张伟概率讲义
学府考研培训学校
2013年强化班讲义【概率统计部分】
主讲:张伟
概率论与数理统计
概率论和数理统计六大类考点
(1) 随机事件和概率
(2) 一维随机变量及其分布
(3) 多维随机变量及其分布
(4) 随机变量的数字特征
(5) 大数定律和中心极限定理
(6) 数理统计的基本概念、参数估计和假设检验
第一讲随机事件和概率
随机事件和概率部分主要考点
(1) 随机事件的关系与运算
(2) 古典型概率与几何型概率
(3) 概率与条件概率的性质与基本公式
(4) 事件的独立性与独立重复试验
随机事件之间的关系与运算例1
从一批产品中每次一件抽取三次, 用A i (i =1, 2, 3) 表示事件:"第i 次抽取到的是正品". 试用文字叙述下列事件:
(1) A 1A 2∪A 2A 3∪A 1A 3; (2) A 1A 2A 3; (3) A 1∪A 2∪A 3; (4) A 1A 2A 3∪A 1A 2A 3∪A 1A 2A 3
再用表示下列事件:
(5) 都取到正品; (6) 至少有一件次品; (7) 只有一件次品; (8) 取到次品不多于一件
例2
A , B 为任意两事件, 则事件(A −B ) ∪(B −C ) 等于事件
(A ) A −C (B ) A ∪(B −C ) (C ) (A −B ) −C (D ) (A ∪B ) −BC
例3
设事件A 和B 满足条件AB =A B , 则
(A ) A ∪B =φ. (B ) A ∪B =Ω. (C ) A ∪B =A . (D ) A ∪B =B .
古典型概率与几何型概率
例4
从5双不同的鞋中任取4只, 求这4只鞋中至少有两只能配成一双的概率.
例5
已知10件产品中有3件次品, 现从中任意取出两件产品,
求下列事件的概率
(1) 第一次取到次品的概率p 1;
(2) 第二次取到次品的概率p 2;
(3) 第二次才取到次品的概率p 3;
(4) 取出两件产品中至少有一件是次品的概率p 4;
(5) 已知取出两件产品中有一件是次品, 则另一件也是次品的概率p 5;
(6) 已知取出两件产品中第一件是次品, 则第二件也是次品的概率p 6.
例6
⎧⎫随机地向半圆⎨(x , y ) |00, 是常数) 内掷一点, 则原点和⎩⎭
π该点的连线与x 轴的夹角小于的概率为. 4
例7
1在区间(0, 1) 中随机地取两个数, 则这两个数之差的绝对值小于2.
概率与条件概率
(1) 基本性质(2) 重要公式
例8
设事件A , B 同时发生时, 事件C 一定发生, 则
(A ) P (C ) ≤P (A ) +P (B ) −1.
(C ) P (C ) =P (AB ). (B ) P (C ) ≥P (A ) +P (B ) −1. (D ) P (C ) =P (A ∪B ).
例9
随机事件A , B , 满足P (A ) =P (B ) =
(A ) A ∪B =Ω(B ) AB =φ1和P (A ∪B ) =1, 则有2(C ) P (A ∪B ) =1(D ) P (A −B ) =0
例10
已知P (A ∪B ) =0. 6, P (B |A ) =0. 2, 则P (A ) =.
例11
34设X , Y 为随机变量, 且P (X ≥0, Y ≥0) =, P (X ≥0) =P (Y ≥0) =, 试求下列事件的概率:77
A ={max(X , Y ) ≥0};
B ={max(X , Y )
C ={max(X , Y ) ≥0, min(X , Y )
例12
从1, 2, 3, 4中任取一个数, 记为X , 再从1, ⋯, X 中任取一个数, 记为Y ,
则P (X =2) =
例13
设有来自三个地区的各10名, 15名和25名考生的报名表, 其中女生的报名表分别为3份, 7份和5份. 随机地取一个地区的报名表, 从中先后抽出两份.
(1) 求先抽取的一份是女生表的概率p ;
(2) 已知后抽到的一份是男生表, 求先抽到的一份是女生表的概率q .
例14
已知100件产品中有10件正品, 90件次品. 每次使用正品时肯定不会发生故障, 而在每次使用次品时, 有10%的可能性发生故障. 现从100件产品中随机地抽取一件, 若独立使用n 次, 均未发生故障, 则n 至少为多大时, 才能有70%以上的把握认为该产品为正品. .
