# DrissionPage 浏览器自动化操作 [DrissionPage官方文档](https://drissionpage.cn/) ## 两个核心的类 - `ChromiumPage` 用于操作浏览器 - `SessionPage` ## 使用ChromiumPage类操作浏览器 ### 第一步：导入模块 from DrissionPage import Chromium ### 第二步：创建浏览器driver对象，并打开浏览器 driver = Chromium() ??? note 'driver对象的一些方法和属性' - `latest_tab`属性 获取激活的Tab对象，即当前使用的标签页或打开浏览器时自动打开的标签页 - `quit()`方法 关闭浏览器，程序运行结束时不会自动关闭浏览器 - `tabs_count`属性 返回当前打开的标签页数量 - `tab_ids`属性 返回所有标签页id的列表 - `new_tab()`方法 新建一个标签页，传入了url参数是新建一个标签页并访问网址，url为None时新建一个空白标签页 - `activate_tab()`方法 激活指定的标签页 - `close_tabs()`方法 关闭指定的标签页 - `set_timeout()`方法 设置超时时间，单位为秒 - `set.load_mode.normal()`方法 等待所有资源加载完毕的模式 - `set.load_mode.eager()`方法 等待文档加载完即停止加载的模式 - `set.load_mode.none()`方法 不会主动停止加载的模式 - `set.retry_times()`方法 用于设置页面连接失败重连次数 - `set.retry_interval()`方法 用于设置连接失败重连间隔（秒） - `set.cookies()`方法 用于设置一个或多个 cookie ### 第三步：创建标签页Tab对象 tab = browser.latest_tab # 获取最新打开的标签页 ???+ note '其他创建Tab对象的方法' - `tab = browser.new_tab()` 传入URL，新建一个标签页并访问网址 - `tab = browser.get_tab()` 有多个标签页时，按条件获取一个标签页对象，模糊匹配 - `tab = browser.get_tabs()` 有多个标签页时，按条件获取多个标签页对象，模糊匹配 ### 第四步：通过Tab对象访问网页 tab.get(url) # 传入网页地址，访问网页，相当于`requests.get()`方法 ???+ note '访问网页的其他方法' - `tab.post()`方法 发送POST请求，相当于`requests.post()`方法，返回`requests.Response`对象 ??? note 'Tab对象的页面交互相关方法' - `back()`方法 传入整数，用于在浏览历史中后退若干步 - `forward()`方法 传入整数，用于在浏览历史中前进若干步 - `refresh()`方法 刷新当前页面 - `stop_loading()`方法 停止加载当前页面 - `set.blocked_urls()`方法 用于设置页面加载过程中需要屏蔽的 URL 列表，传入一个列表，列表中每个元素为一个 URL 字符串 - `tab.set.blocked_urls('*.css*')` 设置不加载css文件 ??? note 'Tab对象的获取网页信息相关方法和属性' - `html`属性 获取当前页面的HTML文本，获取到的html中不包括iframe元素中的内容 - `json`属性 获取当前页面的JSON数据 - `title`属性 获取当前页面的标题 - `user_agent`属性 获取当前页面的User-Agent - `save()`方法 将当前页面保存为文件，参数如下： - `path` 保存文件的路径 - `name` 保存文件的名称，默认为当前页面的标题 - `as_pdf` 是否将页面保存为PDF格式，默认为False - `**kwargs` 其他参数，用于设置PDF格式的参数，如： - `url`属性 返回当前访问的URL - `tab_id`属性 返回当前标签页的ID - `states.is_loading`属性 判断当前页面是否正在加载 - `states.is_alive`属性 判断当前标签页是否已关闭 - `states.ready_state`属性 返回页面当前加载状态，值为： - `complete` 页面加载完成 - `loading` 页面正在加载 - `interactive` DOM 已加载，但资源未加载完成 - `connecting` 网页连接中 - `url_avaiable`属性 判断当前链接是否可用 - `states.has_alert`属性 判断当前页面是否有弹窗 ### 第五步：使用Tab对象操作浏览器 #### 5.1 定位元素并操作 Tab对象常用的方法： - `ele()` 通过css、xpath等定位元素，返回Element对象，可以使用类似于bs4的简写法，即把对象名看作是函数 - `eles()` 同上，返回Slement对象的列表 - `get_frame()` 针对iframe和frame标签，用法与ele()类似 - `get_frames()` 同上，不建议使用 - `s_ele()` 用法和ele()类似，将所有元素转换为静态的，这样可以加快获取速度 - `s_eles()` 同上 DrissionPage支持的元素定位法 - CSS选择器 `ele('css: 选择器')`，可简写为`ele('c: 选择器')`，`css:`与`css=`效果一致，没有`css^`和`css$`语法 ```py ele = tab.ele('css:.div') # 查找 div 元素 ele = tab.ele('css:>div') # 查找 div 子元素元素，这个写法是本库特有，原生不支持 ``` - XPath `ele('xpath: 选择器')`，可简写为`ele('x: 选择器')`，`xpath:`与`xpath=`效果一致，没有`xpath^`和`xpath$`语法 ```py ele2 = ele1.ele('xpath:.//div') # 查找后代中第一个 div 元素 ele2 = ele1.ele('xpath://div') # 和上面一行一样，查找元素的后代时，// 前面的 . 可以省略 ele_class_str = ele1.ele('xpath://div/@class') # 使用xpath获取div元素的class属性（selenium页面元素无此功能） ``` - selenium By对象 `from DrissionPage.common import By` 用法和selenium相同 - id选择器`#`，相当于当属性定位`@id=id值` ```python ele = tab.ele('#one') # 查找id='one'的元素 ele = tab.ele('#=one') # 同上 ele = tab.ele('#:ne') # 查找id属性包含ne的元素 ele = tab.ele('#^on') # 查找id属性以on开头的元素 ele = tab.ele('#$ne') # 查找id属性以ne结尾的元素 ``` - 类选择器`.`，相当于单属性定位'@class=属性值'，和id选择器用法类似。

# bs4 解析网页 [bs4官方文档](https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/) ## 安装 pip install beautifulsoup4 ## 第一步：创建soup对象 `BeautifulSoup()` 类 - 第一个参数是html格式的文本，常传入 `res.text` - 第二个位置参数是解析器，常使用 `'lxml'` - 关键字参数 `multi_valued_attributes` （默认按照html语法规范解析，不推荐使用此参数修改配置） - `multi_valued_attributes=None` ，将所有html标签的属性当做是单值属性解析 - `multi_valued_attributes=class_is_multi` ，将所有属性当做多值属性解析 常用的解析器： - html.parser解析器（属于python标准库） `BeautifulSoup(res.text, 'html.parser')` - Python的内置标准库 - 执行速度较快 - 容错能力强 - 速度没有 lxml 快，容错没有 html5lib强 - lxml HTML解析器（第三方库，推荐使用） `BeautifulSoup(res.text, 'lxml')` - 速度快 - 容错能力强 - 额外的 C 依赖 - lxml XML解析器（第三方库） `BeautifulSoup(markup, ['lxml-xml'])` 或 `BeautifulSoup(markup, 'xml')` - 速度快 - 唯一支持 XML 的解析器 - 额外的 C 依赖 - 使用此解析器，所有属性当做是单值属性解析 - html5lib解析器（第三方库） `BeautifulSoup(markup, 'html5lib')` - 最好的容错性 - 以浏览器的方式解析文档 - 生成 HTML5 格式的文档 - 速度慢 - 额外的 Python 依赖 ## 第二步：对soup对象进行操作 soup对象的属性和方法： - 所有html标签都可以看做是soup对象的属性，`soup.标签` 相当于对soup对象使用了元素选择器，且只选中 {==第一个==} 匹配到的对象，返回tag对象，以下是tag对象的属性和方法（soup对象支持大多数tag对象的属性和方法） ???+ note '子节点' tag 可能包含多个字符串或其它的 tag，这些都是这个 Tag 的子节点。

:material-pen-plus: `本文创建于2025-6-8` ## 第六章 样本及抽样分布 ???+ abstract - **数理统计** 研究如何合理的获得随机现象的数据资料, 建立有效的数学方法, 对所考察的问题作出推断或预测． - **研究方法** 部分 $\rightarrow$ 总体 - **主要内容** ```mermaid flowchart TD A[统计推断] --> B[估计理论] A --> C[假设检验] B --> D[参数估计] B --> E[非参数估计] ``` ### 6.1 随机样本 #### 6.1.1 总体与个体 - **总体** 研究对象(数量指标)的全体． - **个体** 总体中的每个元素． ???+ example - 某工厂生产的灯泡的寿命 $X$ 是一个总体, 每个灯泡的寿命是一个个体； - 全校所有同学的身高和体重 $(X , Y )$ 是一个二维总体, 每个同学的身高和体重是一个个体． #### 6.1.2 样本与统计量 - **样本** 从某一总体 $X$ 中随机地、独立地抽取的 $n$ 个个体 $X _1, X_2 , ..., X_n$ 称为$X$ 的一个样本容量为 $n$ 的样本, 其对应的观测值 $X _1 , X_2 , ..., X_n$ 称为样本值． - **统计量** 不含任何未知参数的样本的函数 $\varphi (X_1 , X_2 , ..., X _n)$ 称为统计量． ???+ example 设总体 $X \sim N(\mu, \sigma ^2)$, 其中 $\mu$ 已知, $\sigma ^2$ 未知, 则 $X_1 + X_2 + \mu$ 是统计量, $\sum _{i=1} ^3 \frac{X_i ^2}{\sigma ^2}$ 不是统计量． #### 6.1.3 样本的联合分布 设总体 $X$ 的分布函数为$F (x), X_1 , X_2 , ..., X_n$ 是来自总体的一个样本(独立同分布), 则 $X_1 , X_2 , ..., X_n$ 的联合分布函数为 $$ F ^* (x_1 , x_2 , ..., x_n) = \prod _{i=1} ^n F (x_i ) $$ 若 $X$ 的密度函数为 $f (x)$, 则样本的联合概率密度函数为 $$ f ^* (x_1 , x_2 , ..., x_n) = \prod _{i=1} ^n f (x_i ) $$ 若 $X$ 的分布律为 $p(x)$, 则样本的联合分布律为 $$ p ^* (x_1 , x_2 , ..., x_n) = \prod _{i=1} ^n p (x_i ) $$ ???+ example '样本的联合分布' 设总体 $X \sim N(12, 4)$ , 从中抽取容量为5的样本 $(X_1, X_2, X_3, X_4, X_5)$, 求 $P\{max(X_1, X_2, X_3, X_4, X_5) >15\}$ ． **解** $P\{max(X_1, X_2, X_3, X_4, X_5) > 15\} = 1- P\{max(X_1, X_2, X_3, X_4, X_5) \leq 15\} = 1- P\{X_1 \leq 15, X_2 \leq 15, ..., X_5 \leq 15\} = 1- P \set{X_1 \leq 15} P \set{X_2 \leq 15} \cdots P \set{X_5 \leq 15} = 1- \varPhi ^5 (\frac{15-12}{2}) = 1- \varPhi ^5 (1.5) \approx 0.2923$ > 需要查表 ### 6.2 样本的数字特征 #### 6.2.1 总体矩 - 称 $m_k = E(X ^k )$ (假设存在)为总体 $X$ 的 $k$ 阶原点矩 - 称 $\mu _k = E[X - E(X )] ^k$ 为 $X$ 的 $k$ 阶中心矩 - 特别地, $m_1 = E(X ), \mu _2 = D(X )$． > 总体矩是一个常数． #### 6.2.2 样本矩 设 $X_1 , X_2 , ..., X_n$ 是总体 $X$ 的一样本, - 称 $\bar{X} = \frac{1}{n} \sum _{i=1} ^n X_i$ 为样本均值, - $S ^2 = \frac{1}{n-1} \sum _{i=1} ^n (X_i - \bar{X} ) ^2$ 为样本方差． - 而称 $A_k = \frac{1}{n} \sum _{i=1} ^n X_i ^k$ 为样本 $k$ 阶原点矩, - 称 $B_k = \frac{1}{n} \sum _{i=1} ^n (X_i - \bar{X} ) ^k$ 为样本 $k$ 阶中心矩． - 特别地, $A_1 = \bar{X}, B_2 = \frac{n-1}{n} S ^2$ - $B_2$ 由于和 $S ^2$ 很接近, 经常记为 $\tilde{S} ^2$ ???+ example '样本矩' 从某班数学期末考试成绩中, 随机抽取10名同学的成绩分别为100, 85, 70, 65, 90, 95, 63, 50, 77, 86．试写出总体, 样本, 样本容量, 样本值；写出样本的经验分布函数； 求样本均值, 样本方差及样本二阶中心矩的观测值． **解** - 总体：该班数学期末考试成绩 X - 样本：$X_1 , X_2 , ..., X_{10} $ - 样本容量：n = 10 - 样本值：100, 85, 70, 65, 90, 95, 63, 50, 77, 86． --- 将样本观测值 $x_1 , x_2 , ..., x_{10}$ 按照从小到大的顺序排列为 50, 63, 65, 70, 77, 85, 86, 90, 95, 100 则样本的经验分布函数为 $$ F_{10} (x) = \begin{cases} 0 , \space x < 50 \\ \frac{1}{10} , \space 50 \le x < 63 \\ \frac{2}{10} , \space 63 \le x < 65 \\ \vdots \\ 0 , \space 其他 \end{cases} $$ > 经验分布函数类似于直方图, 落在每一段的样本要均分 --- - 样本均值 $\bar{x} = \frac{1}{n} \sum x_i = \frac{1}{10} (50 + 63 +...+100) = 78.1$ - 样本方差 $S^2 = \frac{1}{n-1} \sum (x_i - \bar{x})^2 = \frac{1}{9} [(-28.1)^2 + \cdots + 21.9^2 ] = 252.54$ - 样本二阶中心矩 $b_2 = \frac{1}{n} \sum(x_i - \bar(x))^2 = \frac{1}{10} [(-28.1)^2 + \cdots + 21.9^2 ] = 227.29．$ ### 6.3 抽样分布 #### 6.3.1 正态分布 $U \sim N(0, 1)$ ???+ success inline end  $$ f (x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} \space , \space x \in \R $$ - 设 $X_1 , X _2, ..., X_n$ 是来自总体 $N(\mu, \sigma ^2)$ 的一个样本, $\bar{X} = \frac{1}{n} \sum _{i=1} ^n X_i$ 为样本均值, 则 $\bar{X} \sim N(\mu, \frac{\sigma ^2}{n})$ , 从而可得统计量 $U = \frac{\bar{X} - \mu}{\sigma} \sqrt{n} \sim N(0, 1)$ - 设 $X_1 , X _2, ..., X_m$ 和 $Y_1 , Y _2, ..., Y_n$ 分别为来自正态总体 $N(\mu _1, \sigma _1 ^2)$ 和 $N(\mu _2, \sigma _2 ^2)$ 的两个样本, 且总体 $X, Y$ 相互独立, 则 $$ U = \frac{(\bar{X} - \bar{Y}) - (\mu _1 - \mu _2)}{\sqrt{\frac{\sigma _1 ^2}{m} + \frac{\sigma _2 ^2}{n}}} \sim N(0, 1) $$ 其中 $\bar{X} = \frac{1}{m} \sum _{i=1} ^m X_i \space, \bar{Y} = \frac{1}{n} \sum _{i=1} ^n Y_i$ #### 6.3.2 $\chi ^2$ 分布 $\chi ^2 \sim \chi ^2 (n)$ ???+ success inline end  **定义** 设 $X _1, X _2, ..., X_n$ 相互独立且均服从 $N(0, 1)$, 则称统计量 $\chi ^2 = X _1 ^2 +...+ X_n ^2$ 服从自由度为 $n$ 的 $\chi ^2$ 分布, 记作 $\chi ^2 \sim \chi ^2 (n)$ ???+ note '$\chi ^2$ 分布的性质' - 若 $\chi ^2 \sim \chi ^2 (n)$, 则 $E( \chi ^2) = n$, $D( \chi ^2) = 2n$ - 设 $\chi _1 ^2 \sim \chi ^2(n_1 ), \chi _2 ^2 \sim \chi ^2 (n_2)$, 且 $\chi _1 ^2, \chi _2 ^2$ 相互独立, 则有 $\chi _1 ^2 + \chi _2 ^2 \sim \chi ^2(n_1 + n_2 )$． (可加性) - 设 $X_1 , X _2, ..., X_n$ 是来自总体 $N(\mu, \sigma ^2)$的一个样本, 则统计量 $$ \chi ^2 = \frac{1}{\sigma ^2} \sum _{i=1} ^n (X_i - \mu) ^2 \sim \chi ^2 (n) $$ - 设 $X_1 , X _2, ..., X_n$ 是来自总体 $N(\mu, \sigma ^2)$的一个样本, 则样本均值$\bar{X}$与样本方差 $S^2$ 相互独立, 且统计量 $$ \frac{(n-1) S^2}{\sigma ^2} = \frac{1}{\sigma ^2} \sum _{i=1} ^n (X_i - \mu) ^2 \sim \chi ^2 (n-1) $$ #### 6.3.3 $t$ 分布 (学生 $t$ 分布) $T \sim t(n)$ ???