思路】 方程220a Xa Y ++=有实根当且仅当2440,X Y ∆=-≥故本题是求概率()2P X Y ≥,而要计算此概率必须知道X 与Y 的联合密度，因此 首先必须根据题中独立性的假定求出(),.f x y【解】 有题设知，X 与Y 的概率密度分别为 ()1 010, X x f x <<⎧=⎨⎩，其他. 和 () 00, y 0Y x f y ⎧>⎪=⎨⎪≤⎩y-21e 2.由于,X Y 相互独立，故X 与Y 的联合密度为 ()()(), 01,0,0, X Y x y f x y f x f y ⎧<<>⎪==⎨⎪⎩y-21e 2其他又因为方程220a Xa Y ++=有实数当且仅当2440,X Y ∆=-≥故所求概率为()()()()2221120000101, 1 1110.x x yx y x y P X Y f x y dxdy dxdy dx dy dx dx ≥≥<<>⎛⎫≥====- ⎪ ⎪⎝⎭=-=Φ-Φ⎤⎦⎰⎰⎰⎰⎰⎰⎰⎰22y y x ---222x -211e e e 22e而()()10,10.8432Φ=Φ=（查正态分布表），故方程220a Xa Y ++=有实根的概率为0.1448. 【技巧】 本题是二维连续型随机变量的综合题，要求读者熟悉均匀分布，指数分布的定义，掌握独立性和概率计算的基本方法，知道怎么利用独立性构造联合分布.同时，要求大家在计算形如2-Ax e的积分时，如何应用正态分布的性质和特征，这种计算技巧，在概率论、微积分中是常用的.例3.4.3 一电子仪器由两个部件构成，以X 和Y 分别表示两部件的寿命（单位：千小时），已知X 和Y 的联合分布函数为 ()()0.50.50.51,0,0,,0, x y x y e e e x y F x y -+--⎧--+≥≥⎪=⎨⎪⎩其他⑴ 问X 和Y 是否独立； ⑵ 求两个部件的寿命都超过100小时的概率.α【解】 （方法1）直接利用分布函数计算. ⑴ X 与Y 的边缘分布函数分别为()()0.51, 0,,0, 0.x X e x F x F x x -⎧-≥=+∞=⎨<⎩ 与 ()()0.51, y 0,,0,y 0.y Y e F y F y -⎧-≥=+∞=⎨<⎩ 故有 ()()(),, ,,X Y F x y F x F y x y =-∞<<+∞ 从而，X 与Y 相互独立. ⑵ 由于X 与Y 相互独立，故- 70 -()()()()()()()0.050.050.10.1,0.10.10.110.110.1 10.110.1 .x y P X Y P X P Y P X P Y F F eeeα---=>>=>>=-≤-≤⎡⎤⎡⎤⎣⎦⎣⎦⎡⎤=--==⎡⎤⎣⎦⎣⎦（方法2）利用概率密度进行计算.⑴ 以(),f x y ，()(),X Y f x f y 分别表示(),,,X Y X Y ，的概率密度，则()()()0.5,0.25, 0,0,,0, x y F x y e x y f x y x y -+⎧∂≥≥⎪==⎨∂∂⎪⎩其他. ()()0.50.5,0,,0, x X e x f x f x y dy +∞--∞⎧≥==⎨⎩⎰其他. ()()0.50.5,0,,0, y Y e y f y f x y dx +∞--∞⎧≥==⎨⎩⎰其他. 由()()(),, (,)X Y f x y f x f y x y =-∞<<+∞知X 与Y 独立. ⑵()()0.50.10.10.10.1,0.10.25.x y P X Y dy edx e α+∞+∞-+-=>>==⎰⎰ 【解毕】【技巧】 用分布函数和概率密度均可以判定随机变量的独立性，具体应用哪种方法要依题而定.一般较为常用的是概率密度的方法，但本题中用前一方法反而简单些.在本题的计算时，读者要注意X 与Y 的对称性，不必重复计算，另外，利用分布函数(),F x y 的性质也可以直接计算出α，即()()()()()0.10.1,0.1,0.1,,0.10.1,0.1.P X Y F F F F e α-=>>=+∞+∞-+∞-+∞+=例3.5.1 设二维随机变量的联合分布律为求：（1）1;Z X Y =+（2）2Z X Y =（3）3;Z Y=（4）()4max ,Z X Y =的分布律 【思路 】 思路与一维离散型随机变量的函数的分布律的计算类似，注意上面介绍的技巧.【解】 我们将(),i j x y 的取值与取这些值的概率以及要计算的所有随机变量的函数()1,2,3,4k Z k =的Y X Y从而得到：（1）1Z X Y =+的分布律为（2）2Z X Y =的分布律为 Y（3）3XZ=的分布律为（4）()4,Z max X Y =分布律为【注】（1）二维离散型随机变量的函数的分布律的计算是有一定的方法可循的，读者在利用上述方法计算时要搞清楚它的背景.在求XY的分布律时，注意要求()00.P Y =≠ （2）如果已知X 与Y 独立，且X 与Y 的分布律给定时，求(),Z g X Y =的分布律的方法是：首先利用独立性构造出X 与Y 的联合分布律表，然后再按本题类似的技巧处理. 例3.5.2 (1987年考研题)设随机变量X 与Y 相互独立，其概率密度函数分别为()1,01,0, X x f x ≤≤⎧=⎨⎩其他.和 (), 0,0, y 0y Y e y f y -⎧>=⎨≤⎩. 求随机变量2Z X Y =+的概率密度函数. 【思路】 这是计算两个独立随机变量和的概率密度的典型题，可有两种解法，一是通过2Z X Y =+的分布函数来求解.另一是利用卷积公式来计算. 【解】 （方法1）分布函数法.因为,X Y 相互独立，所以(),X Y 的联合概率密度函数为()()(), 01,0,,0, y X Y e x y f x y f x f y -⎧≤≤>==⎨⎩其他.故2Z X Y =+的分布函数为 ()()()22,.Z X Y ZF z P X Y Z f x y dxdy +≤=+≤=⎰⎰记(),0f x y ≠的区域为(){},:01,0D x y x y =≤≤>，积分区域为(){},:2,G x y X Y Z =+≤于是().y Z D GF z e dxdy -⋂=⎰⎰为此，考虑区域D G ⋂的情形.① 当0z ≤时，D G ⋂≠∅（见图3.5.1），于是，()0.Z F z = ② 当02z <≤时，D G ⋂为图3.5.2中的阴影部分，于是()()()22220111.2z xyyx z z Z D GF z e dxdy dxe dy e dx z e ππ-----⋂===-=-+⎰⎰⎰⎰⎰图3.5.1 图3.5.2当2z >时，D G ⋂为图3.5.3中的阴影部分，于是()()1220111.2z xyy z Z D GF z e dxdy dxe dy e e ----⋂===--⎰⎰⎰⎰所以，随机变量2Z X Y =+的概率密度为 ()()()()'20, 0,11, 02,211, 2.2z z z zz f z F z e z e e z --⎧⎪≤⎪⎪==-<≤⎨⎪⎪->⎪⎩（方法2）卷积公式法.