条件分布律 条件分函数 条件概率密度

第一章 概率论的基本概念定义： 随机试验E 的每个结果样本点组成样本空间S ，S 的子集为E 的随机事件，单个样本点为基本事件．事件关系：1．A ⊂B ，A 发生必导致B 发生．2．A B 和事件，A ，B 至少一个发生，A B 发生． 3．A B 记AB 积事件，A ，B 同时发生，AB 发生． 4．A －B 差事件，A 发生，B 不发生，A －B 发生． 5．A B=?，A 与B 互不相容(互斥)，A 与B 不能同时发生，基本事件两两互不相容．6．A B=S 且A B=?，A 与B 互为逆事件或对立事件，A 与B 中必有且仅有一个发生，记B=A S A -=．事件运算： 交换律、结合律、分配率略．德摩根律：B A B A =，B A B A =．概率： 概率就是n 趋向无穷时的频率，记P(A)． 概率性质: 1．P (?)=0．2．(有限可加性)P (A 1 A 2 … A n )=P (A 1)+P (A 2)+…+P (A n )，A i 互不相容．3．若A ⊂B ，则P (B －A)=P (B)－P (A)． 4．对任意事件A ，有)A (1)A (P P -=．5．P (A B)=P (A)+P (B)－P (AB)．古典概型： 即等可能概型，满足：1．S 包含有限个元素．2．每个基本事件发生的可能性相同． 等概公式：中样本点总数中样本点数S A )A (==n k P ． 超几何分布：⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛=n N k n D N k D p ，其中ra C r a =⎪⎪⎭⎫ ⎝⎛． 条件概率： )A ()AB ()A B (P P P =． 乘法定理：)A ()A B ()AB C ()ABC ()A ()AB ()AB (P P P P P P P ==．全概率公式：)B ()B A ()B ()B A ()B ()B A ()A (2211n n P P P P P P P +++= ，其中i B 为S 的划分．贝叶斯公式： )A ()B ()B A ()A B (P P P P i i i =，∑==nj j j B P B A P A P 1)()()(或)()()()()()()(B P B A P B P B A P B P B A P A B P +=．独立性： 满足P (AB)=P (A)P (B)，则A ，B 相互独立，简称A ，B 独立． 定理一： A ，B 独立，则．P (B |A)=P (B)．定理二： A ，B 独立，则A 与B ，A 与B ，A 与B 也相互独立． 第二章 随机变量及其分布(0—1)分布：k k p p k X P --==1)1(}{，k =0，1 （0<p <1）．伯努利实验：实验只有两个可能的结果：A 及A ．二项式分布： 记X~b （n ，p ），kn kkn p p C k X P --==)1(}{． n 重伯努利实验：独立且每次试验概率保持不变．其中A 发生k 次，即二项式分布．泊松分布： 记X~π（λ），!}{k e k X P k λλ-==， ,2,1,0=k ．泊松定理： !)1(lim k e p p C k kn k knn λλ--∞→=-，其中λ=np ．当20≥n ，05.0≤p 应用泊松定理近似效果颇佳．随机变量分布函数： }{)(x X P x F ≤=，+∞<<∞-x ．)()(}{1221x F x F x X x P -=≤<．连续型随机变量： ⎰∞-=xt t f x F d )()(，X 为连续型随机变量，)(x f 为X 的概率密度函数，简称概率密度．概率密度性质：1．0)(≥x f ；2．1d )(=⎰+∞∞-x x f ；3．⎰=-=≤<21d )()()(}{1221x x x x f x F x F x X x P ；4．)()(x f x F ='，f (x )在x 点连续；5．P {X=a }=0．均匀分布： 记X~U(a ，b )；⎪⎩⎪⎨⎧<<-=其它，，01)(bx a ab x f ；⎪⎩⎪⎨⎧≥<≤--<=b x b x a a b a x a x x F ，，，10)(． 性质：对a ≤c <c +l ≤b ，有 指数分布：⎪⎩⎪⎨⎧>=-其它，，001)(x e x f x θθ；⎩⎨⎧>-=-其它，，001)(x e x F x θ． 无记忆性： }{}{t X P s X t s X P >=>+>． 正态分布： 记),(~2σμN X ；]2)(ex p[21)(22σμσπ--=x x f ；t t x F xd ]2)(ex p[21)(22⎰∞---=σμσπ．性质： 1．f (x )关于x =μ对称，且P {μ-h <X ≤μ}=P {μ<X ≤μ+h }；2．有最大值f (μ)=(σπ2)-1．标准正态分布： ]2exp[21)(2x x -=πϕ；⎰∞--=Φxt t x d ]2ex p[21)(2π．即μ=0，σ=1时的正态分布X ~N(0，1)性质：)(1)(x x Φ-=-Φ．正态分布的线性转化： 对),(~2σμN X有)1,0(~N X Z σμ-=；且有)(}{}{)(σμσμσμ-Φ=-≤-=≤=x x X P x X P x F ．正态分布概率转化：)()(}{1221σμσμ-Φ--Φ=≤<x x x X x P ；1)(2)()(}{-Φ=-Φ-Φ=+<<-t t t t X t P σμσμ．3σ法则： P =Φ(1)－Φ(-1)=68.26%；P =Φ(2)－Φ(-2)=95.44%；P =Φ(3)－Φ(-3)=99.74%，P 多落在(μ-3σ，μ+3σ)内． 上ɑ分位点： 对X~N(0，1)，若z α满足条件P {X>z α}=α，0<α<1，则称点z α为标准正态分布的上α分位点．