+ success inline end  **定义** 设 $X \sim N(0, 1), Y \sim \chi ^2 (n)$, 且 $X$ 与 $Y$ 相互独立, 则称统计量 $$ T = \frac{X}{\sqrt{\frac{Y}{n}}} = \frac{X}{\sqrt{Y}} \sqrt{n} $$ 服从自由度为 $n$ 的 $t$ 分布, 记作 $T \sim t(n)$． ???+ note '$t$ 分布的性质' - $f_t (x)$ 关于 $y$ 轴对称 - 当 $n \to \infty$ 时, $t$ 分布 $\to N(0, 1)$ - 设 $X_1 , X _2, ..., X_n$ 是来自总体 $N(\mu, \sigma ^2)$的一个样本, 则统计量 - $T = \frac{\bar{X} - \mu}{S} \sqrt{n} \sim t(n-1)$ 学生 $t$ 分布 > 其中 $S ^2 = \frac{1}{n-1} \sum _{i=1} ^n (X_i - \bar{X} ) ^2$ - $U = \frac{\bar{X} - \mu}{\sigma} \sqrt{n} \sim N(0, 1)$ 正态分布 - 设 $X_1 , X _2, ..., X_n$ 和 $Y_1 , Y _2, ..., Y_n$ 分别为来自正态总体 $N(\mu _1, \sigma ^2)$ 和 $N(\mu _2, \sigma ^2)$ 的两个样本, 且总体 $X, Y$ 相互独立, 则 $$ T = \frac{(\bar{X} - \bar{Y}) - (\mu _1 - \mu _2)}{\sqrt{\frac{S_w ^2}{m} + \frac{S_w ^2}{n}}} \sim t(m+n-2) \space \text{学生t分布} \\ \space \\ U = \frac{(\bar{X} - \bar{Y}) - (\mu _1 - \mu _2)}{\sqrt{\frac{\sigma _1 ^2}{m} + \frac{\sigma _2 ^2}{n}}} \sim N(0, 1) \space \text{正态分布} $$ 其中 $$ S_1 ^2 = \frac{1}{m-1} \sum _{i=1} ^m (X_i - \bar{X} ) ^2 \\ \space \\ S_2 ^2 = \frac{1}{n-1} \sum _{j=1} ^n (Y_j - \bar{Y} ) ^2 \\ \space \\ S_w ^2 = \frac{(m-1) S_1 ^2 + (n-1) S_2 ^2}{m+n-2} \space \text{复合样本方差} $$ #### 6.3.4 $F$ 分布 $F \sim F(m, n)$ ???+ success inline end  **定义** 设 $X \sim \chi ^2 (m)$, $Y \sim \chi ^2 (n)$, 且 $X$ 与 $Y$ 相互独立, 则称统计量 $$ F = \frac{X/m}{Y/n} $$ 服从第一自由度为 $m$, 第二自由度为 $n$ 的 $F$ 分布, 记作 $F \sim F(m, n)$ ???+ note '$F$ 分布的性质' - 若 $F \sim F(m, n)$, 则$\frac{1}{F} \sim F(n, m)$ - 若 $T \sim t(n)$, 则 $T ^2 \sim F(1, n)$ - 设 $X_1 , X _2, ..., X_n$ 和 $Y_1 , Y _2, ..., Y_n$ 分别为来自正态总体 $N(\mu _1, \sigma _1^2)$ 和 $N(\mu _2, \sigma _2^2)$ 的两个样本, 且总体 $X, Y$ 相互独立, 则 $$ F = \frac{S_1 ^2 / S_2 ^2}{\sigma _1 ^2 / \sigma _2 ^2} \sim F(m-1, n-1) $$ - 统计量 $$ F = \frac{\bar{S}_1 ^2 / \bar{S}_2 ^2}{\sigma _1 ^2 / \sigma _2 ^2} \sim F(m, n) $$ 其中 $$ \bar{S}_1 ^2 = \frac{1}{m} \sum _{i=1} ^m (X_i - \mu _1 ) ^2 \\ \space \\ \bar{S}_2 ^2 = \frac{1}{n} \sum _{j=1} ^n (Y_j - \mu _2 ) ^2 $$ #### 6.3.5 分位数 ???+ success inline end '常用分布的分位数图示'   **定义** 设 $X \sim F(x), \alpha \in(0, 1)$为一常数, 若对于某一 实数 $x _{\alpha}$ 满足 $P\{X \leq x_{\alpha} \} = F(x_{\alpha} ) = \alpha$ , 则称 $x_{\alpha}$ 为 $X$ 的下侧 $\alpha$ 分位数． **常用分布的分位数** - $N (0, 1)$的下侧 $\alpha$ 分位数 $u_{\alpha}$ 满足 $P \{U \leq u_{\alpha} \} = \int _{- \infty} ^{u _{\alpha}} \varphi(x)dx = \alpha$ > 由对称性 $-u_{\alpha} = u_{1 - \alpha}$ - $\chi ^2(n)$的下侧 $\alpha$ 分位数 $\chi ^2_{\alpha} (n)$ 满足 $P \{ \chi ^2 \leq \chi ^2_{\alpha} (n) \} = \alpha$ - $t(n)$的下侧 $\alpha$ 分位数 $t_{\alpha} (n)$ 满足 $P \{ t \leq t_{\alpha} (n) \} = \alpha$ > 由对称性 $-t_{\alpha} (n) = t_{1 - \alpha} (n)$ - $F(m, n)$的下侧 $\alpha$ 分位数 $F_{\alpha} (m, n)$ 满足 - $P \{ F \leq F_{\alpha} (m, n) \} = \alpha$ - $F_{\alpha} (m, n) = \frac{1}{F_{1 - \alpha} (n, m)}$ ???+ example '分位数' 设 $X_1 , X_2 , ..., X_{10}$ 是来自总体 $N(0, 0.3^2)$的样本, 求 $P \set{\sum _{i=1} ^{10} X_i ^2 > 1.44}$ ． **解** 因为 $\sum _{i=1} ^{10} (\frac{X_i - \mu}{\sigma})^2 = \sum _{i=1} ^{10} \frac{X_i ^2}{0.3^2} \sim \chi ^2(10)$, 所以 $$ P \set{\sum _{i=1} ^{10} X_i ^2 > 1.44} = P \set{\sum _{i=1} ^{10} \frac{X_i ^2}{0.3^2} > \frac{1.44}{0.3^2}} \\ = P \set{\chi ^2(10) > 16} = 1- P \set{\chi ^2(10) \leq 16} = 1- 0.9 = 0.1 $$ > 需要查表 ## 第七章 参数估计 ### 7.1 参数估计的概念 ```mermaid flowchart TD A[统计推断的目的] --> B[总体的具体分布-比较困难] A --> C[总体的某些参数-数字特征] C --> D[参数估计] D --> E[点估计] D --> F[区间估计] ``` 参数估计的分类 - 点估计：给出未知参数的估计值 - 区间估计：给出未知参数的取值范围 ### 7.2 点估计量的求法 #### 7.3.1 点估计的概念 设总体 $X$ 中含有未知参数 $\theta, X_1 , X_2 , ..., X_n $为 $X$ 的一样本．点估计就是要构造适当的统计量 $\hat{\theta} (X_1 , X_2 , ..., X_n)$, 用其观测值 $\hat{\theta} (x_1 , x_2 , ..., x_n)$ 作为 $\theta$ 的估计值． 点估计方法: - 矩估计 - 最大似然估计 (极大似然估计) #### 7.3.2 矩估计 假设 $\theta = (\theta _1 , \theta _2, ..., \theta _l) $ 为总体 $X$ 的待估参数, 令样本矩等于总体矩： $$ \begin{cases} A_1 = m_1 \\ A_2 = m_2 \\ \vdots \\ A_l = m_l \end{cases} $$ 用方程组的解 $\hat{\theta _1} , \hat{\theta _2} , ..., \hat{\theta _l}$ 分别作为$\theta _1 , \theta _2, ..., \theta _l$ 的估计量, 则称该估计量为矩估计量, 相应的观察值称为矩估计值． > 具体求解中只需掌握 $l = 1, 2$ 的情形． ???+ note 原理 $A_k \xrightarrow{P} m_k$ - 样本矩 $A_k = \frac{1}{n} \sum _{i=1} ^n X_i ^k$ - 总体矩 $m_k = E(X^k)$ ???+ example '矩估计-记住此题结论' 设 $X_1 , X_2 , ..., X_n$ 为总体 $X$ 的一样本, 而 $X$ 的期望 $\mu$ 和方差 $\sigma ^2$ 都存在但未知, 试求 $\mu$ 和 $\sigma ^2$ 的矩估计量． **解** 令 $$ \begin{cases} A_1 = m_1 \\ A_2 = m_2 \end{cases} $$ 而 $A_1 = \frac{1}{n} \sum X_i = \bar{X} , A_2 = \frac{1}{n} \sum X_i ^2$ $m_1 = E(X ) = \mu, m_2 = E(X ^2) = D(X ) + E^2(X ) = \sigma ^2 + \mu ^2$ 所以得 $$ \begin{cases} \hat{\mu} = \bar{X} = A_1 \\ \hat{\sigma} ^2 = A_2 - \mu ^2 = \frac{1}{n} \sum X_i ^2 - \bar{X} ^2 = \frac{1}{n} \sum (X_i - \bar{X}) ^2 = \tilde{S} ^2 \end{cases} $$ > 上述结果表明, 总体期望的矩估计量为样本的均值, 总体方差的矩估计量为样本的二阶中心矩． ???+ example '矩估计' 设总体 $X \sim P(\lambda)$, $\lambda$ 未知, $X_1 , X_2 , ..., X_n$ 是 X$ 的一个样本, 求 $\lambda$ 的矩估计量． 解 因为 $E(X ) = \lambda , D(X ) = \lambda$ , 由上一题的结论： - 总体期望的矩估计量为样本的均值, 从而可得 $\hat{\lambda} = \bar{X}$ , - 总体方差的矩估计量为样本的二阶中心矩, 从而可得 $\hat{\lambda} = \frac{1}{n} \sum (X_i - \bar{X}) ^2 = \tilde{S} ^2 $ 即该待估参数有两个不同的矩估计量． ???+ example '矩估计' 设总体 $X \sim U[a, b]$, 其中$a, b$ 为未知参数, 试求 $a, b$ 的矩估计量． **解** 由结论得 $$ \begin{cases} \frac{\hat{a} + \hat{b}}{2} = \bar{X} \\ \\ \frac{(\hat{b} - \hat{a})^2}{12} = \tilde{S} ^2 \end{cases} \implies \begin{cases} \hat{a} = \bar{X} - \sqrt{3} \tilde{S} \\ \hat{b} = \bar{X} + \sqrt{3} \tilde{S} \end{cases} $$ #### 7.3.3 最大似然估计 原理：大概率事件易发生 设总体X 的密度函数为 $f (x；\theta )$ (或分布律为 $p(x；\hat{\theta} )$), $\theta = ( \theta _1, \theta _2, \cdots, \theta _l)$ 为待估参数, 称样本 $X_1 , X_2 , ..., X_n$ 的联合密度函数(或联合分布律)为似然函数, 记为 $L(\theta )$, 即 $$ L(\theta) = f(x_1, x_2, \cdots, x_n ; \theta) = \prod _{i=1} ^n f (x_i；\theta ) , \space \theta \in \Theta \\ L(\theta) = p(x_1, x_2, \cdots, x_n ; \theta) = \prod _{i=1} ^n p (x_i；\theta ) , \space \theta \in \Theta $$ 求出 $L(\theta)$ 的最大值点 $\hat{\theta}$, 则称 $\hat{\theta}$ 为 $\theta$ 的最大似然估计值． ???+ example '最大似然估计' 设总体 $X \sim B(1, p), p$未知, 求 $p$ 的最大似然估计量． **解** 因 $X \sim P \set{X = x} = p^x (1- p)^{1-x}, x = 0, 1, $ 则似然函数 $$ L(p) = \prod _{i=1} ^n p (x_i；p) = \prod _{i=1} ^n p^{x_i} (1- p)^{1-x_i} = p^{\sum x_i} (1- p)^{n - \sum x_i} $$ 取对数 $ln L( p) = (\sum x_i) ln p + (n - \sum x_i) ln(1- p)$ 令 $\frac{d ln L( p)}{dp} = 0 \implies p = \frac{1}{n} \sum x_i$ 所以 $p$ 的最大似然估计量为 $\hat{p} = \frac{1}{n} \sum x_i = \bar{X}$ 离散型随机变量的最大似然估计的难点主要是似然函数的构造, 假如样本值已知, 似然函数有一个非常简单的构造法．设总体 $X$ 的分布律为: $$ \begin{array}{c|cccc} X & x_1 & x_2 & \cdots & x_n \\ \hline P & p_1 (\theta) & p_2 (\theta) & \cdots & p_n (\theta) \end{array} $$ $X_1 , X_2 , ..., X_n$ 是 $X$ 的一个样本, 且样本值已知, 已知样本值中 $x_1 , x_2 , ..., x_k$ 分别出现了$n_1 , n_2 , ..., n_k $ 次, 则似然函数为： $L(\theta) = [p_1(\theta)] ^{n_1} [p_2(\theta)] ^{n_2} \cdots [p_k(\theta)] ^{n_k}$ ???+ example '最大似然估计-离散型' 设总体 $X$ 的分布律为 $$ \begin{array}{c|cccc} X & 1 & 2 & 3 \\ \hline P & \theta ^2 & 2 \theta (1 - \theta) & (1 - \theta)^2 \end{array} $$ (1, 2, 1) 为来自总体的一个样本, 求 $\theta$ 的最大似然估计． **解** 样本中出现了2个1, 1个2, 0个3, 即 $n_1 = 2, n_2 = 1, n_3 = 0$ $L(\theta) = [\theta ^2] ^2 \cdot [2 \theta (1 - \theta)] ^1 \cdot [(1 - \theta)^2] ^0 = 2 \theta ^5 - 2 \theta ^6$ $L'(\theta) = 10 \theta ^4 - 12 \theta ^5 = 0$ 解得 $\hat{\theta} = 0$ (舍去), $\hat{\theta} = \frac{5}{6}$ ### 7.3 估计量的评选标准 - **无偏性** 设 $\hat{\theta}$ 是参数 $\theta$ 的估计量, 若 $E(\hat{\theta} ) = \theta$ , 则称 $\hat{\theta}$ 是 $\theta$的无偏估计量． - **有效性** 设$\hat{\theta _1}$ 与$\hat{\theta _2}$ 都是 $\theta$ 的无偏估计量, 若 $D(\hat{\theta _1} ) < D(\hat{\theta _2} )$, 则称$\hat{\theta _1}$ 比$\hat{\theta _2}$ 更有效． - **相合性** 设$\hat{\theta}$ 是 $\theta$ 的估计量, 若$\hat{\theta} \xrightarrow{p} \theta \space (n \to \infty)$, 则称 $\hat{\theta}$ 是 $\theta$ 的相合估计量． ???+ example '无偏性' 证明：样本均值 $\bar{X}$ 是总体期望 $\mu$ 的无偏估计量, 样本方差 $S^2$ 是总体方差 $\sigma ^2$ 的无偏估计量． **证** 因为 $E( \bar{X} ) = E( \frac{1}{n} \sum X_i) = \frac{1}{n} \cdot n \mu = \mu$, 所以 $\bar{X}$ 是 $\mu$ 的无偏估计量． 又 $E(S^2) = E \large[ \frac{1}{n - 1} \sum (X_i - \bar{X} ) ^2 \large] = \frac{1}{n - 1} E( \sum X_i ^2 - n \bar{X} ^2)$ 而 $E(X_i ^2) = D(X_i ) + E^2(X_i ) = \sigma ^2 + \mu ^2, \space E(\bar{X} ^2) = D(\bar{X} ) + E^2(\bar{x} ) = \frac{ \sigma ^2}{ n} + \mu ^2$ 则 $E(S^2) = \frac{1}{n -1 } \large[n(\sigma ^2 + \mu ^2) - n(\frac{ \sigma ^2}{ n} + \mu ^2) \large] = \sigma ^2$ 所以 $S^2$ 是 $\sigma ^2$ 的无偏估计量． --- 由于 $S^2$ 是 $\sigma ^2$ 的无偏估计量, 且 $\tilde{S}^2 = \frac{n - 1}{n} S^2$ , 因此 $E( \tilde{S}^2 ) = \frac{n-1}{n} E(S^2) = \frac{n-1}{n} \sigma ^2$ , 所以 $\tilde{S}^2$ 不是 $\sigma ^2$ 的无偏估计量． > 虽然 $S^2$ 是 $\sigma ^2$ 的无偏估计量, 但是 $S$ 并不是 $\sigma$ 的无偏估计量．事实上, 由于 $D(S) = E(S^2) - E^2(S)$ , 得 $E(S) = \sqrt{ E(S^2) - D(S) } = \sqrt{ \sigma ^2 - D(S) } \not = \sigma $ ???