若记2W X =，为求W 的密度函数，我们先考虑W 的分布函数()()()()2220, 0,, 02,21, 2.W wXw F w P WwP Xw P X w w f x d x w w-∞⎛⎫=≤=≤=≤⎪⎝⎭≤⎧⎪⎪==<≤⎨⎪>⎪⎩⎰故W 的概率密度为()1, 02,20, W w f w ⎧<≤⎪=⎨⎪⎩其他.图3.5.3因为,X Y 相互独立，所以W 与Y 也相互独立，从而2Z X Y W Y =+=+的概率密度可按卷积公式计算，即 ()()()z W Y f z f wf z wd w+∞-∞=-⎰为使被积函数非零，则必须满足条件 02,0,w z w <≤⎧⎨->⎩ 即 02,.w w z <≤⎧⎨<⎩ 从而，分情况讨论：① 若0,z ≤则{}{}02,w w z <≤⋂<=∅于是 ()0;z f z = ② 若02,z <≤则 {}{}{}020,w w z w z <≤⋂<=<<故 ()()()0111;22zz w zz f z e dw e ---==-⎰ ③ 若2z >，则{}{}{}020,w w z w z <≤⋂<=<<故 ()()()220111.22z w z z f z e dw e e ---==-⎰ 综上知 ()()()20, 0,11, 02,211, 2.2z z zz f z e z e e z --⎧⎪≤⎪⎪=-<≤⎨⎪⎪->⎪⎩【技巧】 这类问题的求解，主要工作量是求分段函数的积分和积分上、下限的确定，希望读者仔细体会此题求解的方法，得到举一反三的效果.第一种分布函数的方法是通常的方法，第二种卷积公式法仅适用随机变量和的情形.其实，对两随机变量和的线性组合，我们也有如下推广的卷积公式：设(),X Y 的联合概率密度为(),f x y ，则()0,0Z aX bY a b =+≠≠的概率密度为()11,,.z z ax z by f z fx dx f y dy b b a a +∞+∞-∞-∞--⎛⎫⎛⎫== ⎪⎪⎝⎭⎝⎭⎰⎰不妨用此公式去验证一下本题的结论. 例3.5.3 设二维随机变量(),X Y 的概率密度函数为 ()(), 0,0,,0, x y ex y f x y -+⎧>>⎪=⎨⎪⎩其他求Z X Y =-的概率密度. 【思路】 用分布函数法.【解】 显然，当0z ≤时，有 ()()()0;z F z P Z z P X Y z =≤=-≤= 当0z >时，有 ()()()()()00,.x y z x y zx y zy F z P Z z P X Y z f x y dxdy e dxdy -+-≤-≤>>=≤=-≤==⎰⎰⎰⎰此积分的积分区域如图3.5.4所示.因此，化此重积分为累次积分，得()()()()03331112221.z x zx zx y x y z zx zz z z z z F z dxedy dxedye e e e e ++∞+-+-+------=+⎛⎫=-++- ⎪⎝⎭=-⎰⎰⎰⎰所以有 ()1, 00, 0.z Z e z F z z -⎧->=⎨≤⎩从而Z X Y =-的概率密度为()(), 0,0, 0.z Z Z e z df z F z dz z -⎧>==⎨≤⎩ 图3.5.4 【寓意】 本题考查的是给定(),X Y 联合概率密度的条件下，求X 和Y 的函数的分布函数，关键是对二重积分确定其积分区域.例3.5.4 设二维随机变量(),X Y 服从取区域(){},:0,0D x y x a y a =<<<<上的均匀分布，试求：（1）XZ Y=的概率密度；（2）()max ,M X Y =的概率密度. 【思路】 利用分布函数法来处理，先分别求出Z 和M 的分布函数，然后再求导.【解】 （1）由于(),X Y 的概率密度为 ()21, 0,0,,0, x a y a f x y a ⎧<<<<⎪=⎨⎪⎩其他故当0z <时，()0.Z X F z P Z Y ⎛⎫=≤=⎪⎝⎭而当01z <<时，有()()201,.2zya Z xz yX z F z P z f x y dxdy dy dx Y a ≤⎛⎫=≤=== ⎪⎝⎭⎰⎰⎰⎰当1z ≥时，有 ()()2011,1.2a aZ xx z yzX F z P z f x y dxdy dx dy Y a z≤⎛⎫=≤===- ⎪⎝⎭⎰⎰⎰⎰从而XZ Y =的概率密度为 ()()20, 0,1, 0<z<1,21, 1.2Z Z z d f z F z dz z z<⎧⎪⎪==⎨⎪⎪≥⎩（2）由于 ()21, 0,0,,0, x a y a f x y a ⎧<<<<⎪=⎨⎪⎩其他故 ()()1, 0,,0, X x a f x f x y dy a+∞-∞⎧<<⎪==⎨⎪⎩⎰其他. ()()1, 0,,0, Y y a f y f x y dx a +∞-∞⎧<<⎪==⎨⎪⎩⎰其他.从而，X 与Y 相互独立，且均服从()0,a 上的均匀分布，故对()max ,M X Y =的分布函数有()()()()()()()()()22max ,,, 0,0, M X Y F z P M z P X Y z P X z Y z P X z P Y z z z a F z F z a =≤=≤=≤≤=≤≤⎧<<⎪==⎨⎪⎩其他,.由此得()max ,M X Y =的概率密度为 ()()22, 0<z<a,0, .M M zd f z F z adz ⎧⎪==⎨⎪⎩其他 【注】 此题时考查对随机变量的商及极值函数的分布的计算，其中的关键仍然时积分区域的确定.当然，商运算等也已有现成的公式，我们在此一并介绍给读者.若(),X Y 的联合密度为(),f x y ，则有()()()()()()(),; ,;11,; ,.X Y X YXY X Y f z f x z x dx f z f x x z dx z f z f x dx f z f zy y dy x x y +∞+∞+--∞-∞+∞+∞-∞-∞=-=-⎛⎫== ⎪⎝⎭⎰⎰⎰⎰综例3.6.1 在10件产品中有2件一等品，7件二等品和1件次品，从10件产品中不放回地抽取3件，用X 表示其中的一等品数，Y 表示其中的二等品数.求：（1）(),X Y 的联合分布律；（2）,X Y 的边缘分布律；（3）X 和Y 是否独立； （4）在 0X =的条件下，Y 的条件分布律.【解】 ⑴ 依题设知X 只能取0，1，2，Y 只能取0，1，2，3.