事件的独立性与独立重复试验
(1) 事件的独立性(2) 独立重复试验
例15
设0
(A ) P (A |B ) =P (A |B )
(C ) P (AB ) =P (A ) P (B )
例16
已知A , B , C 三事件中A 与B 相互独立, P (C ) =0, 则A , B , C 三事件
(A ) 相互独立
(C ) 不一定两两独立(B ) 两两独立, 但不一定相互独立(D ) 一定不两两独立(B ) P (A |B ) ≠P (A |B ) (D ) P (AB ) ≠P (A ) P (B )
例17
对于任意二事件A 和B,
(A ) 若AB ≠φ, 则A , B 一定独立.
(C ) 若AB =φ, 则A , B 一定独立. (B ) 若AB ≠φ, 则A , B 有可能独立. (D ) 若AB =φ, 则A , B 一定不独立.
例18
对于任意二事件A 和B , 已知0
(A ) 若A ⊂B, 则A , B 一定不独立. (B ) 若B ⊂A, 则A , B 一定不独立.
(C ) 若AB =φ, 则A , B 一定不独立. (D ) 若A =B , 则A , B 一定不独立.
例19
设A , B , C 是相互独立的随机事件, 且0
(A ) A +B 与C . (B ) AC 与C .
例20
将一枚硬币独立地掷两次, 引进事件:A 1={掷第一次出现正面}, A 2={掷第二次出现正面}, (C ) A −B 与C . (D ) AB 与C . A 3={正反面各出现一次}, A 4={正面出现两次}, 则事件
(C ) A 1, A 2, A 3两两独立. (D ) A 2, A 3, A 4两两独立. (A ) A 1, A 2, A 3相互独立. (B ) A 2, A 3, A 4相互独立.
例21
设事件A , B , C 两两独立, 且ABC =φ, P (A ) =P (B ) =P (C ). A , B , C 至少有一个发生的概率为求P (A ). 9, 16
例22
已知P (A ) =a , P (B ) =b , A 与B 独立, 如果C 发生, 必然导致A 与B 同时发生, 则A , B , C 都不发生的概率为
例23
某人向同一目标独立重复射击, 每次射击命中目标的概率为p (0
(A ) 3p (1−p ) 2. (B ) 6p (1−p ) 2. (C ) 3p 2(1−p ) 2. (D ) 6p 2(1−p ) 2. .
例24
做一系列独立试验, 每次试验成功的概率都是p , 试求下列事件的概率:A =" 4次失败在第3次成功之前" ;
B =" 成功10次之前至多失败2次" ;
C =" 现进行n 次重复试验, 已知试验没有全部失败, 成功不止一次".
第二讲一维随机变量及其分布
随机变量及其概率分布主要考点
(1) 随机变量的分布函数
(2) 离散型随机变量的概率分布律
(3) 连续型随机变量的概率密度
(4) 常见随机变量的概率分布及其应用
(5) 随机变量函数的分布
随机变量的分布函数
例1
0, x
7⎪5设随机变量X 的分布函数为F (x ) =⎨x +, −1≤x
例2
⎧0, x
⎪2−x ⎪x ≥1. ⎩1−e ,
11(A ) 0(B ) (C ) −e −1(D ) 1−e −1
22. .
离散型随机变量的概率分布例3
设随机变量X 服从参数为1的泊松分布, 则P (X =EX 2) =
例4
设随机变量X 的概率分布为P (X =k ) =. c ,k =0, 1, 2,..., 则EX 2=k ! . 连续型随机变量的概率密度
例5
设X 1和X 2是任意两个相互独立的连续型随机变量, 它们的概率密度分别为f 1(x ) 和f 2(x ), 分布函数分别为F 1(x ) 和F 2(x ), 则
(A ) f 1(x ) +f 2(x ) 必为某一随机变量的概率密度.
(B ) f 1(x ) f 2(x ) 必为某一随机变量的概率密度.
(C ) F 1(x ) +F 2(x ) 必为某一随机变量的分布函数.
(D ) F 1(x ) F 2(x ) 必为某一随机变量的分布函数.
例6
设F 1(x ) 与F 2(x ) 为两个分布函数, 其相应的概率密度f 1(x ) 与f 2(x ) 是连续函数, 则必为概率密度的是
(A ) f 1(x ) f 2(x ) (B ) 2f 2(x ) F 1(x ) (C ) f 1(x ) F 2(x ) (D ) f 1(x ) F 2(x ) +f 2(x ) F 1(x )
例7
已知随机变量X的概率密度函数f (x ) =1−x e , −∞
例8
⎧⎪1−x , x
1(1) X 的分布函数F (x ); (2) 概率P (−2
例9
⎧⎪Ae −x , x >λ, 设随机变量X 的概率密度为f (x ) =⎨A 为常数, λ>0, ⎪x ≤λ. ⎩0,
则:P (λ0) _________
(A ) 与a 无关, 随λ增大而增大;
(C ) 与λ无关, 随a 增大而增大;
例10
⎧, 若x ∈[0, 1], ⎪设随机变量X 的概率密度为f (x ) =⎨29, 若x ∈[3, 6],
⎪0, 其他. ⎩
若使得P {X ≥k }=2, 则k 的取值范围是______. 3(B ) 与a 无关, 随λ增大而减小; (D ) 与λ无关, 随a 增大而减小.
