概率论与数理统计_知识点总复习
更新时间:2023-04-05 22:10:01 阅读量: 实用文档 文档下载
1
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。
(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 3n
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 3n 种方法来完成。 (4)一些常见排列
① 特殊排列 相邻 彼此隔开
顺序一定和不可分辨
② 重复排列和非重复排列(有序) ③ 对立事件 ④ 顺序问题
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。试验的可能结果称为随机事件。 (2)事件的关系与运算 ①关系:
如果事件A 的组成部分也是事件B 的组成部分,(A 发生必有事件B 发生):
B A ?
如果同时有B A ?,A B ?,则称事件A 与事件B 等价,
或称A 等于B :A=B 。
A 、
B 中至少有一个发生的事件:A B ,或者A +B 。
属于A 而不属于B 的部分所构成的事件,称为A 与B 的差,记为A-B ,也可表示为A-AB 或者B A ,它表示A 发生而B 不发
生的事件。
A 、
B 同时发生:A B ,或者AB 。A B=?,则表示A 与B 不可
能同时发生,称事件A 与事件B 互不相容或者互斥。基本事件是互不相容的。
Ω-A 称为事件A 的逆事件,或称A 的对立事件,记为A 。它
表示A 不发生的事件。互斥未必对立。 ②运算:
结合率:A(BC)=(AB)C A ∪(B ∪C)=(A ∪B)∪C
分配率:(AB)∪C=(A ∪C)∩(B ∪C) (A ∪B)∩C=(AC)∪(BC)
德摩根率:
∞
=∞==1
1
i i
i i A
A
B
A B A =,
B A B A =
3、概率的定义和性质 (1)概率的公理化定义
设Ω为样本空间,A 为事件,对每一个事件
A 都有一个实
数P(A),若满足下列三个条件:
1° 0≤P(A)≤1, 2° P(Ω) =1
3° 对于两两互不相容的事件
1A ,2A ,…有
∑∞=∞==???? ??11)(i i i i A P A P
常称为可列(完全)可加性。 则称P(A)为事件A 的概率。
(2)古典概型(等可能概型)
1° {}n ωωω 21,=Ω
,
2° n
P P P n 1
)()()(21=
==ωωω 。 设任一事件
A ,它是由m ωωω 21,组成的,则有
P(A)=
{})()()(21m ωωω
=)()()(21m P P P ωωω+++
n
m =
基本事件总数所包含的基本事件数A =
4、五大公式(加法、减法、乘法、全概、贝叶斯) (1)加法公式
P(A+B)=P(A)+P(B)-P(AB)
当P(AB)=0时,P(A+B)=P(A)+P(B) (2)减法公式 P(A-B)=P(A)-P(AB)
当B ?A 时,P(A-B)=P(A)-P(B)
2
当A=Ω时,P(B )=1- P(B) (3)条件概率和乘法公式
定义 设A 、B 是两个事件,且P(A)>0,则称)
()
(A P AB P 为事件A
发生条件下,事件B 发生的条件概率,记为
=
)/(A B P )
()
(A P AB P 。 条件概率是概率的一种,所有概率的性质都适合于条件概率。 例如P(Ω/B)=1?P(B /A)=1-P(B/A) 乘法公式:)/()()
(A B P A P AB P =
更一般地,对事件A 1,A 2,…A n ,若P(A 1A 2…A n-1)>0,则有
21(A A P …
)n A )|()|()(213121A A A P A A P A P =……21|(A A A P n …)1-n A 。
(4)全概公式
设事件n B B B ,,,21 满足
1°n B B B ,,,21 两两互不相容,),,2,1(0)(n i B P i =>,
2°
n
i i
B A 1
=?,
则有 )
|()()|()()|()()(2211n n B A P B P B A P B P B A P B P A P +++= 。
此公式即为全概率公式。 (5)贝叶斯公式
设事件1B ,2B ,…,n B 及A 满足
1° 1B ,2B ,…,n B 两两互不相容,)(Bi P >0,=i 1,
2,…,n ,
2° n
i i
B A 1
=?,0)
(>A P ,
则
∑==
n
j j j
i i i B A P B
P B A P B P A B P 1
)
/()()
/()()/(,i=1,2,…n 。
此公式即为贝叶斯公式。
)(i B P ,(1=i ,2,…,n ),通常叫先验概率。)/(A B P i ,
(1=i ,2,…,n ),通常称为后验概率。如果我们把A 当作观察的“结果”,而1B ,2B ,…,n B 理解为“原因”,则贝
叶斯公式反映了“因果”的概率规律,并作出了“由果朔因”的推断。
5、事件的独立性和伯努利试验 (1)两个事件的独立性
设事件
A 、
B 满足)()()(B P A P AB P =,则称事件A 、
B 是相互独立的(这个性质不是想当然成立的)。
若事件
A 、
B 相互独立,且0)(>A P ,则有
)
()()