显然，当2i j +<或3i j +>时，有 (),0.P X i Y j ===当23i j ≤+≤时，由古典概率知 ()()3271310,0,1,2,0,1,2,3.i j i j C C C P X i Y j i j C --===== 将这些一一计算并列表后，即得(),X Y 的分布律的具体表示. ⑵ ,X Y 的边缘分布律也列于分布律表中，具体形式如下：⑶ 而()()000,120P X P Y ===≠因此，X 与Y 不相互独立. ⑷ 在0X =的条件下，Y 的条件概率为 ()()()0,|0,0,1,2,3.0P X Y j P Y j X j P X =======因此Y 的条件分布律如下：【寓意】本例时二维离散型随机变量的综合题，首先要求读者了解如何用古典概型来求解相关的概率，进而考查联合分布律与边缘分布律的关系及独立性的判别，条件分布律的计算只需知道条件概率的定义便可给出.综例 3.6.2 设12,34,,ξξξξ独立同分布，且 ()()00.6,10.4,1,2,3,4.i i P P i ξξ=====（第一问为1994年考研题）求：（1）行列式1234ξξξξξ=的概率分布；（2）方程组112231420,0x x x x ξξξξ+=⎧⎨+=⎩ 只有零解的概率.【思路】 要求行列式ξ的分布律，先要将ξ的所有可能取值找到，然后利用独立性将取这些值的概率计算出来，而第二问就是求系数行列式0ξ≠的概率. 【解】（1）记114223,,ηξξηξξ==则 142312ξξξξξηη=-=-由于12,34,,ξξξξ相互独立，故12,ηη也相互独立，且12,ηη都只能取0，1两个值,而()()()()()122323111,1110.16,P P P P P ηηξξξξ==========()()120010.160.84.P P ηη====-= 随机变量12ξηη=-有3个可能取值-1，0，1，易见()()()()121210,1010.840.160.1344,P P P P ξηηηη=-=======⨯= ()()()()121211,0100.160.840.1344,P P P P ξηηηη========⨯= ()()()01110.7312.P P P ξξξ==-=--== 于是行列式ξ的概率分布为（2）由于齐次方程 112231420,0.x x x xξξξξ+=⎧⎨+=⎩ 只有零解的充要条件是系数行列式不为0，故此题就简化为求概率 ()()01010.73120.2688.P P ξξ≠=-==-=【技巧】 本题实质上是求多维离散型随机变量的函数分布的问题，通过引入变量12,ηη将其化为二维随机变量函数分布问题，问题的解决最关键的是用到了独立性的性质：若随机变量12,,,n ξξξ相互独立，则()112,,,m g ξξξ与()212,,,m m n g ξξξ++也相互独立.综例3.6.3 设随机变量(),X Y 服从(){}22,:0,1D x y y xy =≥+≤上的均匀分布，定义随机变量,U V如下：0, 0,1, 0,2, .X U X Y X Y <⎧⎪=≤<⎨⎪≥⎩0, 3,1, 3.XV X⎧≥⎪=⎨<⎪⎩ 求(),U V 的联合概率分布，并计算()0.P UV ≠【思路】 写出(),U V 的所有可能取值，并利用均匀分布的特征计算其取值的概率.【解】 由题设知，(),X Y 的联合密度函数为 ()()()2, ,,,0, ,.x y D f x y x y D π⎧∈⎪=⎨⎪∉⎩(),U V 有6个可能取值：()()()()()0,0,0,1,1,0,1,1,2,0和()2,1.由,U V 的定义知()()()()()()()()000,0,1,0,1,10,021, .4AOC BCE x yx yP U V P P U V P P U V P X Y X P X Y S f x y dxdy dxdy S π≤<≤<===∅===∅===≤<<=≤<====⎰⎰⎰⎰扇其中，AOC S 扇和BCE S 分别表示图3.6.1中扇形AOC 与半圆BCE 的面积.同理有()()()()()()()()()10,10,0 ,212,0, ,612,1,.12BCE BCE AOF BCE S P U V P X X P X S S P U V P Y X X P X S S P U V P Y X X P Y X S ===<<=<=====≤≥=≥=====≤≥=≤<==扇COE 扇BOF 扇所以，(),U V 的联合概率分布为图 3.6.1从而 ()()()01,12,1.4123P UV P U V P U V ≠===+===+= 【技巧】 本题是求连续型随机变量的离散值函数的分布问题，解题过程中巧妙地应用了均匀分布的性质从而简化了计算.综例3.6.4 设随机变量(),X Y 的联合概率密度为 (), 0,,0, .y cxe x y f x y -⎧<<<+∞=⎨⎩其他⑴ 求常数c; ⑵ X 与Y 是否独立？为什么？ ⑶ 求()()|||,|X Y Y X f x y f y x ； ⑷ 求()()1|2,1|2;P X Y P X Y <<<= ⑸ 求(),X Y 的联合分布函数； ⑹ 求Z X Y =+的密度函数； ⑺ 求()1P X Y +<; ⑻ 求()()min ,1P X Y <.【解】 （1）根据(),1,f x y dxdy +∞+∞-∞-∞=⎰⎰得 ()20013.22y yy ccdy cxe dy y e dy c +∞+∞--===Γ=⎰⎰⎰这里利用了特殊函数()10x x e dx αα+∞--Γ=⎰的性质：()()1,αααΓ+=Γ故 1.c =（2）先分别计算X 和Y 的边缘密度.()(),0, 0,,0, 0.0,0yxX x xe dy x xe x f x f x y dy x x +∞-+∞--∞⎧>⎧>⎪===⎨⎨≤⎩⎪≤⎩⎰⎰()()21, 0, y 0,,20, y 0.0, 0y y yY xxe dx y y e f y f x y dx y -+∞--∞⎧⎧>>⎪⎪===⎨⎨⎪⎪≤⎩≤⎩⎰⎰由于在0x y <<<+∞上，()()(),X Y f x y f x f y ≠，故X 与Y 不独立. （3）由条件分布密度的定义知()()()2|2,0,,|0, .X Y Y xx y f x y yf x y f y ⎧<<<+∞⎪==⎨⎪⎩其他 ()()()|,,0,|0,.x y Y X X f x y e x y f y x f x -⎧<<<+∞==⎨⎩其他 （4）直接由条件概率定义知()()()()()1212120222201,121,221|2.21512yxy Y dx xe dyf x y dxdy e e