例11
设随机变量X 的密度函数为ϕ(x ), 且ϕ(−x ) =ϕ(x ). F (x ) 是X 的分布函数, 则对任意实数a , 有
(A ) F (−a ) =1−ϕ(x ) dx .
0∫a
(C ) F (−a ) =F (a ). a 1(B ) F (−a ) =−ϕ(x ) dx . 20(D ) F (−a ) =2F (a ) −1. ∫
常见随机变量的概率分布及其应用
例12
已知X ~U (a , b ), (a >0), P (0
(1) X 的概率密度; (2) P (1
例13
设随机变量X 服从参数为λ的指数分布, 则P (X >DX ) =.
例14
设随机变量X 的密度为f (x ) =Ae
例15
若随机变量X 服从均值为2,方差为σ2的正态分布,且P {2
则P {X
例16
设X ~N (µ, σ2), F (x ) 为其分布函数, µ
(A ) F (−a ) +F (a ) >1.
(C ) F (−a ) +F (a )
例17
设随机变量X 服从正态分布N (0, 1), 对给定的α(0u α) =α, 若P (X
(A ) u α
2−x 2+x , −∞
例18
设f 1(x ) 为标准正态分布的概率密度, f 2(x ) 为[−1, 3]上的均匀分布的概率密度,
⎧af (x ) x ≤0若f (x ) =⎨1(a >0, b >0) 为概率密度, 则应a , b 满足
⎩bf 2(x ) x >0
(A ) 2a +3b =4(B ) 3a +2b =4
(C ) a +b =1. (D ) a +b =2
随机变量的函数分布
例19
已经随机变量X 的分布律为:P (X =k ) =1
2(k =1, 2,...), 求随机变量Y =sin(πX ) 的分布律. 2
例20
X
⎪3, 3≤X , ⎩
例21
⎧1⎪, −1≤x
⎪4
⎪⎪0, 其他. ⎩
试求Y 的概率密度f Y (y ).
例22
已知随机变量X 的概率密度为f (x ), 求:随机变量Y =min(X , X 2) 的概率密度f Y (y ). 例23
设随机变量X ~E (2), 证明:随机变量Y =1−e −2X 服从U (0, 1).
例24
设X ~E (λ), 则Y =min(X , 2) 的分布函数
(A ) 是连续函数. (B ) 至少有两个间断点. (C ) 是阶梯函数. (D ) 恰好有1个间断点.
第三讲二维随机变量及其分布
二维随机变量及其概率分布主要考点
(1) 随机变量的联合分布边缘分布与条件分布
(2) 二维随机变量的独立性
(3) 二维随机变量的函数分布
二维随机变量的联合分布边缘分布与条件分布
联合分布函数的性质
例1
⎧⎪(1−e −2x )(1−e −3y ) x ≥0, y ≥0, 已经二维随机变量(X , Y ) 的联合分布函数为:F (x , y ) =⎨⎪0, 其他, ⎩
则F X (x ) =_____,F Y (y ) =_____.
二维离散型随机变量:
(1) 联合分布律(2) 边缘分布律(3) 条件分布律
例2
从1, 2, 3, 4中任取一个数, 记为X , 再从1, ⋯, X 中任取一个数, 记为Y .
求(X , Y ) 的联合概率分布律.
例3
设二维随机变量(X , Y ) 的概率分布为其中a , b , c 为常数, 且X 的数学期望EX =−
0. 2, P {Y ≤0|X ≤0}=0. 5, 记Z =X +Y . 求a , b , c .
二维连续型随机变量:
(1) 联合概率密度(2) 边缘概率密度(3) 条件概率密度
例4
设二维随机变量(X , Y ) 的概率密度为f (x , y ) =Ae
求常数A 及条件概率密度f Y X (y x ).
−2x 2+
2xy −y 2, −∞
例5
⎧6x , 0≤x ≤y ≤1,
设二维随机变量(X , Y ) 的概率密度为:f (x , y ) =⎨则P {X +Y ≤1}=_____.