+ example '有效性' 设 $(X_1 , X_2 , X_3 )$ 为来自总体 $N(\mu, 1)$ 的一个样本, $\mu$ 未知, 则下列 $\mu$ 的无偏估计量中最有效的是 (A)． - [x] (A) $\frac{1}{2} X_1 + \frac{1}{3} X_2 + \frac{1}{6} X_3$ - [ ] (B) $\frac{1}{2} X_1 + \frac{1}{4} X_2 + \frac{1}{4} X_3$ - [ ] (C) $\frac{1}{3} X_1 + \frac{1}{3} X_2 + \frac{1}{3} X_3$ - [ ] (D) $ X_1 + X_2 - X_3$ **解析** - $D(\frac{1}{2} X_1 + \frac{1}{3} X_2 + \frac{1}{6} X_3) = \frac{1}{4} + \frac{1}{9} + \frac{1}{36} = \frac{7}{18}$ - $D(\frac{1}{2} X_1 + \frac{1}{4} X_2 + \frac{1}{4} X_3) = \frac{1}{4} + \frac{1}{16} + \frac{1}{16} = \frac{3}{8}$ - $D(\frac{1}{3} X_1 + \frac{1}{3} X_2 + \frac{1}{3} X_3) = \frac{1}{9} + \frac{1}{9} + \frac{1}{9} = \frac{1}{3}$ - $D(X_1 + X_2 - X_3) = 1 + 1 + 1 = 3$ ### 7.4 区间估计 ???+ abstract - **点估计的缺陷** 未能反映出估计值$\hat{\theta}$ 与真实值 $\theta$ 之间的误差及可靠性． - **区间估计的思想** 对未知参数$\theta$, 构造两统计量$\theta _1$ 与$\theta _2$ , 使得 $\theta$ 能以较大的概率落在随机区间 $[\theta _1 , \\theta _2 ]$ 内, 由相应的观测值来估计$\theta$ 的取值范围． $P \set{\theta _1 \leq \theta \leq \theta _2}$ —可信程度 $E(\theta _2 - \theta _1)$ —精确程度 最优区间估计：可信度给定情况下区间尽量短． #### 7.4.1 置信区间的概念及其求法 定义 设总体 $X$ 含未知参数$\theta$, 对于给定的 $\alpha \in (0, 1)$, 若存在两个统计量 $\theta _1 (X_1 , X_2 , ..., X_n)$ 和 $\theta _2 (X_1 , X_2 , ..., X_n)$, 使得 $P \set{\theta _1 \leq \theta \leq \theta _2} = 1- \alpha$, 则称 $[\theta _1 , \theta _2]$ 为 $\theta$ 的置信度为 $1- \alpha$ 的置信区间． ???+ example '置信区间' 设总体 $X \sim N(\mu, \sigma ^2)$, 其中 $\sigma = \sigma _0$ 已知, $\mu$ 未知, $X_1 , X_2 , ..., X_n$ 是 $X$ 的样本, 求 $\mu$ 的置信度为 $1- \alpha$ 的置信区间． ???+ success inline end  解 因 $\sigma = \sigma _0$ 已知, 则由抽样分布知 $U = \frac{\bar{X} -\mu}{\sigma} \sqrt{n} $ 只包含未知参数 $\mu$ 且服从 $N(0, 1)$ , 现需找一尽量短的区间, 使得 $U$ 落在该区间内的概率为 $1- \alpha$．由分位数的定义知 $P{-u_{1 - \alpha /2} \leq U \leq u_{1 - \alpha /2} } = 1- \alpha$ 即 $P \set{-u_{1 - \alpha /2} \leq \frac{\bar{X} -\mu}{\sigma} \sqrt{n} \leq u_{1 - \alpha /2} } = 1 - \alpha$ 因此 $\mu$ 的置信度为 $1- \alpha$ 的置信区间为 $\large[ \bar{X} - \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2},\bar{X} + \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2} \large]$ ???+ tip '求解步骤' 1. 构造一个只包含待估参数 $\theta$ 的样本的函数 $U$ , 要求它的分布已知(一般由抽样分布可得) 2. 寻求一尽量短的区间 $[a, b]$, 使得 $U$ 落在该区间内的概率为 $1- \alpha$ (一般由分位数可得) 3. 从 $a \leq U \leq b$ 中得到等价不等式 $\theta _1 \leq \theta \leq \theta _2$ , 则$[\theta _1 , \theta _2 ] $ 就是 $\theta$ 的置信度为 $1- \alpha$ 的置信区间． #### 7.4.2 单个正态总体的情形 设总体 $X \sim N(\mu, \sigma ^2), X_1 , X_2 , ..., X_n$ 是 $X$ 的一个样本, 对给定置信度 $1- \alpha$ , 求 $\mu$ 和 $\sigma ^2$ 的置信区间． {==问题一: 求 $\mu$ 的置信区间==} === '当 $\sigma ^2$ 已知时' 上一题可知, $\mu$ 的置信度为 $1- \alpha$ 的置信区间为 $$ \large[ \bar{X} - \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2}, \bar{X} + \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2} \large] $$ === '当 $\sigma ^2$ 未知时' ???+ success inline end  因为 $S^2$ 是 $\sigma ^2 $ 的无偏估计, 所以可以用$S $代替 $\sigma$ , 则由抽样分布知 $T = \frac{\bar{X} -\mu}{S} \sqrt{n} \sim t(n-1) $ 由分位数 $P \set{-t_{1 - \alpha /2} (n -1) \leq T \leq t_{1 - \alpha /2} (n -1)} = 1- \alpha$ 即 $P \set{-t_{1 - \alpha /2} (n -1) \leq \frac{\bar{X} -\mu}{S} \sqrt{n} \leq t_{1 - \alpha /2} (n -1)} = 1- \alpha$ 所以 $\mu$ 的置信度为 $1- \alpha$ 的置信区间为 $$ [\bar{X} - \frac{S}{\sqrt{n}}t_{1 - \alpha /2}, \bar{X} + \frac{S}{\sqrt{n}}t_{1 - \alpha /2}] $$ --- ???+ example '方差已知' 某厂生产的节能灯寿命 $X \sim N(\mu, 8)$, 从生产的一批灯中抽取10只作寿命测试, 数据如下(小时)：1050, 1100, 1080, 1120, 1200, 1250, 1040, 1130, 1300, 1200 试估计这批节能灯平均寿命的范围 ( $\alpha = 0.05 $ )． **解** 这是在方差已知的情况下对期望进行区间估计．因为 $\bar{X} = 1147, u_{1 - \alpha /2} = u_{0.975} =1.96$, 从而可得 - $\bar{X} - \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2} = 1145.25$ - $\bar{X} + \frac{\sigma}{\sqrt{n}} u_{1 - \alpha /2} = 1148.75$ 所以这批节能灯平均寿命 $\mu$ 在0.95的置信水平下的置信区间为$[1145.25, 1148.75]$．(区间长度为3.5) ???+ example '方差未知' 若上一题中的方差未知, 求这批节能灯平均寿命 $\mu$ 的置信水平为0.95的置信区间． > $1 - \alpha = 0.95 \implies \alpha = 0.05$ **解** 这是在方差未知的情况下对期望进行区间估计．由上一题的数据计算标准差 $S = \sqrt{S^2} \approx 87.06$, 类似得置信水平为0.95的置信区间为 $[1084.72, 1209.28]$(长度为124.56) > 此题表明, 由于对总体的了解少了(方差未知), 因而在相同的置信水平下估计的效果也就差很多． {==问题二: 求 $\sigma ^2$ 的置信区间==} === '当 $\mu$ 已知时' ???+ success inline end  因 $\mu = \mu _0$ 已知, 则由抽样分布知 $\chi ^2 = \frac{1}{\sigma ^2} \sum (X_i - \mu) ^2$ 只包含未知参数 $\sigma ^2$ 且服从 $\chi ^2(n)$, 现需找一尽量短的区间, 使得 $\chi ^2$ 落在该区间内的概率为 $1- \alpha$ 由分位数定义 $P \set{\chi _{\alpha /2} ^2 (n) \leq \chi ^2 \leq \chi _{1 - \alpha /2} ^2 (n)} = 1- \alpha$ 所以 $\sigma ^2$ 的置信度为 $1- \alpha$ 的置信区间为： $$ \big[\frac{\sum _{i=1} ^n (X_i - \mu)^2}{\chi _{1 - \alpha /2} ^2 (n)}, \space \frac{\sum _{i=1} ^n (X_i - \mu)^2}{\chi _{\alpha /2} ^2 (n)} \big] $$ === '当 $\mu$ 未知时' 因为 $\bar{X}$ 是 $\mu$ 的无偏估计, 所以可以用 $\bar{X}$ 代替 $\mu$ , 则由抽样分布知 $\frac{(n -1)S^2}{\sigma ^2} = \sigma ^2 \sum (X_i - \bar{X} )^2 \sim \chi ^2 (n -1)$ 类似可得 $\sigma ^2$ 的置信度为 $1- \alpha$ 的置信区间为： $$ \big[\frac{\sum _{i=1} ^n (X_i - \mu)^2}{\chi _{1 - \alpha /2} ^2 (n-1)}, \space \frac{\sum _{i=1} ^n (X_i - \mu)^2}{\chi _{\alpha /2} ^2 (n-1)} \big] $$ --- ???+ example '期望已知' 从总体 $X \sim N(0 , \sigma ^2)$ 中抽取一个容量为4的样本：1.3 , −2.78 , 0.06 , 1.98, 试求 $\sigma ^2$ 的置信水平为0.95的置信区间． **解** 这是在期望已知的情况下对方差进行区间估计． 因为 $\sum (x_i - 0) ^2 =13.34 , \chi _{\alpha / 2} ^2 (n) = 0.484, \chi _{1 - \alpha / 2} ^2 (n) = 11.143$ 所以可得 $\sigma ^2$ 置信水平为0.95的置信区间为 $[\frac{13.34}{11.143}, \frac{13.34}{0.484}]$ > 需要查表 ## 第八章 假设检验 ### 8.1 假设检验的基本思想 #### 8.1.1 假设检验的基本思想 (概率性质的反证法) 为了推断总体, 首先对总体的分布或未知参数作出某种假设 $H_0$ , 然后在 $H_0$ 成立的条件下, 若通过抽样分析发现“小概率事件”(矛盾)竟然在一次试验中发生了, 则表明 $H_0$ 很可能不成立, 从而拒绝 $H_0$ ；相反, 若没有导致上述“不合理”现象的发生, 则没有理由拒绝 $H_0$ , 从而接受 $H_0$ #### 8.1.2 两类错误 - 第一类错误(弃真) $H_0$ 实际正确, 但据抽样分析拒绝了 $H_0$ ；P {拒绝 $H_0$ | $H_0$ 为真} = $\alpha$ —— 显著性水平 - 第二类错误(纳伪) $H_0$ 实际错误, 但据抽样分析接受了 $H_0$ ．P {接受 $H_0$ | $H_0$ 不真} = $\beta$ #### 8.1.3 假设检验的步骤 ???+ example '假设检验' 某厂正常情况下生产灯泡寿命$X \sim N(1600, 80^2)$, 现从一批灯泡中抽取10个, 测得它们的平均寿命 $\bar{x} = 1548$, 若灯泡使用寿命的标准差不变, 在显著性水平 $\alpha = 0.05$ 的条件下, 能否认为该厂的生产正常? ???+ success inline end  **解** 由题意, 要检验假设 $H_0 ：\mu = \mu _0 = 1600, H ：\mu \not = 1600$, 因 $\bar{X}$ 是 $\mu$ 的无偏估计, 所以用 $\bar{X}$ 来检验 $H_0$ 是合理的． 在 $H_0$ 成立的条件下, 统计量 $U = \frac{\bar{X} - \mu _0}{\sigma} \sqrt{n} \sim N(0, 1)$, 若 $H_0$ 不真, 则 $|U|$ 一般会很大, 于是由 $P \{|U| > u_{1 - \alpha / 2} \} = \alpha$, 得拒绝域 $W = U > u_{1 - \alpha / 2} 或 U < -u_{1 - \alpha / 2}$ 因 $u = \frac{1548 - 1600}{80} \sqrt{10} \approx -2.06 < - u_{0.975} = -1.96$ 观测值落入拒绝域, 即“小概率事件”竟发生了, 从而拒绝原假设 $H_0$ , 认为生产过程不正常． ???+ tip '假设检验求解过程' 1. 由实际问题的要求提出原假设 $H_0$ 和对立假设 $H_1$ 2. 选择适当的统计量, 在 $H_0$ 成立的条件下确定其分布 3. 对给定的 $\alpha$, 构造“小概率事件”, 得到拒绝域 4. 据统计量的观测值对是否接受 $H_0$ 做出判断 ### 8.2 单个正态总体参数的假设检验 #### 8.2.1 期望的假设检验 === '当 $\sigma ^2$ 已知时' ???+ success inline end  $U$ 检验 $U = \frac{\bar{X} - \mu _0}{\sigma} \sim N(0, 1)$ - $H_0 ：\mu = \mu _0 , H_1 ：\mu \not = \mu _0$ (双侧) $W = \set{U > u_{1 - \alpha / 2} 或 U < -u_{1 - \alpha / 2} }$ - $H_0 ：\mu \le \mu _0 , H_1 ：\mu > \mu _0$ (单侧) $W = \set{U > u_{1 - \alpha}}$ - $H_0 ：\mu \ge \mu _0 , H_1 ：\mu < \mu _0$ (单侧) $W = \set{U < u_{1 - \alpha}}$ === '当 $\sigma ^2$ 未知时' ???+ success inline end  $T$ 检验 $T = \frac{\bar{X} - \mu _0}{S} \sqrt{n} \sim t(n -1)$ - $H_0 ：\mu = \mu _0 , H_1 ：\mu \not = \mu _0$ $W = \set{T > t_{1 - \alpha / 2} (n - 1) 或 T < -t_{1 - \alpha / 2} (n - 1)}$ - $H_0 ：\mu \le \mu _0 , H_1 ：\mu > \mu _0$ $W = \set{T > t_{1 - \alpha} (n - 1)}$ - $H_0 ：\mu \ge \mu _0 , H_1 ：\mu < \mu _0$ $W = \set{T < - t_{1 - \alpha} (n - 1)}$ > 拒绝域中的不等号与 $H_0$ 的相反． --- ???+ example 'U检验' 厂商称他们的装潢材料抗断强度 $X \sim N(3.25, 1.21)$, 现从中抽取9件进行检验, 测得平均抗断强度为3.15, 问能否接受该厂商的说法? $(\alpha = 0.05)$ **解** 由题意, 要检验假设 $H_0 ：\mu = \mu _0 = 3.25, H_1 ：\mu \not = 3.25$ , 因为是在方差已知的情况下对期望进行假设检验, 所以使用 U 检验, 即 $U = \frac{\bar{X} - \mu _0}{\sigma} \sim N(0, 1)$, 从而可得拒绝域 $W = \set{U > u_{1 - \alpha / 2} 或 U < -u_{1 - \alpha / 2} }$ 因 $1.96 = u_{0.975} > u = \frac{3.15 - 3.25}{1.1} \sqrt{9} \approx -0.273 > -u_{0.975} = -1.96$ 所以接受 $H_0$ , 即认为该厂商的说法是正确的． ???+ example 'T检验' 电视台广告部称企业在该台播放广告后的平均利润收益量至少为15万元, 已知这类企业广告播出后的收益量服从正态分布． 现抽取容量为20的样本, 得平均收益量为13.2万元, 标准差为3.4, 试在显著性水平 $\alpha = 0.05$ 下, 判断该广告部的说法是否正确? **解** 由题意, 要检验假设 $H_0 ：\mu \ge \mu =15, H_1 ：\mu <15$ , 因为是在方差未知的情况下对期望进行假设检验, 所以使用 T 检验, 即 $T = \frac{\bar{X} - \mu _0}{S} \sqrt{n} \sim t(n -1)$, 拒绝域 $W = \set{T < - t_{1 - \alpha} (n - 1)}$ 由于 $t = \frac{13.2 - 15}{3.4} \sqrt{20} \approx -2.37 < -t_{0.95} (19) = -1.729$ 所以拒绝 $H_0$ , 即认为该广告部的说法不正确． #### 8.2.2 方差的假设检验 === '当 $\mu$ 已知时' ???+ success inline end  $\chi ^2(n)$ 检验 $$ \chi ^2 = \frac{1}{\sigma _0 ^2} \sum _{i=1} ^n (X_i - \mu)^2 \sim \chi ^2(n) $$ - $H_0 ：\sigma ^2 = \sigma _0 ^2, H_1 ：\sigma ^2 \not = \sigma ^2$ $W = \set{\chi ^2 > \chi _{1 - \alpha / 2} ^2 (n) 或 \chi ^2 < \chi _{\alpha / 2} ^2 (n)}$ - $H_0 ：\sigma ^2 \le \sigma _0 ^2, H_1 ：\sigma ^2 > \sigma ^2$ $W = \set{\chi ^2 > \chi _{1 - \alpha} ^2 (n)}$ - $H_0 ：\sigma ^2 \ge \sigma _0 ^2, H_1 ：\sigma ^2 < \sigma ^2$ $W = \set{\chi ^2 < \chi _{\alpha} ^2 (n)}$ === '当 $\mu$ 未知时' ???+ success inline end  $\chi ^2 (n-1)$ 检验 $$ \chi ^2 = \frac{1}{\sigma _0 ^2} \sum _{i=1} ^n (X_i - \bar{X})^2 \sim \chi ^2(n-1) $$ - $H_0 ：\sigma ^2 = \sigma _0 ^2, H_1 ：\sigma ^2 \not = \sigma ^2$ $W = \set{\chi ^2 > \chi _{1 - \alpha / 2} ^2 (n-1) 或 \chi ^2 < \chi _{\alpha / 2} ^2 (n-1)}$ - $H_0 ：\sigma ^2 \le \sigma _0 ^2, H_1 ：\sigma ^2 > \sigma ^2$ $W = \set{\chi ^2 > \chi _{1 - \alpha} ^2 (n-1)}$ - $H_0 ：\sigma ^2 \ge \sigma _0 ^2, H_1 ：\sigma ^2 < \sigma ^2$ $W = \set{\chi ^2 < \chi _{\alpha} ^2 (n-1)}$ > 双侧检验的接受域即为置信区间． --- ???+ example '$\chi ^2 (n-1)$ 检验' 某车间生产的金属丝的折断力 $X \sim N(\mu, 64)$, 现从一批产品中抽出10根作折断力试验, 结果如下：578, 572, 570, 568, 572, 570, 572, 596, 584, 570 问能否认为这批金属丝的折断力方差仍为64? $(\alpha = 0.05)$ **解** 由题意, 要检验假设 $H_0 ：\sigma ^2 = \sigma _0 ^2 = 64；H_1 ：\sigma ^2 \not = 64$, 因为是在期望未知的情况下对方差进行假设检验, 所以使用 $\chi ^2(n -1)$ 检验, 即 $ \chi ^2 = \frac{1}{\sigma _0 ^2} \sum (X_i - \bar{X})^2 \sim \chi ^2(n-1)$, 从而可得 拒绝域 $W = \set{\chi ^2 > \chi _{1 - \alpha / 2} ^2 (n-1) 或 \chi ^2 < \chi _{\alpha / 2} ^2 (n-1)}$ 由于 $2.7 = \chi _{0.025} ^2 (9) < \chi ^2 \approx 10.65 < \chi _{0.975} ^2 (9) =19.02$ 所以接受 $H_0$ , 即认为折断力的方差与 64 无显著差异． ???+ example '$\chi ^2 (n-1)$ 检验' 某车间生产一种保险丝, 规定保险丝熔化时间的方差不得超过400．今从一批产品中抽出25个, 测得其熔化时间的方差为388.58．已知保险丝熔化时间服从正态分布, 试根据所给数据, 检验这批产品是否符合 要求? $(\alpha = 0.05)$ **解** 由题意, 要检验假设 $H_0 ：\sigma ^2 \leq \sigma _0 ^2 = 400；H_1 ：\sigma ^2 > 400$ 因为在期望未知的情况下对方差进行假设检验, 所以使用 $\chi ^2 (n-1)$ 检验, 即 $ \chi ^2 = \frac{1}{\sigma _0 ^2} \sum (X_i - \bar{X})^2 \sim \chi ^2(n-1)$ , 从而可得拒绝域 $W = \set{\chi ^2 > \chi _{1 - \alpha} ^2 (n-1)}$ 由于 $\chi ^2 \approx 23.31 < \chi _{0.95} ^2 (24) = 36.42$ 所以应该接受 $H_0$ , 即这批保险丝符合要求． 。