P X Y P X Y P Y ef y dyy e dy ----∞-∞---∞--<<<<====<-⎰⎰⎰⎰⎰⎰又由条件密度的性质知 ()()1|1|2|2X Y P X Y f x dx -∞<==⎰而 ()|,02,|220, .X Y xx f x ⎧<<⎪=⎨⎪⎩其他 ()111|2.24x P X Y dx <===⎰（5）由于()(),,,F x y P X x Y y =≤≤故有： 当0x <或0y <时，(),0.F x y = 当0y x ≤<<+∞时，有()()2200011,,11.22y yv vv y F x y P X x Y y dv ue du v e dv y y e ---⎛⎫=≤≤===-++ ⎪⎝⎭⎰⎰⎰当0x y ≤<<+∞时，有()()()()2001,,11.2y x xvu y x y u F x y P X x Y y dv ue dv u e e du x e x e -----=≤≤==-=-+-⎰⎰⎰综上知 ()()220, 00,1,11, 0,2111, 02yx y x y F x y y y e y x x e x e x y ---⎧⎪<<⎪⎪⎛⎫=-++≤<<+∞⎨ ⎪⎝⎭⎪⎪-+-≤<<+∞⎪⎩或 （6）根据两个随机变量和的密度公式 ()(),,z f z f x z x dx +∞-∞=-⎰ 由于要被积函数(),f x z x -非零，只要当0x z x <<-，即02zx <<时，从而有： 当0z <时， ()0;z f z =当0z ≥时， ()()22201;2zz x zxzz z f z xedx e xe dx e e ππ-----⎛⎫===+- ⎪⎝⎭⎰⎰因此， ()21, 0,20, 0.zz z z e e z f z z --⎧⎛⎫+-≥⎪ ⎪=⎨⎝⎭⎪<⎩（7）由于已经求出了Z X Y =+的密度，故()()1111220111.2z z z z P X Y f z dz e e dz e e -----∞⎡⎤⎛⎫+<==+-=--⎢⎥ ⎪⎝⎭⎣⎦⎰⎰（8）()()()()()2111min ,11min ,111,115 11 1.22v vvP X Y P X Y P X Y dv ue du v e dv e +∞+∞---<=-≥=-≥≥=-=-=-⎰⎰⎰【技巧】 本题是二维连续型随机变量的综合题，几乎涵盖了其中的主要内容.在常数确定c 时，应用了Γ函数的定义和性质，当然，读者也可以直接用分部积分法计算.概率()1|2P X Y <=的求法，要利用条件密度()||2X Y f x 进行计算，其计算过程同一般的一维密度的计算方法.()1P X Y +<的计算，我们利用了第(6)问的结论，在不需要求X Y +密度的情形下，只要直接计算就可以了，即 ()111212011.xyxP X Y dxxe dy ee ----+<==--⎰⎰综例3.6.5 设[]~0,1,X U 且在{}X x =的条件下，[]~0,,0 1.Y U X x ≤≤求（1）()221|,01;P X Y X x x +≤=≤≤ （2）()221.P X Y +≤【思路】第一问等价于求(),P Y x ≤=故只需利用条件密度()||Y X f y x 来计算，而第二问的计算，首先要知道(),X Y 的联合分布密度(),f x y . 【解】 由题设知，X 的密度函数为 ()1, 01,0, X x f x ≤≤⎧=⎨⎩其他.而在{}X x =条件下，Y 的条件密度为()|1, 01,|0, .Y Xy x f y x x⎧≤≤≤⎪=⎨⎪⎩其他 从而(),X Y 的联合密度函数为： ()()()|1, 01,,|0, X Y X y x f x y f x f y x x⎧≤≤≤⎪==⎨⎪⎩其他① 对01x ≤≤，有()()()22221|1|P X Y X x P Y x X x P Y X x +≤==≤-==≤=()((|11|min min .Y X y y f y x dy dx x x x===- 82 -②()()(22221422001101111,ln 1.cos x y x y y x P X Y f x y dxdy dxdy dr rd x r πθθ+≤+≤≤≤≤+≤===⎰⎰⎰⎰⎰⎰极坐标变换【注】 本题中的()||Y X f y x 和(),f x y 虽然具有相同的表示式，但其含义却截然不同. ()||Y X f y x 是y 的一元函数，而不是二元函数，x 在此视为常量，这相当于微积分中，当二元函数一个自变量固定时，它只是另一个变量的一元函数.当x 变化时，Y 的条件密度函数也变化. 综例3.6.6 设二维随机变量(),X Y 在矩形 (){},:02,01G x y x y =≤≤≤≤上服从均匀分布，试求边长为X 和Y 的矩形面积S 的概率密度().f s【解】 由题设知，二维随机变量(),X Y 的概率密度为 ()()()1,,,,20,,.x y G f x y x y G ⎧∈⎪=⎨⎪∉⎩若若设()(),S X Y F s P S s ==≤为S 的分布函数，则：当0s <时，()()0,F s P XY s =≤= 当2s ≥时，()()1,F s P XY s =≤= 当02s ≤<时，曲线xy s =与矩形G 的上边交于点(),1s （见图3.6.1），于是 ()()(),F s P S s P XY s =≤=≤因而，S XY =的概率密度为 ()()1ln 2ln ,02,20, s s f s ⎧-≤<⎪=⎨⎪⎩其他.【解毕】【寓意】 本题实质上是求两随机变量的乘积的概率密度.第四章 随机变量的数学特征例4.2.1 一台设备由三大部件构成，在设备运转中各部件需要调整的概率相应为0.10，0.20和0.30，假设各部件的状态相互独立，以X 表示同时需要调整的部件数，试求X 的数学期望EX 和方差DX . 【思路】 关键是求出X 的分布律，然后用定义计算EX .【解】 引入事件：{}i=1,2,3.i A i =第个部件需要调整 根据题设，三部件需要调整的概率分别为()()()1230.10,0.20,0.30.P A P A P A ===由题设部件的状态相互独立，于是有()()()()()1231230 0.90.80.70.504.P X P A A A P A P A P A ====⨯⨯=()()12312312310.10.80.70.90.20.70.90.80.3 0.398P X P A A A A A A A A A ==⋃⋃=⨯⨯+⨯⨯+⨯⨯=()()12312312320.10.20.70.10.80.30.90.20.3 0.092;P X P A A A A A A A A A ==⋃⋃=⨯⨯+⨯⨯+⨯⨯=X从而00.50410.39820.09230.0060.6,i i iEX x p ==⨯+⨯+⨯+⨯=∑22222200.50410.39820.09230.0060.820.i i iEX x p ==⨯+⨯+⨯+⨯=∑故 ()2220.8200.60.46.DX EX EX =-=-=【解毕】【技巧】 本题的关键是引入事件i A ，将X 的分布律求出，因此，可以发现求期望和方差的难点转到了求X 的分布.