()()()()|(B P A P B P A P A P AB P A B P ===
所以这与我们所理解的独立性是一致的。 若事件
A 、
B 相互独立,则可得到A 与B 、A 与B 、A
与B 也都相互独立。(证明)
由定义,我们可知必然事件Ω和不可能事件?与任何事件都相互独立。(证明)
同时,?与任何事件都互斥。 (2)多个事件的独立性
设ABC 是三个事件,如果满足两两独立的条件, P(AB)=P(A)P(B);P(BC)=P(B)P(C);P(CA)=P(C)P(A) 并且同时满足P(ABC)=P(A)P(B)P(C) 那么A 、B 、C 相互独立。 对于n 个事件类似。 两两互斥→互相互斥。 两两独立→互相独立? (3)伯努利试验
定义 我们作了n 次试验,且满足 ◆ 每次试验只有两种可能结果,A 发生或A 不发生;
◆ n 次试验是重复进行的,即A 发生的概率每次均一
样;
◆
每次试验是独立的,即每次试验A 发生与否与其他次
试验
A 发生与否是互不影响的。
这种试验称为伯努利概型,或称为n 重伯努利试验。
用
p
表示每次试验
A 发生的概率,则A
发生的概率为
q
p =-1,用
)
(k P n 表示
n
重伯努利试验中
A
出现
)0(n k k ≤≤次的概率, k
n k k
n n q p k P C -=)(,n k ,,2,1,0 =。
随机变量及其分布 第一节 基本概念
在许多试验中,观察的对象常常是一个随同取值的量。例如掷一颗骰子出现的点数,它本身就是一个数值,因此P(A)这个函数可以看作是普通函数(定义域和值域都是数字,数字到数字)。但是观察硬币出现正面还是反面,就不能简单理解为普通函数。但我们可以通过下面的方法使它与数值联系起来。当出现正面时,规定其对应数为“1”;而出现反面时,规定其对应数为“0”。于是
3
==)(ωX X ??
?,当反面出现
,当正面出现01
称
X
为随机变量。又由于
X
是随着试验结果(基本事件ω)
不同而变化的,所以
X
实际上是基本事件ω的函数,即
X=X(ω)。同时事件A 包含了一定量的ω(例如古典概型中A 包含了ω1,ω2,…ωm ,共m 个基本事件),于是P(A)可以由P(X(ω))来计算,这是一个普通函数。
定义 设试验的样本空间为Ω,如果对Ω中每个事件ω都有唯一的实数值X=X(ω)与之对应,则称X=X(ω)为随机变量,简记为X
。
有了随机变量,就可以通过它来描述随机试验中的各种事件,能全面反映试验的情况。这就使得我们对随机现象的研究,从前一章事件与事件的概率的研究,扩大到对随机变量的研究,这样数学分析的方法也可用来研究随机现象了。
一个随机变量所可能取到的值只有有限个(如掷骰子出现的点数)或可列无穷多个(如电话交换台接到的呼唤次数),则称为离散型随机变量。像弹着点到目标的距离这样的随机变量,它的取值连续地充满了一个区间,这称为连续型随机变量。 1、随机变量的分布函数 (1)离散型随机变量的分布率
设离散型随机变量X 的可能取值为X k (k=1,2,…)且取各个值的概率,即事件(X=X k )的概率为
P(X=x k )=p k ,k=1,2,…, 则称上式为离散型随机变量X
的概率分布或分布律。有时也
用分布列的形式给出:
,,,,,,,,|
)(2121k k k p p p x x x x X P X =。
显然分布律应满足下列条件: (1)
0≥k p , ,2,1=k ,
(2)
∑∞
==1
1
k k
p
。
(2)分布函数
对于非离散型随机变量,通常有0)(==x X P ,不可能
用分布率表达。例如日光灯管的寿命X ,0)(0==x X
P 。
所以我们考虑用
X 落在某个区间],(b a 内的概率表示。
定义 设X 为随机变量,x 是任意实数,则函数
)()(x X P x F ≤=
称为随机变量X 的分布函数。
)()()(a F b F b X a P -=≤< 可以得到
X 落入区间
],(b a 的概率。也就是说,分布函数完整地描述了随机变量X 随
机取值的统计规律性。
分布函数)(x F 是一个普通的函数,它表示随机变量落入区间(– ∞,x]内的概率。
)(x F 的图形是阶梯图形, ,,21x x 是第一类间断点,随
机变量
X
在k x 处的概率就是)(x F 在k x 处的跃度。
分布函数具有如下性质: 1° ,1)(0≤≤x F +∞<<∞-x ;
2°
)(x F 是单调不减的函数,即
2
1x x <时,有
≤)(1x F )(2x F ;
3°
0)(l
i m
)(==-∞-∞
→x F F x ,
1)(lim )(==+∞+∞
→x F F x ;
4° )()0(x F x F =+,即)(x F 是右连续的;
5° )0()()(--==x F x F x X P 。
(3)连续型随机变量的密度函数 定义 设
)(x F 是随机变量X
的分布函数,若存在非负函数
)(x f ,对任意实数x ,有
?∞
-=x
dx
x f x F )()(,
则称
X
为连续型随机变量。)(x f 称为X
的概率密度函数或密
度函数,简称概率密度。)(x f 的图形是一条曲线,称为密度(分
布)曲线。
由上式可知,连续型随机变量的分布函数)(x F 是连续函数。 所以,
()()()(1212121x P x X x P x X x P x X x P <
=<≤=≤<=≤≤
密度函数具有下面4个性质: 1° 0)(≥x f 。
2°
?