:material-pen-plus: `本文创建于2025-5-1` ## 第一章 随机事件与概率 ??? info '预备知识' - **加法原理** 如果完成某件事有 $m$ 种途径, 每种途径有 $n_i (i=1, 2, ..., m)$ 种不同的方法, 那么完成该件事共有 $n_1 + n_2 + ... + n_m$ 种不同的方法． - **乘法原理** 如果完成某件事须经过 $m$ 个步骤, 而完成每个步骤分别有 $n_i$ 种不同的方法, 那么完成该件事共有 $n_1 \times n_2 \times ... \times n_m$ 种不同的方法． - **重复排列** 从 $n$ 个不同的元素中任意取出 $r$ 个元素$(1 ≤ r ≤ n)$, 按照一定顺序允许重复出现排成一列, 称为从 $n$ 个元素取出 $r$ 个元素的重复排列, 排列总数为 $n^r$． - **选排列** 从 $n$ 个不同的元素中任取出 $r$ 个$(1 ≤ r ≤ n)$元素按照一定顺序不重复地排成一列, 称为从 $n$ 个元素中取出 $r$ 个元素的选排列, 记为 $A_n ^r$, 且有 $A_n ^r = \frac{n!}{(n-r)!}$． - **全排列** $r = n$ 的选排列称为全排列, 记为 $P_n$ , 且有 $P_n = n!$. - **组合** 从 $n$ 个不同的元素中任意取出 $r$ 个$(0 ≤ r ≤ n)$元素组成一组(不考虑次序), 称为从 $n$ 个元素中取出 $r$ 个元素的一个组合, 记为 $C_n ^r$ , 且有 $C_n ^r = \frac{A_n ^r}{P_r}= \frac{n!}{(n-r)! \cdot r!}$. ### 1.1 随机事件及其运算 #### 1.1.1 确定性现象与不确定性现象 - **确定性现象** 例如：每天早晨太阳从东方升起；水在标准大气压下加温到100℃沸腾 - **不确定性现象(随机现象)** 例如：掷一枚硬币, 正面朝上还是反面朝上, 一天内进入某超市的顾客数 **随机现象的统计规律性** 随机现象的各种结果会表现出一定的规律性, 这种规律性称之为统计规律性． **随机试验**$E$ 对随机现象进行观察或试验． - 可重复进行 - 结果有多个 - 每一次试验的结果是不可预言的, 但所有可能结果试验前已知 **样本空间**$\varOmega$ 由随机试验的一切可能结果组成的一个集合$\varOmega$．其每个元素称为样本点$\omega$． ??? question '例题——样本空间' 写出下列试验的样本空间． - $E_1$ ：将一枚硬币连抛两次, 考虑正反面出现的情况；$\varOmega$ = {(正, 正) , (正, 反) , (反, 正) , (反, 反)} - $E_2$ ：掷一颗均匀骰子, 考虑可能出现的点数；$\varOmega$ = { 1, 2, 3, 4, 5, 6 } - $E_3$ ：记录某网站一分钟内受到的点击次数；$\varOmega = \{ 1, 2, ... \}$ - $E_4$ ：任选一人, 记录他的身高(m)和体重(kg)．$\varOmega = \{ (h, g) | 0 < h < 3, \space 0 < g < 400 \}$ ???+ warning - 样本空间是一个集合 - 对于一个随机试验而言, 样本空间并不唯一 ???+ example 掷两枚均匀的骰子一次 - 若实验的目的是观察所有可能出现的结果 $\varOmega _1$ = { (1, 1), ..., (1, 6), ..., (6, 1), ..., (6, 6) } - 若试验目的是观察出现的点数和 $\varOmega _2 = \{ 2, 3, 4, ..., 12 \}$ **随机事件** 样本空间 $\varOmega$ 的某个子集．用A, B, C等字母表示 ??? example 在掷骰子试验中, 事件A：出现偶数点, 则$A = \{ 2, 4, 6 \}$ - 基本事件：由一个样本点构成的集合 - 复合事件：由多个样本点构成的集合 **事件的发生** $A$ 发生 $\Longleftrightarrow$ A 所包含的某一个样本点出现 **必然事件** $\varOmega$ 与 **不可能事件** $\varnothing$ {==事件之间的关系==} ???+ success inline end   - **事件的包含** A 发生必然导致B发生, 则称 A 包含于 B , 记为 $A \subset B$ - **事件的相等** $A = B$ - **事件的互斥 (互不相容)** A 与 B 不能同时发生, 则称 A 与 B互斥．即 $AB = \varnothing$ ???+ warning - 基本事件之间是互斥的 - $\varnothing$与任何事件互斥 --- #### 1.1.2 事件的运算 ???+ success inline end    - **并 (和)** $A, B$ 中至少有一个发生的事件．即 $A \cup B = \{ \omega | \omega \in A 或 \omega \in B \}$ - **交 (积)** $A , B$ 同时发生的事件．即 $A \cap B = AB = \{ \omega | \omega \in A 且 \omega \in B \}$ ???+ note 和、积运算可推广到有限个和可列无穷多个的情形． - **差** A发生而B不发生的事件, 称为A与B的差．即$A - B = \{ \omega | \omega \in A 且 \omega \notin B \}$ ???+ note '推论' - $A - B = A - AB$ - 若A, B互斥, 则$A - B = A, B- A = B$ - $A - (B-C) \not ={A - B + C}$ - **逆 (对立事件)** 若A与B满足 $A \cup B = \varOmega$, 且 $AB = \varnothing$, 称 A与B互逆． ???+ warning - 事件互斥与互逆(对立事件)的区别: 互斥两事件之和不一定是 $\varOmega$, 对立事件之和为 $\varOmega$ - $A - B = A \overline{B}$ #### 1.1.3 事件的运算律 ???+ success inline end  - 交换律、结合律 - 分配律 - $A \cup (B \cap C) = (A \cup B) \cap (A \cup C) = (A \cup B)(A \cup C)$ - $A \cap (B \cup C) = (A \cap B) \cup (A \cap C) = AB \cup AC$ - 对偶律 - $\overline{ A \cup B } = \overline{A} \cap \overline{B} = \bar{A} \bar{B}$ (和的逆=逆的积) - $\overline{ A \cap B } = \overline{AB} = \overline{A} \cup \overline{B}$ (积的逆=逆的和) ??? question '事件的运算' 用A、B、C的运算关系表示下列各事件： - 三个事件中至少一个发生： $A \cup B \cup C$ - 没有一个事件发生： $\bar{A} \bar{B} \bar{C} = \overline{A \cup B \cup C}$ - 恰有一个事件发生： $A \bar{B} \bar{C} \cup \bar{A} B \bar{C} \cup \bar{A} \bar{B} C$ - 至多有两个事件发生：$\overline{ ABC } = \bar{A} \cup \bar{B} \cup \bar{C}$(考虑其对立事件) - 至少有两个事件发生： (由对偶律)$AB \bar{C} \cup A \bar{B} C \cup \bar{A} BC \cup ABC = AB \cup BC \cup CA$ ### 1.2 随机事件的概率 **频率** 在相同的条件下重复进行了 $N$ 次试验, 若 $A$ 发生了 $\mu$ 次, 则称 $F_N(A) = \frac{\mu}{N}$ 为 $A$ 在 $N$ 次试验中出现的频率． **概率的统计定义** 独立重复地做 $N$ 次试验, 当 $N$ 很大时, 若事件 $A$ 发生的频率稳定地在某一数值 $p$ 附近摆动, 则称 $p$ 为 $A$ 发生的概率． ???+ warning 概率是确定的, 而频率与试验次数有关． #### 1.2.1 古典概率 **古典型随机试验** - 有限性 - 等可能性 古典概率的定义：古典型试验的样本空间为 $\varOmega = \{ \omega _1, \omega _2, ..., \omega _n \}$, 若事件A中含有 $k(k \le n)$个样本点, 则称 $\frac{k}{n}$为 A发生的概率, 记为 $$ P(A) = \frac{k}{n} = \frac{A中的样本点个数}{\varOmega 中的样本点个数} $$ ???+ note '古典概率的性质' - 非负性：对任意A, $P(A) \ge 0$ - 规范性：$P(\varOmega) = 1$ - 可加性：若A和B互斥, 则 $P(A \cup B) = P(A) + P(B)$ - $P(\varnothing)= 0$ - $P(\bar{A}) = 1 - P(A)$ #### 1.2.2 几何概率 **几何型随机试验：** - 无限性 - 等可能性 几何概率的定义：在几何型随机试验中, 定义事件$A$发生的概率为 $$ P(A) = \frac{A的测度(长度, 面积, 体积)}{\varOmega 的测度(长度, 面积, 体积) } $$ ???+ example '会面问题' ???+ success inline end  两人相约7点到8点在某地会面, 先到者等候另一人20分钟后就可离去, 试求这两人能会面的概率． **解** 以 x, y分别表示两人到达时刻 (7点设为零时刻), 则会面的充要条件 为 $| x - y | \leq 20$, 这是一几何概率问题, 可能的结果全体是边长为60的正方形里的点, 能会面的点为图中阴影部分, 所求概率 $$ P = \frac{60^2 - 40^2}{60^2} = \frac{5}{9} $$ #### 1.2.3 概率的性质 - **有限可加性** (可推广到可列可加性) 设 $A_1 , A_2 , ..., A_n$ 是 $n$ 个两两互不相容的事件, 即 $A_i A_j = \varnothing , \space i \not ={j} \space , i, j = 1, 2, ..., n$, 则有$P(A_1 \cup A_2 \cup ... \cup A_n) = P(A_1) + P(A_2) + ... + P(A_n)$ - **事件差** A, B 是两个事件, 则 $P(A - B) = P(A) - P(AB)$ - **单调性** 若事件$A \supset B$ , 则 $P(A) \ge P(B)$ - **加法公式** 对任意两事件A, B, 有 $P(A \cup B) = P(A) + P(B) - P(AB)$ ???+ note '推广' 推广到任意 n 个事件 $A_1 , A_2 , ..., A_n$ 的情形． $P(A \cup B \cup C) = P(A) + P(B) + P(C) - P(AB) - P(BC) - P(AC) + P(ABC)$ - **互补性** $P(\bar{A}) = 1 - P(A)$ - **可分性** 对任意两事件 A, B, 有 $P(A) = P(AB) + P(A \bar{B})$ ### 1.3 条件概率与事件的相互独立性 #### 1.3.1 条件概率 **定义** 对于事件 A, B, 且 $P(B) \ge 0$, 称 $P(A | B) = \frac{P(AB)}{P(B)}$ 为在 B 发生的条件下 A 发生的条件概率． ???+ warning - $P(B) = 0$ 时, $P(A | B)$ 无意义． - $P(A | \varOmega) = \frac{P(A \varOmega)}{P(\varOmega)} = P(A)$ ???+ note '条件概率的性质' - $P(\varnothing | B) = 0$ - $P(\bar{A} | B) = 1 - P(A | B)$ - $P(A_1 \cup A_2 | B) = P(A_1 | B) + P(A_2 | B) - P(A_1 A_2 | B)$ ???+ example '条件概率' 设10件产品中有3件次品, 现无放回的抽取2件, 求在第一次抽到次品的条件下, 第二次抽到次品的概率． **解** 设 $A_i = \{第 i 次抽到次品 \}$, 问题转化为了求 $P(A_2|A_1)$ - **解法一(条件概率)** $$ P(A_2|A_1) = \frac{P(A_2 A_1)}{P(A_1)} = \frac{C_3 ^2/ C_10 ^2}{C_3 ^1/ C_10 ^1} = \frac{2}{9} $$ - **解法二** 按照常识很容易就可以得出答案 #### 1.3.2 乘法公式 设 $A, B \subset \varOmega$, - 若 $P(B) > 0$, 则 $P(AB) = P(B) \cdot P(A | B)$ - 若 $P(A) > 0$, 则 $P(AB) = P(A) \cdot P(B | A)$ ???+ note $$ P(A|B) = \frac{P(AB)}{P(B)} \Rightarrow P(AB) = P(B) \cdot P(A|B) \\ P(B|A) = \frac{P(BA)}{P(A)} \Rightarrow P(AB) = P(A) \cdot P(B|A) $$ ???+ note '推广' 一般地, 设$A_1 , A_2 , ..., A_n \subset \varOmega$, 若 $P(A_1 A_2 ... A_{n-1} ) > 0$, 则 $P(A_1 A_2 ... A_n ) = P(A_1 )P(A_2 | A_1 )P(A_3 | A_1 A_2 ) ... P(A_n | A_1 ... A_n )$． ???+ example '乘法公式-验证抓阄的科学性' 设口袋中有a只白球、b只黑球, 无放回取球, 求第二次取出白球的概率． **解** $A_i = \{第 i 次取到白球 \}$, 则 $\bar{A_1} = \{第1次取到黑球 \}$, 问题转化为了求 $P(A_2)$ 可知 $P(A_1) = \frac{a}{a+b}, \space P(\bar{A_1}) = \frac{b}{a+b}$ $P(A_2|A_1) = \frac{a-1}{a+b-1}, \space P(A_2|\bar{A_1}) = \frac{a}{a+b-1}$ $$ P(A_2) = P(A_2 \varOmega) = P(A_2 \cap \varOmega) = P(A_2 \cap (A_1 \cup \bar{A_1})) \\ = P((A_2 \cap A_1) \cup (A_2 \cap \bar{A_1})) = P(A_1 A_2 \cap \bar{A_1} A_2) \\ = P(A_1) P(A_2|A_1) + P(\bar{A_1}) P(A_2|\bar{A_1}) = \frac{a}{a+b} = P(A_1) $$ 同理 $P(A_k) = \frac{a}{a+b}$ ???+ example '乘法公式-摸奖' 盒子里有 n 个球, 其中n -1 个白球, 1个黑球．n 个人依次取一个球, 不放回．问第 i 个人取到黑球的概率． **解** $A_i$ = {第 i 个人摸到黑球}, $P(A_1) = \frac{1}{n}$ $$ P(A_2) = P(\bar{A_1} A_2) = P(\bar{A_1}) P(A_2|\bar{A_1}) = \frac{n-1}{n} \cdot \frac{1}{n-1} = \frac{1}{n} $$ 同理 $P(A_n) = \frac{1}{n}$ #### 1.3.3 全概率公式 **完备事件组** ???+ success inline end  事件组 $A_1 , A_2 , ..., A_n$, 若满足： - $\bigcup_{i=1}^n A_i = \varOmega$ - $A_i A_j = \varnothing (i \not ={j} ), i, j = 1, 2, ..., n$ 则称 $A_1 , A_2 , ..., A_n$ 为 $\varOmega$ 的一个分割或完备事件组． **全概率公式** ???+ success inline end  设 $A_1 , A_2 , ..., A_n$ 是 $\varOmega$ 的一个分割, 且 $P(A ) > 0 (i = 1, 2, ..., n)$．则对$\forall B$, 有 $$ P(B) = \sum _{i=1} ^n P(A_i B) = \sum _{i=1} ^n P(A_i )P(B | A_i ) $$ 称为全概率公式． ???+ example '全概率公式' 设某工厂有三个车间, 生产同一种产品, 混合后从中任取一件, 求该产品为次品的概率． | 产品 | 一 | 二 | 三 | | --- | --- | --- | --- | | 次品率 | 0.05 | 0.03 | 0.01 | | 产量 | 2500 | 2000 | 1500 | **解** 设B表示取到得产品为次品；$A_i$ 表示取到第 i 个车间的产品．