其他, ⎩0,
例6
⎧⎪e −x , 0
设二维随机变量(X , Y ) 的联合概率密度为:f (x , y ) =⎨试求条件概率密度f Y X (y x ).
⎪其他. ⎩0, 例7
设随机变量X 在区间(0, 1) 上服从均匀分布, 在X =x (0
两种常见的二维连续型随机变量
例8
设平面区域D 由曲线y =
1
及直线y =0, x =1, x =e 2所围成, 二维随机变量(X , Y ) x
在区域D 上服从均匀分布, 则(X , Y ) 关于X 的边缘概率密度在x =2处的值为____.
例9
122−1+sin x sin y 2(x +y )
二维随机变量(X , Y ) 的联合概率密度为f (x , y ) =e ,
2π
−∞
例10
11
设(X , Y ) ~N (1, 2; 1, 4; −且P (aX +bY ≤1) =则(a , b ) 可以为:
22
11111111(A ) (, −(B )(, −) (C )(−, (D )(, )
24424224
例11
设随机变量X 和Y 都服从正态分布, 且它们不相关, 则
(A ) X 与Y 一定独立.(B ) (X , Y ) 服从二维正态分布.(C ) X 与Y 未必独立.(D ) X +Y 服从一维正态分布.
随机变量的独立性
例12
设随机变量X 和Y
相互独立, 下表列出二维随机变量(X , Y ) 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空白处.
例13设随机变量
X 和Y 相互独立, 若(X , Y ) 的联合概率分布见下表, 则(a , b ) =_______.
例14
设两个随机变量X 与Y 独立且同分布:
11
P {X =−1}=P {Y =−1}=, P {X =1}=P {Y =1}=, 则下列各式中成立的是
22
111
(A ) P {X =Y }=. (B ) P {X =Y }=1. (C ) P {X +Y =0}=. (D ) P {XY =1}=.
244
例15设二维随机变量
(X , Y ) 的概率分布为:若随机事件{X =0}与{X +Y =1}相互独立, 则a =_____,b =_____.
例16
⎡−10
已知随机变量X 1和X 2的概率分布X 1~⎢11
⎢42⎣
(1) 求X 1和X 2的联合分布; (2) 问X 1和X 2是否独立? 为什么? 例17
⎧⎪e −y , 0
设f (x , y ) =⎨试求:
⎪其他. ⎩0,
(1) f X (x ) 和f Y (y ); (2) 判断X , Y 是否独立.
1⎤1⎥, 4⎦⎡0
X 2~⎢1
⎢2⎣1⎤
1⎥而且P {X 1X 2=0}=1. 2⎦
例
18
设随机变量(X , Y ) 服从二维正态分布, 且X 与Y 不相关, f X (x ), f Y (y ) 分别表示
X , Y 的概率密度, 则在Y =y 的条件下, X 的条件概率密度f X |Y (x |y ) 为(A ) f X (x ).
(B ) f Y (y ).
(C ) f X (x ) f Y (y ).
f (x ) (D ) .
f Y (y )
二维随机变量的函数分布
例19设随机变量X 与Y 独立同分布, 且X 的概率分布为设U =max(X , Y ), V =
min(X , Y ). 求(U , V ) 的概率分布
例20
2⎞⎛1
设随机变量X 与Y 独立, 其中X 的概率分布为X ~⎜⎜0. 30. 7⎟⎟,
⎝⎠
而Y 的概率密度为f (y ), 求随机变量U =X +Y 的概率密度g (u ).
例21
设随机变量X 与Y 相互独立, X 的概率分布为P (X =i ) =记Z =X +Y .
⎧⎫1
(I ) 求P ⎨Z ≤X =0⎬; (II ) 求Z 的概率密度f Z (z ).
2⎩⎭
⎧1, 0≤y
(i =−1, 0, 1), Y 的概率密度为f Y (y ) =⎨
其他. 3⎩0,
例22
设随机变量X 与Y 相互独立, 且X 服从标准正态分布N (0, 1), Y 的概率分布为P {Y =0}=P {Y =1}=记F Z (z ) 为随机变量Z =XY 的分布函数, 则函数F Z (z ) 的间断点个数为(A ) 0. (B ) 1. (C ) 2. (D ) 3.
1
, 2
例23
⎧0, X
记:U =⎨1, 0≤X
⎪2, X ≥Y , ⎩例24
假设二维随机变量(X , Y ) 在区域G =(x , y ) |x 2+y 2≤1, y ≥0上服从均匀分布,
⎧⎪0, 若X ≥Y , V =⎨求(U , V ) 的概率分布及P (UV ≠0)
⎪⎩1, 若X
{}
⎧1, 0
设二维随机变量(X , Y ) 的概率密度为f (x , y ) =⎨
其他. ⎩0, 求:Z =2X −Y 的概率密度f Z (z ).