+∞
∞
-=1
)(dx x f 。
1
)()(==+∞?
+∞∞
-dx x f F 的几何意义;在横轴上面、密度曲
线下面的全部面积等于1。 如果一个函数)(x f 满足1°、2°,则它一定是某个随机变量的密
度函数。
4
3°
)(21x X x P ≤<=)()(12x F x F -=?2
1
)(x x dx x f 。
4° 若
)(x f 在x 处连续,则有)()(x f x F ='。
dx x f dx x X x P )()(≈+≤<
它在连续型随机变量理论中所起的作用与k k p x X P ==)(在
离散型随机变量理论中所起的作用相类似。
)
(),(,独立性古典概型,五大公式,A P A E →→
Ω→ω
)()()()(x X P x F x X X ≤=→≤→ωω
对于连续型随机变量
X ,虽然有0)(==x X P ,但事件
)(x X =并非是不可能事件?。
?+=
+≤<≤=h
x x
dx x f h x X x P x X P )()()(
令
0→h ,则右端为零,而概率0)(≥=x X P ,故得
0)(==x X P 。
不可能事件(?)的概率为零,而概率为零的事件不一定是不可能事件;同理,必然事件(Ω)的概率为1,而概率为1的事件也不一定是必然事件。 2、常见分布 ①0-1分布 P(X=1)=p, P(X=0)=q ②二项分布
在n 重贝努里试验中,设事件A 发生的概率为p 。事件A 发生
的次数是随机变量,设为
X
,则
X 可能取值为n ,,2,1,0 。
k
n k k
n n q p k P k X P C -===)()(, 其中
n k p p q ,,2,1,0,10,1 =<<-=,
则称随机变量
X
服从参数为
n ,p
的二项分布。记为
),(~p n B X 。
n
k n k k n
n n n n
p q p q p npq q k X P X
C C ,,,,,,|)(2221 ---=
容易验证,满足离散型分布率的条件。 当1=n
时,k k q p k X P -==1)(,1.0=k ,这就是(0-1)
分布,所以(0-1)分布是二项分布的特例。 ③泊松分布 设随机变量
X
的分布律为
λλ-=
=e k k X P k
!
)(,0>λ, 2,1,0=k ,
则称随机变量X 服从参数为λ的泊松分布,记为
)(~λπX 或
者P(λ)。
泊松分布为二项分布的极限分布(np=λ,n →∞)。
如飞机被击中的子弹数、来到公共汽车站的乘客数、机床发生故障的次数、自动控制系统中元件损坏的个数、某商店中来到的顾客人数等,均近似地服从泊松分布。 ④超几何分布
),min(,2,1,0,)(n M l l k C C C k X P n
N
k
n M
N k M ==?==-- 随机变量X 服从参数为n,N,M 的超几何分布。 ⑤几何分布
,3,2,1,)(1===-k p q k X P k ,其中p ≥0,q=1-p 。
随机变量X 服从参数为p 的几何分布。 ⑥均匀分布
设随机变量X 的值只落在[a ,b]内,其密度函数)(x f 在[a ,
b]上为常数k ,即
??
?=,0,
)(k x f 其他,
其中k=
a
b -1
, 则称随机变量X 在[a ,b]上服从均匀分布,记为X~U(a ,b)。
分布函数为
?∞
-=
=x
dx x f x F )()(
当a ≤x 1 21,x x )内的概率为 P( ?? -==<<2 1 2 1 1 )()21x x x x a b dx x f x X x 0, x x -- a ≤x ≤b 1, x>b 。 a ≤x ≤b 5 a b x x dx --= 12。 ⑦指数分布 设随机变量X 的密度函数为 其中0>λ,则称随机变量X 服从参数为λ的指数分布。 X 的分布函数为 记住几个积分: , 10=?+∞ -dx xe x ,20 2 =?+∞ -dx e x x )!1(0 1-=?+∞ --n dx e x x n ?+∞ --=Γ0 1 )(dx e x x αα, )()1(αααΓ=+Γ ⑧正态分布 设随机变量 X 的密度函数为 22)(21 )(σ μσ π-- = x e x f , +∞<<∞-x , 其中μ、0>σ为常数,则称随机变量X 服从参数为μ、 σ的正态分布或高斯(Gauss )分布,记为),(~2 σμN X 。 )(x f 具有如下性质: 1° )(x f 的图形是关于μ=x 对称的; 2° 当μ=x 时,σ πμ21)(= f 为最大值; 3° )(x f 以ox 轴为渐近线。 特别当σ固定、改变μ时, )(x f 的图形形状不变,只是集体 沿ox 轴平行移动,所以μ又称为位置参数。当μ固定、改变σ时, )(x f 的图形形状要发生变化,随σ变大, )(x f 图形的形 状变得平坦,所以又称σ为形状参数。 若 ),(~2σμN X ,则X 的分布函数为 dt e x F x t ? ∞ --- = 2 22)(21 )(σ μπσ 。。 