i = 1, 2, 3. 问题转化为了求 $P(B)$ $$ P(B) = P(A_1 B) + P(A_2 B) + P(A_3 B) \\ = P(A_1)P(B | A_1 ) + P(A_2)P(B | A_2) + P(A_3)P(B | A_3) \\ = \frac{2500}{6000} \times 0.05 + \frac{2000}{6000} \times 0.03 + \frac{1500}{6000} \times 0.01 \approx 3.3 \% $$ ???+ example '全概率公式' 已知一个袋子中有12个乒乓球, 其中9个新球, 3个旧球, 现从中任取3个球进行比赛, 比赛结束后, 将3个球放回袋中．第二天, 再任取3球进行比赛, 求第二次抽出的3个球全是新球的概率是多少？ **解** 设 $A_i$ 表示第一次取出 i 个新球 i = 0, 1, 2, 3, B 表示第二次取出3个新球, 问题转换为了求$P(B)$ $$ P(B) = P(A_0 B) + P(A_1 B) + P(A_2 B) + P(A_3 B) \\ = P(A_0)P(B | A_0) + P(A_1)P(B | A_1) + P(A_2)P(B | A_2) + P(A_3)P(B | A_3) \\ = \frac{C_3 ^3}{C_12 ^3} \frac{C_9 ^3}{C_12 ^3} + \cdots $$ #### 1.3.4 贝叶斯公式(逆转因果) 设 $A_1 , A_2 , ..., A_n$ 是 $\varOmega$ 的一个分割, 且$P(A ) > 0 (i =1, 2, ..., n)$.则对$\forall B$, 若$P(B) > 0$, 有 $$ P(A_j | B) = \frac{P(A_j B)}{P(B)} = \frac{P(A_j ) P(B | A_j )}{\sum _{i=1} ^n P(A_i ) P(B | A_i )} $$ 称为贝叶斯公式 (或逆全概率公式)． ???+ example '全概率公式和贝叶斯公式' 某传染病临床上统计发生下述症状的易感者患病概率为： | | 仅发热 | 仅干咳 | 既发热又干咳 | 无上述现象 | | --- | ----- | ------ | ----------- | ---------- | | 概率 | 0.03 | 0.01 | 0.05 | 0.0001 | 现对某疫区25000人检查发现： | | 仅发热 | 仅干咳 | 既发热又干咳 | | --- | ----- | ------ | ----------- | | 人数/人 | 500 | 1000 | 250 | > 1. 疫区中任取一人, 他为该传染病患者的概率； > 1. 某人为该传染病患者, 计算他临床表现为“仅发热”的概率． **解** 设 A={仅发热病人}, B={仅干咳病人}, C={既发热又干咳病人}, D={无明显症状的病人}, E={得了该传染病} 1. 问题转换为求$P(E)$, 由全概率公式得： $P(E) = P(A)P(E | A) + P(B)P(E | B)+P(C)P(E | C) + P(D)P(E | D) = \frac{500}{25000} \times 0.03 + \cdots = 0.001593 $ 2. 问题转换为求$P(A|E)$ , 由贝叶斯公式得： $P(A|E) = \frac{P(A)P(E|A)}{P(E)} = 0.37648$ ???+ example '贝叶斯公式' 商店论箱出售玻璃杯, 每箱20只, 其中每箱含有 0, 1, 2 只次品的概率分别为0.8, 0.1, 0.1, 某顾客选中一箱, 从中任选4只检查, 结果都是好的, 便买下了这一箱．问这一箱含有一个次品的概率是多少？ **解** 设 A表示从一箱中任取4只检查, 结果都是好的．$B_i$ 表示事件每箱含 i 只次品, i = 0, 1, 2. 问题转化为了求 $P(B_1|A)$ 已知 $P(B_1) = 0.8, P(B_2) = 0.1, P(B_3) = 0.1$ $P(A|B_0) = 1, \space P(A|B_1) = \frac{C_19 ^4}{C_20 ^4} = \frac{4}{5}, \space P(A|B_2) = \frac{C_18 ^4}{C_20 ^4} = \frac{12}{19}$ 由贝叶斯公式得 $$ P(B_1|A) = \frac{P(AB_1)}{P(A)} = \frac{P(B_1)P(A|B_1)}{P(B_0)P(A|B_0) + P(B_1)P(A|B_1) + P(B_2)P(A|B_2)} = 0.0848 $$ ???+ note '全概率公式与贝叶斯公式说明' 令 $A_i$ 表示“原因”, $B$ 表示“结果”, 则$P(A_i)$表示第 $i$ 种原因发生的概率．$P(B | A_i) $表示原因 $A_i$引起结果 $B$ 发生的可能性大小． - **全概率公式** 综合引起结果的各种原因, 导致该结果出现的可能性大小． - **贝叶斯公式** 当结果出现时, 它是由某原因引起的可能性大小． 逆转因果 #### 1.3.5 事件的相互独立性 **两事件独立** 若$A, B$两个事件满足 $P(AB) = P(A) P(B)$, 则称事件A与B相互独立． ???+ note - $\varOmega, \varnothing$ 与任何事件相互独立 - 事件的独立与事件的互斥无联系 - 判别独立的方法 - 定义验证 - 对实际问题, 由经验验证． ???+ example '事件独立-由生活经验判断' 掷两枚均匀的骰子一次, 求出现双6点的概率． **解** 设 $A_i$ ={第 i 枚骰子出现6点}, i = 1, 2, 易知 $A_1, A_1$ 独立, 问题转化为求 $P(A_1A_2)$ $P(A_1A_2)= P(A_1) \cdot P(A_2) = \frac{1}{6} \times \frac{1}{6} = \frac{1}{36}$ ???+ example '事件独立-由定义判断' 从一付52张(去掉王)的扑克牌中任意抽取一张, 令 A={抽出一张 K }, B={抽出一张黑桃}, 问 A 与 B 是否独立? **解** $\because P(A) = \frac{4}{52} , P(B) = \frac{13}{52} , P(AB) = \frac{1}{52} = P(A)P(B)$ $\therefore$ 两事件相互独立 ???+ tip - $A, B$ 相互独立 $\iff P(A | B) = P(A), P(B) > 0 \iff P(B | A) = P(B) , P(A) > 0$ - 若事件$A$与$B$独立, 则$A$与$\bar{B}$、$\bar{A}$与$B$、$\bar{A}$与$\bar{B}$ 也相互独立． **多个事件的独立** 若三个事件 $A, B, C$ 满足 $$P(AB) = P(A) P(B) , P(AC) = P(A) P(C) , P(BC) = P(B) P(C) $$ 则称事件 $A, B, C$ 两两独立．若在此基础上还满足 $P(ABC) = P(A) P(B) P(C)$ 则称事件 $A, B, C$ 相互独立． ???+ note '事件独立性的应用-加法公式的简化' 若事件 $A_1, A_2, ..., A_n$ 相互独立, 则 $P(A_1 \cup A_2 \cup ... \cup A_n ) =1 - P(\bar{A_1} \bar{A_2} \cdots \bar{A_n}) =1- P(\bar{A_1}) ... P(\bar{A_n})$ > $\overline{ A \cup B } = \overline{A} \cap \overline{B} = \bar{A} \bar{B}$ (和的逆=逆的积) ## 第二章 随机变量及其概率分布 ### 2.1 随机变量的概念 ???+ abstract 有些随机试验的结果是一个数值．例如：掷骰子试验、产品的次品率检验等．有些试验的结果不是数值, 但可转化为数值表示．例如：掷硬币试验, 可以用1表示正面, 0表示反面．综上所述, {==所有随机试验的结果均可用数值表示==}．因此, 可以引入一个变量来表示随机试验的结果． **定义** 设试验 $E$ 的样本空间为 $\varOmega$, 若对于每个样本点 $\omega \in \varOmega$ 均有一个实数 $X (\omega)$ 与之对应, 这样就得到一个定义在 $\varOmega$上的单值函数 $X = X (\omega)$, 称 $X$ 为随机变量． ??? warning - 随机变量是一个定义在样本空间上的实函数, 它取值的随机性是由样本点的随机性引起的 - 引入随机变量是为了将随机试验数量化, 这样就可以用微积分的理论对随机现象的规律性进行研究． ???+ example 若用 X 表示掷一枚骰子的试验中出现的点数, 则 $\{X < 5 \}$ 表示掷出点数小于 5 这一事件, $\{X = 3 \}$ 表示掷出的点数为 3 点这一事件． ### 2.2 随机变量的概率分布 #### 2.2.1 随机变量的分布函数 $F(x)$ **定义** 设 $X$ 为一随机变量, $x$ 为任意实数, 称函数 $F(x) = P \{X \leq x \}$ 为 $X$ 的分布函数． ???+ warning - $F(x)$ 是一普通函数, 其定义域为 $(- \infty, + \infty)$ - $F(x)$ 的值为事件 $\{ X \leq x \}$ 的概率 - $F(x)$ 可以完全地描述随机变量取值的规律性． ???+ example $P\{x_1 < X \leq x_2 \} = P \{X \leq x_2 \} - P \{X \leq x_1 \} = F(x_2 ) - F(x_1 )$． ???+ note '分布函数 $F(x)$ 的性质' - **单调不减性** 若 $x_1 < x_2$ , 则 $F(x_1 ) \leq F(x_2 )$ - **规范性** $$ F(- \infty) = \lim _{x \to - \infty} F(x) = 0 \\ F(+ \infty) = \lim _{x \to + \infty} F(x) = 1 $$ - **右连续性** $\forall x \in \R$, 有 $$ \lim _{x \to x_0 ^+} F(x) = F(x_0 ) $$ ???+ note 任一满足以上三个性质的函数, 都可以作为某随机变量的分布函数． ??? example '分布函数的性质' 设随机变量 X 的分布函数为 $F(x) = A + B arctan x , \space - \infty < x < +\infty$, 求 A 和 B 的值． **解** 由规范性知 $F(-\infty) = A - \frac{\pi}{2} \cdot B = 0, \space F(+\infty) = A + \frac{\pi}{2} \cdot B = 1$ 解得 $A = \frac{1}{2}, B =\frac{1}{\pi}$ ???+ example '分布函数' 设某随机变量的分布函数为 $$ F(x) = \begin{cases} 0 , \space x \le 0 \\ Ax^2 , \space0 < x \le 1 \\ 1 , \space x > 1 \end{cases} $$ 求 A 及 $P \{0.3 < X \leq 0.7 \}$． **解** 利用右连续性知 $F(1^+) = F(1)$, 则 A = 1． $P\{0.3 < X \leq 0.7\} = F(0.7) - F(0.3) = 0.72 - 0.32 = 0.4$ ???+ note 设 $X \sim F(x), \forall a, b \in \R$, 且 $a < b$, 则有 - $P \{ X \le b \} = F(b)$ - $P \{ X < b \} = F(b ^-)$ - $P \{ X = b \} = P \{ X \le b \} - P \{ X < b \} = F(b) - F(b ^-)$ - $P \{X > a \} = 1 - P \{X \leq a \} = 1 - F(a)$ - $P \{X \geq a \} = 1 - P \{X < a \} = 1 - F(a ^-)$ - $P \{a < X < b \} = P \{X < b \} - P \{X \leq a \} = F(b^-) - F(a)$ ???+ info '随机变量的分类' - **离散型随机变量** 取值为有限个或可列个．例如：一批产品中的次品数． - **连续型随机变量** 取值为某一区间上的值．例如：零件尺寸与规定尺寸的偏差． #### 2.2.2 离散型随机变量的分布律 **定义** 设 $x_i (i = 1, 2, ...)$为离散型随机变量 $X$ 的所有可能取值, 事件 $\{X = x_i \}$ 的概率 $P\{X = x_i \} = p_i , i = 1, 2, ...$ 称为 $X$ 的分布律 (列), 常写成表格形式： $$ \begin{array}{c|cccc} X & x_1 & x_2 & \cdots & x_n \cdots \\ \hline P & p_1 & p_2 & \cdots & p_n \cdots \end{array} $$ ???+ note '离散型随机变量分布律的性质' - **非负性** $p_i \geq 0$, $i = 1, 2, ...$ - **规范性** $\sum p_i = 1$ 任一满足这两条性质的数列, 都可作为某离散型随机变量的分布律． ???+ example '离散型随机变量的分布律和分布函数' 袋中有编号为1-5的5个球, 从中任取3个球, 求取出球的最大号 X 的分布律和分布函数． **解** X 的可能取值为3, 4, 5 $P\{X = 3 \} = \frac{1}{C_5 ^3} = \frac{1}{10}, \space P\{X = 4 \} = \frac{C_3 ^2}{C_5 ^3} = \frac{3}{10}, \space P\{X = 5\} = \frac{C_4 ^2}{C_5 ^3} = \frac{6}{10}$ 所以 X 的分布律为 $$ \begin{array}{c|cccc} X & 3 & 4 & 5 \\ \hline P & \frac{1}{10} & \frac{3}{10} & \frac{6}{10} \end{array} $$ ???+ success inline end  则 X 的分布函数为 $$ F(x) = P \{X \le x \} \begin{cases} 0 , \space x < 3 \\ \frac{1}{10} , \space 3 \le x < 4 \\ \frac{4}{10} , \space 4 \le x < 5 \\ 1 , \space x \ge 5 \end{cases} $$ #### 2.2.3 连续型随机变量的概率密度函数 $f(x)$ ???+ success inline end '连续性随机变量概率密度函数几何意义'  **定义** 设 $X \sim F(x)$, 若存在一个非负可积的函数 $f (x)$, 使 $\forall x \in \R$, 有 $$ F(x) = P \{ X \le x \} = \int _ {-\infty} ^x f (t) dt $$ 则称 X 为连续型随机变量, $f (x)$称为 X 的概率密度函数或分布密度函数．连续型随机变量的分布函数 $F(x)$ 是连续函数． ???+ note '概率密度函数 $f (x)$ 的性质' - **非负性** $f (x) \geq 0$ - **规范性** $F(+\infty) = \int _ {-\infty} ^ {+\infty} f (x) dx = 1$ > 任一满足以上两条性质的函数, 都可以作为某连续型随机变量的概率密度函数． - $P\{a < X \leq b\} = F(b) - F(a) = \int _a ^b f(x) dx$ - 若 $f (x)$ 在 $x$ 处连续, 则 $F' (x) = f (x)$． > 设 $X$ 为一连续型随机变量, $a$ 为任意常数, 则有 $P\{X = a\} = 0$ (概率为0的事件未必是不可能事件) **证明** $\because F(x)$ 是连续的 $\Rightarrow F(a^-) = F(a)$ $\therefore P \{X = a \} = P \{X \leq a \} - P \{X < a\} = F(a) - F(a^-) = F(a) - F(a) = 0$ $\therefore P \{a < X \leq b \} = P \{a \leq X \leq b \} = P \{a < X < b \}= P \{a \leq X < b \} = \int _a ^b f (x)dx$ ???+ example '概率为0的事件未必不可能发生' 已知 $P(A \cup B) = 0.8 , P(A) = 0.3, P(B) = 0.5$, 则事件 A 与B 的关系为 ( D )． - [ ] (A) 事件 A 与B 相互独立 - [ ] (B) 事件 A与 B 互不相容 - [ ] (C) 事件 A与 B 对立 - [x] (D) 事件 A 与B 有可能同时发生 **解析** 由 $P(A \cup B) = P(A) + P(B) - P(AB)$, 易得 $P(AB) = 0$, 排除 (A)；互不相容的定义是事件不能同时发生, 由于概率为 0 的事件是有可能发生的事件, 因此本题答案为 (D)． ???+ example '连续型随机变量' 设连续型随机变量 $X$ 的概率密度函数为 $$ f(x) = \begin{cases} kx(1-x) , \space 0 < x < 1 \\ 0 , \space 其他 \end{cases} $$ 求 $k$ 的值, $P\{X > 0.3\}$ 及分布函数 $F(x)$． **解** 利用规范性得 $1 = \int _{- \infty} ^{+ \infty} f (x)dx = \int _{- \infty} ^0 f (x)dx + \int _0 ^1 f (x)dx + \int _0 ^{+ \infty} f (x)dx$ 即 $\int _0 ^1 kx(1- x)dx = 1 \implies k = 6$ $P \{X > 0.3 \} = \int _{0.3} ^{+ \infty} f (x)dx = \int _{0.3} ^1 6x(1- x)dx = 0.784$ $$ F(x) = \int _{- \infty} ^x f(t) dt \begin{cases} 0 , \space x \le 0 \\ 3x^2 - 2x^3 , \space 0 < x < 1 \\ 1 , \space x \ge 1 \end{cases} $$ ### 2.3 随机变量函数的分布 #### 2.3.1 离散型随机变量函数的分布 ???+ example '离散型随机变量函数的分布' 设离散型随机变量 X 的分布律为： $$ \begin{array}{c|cccc} X & -1 & 0 & 1 & 2 \\ \hline P & 0.2 & 0.3 & 0.1 & 0.4 \end{array} $$ 则 $Y = X^2 +1$ 的分布律为： $$ \begin{array}{c|cccc} Y & 1 & 2 & 5 \\ \hline P & 0.3 & 0.3 & 0.4 \end{array} $$ #### 2.3.2 连续型随机变量函数的分布 **定理** 设连续型随机变量 $X$ 的概率密度函数为 $f_X (x)$, 又设 $y = g(x)$ 是处处可导的单调函数, 则 $Y = g(X )$ 是连续型随机变量, 且 Y 的概率密度函数为： $$ f_Y(y) = \begin{cases} f_X [h(y)] \cdot | h'(y) |, & \alpha < y < \beta \\ 0, & \text{其他 } \end{cases} $$ 其中 $x = h(y)$ 是 $y = g(x)$ 的反函数, $\alpha$ 是 $y = g(x)$ 的最小值, $\beta$ 是 $y = g(x)$ 的最大值. ### 2.4 二维随机变量及其分布 #### 2.4.1 二维随机变量 **定义** 设 $X, Y$ 是两个随机变量, 则由它们构成的二维向量 $(X , Y )$ 称为二维随机变量． **联合分布函数** 设 $(X , Y )$是二维随机变量, $\forall x , y \in \R$, 称二元函数 $F(x, y) = P\{X \leq x, Y \leq y\}$ 为$(X , Y )$ 的联合分布函数． ???