同时，方差的计算一般均通过公式()22DX EX EX =-来进行.例4.2.2 对目标进行射击，直到击中目标为止.如果每次射击的命中率为p ，求射击次数X 的数学期望和方差.【解】 由题意可求得X 的分布律为()1, 1,2,,1.k P X k pq k q p -====-于是 1111.k k k k EX kpqp kq ∞∞--====∑∑为了求级数11k k kq∞-=∑的和，我们利用如下的技巧：由于11, 0<q<1.1k k q q∞==-∑- 84 -对此级数逐项求导，得1001,kk k k k k d dq q kq dq dq ∞∞∞-===⎛⎫== ⎪⎝⎭∑∑∑ 因此()12111,11k k d kq dq q q ∞-=⎛⎫== ⎪--⎝⎭∑ 从而 ()22111.1EX ppp pq ===- 为了求DX ,我们先求2EX .由于 ()()212121111.k k K k EX k k pqpq k k q p p ∞∞--===-+=-+∑∑ 为了求()221k k k k q∞-=-∑得值，注意到()()123112.11k k d d kq dq dq q q ∞-=⎛⎫⎛⎫== ⎪ ⎪ ⎪--⎝⎭⎝⎭∑ 从而()2322121.1q EX p qp p pq =+=+- 因此 ()22221.p qDX EX EX p p-=-== 【寓意】 本题实质上是求几何分布的数学期望和方差.本题的主要技巧是利用了级数的逐项求导公式来求期望. 当然同样可用逐项积分方法来求11k k kq∞-=∑和211k k kq ∞-=∑，这种手段在级数求和或数学期望和方差的计算是十分奏效的.还有一点，我们在此说明一下，在本题中，由于X 的取值都是正数，所以只要正项级数1kk k xp ∞=∑收敛，则一定绝对收敛，即1k k k x p ∞=∑的和就为EX .而实际情况中，可能存在级数1k k k x p ∞=∑是条件收敛的，此时，X 的数学期望就不存在（虽然1kk k xp ∞=∑本身仍是收敛的），因此判断离散型随机变量的期望是否存在，要用关于级数绝对收敛的判断方法.例4.2.3 设X 是一随机变量，其概率密度为()1, 10,1, 01,0, x x f x x x +-≤≤⎧⎪=-<≤⎨⎪⎩其他.求DX .(1995年考研题) 【解】()()()()()()()011011222221110..11211 6EX xf x dx x x dx x x dx EX x f x dx x x dx x x dx x x dx +∞-∞-+∞-∞-==++-===++-=-=⎰⎰⎰⎰⎰⎰⎰于是 ()221.6DX EX EX =-=【解毕】 【技巧】 在计算数学期望和方差时，应首先检验一下()f x 的奇偶性，这样可利用对称区间上奇偶函数的积分公式简化求解，比如本题中，()f x 为偶函数，故()0.EX xf x dx +∞-∞==⎰同样DX 的计算也可直接简化.例4.2.4 已知连续型随机变量X 的密度函数为 ()221, -<x<+.xx f x -+-=∞∞求EX 与DX .(1987年考研题) 【思路】 一种求法是直接利用数学期望与方差的定义来求.另一种方法是利用正态分布的形式及其参数的含义.【解】 （方法1）直接法.由数学期望与方差的定义知()()()()()()222211111 1.x x x x EX xf x dx xedx edx x e dx e dx +∞+∞+∞+∞-------∞-∞+∞--===+-==⎰⎰⎰⎰⎰()()()()()22222212111 .2x t t DX E X EX x f x dx x dxt e e dt +∞+∞---∞-∞+∞+∞---∞=-=-=-==⎰⎰⎰⎰（方法2） 利用正态分布定义.由于期望为μ，方差为2σ()()222.x x μσ---∞<<+∞所以把()f x 变形为- 86 -()()221212x f x π--⨯=易知，()f x 为11,2N ⎛⎫ ⎪⎝⎭的概率密度，因此有 11,.2EX DX ==【解毕】 【技巧】 解决本题的关键是要善于识别常用分布的密度函数，不然的话，直接计算将会带来较大的工作量.反过来，用正态分布的特性也可以来求积分2kx e dx +∞--∞⎰等.(2)若干计算公式的应用主要包括随机变量函数的数学期望公式，数学期望与方差的性质公式的应用.例4.2.5 设X 表示10次独立重复射击中命中目标的次数，每次射中目标的概率为0.4，求2EX . (1995年考研题) 【解】 由题意知()~10,0.4X B 于是100.44,EX =⨯=()100.410.4 2.4.DX =⨯⨯-=由()22DX EX EX =-可推知()2222.4418.4.EX DX EX =+=+=【寓意】 本题考查了两个内容，一是由题意归结出随机变量X 的分布；二是灵活应用方差计算公式，如果直接求解，那么 ()1010221000.410.4kk k K EX k C -==-∑的计算是繁琐的.例4.2.6 设X 服从参数1λ=的指数分布，求()2XE X e -+.（1992年考研题）【解】 由题设知，X 的密度函数为(), 0,0, 0.x e x f x x -⎧>=⎨≤⎩且1EX =，又因为()22201,3Xxx xEeef x dx e e dx +∞+∞-----∞===⎰⎰ 从而 ()22141.33XX E X eEX Ee --+=+=+= 【解毕】 【寓意】 本题的目的是考查常见分布的分布密度（或分布律）以及它们的数字特征，同时也考查了随机变量函数的数学期望的求法.例4.2.7 设二维随机变量(),X Y 在区域(){},:01,G x y x y x =<<<内服从均匀分布，求随机变量21Z X =+的方差.DZ【解】 由方差的性质得知()214DZ D X DX =+=又由于X 的边缘密度为()()1, 01,0, .2, 010, xX xdy x f x f x y dy x x +∞--∞⎧<<⎪==⎨⎪⎩<<⎧=⎨⎩⎰⎰其他其他.