参数 0=μ、1=σ时的正态分布称为标准正态分布,记为 )1,0(~N X ,其密度函数记为 2 2 21)(x e x -= π ?,+∞<<∞-x , 分布函数为 dt e x x t ? ∞ -- Φ2 221) (π 。)(x Φ是不可求积函数,其函数值, 已编制成表可供查用。 φ(x)和Φ(x)的性质如下: 1° φ(x)是偶函数,φ(x)=φ(-x); 2° 当x=0时,φ(x)= π 21为最大值; 3° Φ(-x)=1-Φ(x)且Φ(0)=2 1。 如果 X ~),(2σμN ,则 σ μ -X ~)1,0(N 。 所以我们可以通过变换将)(x F 的计算转化为)(x Φ的计算,而 )(x Φ的值是可以通过查表得到的。 ?? ? ??-Φ-??? ??-Φ=≤<σμσμ1221)(x x x X x P 。 分位数的定义。 3、随机变量函数的分布 随机变量 Y 是随机变量X 的函数)(X g Y =,若X 的分布函 数)(x F X 或密度函数)(x f X 知道,则如何求出)(X g Y =的 分布函数)(y F Y 或密度函数 )(y f Y 。 (1)X 是离散型随机变量 已知X 的分布列为 ,,,,,,,,)(2121n n i p p p x x x x X P X =, 显 然 , ) (X g Y =的取值只可能是 ),(,),(),(21n x g x g x g ,若)(i x g 互不相等,则Y 的分 布列如下: ,,,,),(,),(),()(2121n n i p p p x g x g x g y Y P Y =, 若有某些)(i x g 相等,则应将对应的i P 相加作为)(i x g 的概率。 (2) X 是连续型随机变量 先利用X 的概率密度f X (x)写出Y 的分布函数F Y (y),再利用变上下限积分的求导公式求出f Y (y)。 =)(x f ,x e λλ- 0≥x , 0, 0 = )(x F ,1x e λ-- 0 ≥x , ,0 x<0。 6 二维随机变量及其分布 第一节 基本概念 1、二维随机变量的基本概念 (1)二维离散型随机变量联合概率分布及边缘分布 如果二维随机向量ξ(X ,Y )的所有可能取值为至多可列个有序对(x,y )时,则称ξ为离散型随机量。理解:(X=x,Y=y )≡(X=x ∩Y=y ) 设ξ=(X ,Y )的所有可能取值为),2,1,)(,( =j i y x j i , 且事件{ξ=), (j i y x }的概率为p ij,,称 ),2,1,()},(),{( ===j i p y x Y X P ij j i 为ξ=(X ,Y )的分布律或称为X 和Y 的联合分布律。联合分布有时也用下面的概率分布表来表示: 这里p ij 具有下面两个性质: (1)p ij ≥0(i,j=1,2,…); (2) .1=∑∑ ij i j p 对于随机向量(X ,Y ),称其分量X (或Y )的分布为(X ,Y )的关于X (或Y )的边缘分布。上表中的最后一列(或行)给出了X 为离散型,并且其联合分布律为 ),2,1,()},(),{( ===j i p y x Y X P ij j i , 则 X 的 边 缘 分 布 为 ),2,1,()( ====∑?j i p x X P P ij j i i ; Y 的边缘分 布 为 ),2,1,()( ====∑?j i p y Y P P ij i i i 。 (2)二维连续型随机向量联合分布密度及边缘分布 对于二维随机向量 ) ,(Y X =ξ,如果存在非负函数 ),)(,(+∞<<-∞+∞<<-∞y x y x f , 使对任意一个其邻边分别平行于坐标轴的矩形区域D ,即D={(X,Y)|a ??=∈D dxdy y x f D Y X P ,),(}),{( 则称ξ为连续型随机向量;并称f(x,y)为ξ=(X ,Y )的分布密 度或称为X 和Y 的联合分布密度。 分布密度f(x,y)具有下面两个性质: (1) f(x,y)≥0; (2) ?? +∞∞-+∞ ∞ -=.1),(dxdy y x f 一般来说,当(X ,Y )为连续型随机向量,并且其联合分布密度为f(x,y),则X 和Y 的边缘分布密度为 .),()(),()(? ?+∞ ∞ -+∞∞ -==dx y x f y f dy y x f x f Y X , 注意:联合概率分布→边缘分布 (3)条件分布 当(X ,Y )为离散型,并且其联合分布律为 ),,2,1,()},(),{( ===j i p y x Y X P ij j i 在已知X=x i 的条件下,Y 取值的条件分布为 ,)|(? = ==i ij i j p p x X y Y P 其中p i ?, p ?j 分别为X ,Y 的边缘分布。 当(X ,Y )为连续型随机向量,并且其联合分布密度为f(x,y),则在已知Y=y 的条件下,X 的条件分布密度为 ) () ,()|(y f y x f y x f Y = 在已知X=x 的条件下,Y 的条件分布密度为 ) () ,()|(x f y x f x y f X = 其中 0)(,0)(>>y f x f Y X 分别为X ,Y 的边缘分布密度。 (4)常见的二维分布 ①均匀分布 7 设随机向量(X ,Y )的分布密度函数为 ??? ??? ?∈ = 其他 ,0),(1 ),(D y x S y x f D 其中S D 为区域D 的面积,则称(X ,Y )服从D 上的均匀分布,记 为(X ,Y )~U (D )。 例如图3.1、图3.2和图3.3。 图3.1 图3.2 图3.3 ②正态分布 设随机向量(X ,Y )的分布密度函数为 121 ),(2121211221))((2)1(21 2 ????---???? ??----= σσμμρσμρρ σπσy x x e y x f 其中1||,0,0,,2121<>>ρσσμμ,共5个参数,则称(X , Y )服从二维正态分布, (3)连续型随机变量 f(x,y)=f X (x)f Y (y) 联合分布→边缘分布→f(x,y)=f X (x)f Y (y) 直接判断,充要条件: ①可分离变量 ②正概率密度区间为矩形 例3.6:如图3.1,f(x,y)=8xy, f X (x)=4x 3 , f Y (y)=4y-4y 3 ,不独立。 例3.7:f(x,y)=? ? ?≤≤≤≤其他 ,010,20,2 y x Axy (4)二维正态分布 ,121 ),(22121211221))((2)1(212 ??? ?????---???? ??----= σσμμρσμρρ σπσy x x e y x f ρ=0 (5)随机变量函数的独立性 若X 与Y 独立,h,g 为连续函数,则:h (X )和g (Y )独立。 例如:若X 与Y 独立,则:3X+1和5Y-2独立。 3、简单函数的分布 两个随机变量的和Z=X+Y ①离散型: ②连续型 f Z (z)=dx x z x f ? +∞ ∞ --),( 两个独立的正态分布的和仍为正态分布(2 22121 ,σσμμ++)。 3.17:设(X ,Y )的联合分布密度为 ?? ? ? ?≤≤≤+=. ,0, 10),(),其他x y y x C y x ) 求C ; ) 求X ,Y 的边缘分布; ) 讨论X 与Y 的独立性; ) 计算P (X+Y ≤1)。 随机变量的数字特征 第一节 基本概念 )一维随机变量及其函数的期望 X 是离散型随机变量,其分布律为P(k x X =)=p k , …,n , ∑==n k k k p x X 1 ) 1) E(C)=C 2) E(CX)=CE(X) 3) E(X+Y)=E(X)+E(Y) , ∑∑===n i n i i i i i X E C X C E 1 1 )()( 4) E(XY)=E(X) E(Y),充分条件:X 和Y 独立; 充要条件:X 和Y 不相关。 5) Y=g(X) 离散:∑==n i k k p x g Y E 1)() ( 连续:?+∞ ∞-= dx x xf X E )()( ?+∞ ∞ -= dx x f x g Y E )()()( )方差 2,方差 )()X D X =,标准差 9 ∑-=k k k p X E x X D 2)]([)( ②连续型随机变量 ?+∞ ∞ --=dx x f X E x X D )()]([)(2 ③方差的性质 (1) D(C)=0;E(C)=C (2) D(aX)=a 2 D(X); E(aX)=aE(X) (3) D(aX+b)= a 2D(X); E(aX+b)=aE(X)+b (4) D(X)=E(X 2 )-E 2 (X) (5) D(X+Y)=D(X)+D(Y),充分条件:X 和Y 独立; 充要条件:X 和Y 不相关。 D(X ±Y)=D(X)+D(Y) ±2E[(X-E(X))(Y-E(Y))],无条件成立。 E(X+Y)=E(X)+E(Y),无条件成立。 类似的,n 个相互独立的正态分布的线性组合,仍服从正态分布 ),(2σμN 。 ∑=i i i C μμ, ∑=i i i C 222σσ (3)常见分布的数学期望和方差 ①0-1分布 E(X)=p ,D(X)=pq ②二项分布 X ~B(n,p),k n k k n n q p C k P -=)(,(k=0,1,2…n ) E(X)=np ,D(X)=npq ③泊松分布 P(λ) P(X=k)=! k e x k -λ,k=0,1,2… E(X)= λ, D(X)= λ ④超几何分布 n N k n M N k M C C C k X P --==)( E(X)=N nM ⑤几何分布 1)(-==k pq k X P ,k=0,1,2… E(X)= p 1, D(X)= 2 p q ⑥均匀分布 X ~U[a,b],f(x)= a b -1 ,[a, b ] E(X)=2 b a +, D(X)= 12)(2a b - 10 ⑦指数分布 f(x)= x e λλ-,(x>0) E(X)=λ 1 , D(X)= 2 1 λ ⑧正态分布 X ~N(μ,σ2 ),2 22)(21)(σ μσ π-- = x e x f E(X)= μ, D(X)= σ 2 2、二维随机变量的数字特征 (1)协方差和相关系数 对于随机变量X 与Y ,称它们的二阶混合中心矩11μ为X 与Y 的协方差或相关矩,记为),cov(Y X XY 或σ,即 ))].