+ success inline end '几何意义'  ???+ note - **几何意义：** $(X , Y )$落在点 $(x, y)$ 的左下方无穷矩形域内的概率． - $P\{x_1 < X \leq x_2 , y_1 < Y \leq y_2 \} = F(x_2 , y_2 ) - F(x_1 , y_2 ) - F(x_2 , y_1) + F(x_1 , y_1 )$． > 此处事件中的逗号表示 '且' ???+ note '性质' - $F(x, y)$ 关于 $x, y$ 具有单调不减性； - $F(+ \infty, + \infty) = 1, F(-\infty, - \infty) = 0, F(x, - \infty) = 0, F(-\infty, y) = 0$ - $F(x, y)$ 关于 $x, y$ 具有右连续性； - 对$\forall x_1 < x_2 , y_1 < y_2$均有 $F(x_2 , y_2 ) - F(x_1 , y_2 ) - F(x_2 , y_1 ) + F(x_1 , y_1 ) \ge 0$ **边缘分布函数** - $F_X (x) = P\{X \leq x\} = F(x, + \infty)$ - $F_Y (y) = F(+\infty, y)$ #### 2.4.2 二维离散型随机变量 **定义** 若 $(X , Y )$ 的全部可能取值只有有限多对或可列多对, 则称$(X , Y )$ 是二维离散型随机变量, 而称 $P \{X = x_i , Y = y_j \} = p_{ij} (i, j = 1, 2, ...)$ 为二维离散型随机变量 $(X , Y )$ 的联合分布律． **性质** - $p \ge 0, i, j = 1, 2, ...$ - $\sum _i \sum _j p_{ij} = 1$ **边缘分布律** - $P\{X = x_i \} = \sum _j p_{ij} = p_i$ - $P\{Y = y_j \} = \sum _i p_{ij} = p_j$ $(X , Y )$的联合分布律通常用如下表格给出： $$ \begin{array}{c|ccccc} X \backslash Y & y_1 & y_2 & \cdots & y_j & \cdots \\ \hline x_1 & p_{11} & p_{12} & \cdots & p_{1j} & \cdots \\ x_2 & p_{21} & p_{22} & \cdots & p_{2j} & \cdots \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ x_i & p_{31} & p_{32} & \cdots & p_{3j} & \cdots \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ \end{array} $$ 联合分布律的行或列相加即得边缘分布律： $$ \begin{array}{c|ccccc|c} X \backslash Y & y_1 & y_2 & \cdots & y_j & \cdots & P \{X= x_i \} = p_{i \cdot} \\ \hline x_1 & p_{11} & p_{12} & \cdots & p_{1j} & \cdots & p_{1 \cdot} \\ x_2 & p_{21} & p_{22} & \cdots & p_{2j} & \cdots & p_{2 \cdot} \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ x_i & p_{31} & p_{32} & \cdots & p_{3j} & \cdots & p_{i \cdot} \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ \hline P \{Y= y_j \} = p_{\cdot j} & p_{\cdot 1} & p_{\cdot 2} & \cdots & p_{\cdot j} & \cdots & 1 \\ \end{array} $$ #### 2.4.3 二维连续型随机变量 **定义** 设 $(X , Y ) \sim F(x, y)$, 若存在一个非负可积的函数 $f (x, y)$, 使 $\forall (x, y) \in \R^2$, 有 $F(x, y) = \int _{- \infty} ^x \int _{- \infty} ^y f (u, v)dvdu$, 则称 $(X , Y )$为二维连续型随机变量, $f (x, y)$ 称为 $(X , Y )$ 的联合概率密度函数． $f (x, y)$ 的性质: - 非负性 $f (x, y) \ge 0$ - 规范性 $\int _{- \infty} ^{+ \infty} \int _{- \infty} ^{+ \infty} f (x, y)dxdy = 1$ - 若 $f (x, y)$在点 $(x, y)$ 连续, 则 $\frac{\partial ^2 F(x, y)}{\partial x \partial y} = f (x, y)$ - $P \{(X, Y) \in D \} = \iint _D f(x, y) dx dy$ 边缘密度函数: - $F_X (x) = \int _{- \infty} ^{+ \infty} f (x, y) dy$ - $F_Y (y) = \int _{- \infty} ^{+ \infty} f (x, y) dx$ ???+ example '二维连续型随机变量' 设 $(X , Y )$ 的联合概率密度函数为 $$ f(x) = \begin{cases} Ce^{-2(x+y)} , \space x > 0, y > 0 \\ 0 , \space 其他 \end{cases} $$ > 1. 求常数$C, F(x, y), f_X (x), f_Y (y)$ > 2. 求 $P\{(X , Y )\in D\}$ , D由 $x = 0, y = 0, x + y = 1$ 围成． **解** 由规范性 $1= \int _{- \infty} ^{+ \infty} \int _{- \infty} ^{+ \infty} f (x, y)dxdy = \int _0 ^{+ \infty} \int _0 ^{+ \infty} Ce^{-2(x+y)} dxdy = \frac{C}{4} \implies C = 4$ $$ F(x, y) = \int _{- \infty} ^x \int _{- \infty} ^y f (u, v)dvdu \\ = \begin{cases} \int _0 ^{+ \infty} \int _0 ^{+ \infty} 4e^{-2(x+y)} dvdu, \space x > 0, y>0 \\ 0 , \space 其他 \end{cases} \\ = \begin{cases} (1-e^{-2x})(1-e^{-2y}), \space x > 0, y>0 \\ 0 , \space 其他 \end{cases} $$ $$ f_X(x) = \int _{- \infty} ^{+ \infty} f(x, y) dy \\ = \begin{cases} \int _0 ^{+ \infty} 4e^{-2(x+y)} dy , \space x > 0 \\ 0 , \space 其他 \end{cases} \\ = \begin{cases} 2e^{-2x} , \space x > 0 \\ 0 , \space 其他 \end{cases} $$ ???+ success inline end  同理 $$ f_Y(y) = \int _{- \infty} ^{+ \infty} f(x, y) dx \\ = \begin{cases} 2e^{-2y} , \space y > 0 \\ 0 , \space 其他 \end{cases} $$ --- $P \{(X, Y) \in D \} = \iint _D f(x, y) dx dy = \int _0 ^1 dx \int _0 ^{1-x} 4e^{-2(x+y)}dy = 1 - 3e^{-2}$ ### 2.5 随机变量的相互独立性 **定义** 设 $(X , Y )$ 是二维随机变量, 若 $\forall (x, y) \in \R ^2$, 有 $P\{X \leq x, Y \leq y \} = P\{X \leq x\} P\{Y \leq y\}$ , 即 $F(x, y) = F_X (x)F_Y ( y)$, 则称 $X$ 与 $Y$ 相互独立． 特别地, - 对离散型随机变量：$X$ 与 $Y$ 相互独立 $\Longleftrightarrow p_{ij} = p_i p_j, \forall i, j$ - 对连续型随机变量：$X$ 与 $Y$ 相互独立 $\Longleftrightarrow f (x, y) = f_X (x) f_Y ( y)$ ???+ note - 独立性的概念可推广到$n$个随机变量的情形, 且若 $X_1 , X_2 , ..., X_n$是相互独立的随机变量, 则随机变量的函数 $f_1 (X_1 ), f_2 (X_2 ), ..., f_n (X_n )$也是相互独立的 - 随机变量的相互独立性是事件独立性的扩充, 常可由试验的独立性来判定随机变量的独立性 {==两个随机变量的函数分布==} ## 第三章 随机变量的数字特征 ???+ abstract 通常把刻划随机变量的某些特征的确定的数值称为数字特征． - 反映随机变量取值的集中位置——数学期望 - 反映随机变量取值的分散程度——方差 - 反映两个随机变量的线性关联程度——相关系数 ### 3.1 数学期望 #### 3.1.1 随机变量的数学期望 **离散型随机变量的数学期望** 设离散型随机变量 $X$ 的分布律为 $P \{X = x_i \} = p_i$ , 若级数 $\sum _i x_i p_i$ 绝对收敛, 则称该级数和为 $X$ 的数学期望, 记为 $E(X ) = \sum _i x_i \cdot p_i$ **连续型随机变量的数学期望** 设连续型随机变量 $X$ 的概率密度函数为 $f(x)$ , 若积分 $\int _{- \infty} ^{+ \infty} xf(x)dx$ 绝对收敛, 则称积分值为 $X$ 的数学期望, 记为 $E(X ) = \int _{- \infty} ^{+ \infty} xf(x)dx$ ???+ example '数学期望' 设随机变量 $X$ 的概率密度函数为 $$ f (x) = \begin{cases} x , \space 0 \le x \le 1 \\ 2 - x , \space 1 < x \le 2 \\ 0 , \space 其他 \end{cases} $$ 求 $X$ 的数学期望 $E(X )$ **解** 由定义可知 $E(X ) = \int _{- \infty} ^{+ \infty} xf(x)dx = \int _0 ^1 x \cdot xdx + \int _1 ^2 x \cdot (2-x)dx = 1$ #### 3.1.2 随机变量函数的数学期望 **定理** 设 $Y = g(X )$ ($g$为连续函数), - 若 $X \sim P\{X = x_i \} = p_i , i = 1, 2, ...$, 则 $E(Y ) = E[g(X )] = \sum _i g(x_i ) p_i$ - 若 $X \sim f (x)$, 则 $E(Y ) = E[g(X )] = \int _{- \infty} ^{+ \infty} g(x) f (x)dx$ ???+ example '数学期望' 对圆的半径作近似测量, 假设其值 $X$ 均匀的分布在 $[a, b]$ 内, 即 $$ F(x) = \begin{cases} \frac{1}{b-a} , \space a \le x \le b \\ 0 , \space 其他 \end{cases} $$ 求圆的面积的数学期望． **解** 设 $Y$ 表示圆的面积, 则 $Y = \pi X ^2$ $E(Y ) = E(\pi X^2) = \int _{- \infty} ^{+ \infty} \pi x^2 f (x)dx = \int _a ^b \pi x^2 \frac{1}{b-a} dx = \frac{\pi (a^2 + ab + b^2)}{3}$ ???+ warning - 定理的意义在于不用求$Y$的分布, 只需用 $X$ 的分布, 就可算出$E(Y)$ - 定理可推广到二维随机变量函数的情形：设 $Z = g(X , Y )$ ($g$为连续函数), - 若 $(X , Y ) \sim P \{X = x_i , Y = y_i \} = p _{ij}, (i, j = 1, 2, ...)$, 则 $E(Z) = E[g(X , Y )] = \sum _i \sum _j g(x_i, y_j ) p_{ij}$ - 若 $(X , Y ) \sim f (x, y)$, 则 $E(Z) = E[g(X , Y )] = \int _{- \infty} ^{+ \infty} \int _{- \infty} ^{+ \infty} g(x, y) f (x, y)dxdy$ ???+ example '数学期望' $$ (X , Y ) \sim f (x, y) = \begin{cases} x+y , \space 0 \le x \le 1, 0 \le y \le 1 \\ 0 , \space 其他 \end{cases} $$ 求 $E(X + Y )$ **解** $E(X + Y ) = \int _{- \infty} ^{+ \infty} \int _{- \infty} ^{+ \infty} (x + y) f (x, y)dxdy = \int _0 ^1 \int _0 ^1 (x + y) \cdot (x+y)dxdy = \frac{7}{6}$ #### 3.1.3 数学期望的性质 1. 若 $a \leq X \leq b$ , 则 $a \leq E(X ) \leq b$．特别 $E(c) = c$． 2. **线性性质** $E(aX + bY + c)= aE(X ) + bE(Y ) + c$． 3. 若 $X$ 与 $Y$ 相互独立, 则 $E(XY )= E(X )E(Y )$．(反之不成立) ???+ note 性质2, 3可推广到 $n$ 个随机变量的情形． ### 3.2 方差 方差反映的是 $X$ 的取值与其期望值的偏离程度． **定义** 设 $X$ 是一随机变量, 若 $E[X - E(X )]^2$ 存在, 则称其为 $X$ 的方差, 记为 $Var(X ) = D(X ) = E[X - E(X )]^2 $．而称 $\sigma (X ) = \sqrt{D(X )}$ 为 $X$ 的标准差(或均方差)． #### 3.2.1 方差的计算 - 方差是随机变量函数 $g(X ) = [X - E(X )]^2$ 的期望 - 设 $X \sim P \{X = x _i\} = p_i , i =1, 2, ...$, 则 $D(X ) = \sum _i [x - E(X )] ^2 p_i$ - 设 $X \sim f (x)$, 则 $D(X ) = \int _{- \infty} ^{+ \infty} [x - E(X )] ^2 f (x)dx$ - $D(X ) = E(X ^2) - E^2 (X )$ > **证** $D(X ) = E[X - E(X )]^2 = E[X ^2 - 2X \cdot E(X ) + E^2(X )] = E(X ^2) - 2E(X ) \cdot E(X ) + E^2(X )= E(X ^2) - E^2(X )$ #### 3.2.2 方差的性质 - $D(C) = 0$ - $D(aX + b) = a ^2 D(X )$ - 若 $X , Y$ 相互独立, 则 $D(X \pm Y ) = D(X ) + D(Y )$ - **推论** 设 $X_1 , X_2 , ..., X_n$ 相互独立, 则 $$ D (\sum _{i=0} ^n X_i) = \sum _{i=0} ^n D(X_i ) $$ ???+ example '方差' 设 $X$ 的期望 $E(X ) = \mu$ , 方差 $D(X ) = \sigma ^2 \not = 0$, 求标准化随机变量 $X^* = \frac{X - \mu}{\sigma}$ 的期望和方差. **解** $E(X *) = E(\frac{X - \mu}{\sigma}) = \frac{1}{\sigma} E(X - \mu) = \frac{1}{\sigma} [E(X ) - \mu] = 0$ $D(X *) = D(\frac{X - \mu}{\sigma}) = D(\frac{X}{\sigma} - \frac{\mu}{\sigma}) = (\frac{1}{\sigma})^2 D(x) = 1$ ### 3.3 协方差与相关系数 #### 3.3.1 相关系数的定义和计算 **定义** 称 $Cov(X , Y ) = E \Big[ \big(X - E(X ) \big) \cdot \big(Y - E(Y ) \big) \Big]$ 为 $X$ 与 $Y$ 的协方差, 称标准化随机变量的协方差. $$ \rho _{\tiny XY} = \frac{Cov(X , Y )}{\sqrt{D(X )} \sqrt{D(Y )}} $$ 为 $X$ 与 $Y$ 的相关系数． ???+ note - $\rho _{\tiny XY}, \space | \rho _{\tiny XY} | \leq 1$ 是随机变量间线性关系的量度 - 当 $\rho = 0$ 时, 称 $X$ 与 $Y$ 不相关． ???+ note '协方差的性质' - $Cov(X , Y ) = E(XY ) - E(X )E(Y )$, 特别的, $Cov(X , X ) = D(X )$ > **证** $Cov(X , Y ) = E \Big[ \big(X - E(X ) \big) \cdot \big(Y - E(Y ) \big) \Big] = E [ XY - XE(Y) - YE(X) + E(X)E(Y) ] = E(XY) - E(X)E(Y) - E(Y)E(X) + E(X)E(Y) = E(XY ) - E(X )E(Y )$ - $Cov(aX , bY ) = ab \cdot Cov(X , Y )$ - $Cov(X_1 + X _2, Y ) = Cov(X_1 , Y ) + Cov(X_2 , Y )$ - $D(X \pm Y ) = D(X ) + D(Y ) \pm 2Cov(X , Y )$ ???+ example '协方差' 设 $D(X ) = 36, D(Y ) = 25, \rho _{\tiny XY} = 0.4$, 求 $D(X \pm Y )$． **解** $$ \rho _{\tiny XY} = \frac{Cov(X , Y )}{\sqrt{D(X )} \sqrt{D(Y )}} = \frac{Cov(X , Y )}{6 \times 5} = 0.4 \\ \implies Cov(X , Y ) = 12 $$ - $D(X + Y ) = D(X ) + D(Y ) + 2Cov(X , Y ) = 36 + 25 + 24 = 85$ - $D(X -Y ) = D(X ) + D(Y ) - 2Cov(X , Y )= 36 + 25 - 24 = 37$ #### 3.3.2 协方差与相关系数的性质 **定理** 对于随机变量 X 与 Y , 下列命题等价： - $E(XY ) = E(X )E(Y )$ - $D(X \pm Y ) = D(X ) + D(Y )$ - $Cov(X , Y ) = 0$ - $\rho _{\tiny XY} = 0$ ???