例25
⎧2−x −y , 0
设二维随机变量(X , Y ) 的概率密度为:f (x , y ) =⎨
其他. ⎩0,
求Z =X +Y 的概率密度f z (z ).
例26
⎧⎪2e −(x +2y ) ,
设二维随机变量(X , Y ) 的概率密度为f (x , y ) =⎨
⎪0, ⎩
求随机变量Z =X +2Y 的分布函数.
例27
设相互独立随机变量X 与Y 分别服从N (0, 1) 和N (1, 1), 则
111
(A ) P (X +Y ≤0) =; (B ) P (X +Y ≤1) =; (C ) P (X −Y ≤0) =;
222
1
. 2
x >0, y >0, 其他,
(D ) P (X −Y ≤1) =
例28
设X , Y , Z 相互独立, X ~N (1, 2), Y ~N (2, 2) Z ~N (3, 7), 记a =P (X
第四讲随机变量的数字特征
随机变量的数字特征主要考点(1) 数学期望(2) 方差
(3) 常见随机变量的数学期望与方差(4) 协方差与相关系数(5) 矩
数学期望:(1) 定义
(2) 性质和公式
判断随机变量X 的数学期望EX 是否存在:
c
(1) X 的概率分布律为:P (X =k ) =(k =1, 2,...), c 为大于零的常数.
3k
1
(2) X ~f (x ) =, −∞
2
π(1+x )
例1
⎧1+x , 若−1≤x ≤0, ⎪
设随机变量X 概率密度为:f (x ) =⎨1−x , 若0
⎪0, 其他. ⎩则EX =___,EX 2=___,DX =___.
例2
⎧⎪4xe −2x ,
设随机变量X 的概率密度为f (x ) =⎨
⎪⎩0,
例3
设随机变量X 的概率密度为:f (x ) =例4
11
设随机变量X 与Y 相互独立, X ~E (Y ~E (), 记随机变量U =max(X , Y ), V =min(X , Y ),
36
则:EU =_______,EV =_______.
1
x >0,
则EX =__,EX 2=__,D (2X −1) =__. x ≤0.
π(1+x )
2
, −∞
例5
设随机变量X 与Y 相互独立, 均服从N (µ, σ2), 记随机变量U =max(X , Y ), V =min(X , Y ), 则:EU =_______,EV =_______.
例6
设随机变量X 的分布函数为F (x ) =0. 3Φ(x ) +0. 7Φ(分布函数, 则EX =_____.
(A ) 0. (B ) 0. 3. (C ) 0. 7. (D ) 1. 例7
游客乘电梯从电视塔底层到顶层观光; 电梯于每个整点的第5分钟, 25分钟和55分钟从底层起行. 假设一游客在早8点的第X 分钟到底层候梯处, 且X 在[0, 60]上服从均匀分布, 求该游客等候时间的数学期望. 例8
一商店经销某种商品, 每周进货的数量X 与顾客对该种商品的需求量Y 是相互独立的随机变量, 且都服从区间[10, 20]上的均匀分布. 商店每售出一单位商品可得利润1000元, 若需求量超过了进货量, 商店可从其他商店调剂供应, 这时每单位商品获利润为500元. 试计算此商店经销该种商品每周所得利润的期望值.
x −1
), 其中Φ(x ) 为标准正态分布的2
方差:(1) 定义
(2) 性质和公式
例9
设随机变量X 与Y 相互独立, 证明:D (XY ) =D (X ) D (Y ) +(EX ) 2D (Y ) +(EY ) 2D (X ).
例10
设二维随机变量(X , Y ) 服从正态分布N (µ, µ; σ2, σ2; 0), 则E (XY 2) =
例11
设随机变量X 和Y 的联合分布在以点(0, 1), (1, 0), (1, 1) 为顶点的三角形区域上服从均匀分布. 求随机变量Z =X +Y 的方差.
例12
1
设两个随机变量X , Y 相互独立, 且都服从均值为0, 方差为,
2
求随机变量X −Y 的方差.
例13
设X 与Y 相互独立, 且均服从N (0, 1), 求Z =
常见随机变量的数学期望与方差
例14
设随机变量X 1, X 2, X 3相互独立, 其中X 1在[0, 6]上服从均匀分布,
X 2+Y 2的数学期望与方差.
X 2服从正态分布N (0, 22), X 3服从参数为λ=3的泊松分布. 记Y =X 1−2X 2+3X 3, 则DY =___.