于是()112200222212, 2,32121.2318EX x xdx EX x xdx DX EX EX ====⎛⎫=-=-= ⎪⎝⎭⎰⎰因此 ， 1244.189DZ DX ==⨯=【解毕】 【技巧】 尽管本题给出的是二维随机变量，但在求X 的期望于方差时，可以从X 的边缘密度函数出发，而不必从X 与Y 的联合密度函数开始.在一般情形下，采用边缘密度函数较为方便.例4.2.8 设随机变量X 和Y 独立，且X 服从均值为1Y 服从标准正态分布，试求随机变量23Z X Y =-+的概率密度函数.（1989年考研题）【思路】 此题看上去好像与数字特征无多大联系，但由于X 和Y 相互独立且都服从正态分布，所以Z- 88 -作为,X Y 的线性组合也服从正态分布.故只需求EZ 和DZ ，则Z 的概率密度函数就唯一确定了. 【解】 由题设知，()()~1,2,~0,1X N Y N .从而由期望和方差的性质得2235,29.EZ EX EY DZ DX DY =-+==+=又因Z 是,X Y 的线性函数，且,X Y 是相互独立的正态随机变量，故Z 也为正态随机变量，又因正态分布完全由其期望和方差确定，故知()~5,9Z N ，于是，Z 的概率密度为 ()()2529, .z Z f z z --⨯=-∞<<+∞ 【解毕】【寓意】 本题主要考查二点内容，一是独立正态分布的线性组合仍为正态分布；其二是正态分布完全由其期望和方差决定.例4.2.9 假设随机变量Y 服从参数为1λ=的指数分布，随机变量 0, ,1, .k Y k X Y k ≤⎧=⎨>⎩若若 ()1,2k =（1） 求1X 和2X 的联合概率分布； （2） 求()12E X X +. 【解】 显然，Y 的分布函数为()1, 0,0, 0.y e y F y y -⎧->=⎨≤⎩10, 11 1.Y X Y ≤⎧=⎨>⎩若，，若 20, 21 2.Y X Y ≤⎧=⎨>⎩若，，若 （1）()12X X +有四个可能取值：()()()()0,0,0,1,1,0,1,1,且()()()()()()()()()()()()()()121121212120,01,21 11,0,11,20,1,01,212 21,1,11,22 P X X P Y Y P Y F e P X X P Y Y P X X P Y Y P Y F F e e P X X P Y Y P Y --===≤≤=≤==-===≤>====>≤=<≤=-=-===>>=>()2 12.F e -=-=于是得到1X 和2X 的联合分布律为（3） 显然，12,X X 的分布律分别为1X 0 1 2X 0 1P 11e -- 1e - P 21e -- 2e -因此 1212,.EX e EX e --==故 ()121212.E X X EX EX e e --+=+=+ 【解毕】【技巧】 本题中若不要求求X 与Y 的联合分布律，也可直接求出()12E X X +，这是因为 ()()()1111011.EX P Y P Y P Y e -=⨯>+⨯≤=>=而 222,EX PY e -=>= 因此 ()121212.E X X EX EX e e --+=+=+不仅如此，我们还能求12,X X 其他函数的期望.例如求()12E X X ，此时，由于121, 2,0 .Y X X >⎧=⎨⎩若，其他故 ()()()()21212022.E X X P Y P Y P Y e -=⨯>+⨯≤=>=例4.2.10 设随机变量(),X Y 服从二维正态分布，其密度函数为()()22121,2x y f x y e π-+= 求随机变量Z .【思路】 利用随机变量函数的期望的求法进行计算.。
概率论与数理统计(茆诗松)第二版第三章课后习题3.3、3.4(部分)参考答案
0 −z
x
y
z
0
x
p(
x,
y)
=
⎧3x, ⎩⎨0,
0 < x < 1, 0 < y < x, 其他.
试求 Z = X − Y 的密度函数．
解：方法一：分布函数法
作曲线簇 x − y = z，得 z 的分段点为 0, 1，
当 z < 0 时，FZ (z) = 0，
∫ ∫ ∫ ∫ ∫ ∫ 当 0 ≤ z < 1 时， FZ (z) =
0
x
pZ
(
z)
=
FZ′
(
z)
=
⎧ ⎪ ⎨ ⎪
1
2 1
ez, e−z
,
⎩2
z ≤ 0, z > 0.
方法二：增补变量法
（1）函数 z = x + y 对任意固定的 y 关于 x 严格单调增加，增补变量 v = y， 2
18
可得
⎪⎨⎧z
=
x
+ 2
y
,
⎪⎩v = y,
有反函数
⎧x
⎨ ⎩
y
= =
2z v,
z
x
dx 3xdy +
0
0
1
x
dx 3xdy =
z
x−z
z 3x 2 dx +
0
1
3xzdx =
x3
z
+
3
x2z 1
=
3
z
−
1
z3，
z
02 z2 2
当 z ≥ 1 时，FZ (z) = 1，
y
因分布函数 FZ (z) 连续，有 Z = X − Y 为连续随机变量，
概率统计每章知识点总结
概率统计每章知识点总结第一章：基本概念1.1 概率的概念1.2 随机变量及其分布1.3 大数定律和中心极限定理第一章主要介绍了概率统计的基本概念，包括概率的定义、随机变量的概念以及大数定律和中心极限定律。
概率是描述事物发生可能性的数学工具，是对随机事件发生规律的度量和描述。
随机变量是描述随机现象的数学模型，可以用来描述随机现象的特征和规律。
大数定律和中心极限定律则是概率统计中重要的两个定律，它们描述了大量独立随机变量的和的分布规律。
第二章：随机事件的概率计算2.1 古典概型2.2 几何概型2.3 等可能概型2.4 条件概率2.5 独立性第二章主要介绍了随机事件的概率计算方法，包括古典概型、几何概型、等可能概型、条件概率和独立性。
古典概型是指实验的样本空间是有限的且每个样本点的概率相等的情形，可以直接计算出随机事件的概率。
几何概型是指随机事件的概率与其所在的几何形状有关，需要通过几何方法来计算。
等可能概型是指实验的样本空间是有限的，但不同样本点的概率不一定相等，需要通过计算总体概率来计算随机事件的概率。
第三章：随机变量及其分布3.1 随机变量及其分布3.2 数学期望3.3 方差3.4 常用离散型随机变量的分布3.5 常用连续型随机变量的分布第三章主要介绍了随机变量及其分布的知识，包括随机变量的概念、数学期望、方差以及常用的离散型和连续型随机变量的分布。
随机变量是描述随机现象的数学模型，可以是离散型的也可以是连续性的。
数学期望和方差是描述随机变量分布特征的重要指标，它们能够描述随机变量的集中程度和离散程度。
离散型随机变量常用的分布包括伯努利分布、二项分布、泊松分布；连续型随机变量常用的分布包括均匀分布、正态分布、指数分布等。