())(([(11Y E Y X E X E XY --==μσ 与记号XY σ相对应,X 与Y 的方差D (X )与D (Y )也可分别记为XX σ 与YY σ。 协方差有下面几个性质: (i) cov (X, Y)=cov (Y , X); (ii) cov(aX,bY)=ab cov(X,Y); (iii) cov(X 1+X 2, Y)=cov(X 1,Y)+cov(X 2,Y); (iv) cov(X,Y)=E(XY)-(E(X))(E(Y)). 对于随机变量X 与Y ,如果D (X )>0, D(Y)>0,则称 ) ()(Y D X D XY σ 为X 与Y 的相关系数,记作XY ρ(有时可简记为ρ)。 |ρ|≤1,当|ρ|=1时,称X 与Y 安全相关: 完全相关???-==时, 负相关,当时, 正相关,当11ρρ 而当0=ρ 时,称X 与Y 不相关。 与相关系数有关的几个重要结论 (i ) 若随机变量X 与Y 相互独立,则0=XY ρ;反之 不真。 (ii ) 若(X ,Y )~N (ρσσμμ,,,,222 1 21),则X 与Y 相互独立的充要条件是0=ρ ,即X 和Y 不相关。 (iii ) 以下五个命题是等价的: ①0=XY ρ; ②cov(X,Y)=0; ③E(XY)=E(X)E(Y); ④D(X+Y)=D(X)+D(Y); ⑤D(X-Y)=D(X)+D(Y). (2)二维随机变量函数的期望 ???? ???=??∑∑∞+∞∞ +∞ --为连续型。, 为离散型;,),(),(),(),(),()],([Y X dxdy y x f y x G Y X p y x G Y X G E i j ij j i (3)原点矩和中心矩 ①对于正整数k ,称随机变量X 的k 次幂的数学期望为X 的k 阶原点矩,记为v k ,即 u k =E(X k ), k=1,2, …. 于是,我们有 ?????? ?=?∑∞+∞ -. ,)(续型时为连当为离散型时, 当X dx x p x X p x u k i i k i k ②对于正整数k ,称随机变量X 与E (X )差的k 次幂的数学期望 为X 的k 阶中心矩,记为k μ,即 .,2,1,))(( =-=k X E X E k k μ 于是,我们有 ?????? ?--=?∑∞+∞ -. ,)())(())((续型时为连当为离散型时,当X dx x p X E x X p X E x u k i i k i k ③对于随机变量X 与Y ,如果有)(l k Y X E 存在,则称之为X 与 Y 的k+l 阶混合原点矩,记为kl u ,即 11 ))].(())([(Y E Y X E X E u k kl --= 大数定律和中心极限定理 第一节 基本概念 1、切比雪夫不等式 设随机变量X 具有数学期望E (X )=μ,方差D (X )=σ2 ,则对于任意正数ε,有下列切比雪夫不等式 2 2 )(ε σεμ≤≥-X P 切比雪夫不等式给出了在未知X 的分布的情况下,对概率 )(εμ≥-X P 的一种估计,它在理论上有重要意义。 2、大数定律 (1)切比雪夫大数定律 (要求方差有界) 设随机变量X 1,X 2,…相互独立,均具有有限方差,且被同一常数C 所界:D (X i ) .1)(1 1lim 11=??? ? ??<-∑∑==∞→εn i i n i i n X E n X n P 特殊情形:若X 1,X 2,…具有相同的数学期望E (X I )=μ, 则上式成为 .11lim 1=??? ? ??<-∑=∞→εμn i i n X n P 或者简写成: () .1lim =<-∞ →εμX P n 切比雪夫大数定律指出,n 个相互独立,且具有有限的相同的数学期望与方差的随机变量,当n 很大时,它们的算术平均以很大的概率接近它们的数学期望。 (2)伯努利大数定律 设μ是n 次独立试验中事件A 发生的次数,p 是事件A 在每次试验中发生的概率,则对于任意的正数ε,有 .1lim =??? ? ??<-∞→εμp n P n 伯努利大数定律说明,当试验次数n 很大时,事件A 发生的频率与概率有较大判别的可能性很小,即 .0lim =??? ? ??≥-∞→εμp n P n 这就以严格的数学形式描述了频率的稳定性。 (3)辛钦大数定律 (不要求存在方差) 设X 1,X 2,…,X n ,…是相互独立同分布的随机变量序列,且E (X n )=μ,则对于任意的正数ε有 .11lim 1=??? ? ??<-∑=∞→εμn i i n X n P 3、中心极限定理 (1)列维-林德伯格定理 设随机变量X 1,X 2,…相互独立,服从同一分布,且具有相同 的 数 学 期 望 和 方 差 : ),2,1(0)(,)(2 =≠==k X D X E k k σμ,则随机变量 σ μ n n X Y n k k n ∑=-= 1 的分布函数F n (x )对任意的实数x ,有 ? ∑∞ -- =∞ →∞→=??? ? ??? ???????≤-=x t n k k n n n dt e x n n X P x F . 