协方差:(1) 定义
(2) 性质和公式
例15设随机变量
X 和Y 的联合概率分布为则X 2和Y 2的协方差cov(X 2, Y 2) =_____.
例
16
设随机变量X 1, X 2, ⋯X n (n >1) 相互独立同分布, 且其方差为σ2>0, 令Y =
1n
∑X , 则
i i =1
n
σ2
(A ) cov(X 1, Y ) =. (B ) cov(X 1, Y ) =σ2.
n
n +22n +12
(C ) D (X 1+Y ) =σ. (D ) D (X 1−Y ) =σ.
n n
例17
设X 1, X 2, ⋯X n (n >2) 为相互独立同分布的随机变量, 且均服从N (0, 1), 记X =
1n
n
∑X , Y =X −X , i =1, 2, ⋯, ⋯n . 求:
i i
i
i =1
(1) Y i 的方差DY i , i =1, 2, ⋯, ⋯n . (2) Y 1与Y n 的协方差cov(Y 1, Y n ). (3) P {Y 1+Y n ≤0}.
相关系数:(1) 定义
(2) 性质和公式
例18
将一枚硬币重复掷n 次, 以X 和Y 分别表示正面向上和反面向上的次数, 则X 和Y 的相关系数等于(A ) −1. (B ) 0.
例19
设随机变量X ~N (0, 1), Y ~N (1, 4), 且相关系数ρXY =1, 则
(A ) P {Y =−2X −1}=1.(B ) P {Y =2X −1}=1.(C ) P {Y =−2X +1}=1.(D ) P {Y =2X +1}=1.
(C ) 0. 5. (D ) 1.
例20
设随机变量X 和Y 的相关系数为0. 9, 若Z =X −0. 4, 则Y 与Z 的相关系数为
例21
设随机变量X 和Y 的相关系数为0. 5, EX =EY =0, EX 2=EY 2=2, 则E (X +Y ) 2=
.
.
独立与不相关
例22
设二维随机变量(X , Y ) 服从二维正态分布, 则随机变量ξ=X +Y 与η=X −Y 不相关的充分必要条件为(A ) E (X ) =E (Y ). (C ) E (X 2) =E (Y 2).
(B ) E (X 2) −[E (X ) ]2=E (Y 2) −[E (Y ) ]2. (D ) E (X 2) +[E (X ) ]2=E (Y 2) +[E (Y ) ]2.
例23
设随机变量X 的概率分布密度为f (x ) =(1) 求X 的数学期望EX 和方差DX .
(2) 求X 与X , 并问X 与X 是否不相关? (3) 问X 与X 是否相互独立? 为什么?
矩
1−x
e , −∞
第五讲大数定律和中心极限定理
大数定律和中心极限定理主要考点(1) 切比雪夫不等式与依概率收敛(2) 大数定律(3) 中心极限定理
切比雪夫不等式与依概率收敛
例1
设随机变量X 和Y 的数学期望分别为−2和2,
方差分别为1和4, 而相关系数为−0. 5, 则根据切比雪夫不等式P X +Y ≥6≤
大数定律例2
设随机变量X 1, X 2,..., X n ,... 相互独立, 且满足大数定律, 则X i 的分布可以是1
(A ) P (X i =k ) =, k =1, 2,....(c >0) (B ) X i ~E ()
3i k (C ) X i ~P (i ) 例3
设总体X 服从参数为2的指数分布, X 1, X 2, ⋯X n 为来自总体X 的简单随机样本, 则当n →∞时, Y n =
1n
n
{}
.
c
(D ) X i ~f (x ) =
1
π(1+x )
2
, x ∈R
∑i
=1
X 2依概率收敛于
i
.
中心极限定理
例5
设X 1, X 2, ⋯X n , ⋯为独立同分布的随机变量列, 且均服从参数为λ(λ>0) 的指数分布, 记φ(x ) 为标准正态分布函数, 则⎧n ⎫⎪⎪X i −n λ⎪⎪⎪=1⎪
(A ) lim P ⎨≤x ⎬=φ(x ).
n →∞⎪λn ⎪
⎪⎪⎪⎪⎩⎭
∑
⎧n ⎫⎪⎪X i −n λ⎪⎪⎪⎪
(B ) lim P ≤x ⎬=φ(x ).
n →∞⎪n λ⎪
⎪⎪⎪⎪⎩⎭⎧n ⎫⎪λ⎪X i −n ⎪⎪⎪⎪
(C ) lim P ⎨≤x ⎬=φ(x ).