第四章：多维随机变量及其分布4.1 二维随机变量4.2 多维随机变量4.3 边际分布4.4 条件分布4.5 独立性第四章主要介绍了多维随机变量及其分布的知识，包括二维随机变量、多维随机变量、边际分布、条件分布和独立性。
东华大学《概率论与数理统计》课件-第3章概率论基础
3.5 等可能样本空间
例7 琼斯先生有10本书要放在书架上，其中有 4本数学书，3本化学书，2本历史书，还有1本 语言书。琼斯想把同一种类的书放在一起，共 有几种不同的可能结果？如果是随意放置，恰 好同一种类的书放在一起的概率多大？
分步乘法计数原理：完成一件事，需要分成几 个步骤，每一步的完成有多种不同的方法，则 完成这件事的不同方法总数是各步骤不同方法 数的乘积。
例：网上预订行程，从郑州到上海共有12种不 同选择，从上海到香港共有4种不同的选择，那 么从郑州经上海到香港共有4×12=48种不同的 选择。
3.5 等可能样本空间
解法一：宿舍是无编号的，
解法二：宿舍是有编号的，
3.5 等可能样本空间
例11 如果一个房间里有n个人，没有两个人的 生日是同一天的概率是多大？如果希望概率小 于0.5，需要多少人？
习题
P53 ex18, ex20
引例： （1）假设某人投掷一对骰子，两个骰子点数之
和为8概率多大？
（2）如果已知第一个骰子最终朝上的数字为3， 那么两个骰子点数之和为8的概率为多少？
3.3文图和事件的代数表示
3.3文图和事件的代数表示
德·摩根律
例2
掷骰子一次，A=“掷出奇数点”，B=“点数不超 过3”，C=“点数大于2”，D=“掷出5点”。求
A B, B C, AB, BD, Ac , AcC
3.4 概率论公理
集函数P(E)称为事件E的概率，如果它满足下 列三条公理
3.5 等可能样本空间
例8 概率论课程上有6个男生，4个女生。对学 生进行考试，按照成绩排名。假定没有两个学 生的成绩是一样的，
王松桂第三版概率论与数理统计 答案
解：因为X + Y = 4，所以(X,Y)的可能取值为(2,2),(3,1)
且
P( X
2,Y
1) 0 ， P( X
2,Y
2)
C32
C
2 2
C54
3 5
0.6
P( X
3,Y
1)
C33C
1 2
C54
2 5
0.4 ， P( X
3,Y
2) 0
故(X,Y)的概率分布为
X\Y
1
2
2
0
0.6
0
x2
c
1(x
0
x 2 )dx
c( x2 2
x3 )1 30
c 6
1
所以 c = 6.
(2) 因为，当 0 x 1 时， f X (x)
f (x, y)dy
x x2
cdy
6( x
x2
)
所以，X的边缘分布密度为
f
X
(
x)
6(
x
0
x
2
)
0 x 1 其他
又因为，当 0 y 1时， fY ( y)
所以 P(1 X 2,3 Y 5) F (2,5) F (1,5) F (2,3) F (1,3)
27
26
25 24
3 27
3 128
3.2 盒中装有3个黑球, 2个白球. 现从中任取4个球, 用X表示取到的黑球的个数, 用Y表示取到的白球的个数, 求(X , Y ) 的概率分布.
(
y)
2.4
y(3
4 0
y
y2
)
0 y 1 其他
3.10 设二维随机向量 ( X ,Y ) 的概率密度函数为
概率统计与随机过程.ppt
FX (u)FY (u)
FN (v) P(min{X ,Y} v) 1 P(min{X ,Y} v) 1 P(X v,Y v) 1 P(X v)P(Y v)
1 (1 FX (v))(1 FY (v))
例2 已知 ( X ,Y ) 的联合密度函数为
3x, 0 x 1, 0 y x
f
(x,
y)
0,
其他
Z = X + Y ,求 f Z (z) 解：（图形定限法）
由公式（1）
fZ (z) f (x, z x)dx
f
(x,
z
x)
3x,
0,
0 x 1,0 z x x 其他
f (x, y)dxdy
1
x yz
x
当z < 0 时，
FZ (z) 0
当0 z < 1 时，
fZ (z) BA f (x, y)dy
2
0
1dy
z
y 1
•z •z
1 x
当1 z < 2 时，
fZ
(z)
1
z 1
1dy
fZ (z) 2 z
y 1 •z
1 ex
n j1
jk
n Cnjjejx 1 ex n j
jk
n Cnj jejx 1 ex n j
jk 1
Cnk kekx (1 ex )nk
f
X
(
x)
Cnk
概率论与数理统计3.4节二维 r.v.函数的分布
问题 已知r.v.( X ,Y )的d.f.数，
g(x,y)为已知的二元函数，
求 Z= g( X ,Y ) 的d.f.
方法
从求Z 的分布函数出发,将Z 的分布函数 转化为( X ,Y )的事件
建立新的二维r.v.(Z ,X )或(Z, Y ), 求其边缘分布得Z 的d.f.
1 z 2,
Ch3-124
0,
f
Z
(
z
)
z,
2 z,
z 0或z 2 0 z 1 1 z 2
解法二 从分布函数出发 y
1 FZ (z) P( X Y z)
f (x, y)dxdy
1
x yz
x
当z < 0 时，
FZ (z) 0
当0 z < 1 时，
z
zx
FZ (z) 0 dx0 1dy
Z X /Y V Y
X ZV
Y
V
vz | J || || v |
01
fZV (z,v) f zv,v| v |
fZ (z)
fZV (z, v)dv
f (zu,v) | v | dv
Ch3-139
例4 已知( X, Y ) 的联合分布函数为
1 ex ey e(xy) , x 0, y 0
Ch3-117
具有可加性的两个离散分布
设 X ~B (n1, p), Y ~B (n2, p), 且独立， 则 X + Y ~ B ( n1+n2, p)
设 X ~ P (1), Y ~ P (2), 且独立， 则 X + Y ~ P(1+ 2)
Poisson分布可加性的证明
《概率学》3.4二维随机变量的条件分布
第4节 多维随机变量的条件分布
第三章 多维随机变量及其分布
例2 已知(X,Y )服从圆域 x2 + y2 r2 上的均匀分布,求
fY X ( y x).
当 – r < x < r 时，
fY X ( y
x)
f (x, y) fX (x)
2
1 ,
r2 x2
0,
r2 x2 y 其他
r2 x2
f
(x,
y)
1 / 0,
x,
0 x 1,0 y x;
其他.
1 5
山东农业大学公共数学系概率统计课程组 版权所有
第4节 多维随机变量的条件分布
第三章 多维随机变量及其分布
练习对于随机向量(X,Y)已知
fY
X (y
x)
2y
1
x
2
,
0,
x y 1
4x(1 x2 ),
fX (x)
其他
0,
求Y在X=0和X在Y=1条件下的条件概率分布.