21lim )(lim 2 12 πσμ 或者简写成: )1,0(/N n X n ??→?-∞ →σμ 此定理也称为独立同分布的中心极限定理。 (2)棣莫弗-拉普拉斯定理 设随机变量X 1,…X n 均为具有参数n, p(0 ? ∞ -- ∞ →=?? ? ???????≤--=x t n n dt e x p np np X P .21)1(lim 2 2 π 例5.3:某车间有200台车床,在生产时间内由于需要检修、调换刀具、变换位置、调换工件等常需停车。设开工率为0.6,并设每台车床的工作是独立的,且在开工时需电力1Kw ,问应供应该车间多少瓦电力,才能以99.9%的概率保证该车间不会因供电不足而影响生产。 12 数理统计的基本概念 第一节 基本概念 1、总体、个体和样本 (1)总体与样本 总体 在数理统计中,常把被考察对象的某一个(或多 个)指标的全体称为总体(或母体);而把总体中的每一个单元称为样品(或个体)。在以后的讨论中,我们总是把总体看成一个具有分布的随机变量(或随机向量)。 例如单正态总体X ,用 ),(~2σμN X 来表示 我们把从总体中抽取的部分样品n x x x ,,,21 称为样本。 样本中所含的样品数称为样本容量,一般用n 表示。为了使抽取的样本很好地反映总体地信息,最常用的方法是“简单随机抽样”: (1)代表性。即每一样品X i 与总体X 同分布; (2)独立性。即样品抽取互相间不影响。 此时的样本是n 个相互独立的且与总体有相同分布的随机变量,这样的样本称为简单随机样本。 注意:在泛指任一次抽取的结果时,n x x x ,,,21 表示n 个随 机变量(样本);在具体的一次抽取之后,n x x x ,,,21 表示n 个具体的数值(样本值)。我们称之为样本的两重性。 (2)样本函数与统计量 设n x x x ,,,21 为总体的一个样本,称 ??= (n x x x ,,,21 ) 为样本函数,其中?为一个连续函数。如果?中不包含任何未知参数,则称?(n x x x ,,,21 )为一个统计量。 2、统计量 (1)常用统计量 样本均值 .11 ∑==n i i x n x 样本方差 ∑=--=n i i x x n S 1 2 2.)(11 (与概率论中的方差定义不同) 样本标准差 .)(111 2∑=--= n i i x x n S 样本k 阶原点矩 ∑===n i k i k k x n M 1 .,2,1,1 样本k 阶中心矩 ∑==-='n i k i k k x x n M 1 .,3,2,)(1 ( 二阶中心矩 ∑=-=n i i X X n S 1 22 )(1*与概率论中的方差定义相同) (2)统计量的期望和方差 μ=)(X E ,n X D 2 )(σ= , 22)(σ=S E ,2 21)*(σn n S E -= , 其中∑=-=n i i X X n S 1 2 2 )(1*,为二阶中心矩。 3、三个抽样分布(χ2 、t 、F 分布) (1)χ2 分布 设n 个随机变量n X X X ,,,21 相互独立,且服从标准正态分布,可以证明:它们的平方和 ∑==n i i X W 1 2 的分布密度为 ???????<≥??? ??Γ=--. 0, 0, 0221 )(2122u u e u n u f u n n 我们称随机变量W 服从自由度为n 的2 κ分布,记为W ~2 κ(n), 其中 .20 1 2dx e x n x n -∞+-?=??? ??Γ 所谓自由度是指独立正态随机变量的个数,它是随机变量分布中 13 的一个重要参数。 2κ 分布满足可加性:设 ),(2i i n Y κ- 则 ).(~211 2k k i i n n n Y Z +++=∑= κ 注意两个结果:E(χ2)=n ,D(χ2 )=2n (2)t 分布 设X ,Y 是两个相互独立的随机变量,且 ),(~),1,0(~2n Y N X κ 可以证明:函数 n Y X T /= 的概率密度为 2 121221)(+-???? ??+?? ? ??Γ??? ??+Γ=n n t n n n t f π ).(+∞<<-∞t 我们称随机变量T 服从自由度为n 的t 分布,记为T ~t(n)。 注意两个结果:E(T)=0,D(T)=2 -n n (n>2) (3)F 分布 设 )(~),(~2212n Y n X κκ,且 X 与Y 独立,可以证明: 2 1 //n Y n X F = 的概率密度函数为 ??? ?? ????<≥??? ? ??+???? ????? ??Γ??? ??Γ??? ??+Γ=+--. 0, 0, 0, 1222)(2 211222 121212 11 1 y y y n n y n n n n n n y f n n n n 我们称随机变量F 服从第一个自由度为n 1,第二个自由度为n 2的F 分布,记为F ~f(n 1, n 2). 正态分布αα μμ-=-1, )()(1n t n t αα-=-, ) ,(1 ),(12211n n F n n F αα= - 4、正态总体下统计量的分布和性质 注意一个定理:X 与2 S 独立。 (1)正态分布 设 n x x x ,,,21 为来自正态总体 ),(2σμN 的一个样本,则样本函数 ).1,0(~/N n x u def σμ - (2)t-分布 设 n x x x ,,,21 为来自正态总体 ),(2σμN 的一个样本,则样本函数 ),1(~/--n t n S x t def μ 其中t(n-1)表示自由度为n-1的t 分布。 (3)2 κ 分布 设 n x x x ,,,21 为来自正态总体 ),(2σμN 的一个样本,则样本函数 ),1(~)1(22 2 --n S n w def κσ 其中)1(2 -n κ 表示自由度为n-1的2κ分布。 (4)F 分布 设 n x x x ,,,21 为来自正态总体 ),(2σμN 的一个样本,而n y y y ,,,21 为来自正态总体 ),(2 2σμN 的一个样本,则样本函数 14 ),1,1(~//2122 22 2121--n n F S S F def σ σ 其中 ,)(1121 121 1 ∑=--=n i i x x n S ;)(1121 222 2 ∑=--=n i i y y n S )1,1(21--n n F 表示第一自由度为11-n ,第二自由度为12-n 的F 分布。 第七章 参数估计 第一节 基本概念 1、点估计的两种方法 (1)矩法 所谓矩法就是利用样本各阶原点矩与相应的总体矩,来建立估计量应满足的方程,从而求得未知参数估计量的方法。 设总体X 的分布中包含有未知数m θθθ,,,21 ,则其分布 函数可以表成 ).,,,;(21m x F θθθ 显示它的 k 阶原点矩 ) ,,2,1)((m k X E v k k ==中也包含了未知参数 m θθθ,,,21 ,即 ) ,,,(21m k k v v θθθ =。又设 n x x x ,,,21 为总体X 的n 个样本值,其样本的k 阶原点矩为 ∑=∧ =n i k i k x n v 1 1 ).,,2,1(m k = 这样,我们按照“当参数等于其估计量时,总体矩等于相应的样本矩”的原则建立方程,即有 ?????? ? ? ?? ? ??? ?===∑∑∑=∧ ∧∧=∧∧∧=∧∧ ∧n i m i m m n i i m n i i m x n v x n v x n v 121122121 211.1),,,(,1),,,(, 1),,,(θθθθθθθθθ 由上面的m 个方程中,解出的m 个未知参数),,,(21∧ ∧∧m θθθ 即为参数(m θθθ,,,21 )的矩估计 15
正在阅读:
概率论与数理统计_知识点总复习04-05
河北师范大学2013年硕士研究生入学考试同等学力加试科目目03-18
构词法在中学生词汇扩大中的积极作用03-25
燃煤锅炉灰渣计算06-08
在全区爱国主义教育读书活动演讲比赛上讲话07-07
最美相思诗词50首05-12
招商人员培训教程01-19
- 教学能力大赛决赛获奖-教学实施报告-(完整图文版)
- 互联网+数据中心行业分析报告
- 2017上海杨浦区高三一模数学试题及答案
- 招商部差旅接待管理制度(4-25)
- 学生游玩安全注意事项
- 学生信息管理系统(文档模板供参考)
- 叉车门架有限元分析及系统设计
- 2014帮助残疾人志愿者服务情况记录
- 叶绿体中色素的提取和分离实验
- 中国食物成分表2020年最新权威完整改进版
- 推动国土资源领域生态文明建设
- 给水管道冲洗和消毒记录
- 计算机软件专业自我评价
- 高中数学必修1-5知识点归纳
- 2018-2022年中国第五代移动通信技术(5G)产业深度分析及发展前景研究报告发展趋势(目录)
- 生产车间巡查制度
- 2018版中国光热发电行业深度研究报告目录
- (通用)2019年中考数学总复习 第一章 第四节 数的开方与二次根式课件
- 2017_2018学年高中语文第二单元第4课说数课件粤教版
- 上市新药Lumateperone(卢美哌隆)合成检索总结报告
- 数理统计
- 概率论
- 知识点
- 复习
- 山东省青岛市2022届高三上学期期末考试地理【附答案】
- 【2022高考地理二轮复习专题】堆积地貌含答案
- 关于故宫文化遗产保护问卷调查表
- 国产智能手机品牌形象提升 小米华为最受瞩目
- 乌洛托品脉冲气流干燥机,乌洛托品烘干机
- 教育部审定版2015-2016四年级数学上册教案
- 核舟记复习模板计划卷标准答案.doc
- “矮房子”这样装秒变“高巨人” 新房装修层高已经不是问题了
- 1如何正确理解市场和市场营销的含义
- 04级机械制图试卷答案
- 龙湖绩效考核具体操作说明
- 食品快速检测产品评价标准技术规范-编制说明
- 学校教职工代表大会规定竞赛试题及答案
- 北京林业大学园林植物与观赏园艺考研历年报录比,2014年考研复习
- 我国医药行业常见的营销渠道模式
- Fenix3HR中英文菜单对照
- 《2022加强体制机制建设发挥代表主体作用人大工作汇报》
- 语文四年级下册各单元四字词语释义 (2) (1)
- 小学一年级语文教案——3 b p m f教案
- 新编2022年散热器市场调研报告简易版