+ warning - 独立性表示不存在任何直接关系, 而不相关表示不存在线性关系, 但不排除有其它的关系 - 所有数字特征的计算都归结为期望的计算 - X与Y独立可以推出上面四个结论, 但上面四个结论无法推出X与Y独立 ???+ example 设 $(X , Y )$ 的联合概率密度函数为 $$ f(x, y) = \begin{cases} \frac{1}{\pi} , x^2 + y^2 \le 1 \\ 0 , \space 其他 \end{cases} $$ 试求 $E(X ), E(Y ), E(XY ), D(X ), D(Y ), Cov(X , Y ), \rho _{\tiny XY}$ > 注意观察函数的构造, 使用对称性和奇偶性简化计算 **解** 记 $D：x^2 + y^2 \leq 1, E(X ) = \iint _{\R ^2} xf(x, y) dxdy = \iint _D xf(x, y) dxdy = \iint _D x \cdot \frac{1}{\pi} dxdy = 0$ (奇偶性) 同理：$E(Y ) = 0$ $E(XY ) = \iint _{\R ^2} xy \cdot f(x, y) dxdy = \iint _D xy \cdot f(x, y) dxdy = 0$ $D(X) = E(X^2) - E^2 (X) = E(X^2) = \iint _{\R ^2} x^2 \cdot f(x, y) dxdy = \iint _D x^2 \cdot f(x, y) dxdy = \iint _D x^2 \cdot \frac{1}{\pi} dxdy = \frac{1}{4}$ 同理 $D(Y ) = \frac{1}{4} , Cov(XY ) = E(XY ) - E(X )E(Y ) = 0, \rho _{\tiny XY} = 0$ ## 第四章 几类重要的概率分布 ### 4.1 二项分布 $X \sim B(n, p)$ ???+ abstract 两点分布(伯努利分布)是特殊的二项分布. #### 4.1.1 两点分布(伯努利分布) **伯努利试验** 只有两种可能结果的试验称为伯努利试验．通常把这两个结果 $A$ 和 $\bar{A}$ 称为“成功”和“失败”． > 任一试验均可视为只有结果 $A$ 和 $\bar{A}$ 的伯努利试验． **两点分布** 在一次伯努利试验中, 设 $P(A) = p \space (0 < p < 1)$, 记 $X$ 为 $A$ 发生的次数, 则 $X$ 的分布律为 $$ \begin{array}{c|cc} X & 0 & 1 \\ \hline P & 1-p & p \end{array} $$ 称 $X$ 服从 **伯努利分布(Bernoulli Distribution)或两点分布**, 记为$X \sim B(1, p)$． #### 4.1.2 二项分布 **n重伯努利试验** 将伯努利试验独立重复地进行 n 次． ???+ example 连续抛掷两枚均匀的硬币100次, 令 $X$ 表示双正面出现的次数, 则 $P \set{ X = 30 } = C_{100} ^{30} (\frac{1}{4})^{30} (1- \frac{1}{4}) ^{100-30} $ **二项分布** 在 $n$ 重伯努利试验中, 设 $P(A) = p (0 < p < 1)$, 则事件 $A$ 恰好发生 $k$ 次的概率为 $P \set{X = k} = P_n (k) = C _n ^k p^k (1- p) ^{n-k} , k = 0, 1, 2, ..., n$ , 称 $X$ 服从参数为 $n, p$ 的二项分布, 记为 $X \sim B(n, p)$． ???+ note '二项分布的数字特征' 设 $X \sim B(n, p)$．则 - $E(X ) = np$ - $D(X ) = np(1- p)$ ???+ example '二项分布-有放回的抽样' 若在 M 件产品中有 N 件次品, 现进行有放回的 n 次抽样检查, 问共取得 k 件次品的概率． **解** 由于是有放回的抽样, 因此过程是 n 重伯努利试验．记 A 为“抽到次品”, 则 $P(A) = \frac{N}{M}$ , 令 $X$ 为 n 次抽样检查中抽到的次品数, 则 $X \sim B (n, \frac{N}{M})$,由二项分布得 $P \set{X = k} = C _n ^k (\frac{N}{M})^k (1- \frac{N}{M}) ^{n-k}$ #### 4.1.3 几何分布 ???+ example '几何分布' 设某批产品的次品率为p, 对该批产品做有放回的抽样检查, 直到第一次抽到一只次品为止 (在此之前抽到的全是正品), 求所抽到的产品数 X 的分布律． **解** X 的所有可能取值为1, 2, ..., 设 $A_i$ = {抽到的第 i 个产品是正品}, 则 $P \set{X = k} = (1 - p)^{k - 1}p, \space k = 1, 2, 3, \cdots$ > 几何分布用来描述某试验“首次成功”的概率模型． ### 4.2 泊松分布 $X \sim P(\lambda)$ **定义** 设离散型随机变量 $X$ 的分布律为 $P \{X = k \} = \frac{\lambda ^k}{k!} e ^{- \lambda} , \lambda > 0, k = 0, 1, 2, ...$, 则称 $X$ 服从参数为 $\lambda$ 的 **泊松分布(Poisson Distribution)**, 记为 $X \sim P(\lambda)$ ． ???+ note '泊松分布的数字特征' 设 $X \sim P(\lambda)$, 即 $P \{X = k \} = \frac{\lambda ^k}{k!} e ^{- \lambda} , \lambda > 0, k = 0, 1, 2, ...$, 则 - $E(X ) = \lambda$ - $D(X ) = \lambda$ ???+ tip - “流量”问题 (电话接到的呼叫次数, 车站来到的乘客数, 热电子辐射数等) 大都服从泊松分布； - 作为大量试验中稀有事件 (不幸事件, 意外事故, 非常见病, 自然灾害等) 发生的概率模型． {==二项分布的泊松逼近==} **定理** 设 $X \sim B(n, p)$, 则当 $n \to \infty$ 时, $X$ 近似服从 $P(\lambda)$, 即有 $C _n ^k p^k (1- p) ^{n-k} \approx \frac{\lambda ^k}{k!} e ^{- \lambda} , \lambda > 0, k = 0, 1, 2, ...$．其中 $\lambda = np$ > 当 $n$ 很大且 $p$ 很小时, 才能使近似计算的误差较小． ???+ example '二项分布的泊松逼近' 假设儿童在注射某疫苗产生不良反应的概率为0.001, 试确定2000个儿童中有3个以及2个以上产生不良反应的概率． **解** 设 $X$ 表示注射疫苗的儿童中产生不良反应的个数, 则 $X \sim B(2000, 0.001)$, 因 $n$ 很大且 $p$ 很小, 所以由二项分布的泊松逼近得 $X \sim P(2)$ $P \set{X = k} = \frac{2^k}{k!} e^{-2}, k = 0, 1, \cdots$ 故 $P \set{X = 3} = \frac{2^3}{3!} e^{-2} = 0.18045$ $ P \set{X > 2} = P \set{X \ge 3} \approx \sum _{k=3} ^{+\infty} \frac{3^k}{k!} e^{-2} = 0.32332$ > 需要查表 ???+ example '二项分布的泊松逼近' 设某保险公司为社会提供一项人寿保险, 已知参保人死亡概率为0.0020, 每年需交120元保险金, 死亡时家属可领取 2 万元保险金, 现有2500人参保, 求该保险公司亏本以及年赢利不少于10万元的概率? **解** 设 $X$ 为参保人员死亡的人数, 则 $X \sim B(2500, 0.002)$ , 由二项分布的泊松逼近 可得 $X \sim P(5)$ P{公司亏本} = $P \set{X > 15} = P \set{X \ge 16} \approx \sum _{k=16} ^{+\infty} \frac{5^k}{k!} e^{-2} = 0.00007$ P{赢利不少于10万} = $P \set{X \leq 10} = 1 - P \set{X > 10} = 1 - P \set{X \ge 11} \approx 1 - \sum _{k=11} ^{+\infty} \frac{5^k}{k!} e^{-2} = 0.9863$ > 计算过程省略了通过不等式求亏损和盈利的步骤, 需要查表 ### 4.3 正态分布 $X \sim N(\mu, \sigma ^2)$ #### 4.3.1 正态分布 **定义** 若随机变量 $X$ 的概率密度函数为 $$ f (x) = \frac{1}{\sqrt{2 \pi} \sigma} e ^{\frac{-(x- \mu) ^2}{2 \sigma ^2}}, \space - \infty < x < + \infty $$ 其中 $\mu, \sigma \space (\sigma > 0)$ 是常数, 则称 $X$ 服从参数为 $\mu, \sigma ^2$ 的 **正态分布(Normal Distribution)或Gauss分布**, 记为 $X \sim N(\mu, \sigma ^2)$． 特别地, 当 $\mu = 0, \sigma =1$ 时, 称 $X$ 服从标准正态分布, 记为 $X \sim N(0, 1)$, 其概率密度函数、分布函数记为 $\varphi (x)$ 和 $\varPhi (x)$． 概率密度函数 $f (x) = \frac{1}{\sqrt{2 \pi} \sigma} e ^{\frac{-(x- \mu) ^2}{2 \sigma ^2}}$ 的性质： ???+ success inline end  - $f (x)$ 的各阶导数均存在 - 密度曲线以 $x$ 轴为渐近线； - $f (x)$ 关于 $x = \mu$ 对称 - $f (x)$ 在 $x = \mu$ 取得最大值 $\frac{1}{\sqrt{2 \pi} \sigma}$ ???+ note '正态分布的数字特征' 设 $X \sim N(\mu, \sigma ^2)$, 则 - $E(X ) = \mu$ - $D(X ) = \sigma ^2$ ???+ success inline end  ???+ note '标准正态分布的计算' $\forall x > 0, \varPhi (-x) = 1- \varPhi (x)$ , 计算时查表即可． ???+ example 设 $X \sim N(0, 1)$, 则有 - $P\{X \leq 2.38\} =\varPhi (2.38)= 0.991344$ - $P\{X < -2.38\} =\varPhi (-2.38) = 1-\varPhi (2.38) = 0.008656$ - $P\{-2 < X < 0\} =\varPhi (0) -\varPhi (-2) = 0.5 -[1-\varPhi (2)] = 0.47725$ #### 4.3.2 非标准正态分布的计算 将非标准正态分布转换为标准正态分布进行计算. 若 $X \sim N(\mu, \sigma ^2)$, 则有 $Y = \frac{X - \mu}{\sigma} \sim N(0, 1)$, 从而可得 $$ P\{X \leq x\} = P\{\frac{X - \mu}{\sigma} \leq \frac{x - \mu}{\sigma} \} \\ = P\{Y \leq \frac{x - \mu}{\sigma} \}= \varPhi (\frac{x - \mu}{\sigma}) $$ ???+ example 设 $X \sim N(2, 9)$, 则有 $P \{1 \leq X < 5 \} = P \{\frac{1-2}{3} \leq \frac{X-2}{3} < \frac{5-2}{3} \} =\varPhi (1) -\varPhi ( - \frac{1}{3}) = 0.47064$ ???+ tip '正态分布的应用' 零件的尺寸、物种的生理特征、测量误差、某地区年降雨量等绝大多数随机现象都服从正态分布． ???+ note '有关正态分布的结论' - 若 $X \sim N(\mu , \sigma ^2)$, 则对任意常数$a , b$ 有 $aX + b \sim N(a \mu + b , a ^2 \sigma ^2)$ - 若 $X \sim N(\mu _1, \sigma _1 ^2), Y \sim N(\mu _2, \sigma _2 ^2)$, 且 $X$ 与 $Y$ 独立, 则 $X \pm Y \sim N(\mu _1 \pm \mu _2 , \sigma _1 ^2 + \sigma _2 ^2)$ > 一般地, n 个相互独立且服从正态分布的随机变量的线性组合仍服从正态分布 ???+ note '$3 \sigma$ 法则' 若 $X \sim N(\mu , \sigma ^2)$, 则 - $P \{\mu - \sigma \leq X \leq \mu + \sigma \} = P \{-1 \leq \frac{X - \mu}{\sigma} \leq 1 \} = \varPhi (1) - \varPhi (-1) = 2 \varPhi (1) - 1 = 0.6826$ - $P \{\mu - 2 \sigma \leq X \leq \mu + 2 \sigma \} = P \{-2 \leq \frac{X - \mu}{\sigma} \leq 2 \} = \varPhi (2) - \varPhi (-2) = 2 \varPhi (2) - 1 = 0.9545$ - $P \{\mu - 3 \sigma \leq X \leq \mu + 3 \sigma \} = P \{-3 \leq \frac{X - \mu}{\sigma} \leq 3 \} = \varPhi (3) - \varPhi (-3) = 2 \varPhi (3) - 1 = 0.9973$ ???+ example '正态分布' 设 $X \sim N(0, 1), Y \sim N(1, 2)$, 且它们相互独立, 试求 $Z = 2X + Y -1$ 的概率密度函数． **解** 因 Z 也服从正态分布, 故只需确定 Z 的期望和方差即可求出 Z 的概率密度函数． - $E(Z) = 2E(X ) + E(Y ) -1 = 2 \times 0 +1-1 = 0$ - $D(Z) = 2^2 D(X ) + D(Y ) = 2^2 \times 1+ 2 = 6$ 所以 Z 的概率密度函数为 $$ f (x) = \frac{1}{\sqrt{2 \pi} \sqrt{6}} e ^{- \frac{x^2}{12}}, \space Z \in \R $$ ???+ example '正态分布' 公共汽车车门高度是按男子与车门顶碰头机率在0.01以下设计, 设男子身高 $X \sim N(170, 6^2)$ (单位cm), 试确定车门高度． **解** 设车门高度为 x cm, 则 $P\{X > x\} < 0.01$ 即 $P\{X \leq x\} > 0.99$ $P \set{X \leq x} = P \set{\frac{X - 170}{6} \le \frac{x - 170}{6}} = \varPhi (\frac{x - 170}{6}) > 0.99$ 查表得 $\varPhi (2.33) = 0.9901 > 0.99$ 则 $\frac{x - 170}{6} = 2.33$ 解得 $x =183.98cm$ ### 4.4 二维正态分布 $(X , Y ) \sim N(\mu _1 , \mu _2 ；\sigma _1 ^2, \sigma _2 ^2；\rho)$ **定义** 若二维随机变量 $(X , Y )$的联合概率密度函数为 $$ f(x, y) = \frac{1}{2 \pi \sigma _1 \sigma_2 \sqrt{1- \rho ^2}} \exp \{(-\frac{1}{2(1-\rho^2)}[(\frac{x-\mu_1}{\sigma_1})^2 - 2\rho(\frac{x-\mu_1}{\sigma_1})(\frac{y-\mu_2}{\sigma_2}) + (\frac{y-\mu_2}{\sigma_2})^2] \} $$ ???+ success inline end  其中 $\mu , \mu , \sigma , \sigma , \rho$ 为常数, 并且有 $\sigma _1 > 0, \sigma _2 > 0, | \rho |<1$, 则称 $(X , Y )$ 服从二维正态分布, 记为 $(X , Y ) \sim N(\mu _1 , \mu _2 ；\sigma _1 ^2, \sigma _2 ^2；\rho)$ **定理** 若 $(X , Y ) \sim N(\mu _1 , \mu _2 ；\sigma _1 ^2, \sigma _2 ^2；\rho)$, 则有 - $E(X ) = \mu _1, D(X ) = \sigma _1 ^2$ - $E(Y ) = \mu _2, D(Y ) = \sigma _2 ^2$ - $Cov(X , Y ) = \rho \sigma _1 \sigma _2 , \rho _{XY} = \rho$ - $X \sim N(\mu _1, \sigma _1 ^2), Y \sim N(\mu _2, \sigma _2 ^2)$ - 如果 $X$ 与 $Y$ 相互独立 $\implies \rho = 0$ > $(X , Y )$服从二维正态分布的充要条件是 $X$ 与 $Y$ 的任一线性组合服从一维正态分布． ???+ example '二维正态分布' 已知随机变量 $X$ 和 $Y$ 分别服从正态分布 $N(1, 3^2)$ 和 $N(0, 4^2)$ , 且 $X$ 与 $Y$ 的相关系数 $\rho _{\tiny XY} = - \frac{1}{2}$ , 设 $Z = \frac{1}{3} X + \frac{1}{2} Y$, 求： $Z$ 的数学期望 $E(Z)$ 和方差 $D(Z)$ ； $X$ 与 $Z$ 的相关系数 $\rho _{\tiny XZ}$ **解** 由已知得 $E(X ) = 1, D(X ) = 3^2 , E(Y ) = 0 , D(Y ) = 4^2 $ $Cov(X , Y ) = \rho {\tiny XY} \sqrt{D(X )} \sqrt{D(Y )} = - \frac{1}{2} \times 3 \times 4 = -6$ - $E(Z) = E(\frac{1}{3} X + \frac{1}{2}Y) = \frac{1}{3} E(X ) + \frac{1}{2} E(Y ) = \frac{1}{3} \times 1 + \frac{1}{2} \times 0 = \frac{1}{3}$ - $D(Z) = D(\frac{1}{3} X + \frac{1}{2}Y) + 2 Cov(\frac{1}{3}X \cdot \frac{1}{2}Y) = \frac{1}{9} D(X ) + \frac{1}{4} D(Y ) + 2 \cdot \frac{1}{3} \cdot \frac{1}{2} Cov(X, Y) = \frac{1}{9} \times 9 + \frac{1}{4} \times 16 + 2 \cdot \frac{1}{3} \cdot \frac{1}{2} \cdot (-6) = 3$ - $Cov(X , Z) = Cov (X , \frac{1}{3} X + \frac{1}{2}Y) = \frac{1}{3} Cov(X , X ) + \frac{1}{2}Cov(X , Y ) = \frac{1}{3} D(X ) + \frac{1}{2} Cov(X , Y ) = 0$ $\therefore \rho _{\tiny XZ} = 0$ ### 4.5 指数分布 $X \sim E(\lambda)$ 或 $X \sim Exp(\lambda)$ **定义** 若随机变量 $X$ 的概率密度函数为 $$ f(x) = \begin{cases} \lambda e ^{- \lambda x}, \space x \ge 0 \\ 0, \space x < 0 \end{cases} \space , \lambda > 0 $$ 则称 $X$ 为服从参数为 $\lambda$ 的指数分布, 记为 $X \sim E(\lambda)$ 分布函数 $$ F(x) = \int _{- \infty} ^x \space f(t) dt = \begin{cases} 1- e ^{- \lambda x}, \space x \ge 0 \\ 0, \space x < 0 \end{cases} $$ ???