X
Y
1
2
3 P(X=xi)
0
0.1
0.2
0.3 0.6
1
0.1
0.2
0.1 0.4
解 再计算 (X, Y)关于Y的边缘概率分布
由公式
P{Y xi
X
yj}
pi j p j
i 1, 2,
得在Y=1条件下X的条件概率分布为：
X|Y=1 0
1
pi| j
1
2
求P{X+Y≥1}，
P{Y<0.5},
P Y
2 3
X
1 2
0 x 1 其他
概率与数理统计3.4 相互独立的随机变量
26
12
23
1
则有 P{X 0,Y 1} 1 6 P{X 0}P{Y 1},
P{X 0,Y 2} 1 6 P{X 0}P{Y 2},
P{X 1,Y 1} 2 6 P{X 1}P{Y 1},
P{X 1,Y 2} 2 6 P{X 1}P{Y 2},
xe y
d
y,
xex , x 0,
0, x 0.
x0 x 0.
fY ( y)
f (x, y)d x
y 0
xe y d x,
y0
0,
y 0.
12 y2e y , y 0,
0,
y 0.
由于在 0 x y 上, f ( x, y) f X ( x) fY ( y), 故 X 与Y 不独立.
第四节 相互独立的随机变量
一、随机变量的相互独立性 二、二维随机变量的推广 三、小结
一、相互独立的随机变量
1.定义
设F ( x, y)及FX ( x), FY ( y)分别是二维随机变 量( X ,Y )的分布函数及边缘分布函数. 若对于所有
x, y有
P{X x,Y y} P{X x}P{Y y},
(2) 设连续型随机变量( X ,Y )的联合概率密度为 f ( x, y),边缘概率密度分别为f X ( x), fY ( y),则有
X 和 Y 相互独立 f ( x, y) fX ( x) fY ( y).
(3)X 和 Y 相互独立, 则 f ( X ) 和 g(Y )也相互独立.
例1 对于随机变量 X和Y，由
exp
- 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)。
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.
观察表明，如果一个量是由大量相互独立的随 机因素的影响所造成，而每一个别因素在总影响中 所起的作用不大. 则这种量一般都服从或近似服从 正态分布.
*
2 即近似地有： X k ~ N 0,1 , X ~ N , n . k 1
n
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 因素所产生总影响.
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，
注：考虑标准化，是为了排除（和无穷，量纲等的)干扰
lim P(Yn x ) Φ( x ) .
n
此定理说明,当n充分大时,有
X
i 1
n
i
n
近似地
n
或
~
N (0, 1) ,
X / n
近似地
~
N (0, 1) ,
Xi
i 1
n
近似地
~
N (n , n 2 ) ，
例8 将n个观测数据相加时，首先对小数部分按“四舍 五入”舍去小数位后化为整数．试利用中心极限定理估计，
(1) 当n=1500时，舍入误差之和的绝对值大于15的概率；
(2) n满足何条件时，能以不小于0.90的概率使舍入误差 之和的绝对值小于10．
解 设 X i (i 1,2,, n) 是第 i 个数据的舍入误差； 由条件可以认为 X i ( i 1,2, , n ) 独立且都在区间 [ 0.5，0.5] 上服从均匀分布 , 从而 EX 0，DX 1 / 12 ．
记 Sn X1 X2 X n 为 n 个数据的舍入误差之和，
根据列维-林德伯格中心极限定理，当n充分大时
i i
SX近 似 n地 近( 似 N 0地 , 1) ,
n
i 1 12 /n i
n
~ ~ n
N (0, 1) ,
Sn 近 似 地 N (0, 1) , 12 / n
给出
X
对 {Xn } 独 立同 分布 的情 形， 中心极限定理则
i
的渐近分布的更精确表述。
在概率论中，习惯于把和的分布收敛于正态 分布这一类定理都叫做中心极限定理. 下面介绍几个常用的中心极限定理。
林德贝格（ Lindeberg）定理
推论1 列维（Levy）定理（证略）
设 Xn 独 立 ,同 分 布 ,且 有 有 限 期 望 与 方 差 ,则
由题意 , X i ( i 1, , n ) 相互独立,且
E( X i ) 50 , D( X i ) 52.
总重量 Yn
X
i 1
n
i
，
由列维-林德伯格中心极限定理,有
Yn
近似地
~
N (50n, 25n) ，
Yn 近 似 地 N (50n, 25n) ，
5000 50n P{Yn 5000 } Φ 0.977 Φ( 2) ， 5 n
lim P(
n
n np
np(1 p)
x)
x
1 e 2
中心极限定理，正是从理论上证明，对于大量 的独立随机变量来说，只要每个随机变量在总和 中所占比重很小，那么不论其中各个随机变量的 分布函数是什么形状，也不论它们是已知还是未 知，而它们的和的分布函数必然和正态分布函数 很近似。这就是为什么实际中遇到的随机变量很 多都服从正态分布的原因，也正因如此，正态分 布在概率论和数理统计中占有极其重要的地15 }
15 | S1500 | P 1500/ 12 1500/ 12
[1 Φ(1.34)] 2 0.1802．
Sn 近 似 地 N (0, 1) , 12 / n
~
(2)
数据个数n应满足条件：
10 | Sn | P{ | Sn | 10 } P 0.90 , n / 12 n / 12 10 10 ) 0.95 , 即 2Φ( ) 1 0.90 , Φ( n / 12 n / 12 10 1.645, n 443.5 , n / 12
1000 10n 2， 所以n必须满足 n
~
n 98.0199，
即最多可以装98箱.
下面给出上述定理的一个重要特例。
棣莫弗-拉普拉斯（De `Moivre-Lapce）定理
设 n 是 n 次 伯 努 利 试 验 中 成 功 的 次 数 ,在 每 次 试 验 中 成 功 的 概 率 为 p( 0 p 1) , 则 对x R , 一 致 地 有
X n服 从 中 心 极 限 定 理 ， 即 ：
n *
Yn X k , Fn x P Yn x lim Fn ( x ) Φ( x ) . n k 1
n n Xk E Xk k 1 即：当n充分大时，P k 1 n D Xk k 1 x x
名词解释—中心极限定理
Yn X k , X n ~ 中心极限定理 k 1
n *
limYn X 其中，X ~ N 0,1
W n
即 X n ~ 中心极限定理 lim FYn x x ， n
即当 n 443 时，才能使误差之和的绝对值小于10的 概率不小于0.90．
例9 生产线生产的产品成箱包装，每箱的重量是随机的,
假设每箱的平均重50千克,标准差5千克. 若用最大载重量为5 吨的汽车承运,试利用中心极限定理说明每辆车最多可以装多 少箱,才能保证不超载的概率大于0.977.
解 设 X i 为第 i 箱的重量( i 1, , n ),