n →∞⎪n ⎪
⎪⎪⎪⎪⎩⎭⎧n ⎫⎪⎪X i −λ⎪⎪⎪⎪
(D ) lim P ⎨≤x ⎬=φ(x ).
n →∞⎪n λ⎪
⎪⎪⎪⎪⎩⎭
∑
∑
∑
例6
2
假设X 1, X 2, ⋯X n 是来自总体X 的简单随机样本, 已知EX k =a k (k =1, 2, 3, 4). 并且a 4−a 2>0. 证明
1当n 充分大时, 随机变量Z n =
n ∑
i =1
n
X 2近似服从正态分布, 并指出其分布参数.
i
第六讲
数理统计主要考点
(1) 基本概念(2) 参数估计(3) 假设检验基本概念
数理统计
(1) 总体和样本(2) 统计量(3) 数理统计三大分布(4) 正态总体抽样分布
总体和样本
例1
设总体X ~E (λ), 则来自总体X 的简单随机样本X 1, X 2, ⋯X n 的联合概率密度f (x 1, x 2, ⋯x n ) =
统计量
(1) 定义(2) 常见统计量
.
例2
设随机变量X , Y 独立同分布, 且X 的分布函数为F (x ), 则Z =max {X , Y }的分布函数为(A ) F 2(x ) (C ) 1−[1−F (x ) ]2
例3
⎧2x , 0
设总体X 的概率密度为f (x ) =⎨X 1, X 2, X 3, X 4是取自总体X 的简单随机样本.
其他, ⎩0,
则X (4)=max (X 1, X 2, X 3, X 4)的概率密度f X (4)(x ) =. 例4
1−x 设总体X 的概率密度为f (x ) =e (−∞
2其样本方差为S 2, 则ES 2=
.
(B ) F (x ) F (y ) (D ) [1−F (x ) ][1−F (y ) ]
数理统计三大分布
例5
(X −2X ) 2(3X 3−4X 4) 2
设X 1, X 2,..., X n 为来自总体N (0, 2) 的简单随机样本, 已知随机变量+~χ2(n ),
a b
则a =______,b =______,n =_______.
2
例6
设随机变量X 和Y 相互独立且都服从正态分布N (0, 32), 而X 1, X 2, ⋯X 9和Y 1, Y 2, ⋯Y 9分别来自
X +⋯+X 总体X 和Y 的简单随机样本, 则统计量U =服从分布, 参数为.
Y 2+⋯+Y 2
1
9
例7
设总体X 服从正态分布N (0, 22), 而X 1, X 2, ⋯X 15是来自总体X 的简单随机样本, 则随机变量
Y =
X 2+⋯+X 2
1
10
222⎛⎜X +⋯+X ⎞⎟
15⎠⎝11
服从分布, 参数为.
例8
设随机变量X 和Y 都服从标准正态分布, 则(A ) X +Y 服从正态分布.
(B ) X 2+Y 2服从χ2分布.
(C ) X 2和Y 2都服从χ2分布. (D ) X 2/Y 2服从F 分布.
例9
设随机变量X ~t (n ) (n >1), Y =(A ) Y ~χ2(n ). 正态总体抽样分布
例10
设X 1, X 2, ⋯X n (n ≥2) 为来自总体N (0, 1) 的简单随机样本, X 为样本均值, S 2为样本方差, 则(A ) n X ~N (0, 1).
(B ) nS 2~χ2(n ).
2
(n −1) X (n −1) X (C ) ~t (n −1). (D ) ~F (1, n −1).
n S
X i 2
1
X
2
, 则
(C ) Y ~F (n , 1).
(D ) Y ~F (1, n ).
(B ) Y ~χ2(n −1).
∑
i =2
例11
设总体X ~N (µ, σ2). 设X 1, X 2, ⋯, X n 是来自总体X 的一个样本, 且X =
n
2
1n
X i , ∑i
=1
n
S 2=
例12
1
n −1
∑i
=1
(X i −X ) , 求E (X 1S 2), D (S 2).
1
设X 1, X 2, ⋯, X n 是总体N (µ, σ2) 的简单随机样本. 记X =
n (I ) ET =µ2;
(II ) 当µ=0, σ=1时, 求DT .
∑
i =1
n
1
X i , S 2=
n −1∑
i =1
n
(X i −X ) 2, T =X −
2
12S . n
参数估计
(1) 点估计(2) 区间估计点估计
(1) 矩估计(2) 最大似然估计(3) 评选标准
矩估计最大似然估计
1
例13设总体X 的概率分布为其中θ(0
) 是未知参数. 利用总体X 的如下样本值
2
3, 1, 3, 0, 3, 1, 2, 3求θ的矩估计值和最大似然估计值.