+ note '指数分布的数字特征' 设 $X \sim E(\lambda)$, 则 - $E(X ) = \frac{1}{\lambda}$ - $D(X ) = \frac{1}{\lambda ^2}$ ???+ tip '指数分布的应用' 电子元件的寿命, 随机服务系统中的服务时间等． ???+ note '无记忆性 (永葆青春的分布)' 设 $X \sim E(\lambda)$, 则 $\forall t > 0, s > 0$, 有条件概率 $$ P \{X > s + t \space | \space X > t \} = \frac{P \{X > s + t \}}{P \{X > t \}} \\ \space \\ = \frac{1 - P \{X \leq s + t \}}{1 - P \{X \leq t \}} \\ \space \\ = \frac{1 - [1 - e ^{- \lambda (s + t)}]}{1 - (1 - e ^{- \lambda t})} = e ^{- \lambda s} $$ > 结果与 $t$ 没有关系, 即再活多少年的概率是一样的． ???+ example '指数分布' 设打电话所用的时间 $X \sim E(\lambda)$ 的指数分布, 且打一次电话平均用时为5分钟, 求一次通话用时在5-10分钟的概率． **解** 因为 $X \sim E(\lambda)$, 而 $E(X ) = \frac{1}{\lambda} = 5$, 所以 $X \sim E(\frac{1}{5})$ , 则 X 的密度函数为 $$ f(x) = \begin{cases} \frac{1}{5} e ^{- \frac{x}{5}}, \space x \ge 0 \\ 0, \space x < 0 \end{cases} $$ $P \set{5 \leq X \leq 10} = \int _5 ^{10} \frac{1}{5} e ^{- \frac{x}{5}} dx = 0.2326$ ### 4.6 均匀分布 $X \sim U[a, b]$ **定义** 若随机变量 $X$ 的概率密度函数为 $$ f (x) = \begin{cases} \frac{1}{b - a}, \space a \leq x \leq b \\ 0, \space 其他 \end{cases} \space , a < b $$ 则称 $X$ 在区间 $[a, b]$ 上服从均匀分布, 记为 $X \sim U[a, b]$． ???+ note '均匀分布的数字特征' 设 $X \sim U[a, b]$．则 - $E(X ) = \frac{a + b}{2}$ - $D(X ) = \frac{(b - a) ^2}{12}$ ???+ tip '均匀分布应用' 四舍五入造成的误差, 计算机产生的随机数等． ???+ example '均匀分布' 设随机变量 $X \sim E(2)$ 的指数分布, 证明随机变量 $Y = 1- e^{-2X}$ 在区间 [0, 1] 上服从均匀分布． **解** X 的概率密度函数为 $$ f(x) = \begin{cases} 2 e ^{- 2x}, \space x \ge 0 \\ 0, \space x < 0 \end{cases} $$ $Y$ 的分布函数为 $$ F_Y ( y) = P \set{Y \leq y} = P \set{1- e^{-2X} \leq y} \\ \begin{cases} P(\empty) = 0, \space y < 0 \\ P \set{X \le - \frac{1}{2}ln(1-y)} = y, \space y \le 1 \\ P(\varOmega) = 1, \space y > 1 \end{cases} $$ 求导得到概率密度函数,服从均匀分布 ### 4.7 二维均匀分布 **定义** 设$D$是平面上的一个有界区域, 其面积为$A$, 若二维随机变量$(X , Y )$ 的联合概率密度函数为 $$ f (x, y) = \begin{cases} \frac{1}{A}, (x , y ) \in D \\ 0, (x , y ) \notin D \end{cases} $$ 则称 $(X , Y )$在 $D$ 上服从二维均匀分布． 例如, 矩形区域上的均匀分布, 其概率密度函数为 $$ f (x, y) = \begin{cases} \frac{1}{(b-a)(d-c)}, a \le x \le b, \space c \le y \le d \\ 0, 其他 \end{cases} $$ ???+ example '二维均匀分布' 设二维随机变量 $(X , Y )$ 在圆域 $x^2 + y^2 \leq r^2$ 上服从二维均匀分布, 求 X 与Y 的相关系数 $\rho _{\tiny XY}$ ；问 X 与Y 是否相互独立． **解** (X , Y )的联合概率密度函数为 $$ f (x, y) = \begin{cases} \frac{1}{\pi r^2}, x^2 + y^2 \leq r^2 \\ 0, 其他 \end{cases} $$ 记 $D: \space x^2 + y^2 \leq r^2$ - $E(X ) = \iint _D x \cdot \frac{1}{\pi r^2} dxdy = 0$ - $E(Y ) = \iint _D y \cdot \frac{1}{\pi r^2} dxdy = 0$ - $E(XY ) = \iint _D xy \cdot \frac{1}{\pi r^2} dxdy = 0$ $\therefore Cov(X , Y ) = E(XY ) - E(X )E(Y ) = 0 \implies \rho _{\tiny XY} = 0$ --- $f_X (x) = \int _{- \infty} ^{+ \infty} f (x, y)dy$ - 当 $|x| > r$ 时, $f_X (x) = 0$ - 当 $|x| \leq r$ 时, $$ f_X (x) = \int _{- \sqrt{r^2 - x^2}} ^{+ \sqrt{r^2 - x^2}} \frac{1}{\pi r^2} dy = \frac{2}{\pi r^2} \sqrt{r^2 - x^2} $$ $$ \therefore f_X(x) = \begin{cases} \frac{2}{\pi r^2} \sqrt{r^2 - x^2} , \space |x| \le r \\ 0 , \space |x| > r \end{cases} $$ 同理 $$ f_Y(y) = \begin{cases} \frac{2}{\pi r^2} \sqrt{r^2 - y^2} , \space |y| \le r \\ 0 , \space |y| > r \end{cases} $$ $$ f(x,y) = \begin{cases} \frac{1}{\pi r^2} , x^2 + y^2 \le r^2 \\ 0 , \space 其他 \end{cases} $$ $\therefore f(x,y) \not = f_X(x) f_Y(y)$ $\therefore X$ 与 $Y$ 不相互独立 ## 第五章 基本极限定理 ### 5.1 切比雪夫不等式与大数定律 ???+ abstract - 频率的稳定性, 用频率代替概率的科学性． - 用来阐明大量随机现象平均结果的稳定性的一系列定理称为大数定律． #### 5.1.1 切比雪夫不等式 设 $X$ 的数学期望 $E(X ) = \mu$ , 方差 $D(X ) = \sigma ^2 < \infty$ , 则 $\forall \varepsilon > 0$ , 有 - $P\{| \space X - \mu \space | \ge \varepsilon \} \le \frac{\sigma ^2}{\varepsilon ^2}$ - $P\{| \space X - \mu \space | < \varepsilon \} \ge 1- \frac{\sigma ^2}{\varepsilon ^2}$ > 切比雪夫不等式常用来在 $E(X )$ 和 $D(X )$ 已知时, 对事件 $P\{| \space X - E(X) \space | < \varepsilon \}$ 发生的概率进行估计． ???+ example '切比雪夫不等式' 已知我校有1万盏电灯, 夜晚每一盏灯开灯的概率均为0.8, 且它们开关与否相互独立, 试用切比雪夫不等式估计夜晚同时开灯 7800-8200 盏之间的概率． **解** 设 X 表示夜晚开灯数, 则 $X \sim B(10000, 0.8)$, 则 $E(X ) = 8000, D(X ) = 1600$, 则由切比雪夫不等式知 $P \set{7800 < X < 8200}= P \set{|X - 8000| < 200} \ge 1 - \frac{1600}{200^2} = 0.96 $ > 这个概率说明只需供应8200盏灯的电力就能以相当大的概率保证这1万盏灯的正常使用 #### 5.1.2 切比雪夫大数定律 设相互独立的随机变量 $X_1 , X_2 , ..., X_n , ...$ 具有有限的期望和方差, 若$\exists$ 常数 $C$ 使 $D(X_i ) \leq C$ , 则 $\forall \varepsilon > 0$, 有 $$ \lim_{n \to \infty} P\{|\space \frac{1}{n} \sum_{i=1}^n X_i - E(\frac{1}{n} \sum _{i=1}^n X_i) \space | < \varepsilon \} = 1 $$ 即 $$ \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{p} E(\frac{1}{n} \sum _{i=1}^n X_i) \space (n \to \infty) $$ **推论** 设相互独立的随机变量 $X_1 , X_2 , ..., X_n , ...$ 服从相同的分布, 且 $E(X ) = \mu , D(X ) = \sigma ^2, i = 1, 2, ...$, 则有 $$ \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{p} \mu \space (n \to \infty) $$ ???+ note 该结论的实际意义在于, 为了减少测量的随机误差, 常常用测量的平均值来代替真实值, 即 $$ \frac{1}{n} \sum_{i=1}^n X_i \approx \mu $$ #### 5.1.3 伯努利大数定律 (切比雪夫大数定律推论的特殊形式) 设 $u_n$ 是 $n$ 重伯努利试验中事件$A$发生的次数, 且 $P(A) = p$ , 则有 $$ \frac{u_n}{n} \xrightarrow{p} p \space (n \to \infty) \\ \space \\ \frac{u_n}{n} = \frac{1}{n} \sum_{i=1}^n X_i \space , \space X_i \sim B(n, p) $$ > 该结论的实际意义在于, 当试验次数很大时, 便可以用事件发生的频率来代替其概率． #### 5.1.4 辛钦大数定律 设相互独立的随机变量 $X_1 , X_2 , ..., X_n , ...$ 服从相同的分布, 且 $E(X_i ) = \mu \space, i = 1, 2, ...$, 则有 $$ \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{p} \mu \space (n \to \infty) $$ > 辛钦大数定律要求同分布但并不要求方差存在． ### 5.2 中心极限定理 ???+ abstract 若一个量受到大量独立的随机因素综合影响, 而每一因素在总影响中所起的作用并不大, 则这个量通常近似服从正态分布． #### 5.2.1 独立同分布的中心极限定理 **Levy-Lindeberg中心极限定理** 设相互独立的随机变量 $X_1 , X_2 , ..., X_n , ...$ 服从相同的分布, 且 $E(X ) = \mu , D(X ) = \sigma ^2 (\sigma > 0)$, 则$\forall x \in \R$, 有 $$ \lim_{n \to \infty} P\{ \frac{\sum _{i=1}^n X_i - n \mu}{\sqrt{n} \sigma} \le x \} = \varPhi (x) $$ 即 $$ \frac{\sum _{i=1}^n X_i - n \mu}{\sqrt{n} \sigma} \sim N(0, 1) \space (n \to \infty) \\ \\ \sum _{i=1}^n X_i \sim N(n \mu, n \sigma ^2) \space (n \to \infty) $$ ???+ example '独立同分布的中心极限定理' 设某食品用机器装袋, 每袋净重的期望为100g, 标准差为4g, 一箱装100袋, 求一箱净重大于10100g的概率． **解** 设$ X_i$ 表示第 i 袋食品的净重, 则 $X_1 , X_2 , ..., X_{100}$ 独立同分布, 且 $E(X_i ) = 100, D(X_i ) = 16$, 而一箱净重 $X = \sum _{i=1} ^{100} X_i$ 由独立同分布的中心极限定理可知：$\frac{X - 100 E(X_i)}{\sqrt{100}D(X_i)} \sim N(0, 1)$, 即 $\frac{X - 10000}{40} \sim N(0, 1)$ 所以 $P\{X > 10100\} = 1- P\{X \leq 10100\} = 1- P \set{\frac{X - 10000}{40} \leq \frac{10100 - 10000}{40}} = 1-\varPhi (2.5) = 0.0062$ > 需要查表 #### 5.2.2 独立同分布的中心极限定理的特殊形式 **棣莫弗-拉普拉斯中心极限定理** 设 $u_n$ 是$n$重伯努利试验中事件$A$发生的次数, 且 $P(A) = p$, 则有 $$ \frac{u_n -np}{\sqrt{np(1-p)}} \sim N(0, 1) \space (n \to \infty) $$ ???+ note '推论' 设 $X \sim B(n, p)$, 当$n$比较大时, 对 $\forall a < b$ 有 $$ P\{a < X \le b\} \approx \varPhi (\frac{b -np}{\sqrt{np(1-p)}}) - \varPhi (\frac{a -np}{\sqrt{np(1-p)}}) $$ ???+ example '拉普拉斯中心极限定理' 保险公司多年统计资料表明, 因被盗理赔的用户占20%, 以 X 表示100个理赔用户中因被盗理赔的个数, 试写出X 的概率分布, 并利用拉普拉斯中心极限定理, 求被盗理赔用户大于14且不多于30户的概率近似值． **解** 易知 $X \sim B(100, 0.2)$, 则 X 的分布律为 $P\{X = k\} = C _{100} ^k 0.2^k 0.8^{100-k} , k = 0, 1, ..., 100$ 已知 $n = 100, p = 0.2, np = 20$, 由拉普拉斯中心极限定理得 $P\{14 < X \le 30 \} \approx \varPhi (\frac{30 -20}{\sqrt{20(1-0.2)}}) - \varPhi (\frac{14 -20}{\sqrt{20(1-0.2)}}) = \varPhi(2.5) - \varPhi(-1.5) = 0.927$ > 需要查表 ???+ example '拉普拉斯中心极限定理' 已知甲乙两地有A、B两种交通工具, 每天有1000人要从甲地去往乙地, 这1000人等概率的随机选择 A、B 两种工具中的其中一个, 问A、B两种交通工具上至少各准备多少个座位, 才能有99%的可能不会出现座位不够． **解** 设每种交通工具需准备 x个座位, 每天有 X 个人乘坐A交通工具 易知 $X \sim B(1000, 0.5)$, 则 $n = 1000, p = 0.5, np = 500, 1 - p = 0.5$ $P\{X \leq x\} = P \set{\frac{X - 500}{\sqrt{500 \times 0.5}} \le \frac{x - 500}{\sqrt{500 \times 0.5}}} = \varPhi(\frac{x - 500}{\sqrt{500 \times 0.5}}) \ge 0.99$ 查表得 $\frac{x - 500}{\sqrt{500 \times 0.5}} \ge 2.33, x \ge 536.8$, 每种交通工具需准备537个座位． 。

# Linux 应用程序开发技术 ## centos配置C语言环境 安装 wget ``` bash $ yum -y install wget ``` 检查wget是否安装成功： ``` bash $ wget --version ``` 检查gcc是否已安装： ``` bash $ gcc --version ``` 安装gcc： ``` bash $ yum install gcc ``` 检查是否安装 gdb： ``` bash $ gdb --version ``` 安装gdb： ``` bash $ yum install gdb ``` 检查是否安装make： ``` bash $ make --version ``` 安装make： ``` bash $ yum install make ``` 安装完这些之后，C语言环境配置完成。

# DAY 10 格式化及如何正确使用 PowerShell Cmdlets可以用于生成对象，并且这些对象通常含有比PowerShell默认所显示的属性多。

# DAY 9 深入理解管道 这些命令（比如`Get-Process | Sort VM-desc | ConvertTo-HTML | Out-File process.html`）的功能非常强大。

# 对象：数据的另一个名称 ## 对象 运行PowerShell中的`Get-Process`。

# 扩展命令 在 Windows 中，微软管理控制台（Microsoft Management Console，简称 MMC）是一个专门用于管理的控制台。

# 管道：连接命令 ## 通过管道连接命令 powershell通过管道 `|` 连接命令。