例14
⎧⎪λ2xe −λx , x >0
设总体X 的概率密度为f (x ) =⎨其中参数λ(λ>0) 未知, X 1, X 2, ⋯X n 为来自
⎪其他⎩0,
总体X 的简单随机样本, (I ) 求参数λ的矩估计; (II ) 求参数λ的最大似然估计.
例15
设总体X ~U [a , b ], a 和b 是未知参数, 从总体X 中抽取简单随机样本X 1, X 2, ⋯X n , 求a 和b 的最大似然估计量.
例16
⎧−1(x −µ) ⎪1e θ, x >µ, 其中θ>0, µ和θ是未知参数, 从总体X 中抽取简单设总体X 的概率密度为f (x ) =⎨⎪θ0, x ≤µ, ⎩
随机样本X 1, X 2, ⋯X n , 求µ和θ的矩估计量和最大似然估计量.
例17
设X 1, X 2,..., X n 为来自正态总体N (µ0, σ2) 的简单随机样本, 其中µ0已知, σ2未知,
X 和S 2分别表示样本均值和样本方差. (I)求参数σ2的最大似然估计σ;
∧2
(II)计算E σ和D σ.
∧2∧2
例18
0
⎪
设总体X 的概率密度为f (x ; θ) =⎨1−θ, 1≤x
⎪0, 其他⎩总体X 的简单随机样本, 记N 为样本值x 1, x 2,..., x n 中小于1的个数, 求参数θ的最大似然估计.
点估计评选标准例19
设总体X ~U (0, θ), X 1, X 2,..., X n 为取自总体X 的简单随机样本.
ΛΛ
(1) 求θ的矩估计θ1, 判断θ1的无偏性和一致性;
ΛΛ
(2) 求EX 的极大似然估计µ, 判断µ的无偏性.
例20
⎧⎪2e −2(x −θ) , x >θ,
设总体X 的概率密度为f (x ) =⎨其中θ>0是未知参数. 从总体X 中抽取简单随机
⎪0, x ≤θ, ⎩样本X 1, X 2, ⋯X n , 记θ=min(X 1, X 2, ⋯X n ). 用θ作为θ的估计量, 讨论它是否具有无偏性. 例21
⎧⎪e −(x −θ) , x >θ,
设总体X 的概率密度为f (x , θ) =⎨
⎪x ≤θ, ⎩0,
其中θ∈(−∞, +∞), 是未知参数. 从总体X 中抽取简单随机样本X 1, X 2, ⋯X n . 1
证明θ1=
n
∧
∧
∧
∑
i =1
n
1
X i −1, θ2=min(X 1, X 2, ⋯X n ) −是θ的两个无偏估计量, 并确定哪一个更有效.
n
∧
例22
假设总体X 的方差DX =σ2存在, X 1, X 2,..., X n 是取自总体X 的简单随机样本, 其方差为S 2, 则(A ) S 是σ的矩估计量
(B ) S 是σ的极大似然估计量
(C ) S 是σ的无偏估计量(D ) S 是σ的相合(一致) 估计量
区间估计
(1) 定义(2) 正态总体区间估计
例23设有正态总体X ~N (µ, 8), µ为未知参数(1) 现有总体X 的10个观测值x 1, x 2, ⋯, x n , 已知x =置信度为0. 95的置信区间.
(2) 要使得0. 95的置信区间长度不超过1, 则n 最少应该是多少.
(3) 若n =100, 那么区间x −1, x +1作为µ的置信区间,则置信度是多少.
例24设一批零件的长度服从正态分布N (µ, σ2), 其中µ, σ均未知. 现从中随机抽取16个零件, 测得样本均值x =20(cm ), 样本标准差S =1(cm ), 则µ的置信度为0. 90的置信区间是11
t 0. 05(16), 20+t 0. 05(16)); 4411
(B ) (20−t 0. 1(16), 20+t 0. 1(16));
4411
(C ) (20−t 0. 05(15), 20+t 0. 05(15));
4411
(D ) (20−t 0. 1(15), 20+t 0. 1(15)).
44(A ) (20−
1
10∑x =1500, 求未知参数µ的
i i =1
10
)
例25
假设0. 5, 1. 25, 0. 8, 2是取自总体X 的一组简单随机样本值, 已知Y =ln X ~N (µ, 1). (1) 求X 的数学期望EX , (记EX 为b ); (2) 求µ的置信度为0. 95的置信区间;
(3) 利用上述结果求b 的置信度为0. 95的置信区间.
假设检验