常用 上ɑ分位点： 0.001 0.005 0.01 0.025 0.05 0.10 3.0902.5762.3261.9601.6451.282Y 服从自由度为1的χ2分布：设X 密度函数f X (x )，+∞<<∞-x ，若Y=X 2，则⎪⎩⎪⎨⎧≤>-+=000)]()([21)(y y y f y f y y f X XY ，，若设X ~N(0，1)，则有⎪⎩⎪⎨⎧≤>=--00021)(221y y e y y f y Y ，，π定理：设X 密度函数f X (x )，设g (x )处处可导且恒有g ′(x )>0(或g ′(x )<0)，则Y=g (X)是连续型随机变量，且有h (y )是g (x )的反函数；①若+∞<<∞-x ，则α=min{g (?∞)，g (+∞)}，β=max{g (?∞)，g (+∞)}；②若f X (x )在[a ，b ]外等于零，g (x )在[a ，b ]上单调，则α=min{g (a )，g (b )}，β=max{g (a )，g (b )}．应用： Y=aX +b ~N(a μ+b ，(|a |σ)2)．第三章 多维随机变量及其分布二维随机变量的分布函数：分布函数(联合分布函数)：)}(){(),(y Y x X P y x F ≤≤= ，记作：},{y Y x X P ≤≤．),(),(),(),(},{112112222121y x F y x F y x F y x F y Y y x X x P +--=≤<≤<．F （x ，y ）性质： 1．F （x ，y ）是x 和y 的不减函数，即x 2>x 1时，F （x 2，y ）≥F （x 1，y ）；y 2>y 1时，F （x ，y 2）≥F （x ，y 1）． 2．0≤F （x ，y ）≤1且F （?∞，y ）=0，F （x ，?∞）=0，F （?∞，?∞）=0，F （+∞，+∞）=1． 3．F （x +0，y ）=F （x ，y ），F （x ，y +0）=F （x ，y ），即F （x ，y ）关于x 右连续，关于y 也右连续． 4．对于任意的(x 1，y 1)，(x 2，y 2)，x 2>x 1，y 2>y 1，有P {x 1<X ≤x 2，y 1<Y ≤y 2}≥0．离散型（X ，Y ）：0≥ij p ，111=∑∑∞=∞=ij j i p ，ij yy x x p y x F i i ∑∑=≤≤),(．连续型（X ，Y ）：v u v u f y x F yxd d ),(),(⎰⎰∞-∞-=．f (x ，y )性质： 1．f (x ，y )≥0．2．1),(d d ),(=∞∞=⎰⎰∞∞-∞∞-F y x y x f ．3．y x y x f G Y X P G⎰⎰=∈d d ),(}),{(． 4．若f (x ，y )在点(x ，y )连续，则有),(),(2y x f yx y x F =∂∂∂．n 维： n 维随机变量及其分布函数是在二维基础上的拓展，性质与二维类似．边缘分布： F x (x )，F y (y )依次称为二维随机变量（X ，Y ）关于X 和Y 的边缘分布函数，F X (x )=F (x ，∞)，F Y (y )=F (∞，y )． 离散型： *i p 和j p *分别为（X ，Y ）关于X 和Y 的边缘分布律，记}{1i ij j i x X P p p ==∑=∞=*，}{1j ij i j y Y P p p ==∑=∞=*． 连续型：)(x f X ，)(y f Y 为（X ，Y ）关于X 和Y 的边缘密度函数，记⎰∞∞-=y y x f x f X d ),()(，⎰∞∞-=x y x f y f Y d ),()(． 二维正态分布：]})())((2)([)1(21exp{121),(2222212121212221σμσσμμρσμρρσπσ-+-------=y y x x y x f ． 记(X ，Y )~N (μ1，μ2，σ12，σ22，ρ)]2)(exp[21)(21211σμσπ--=x x f X ，∞<<∞-x ．]2)(exp[21)(22222σμσπ--=y y f Y ，∞<<∞-y ． 离散型条件分布律：jij j j i j i p p y Y P y Y x X P y Y x X P *=======}{},{}{．*=======i ij i j i i j p p x X P y Y x X P x X y Y P }{},{}{．连续型条件分布：条件概率密度：条件分布函数：含义：当0→ε时，)|(d )|(}|{||y x F x y x f y Y y x X P Y X xY X =≈+≤<≤⎰∞-ε．均匀分布： 若⎪⎩⎪⎨⎧∈=其他,0),(,1),(Gy x Ay x f ，则称(X ，Y)在G 上服从均匀分布． 独立定义：若P {X ≤x ，Y ≤y }=P {X ≤x }P {Y ≤y }，即F (x ，y )=F x (x )F y (y )，则称随机变量X 和Y 是相互独立的． 独立条件或可等价为：连续型：f (x ，y )=f x (x )f y (y )；离散型：P {X =x i ，Y =y j }=P {X =x i }P {Y =y j }．正态独立： 对于二维正态随机变量（X ，Y ），X 和Y 相互对立的充要条件是：参数ρ=0．n 维延伸： 上述概念可推广至n 维随机变量，要注意的是边缘函数或边缘密度也是多元(1~n -1元)的．定理：设（X 1，X 2，…，X m ）和（Y 1，Y 2，…，Y n ）相互独立，则X i 和Y j 相互独立．又若h ，g 是连续函数，则h （X 1，X 2，…，X m ）和g （Y 1，Y 2，…，Y n ）相互独立．Z=X+Y 分布： 若连续型(X ，Y )概率密度为f (x ，y )，则Z=X+Y 为连续型且其概率密度为 ⎰∞∞-+-=y y y z f z f Y X d ),()(或⎰∞∞-+-=x x z x f z f Y X d ),()(．f X 和f Y 的卷积公式： 记⎰∞∞-+-==y y f y z f z f f f Y X Y X Y X d )()()(*⎰∞∞--=x x z f x f Y X d )()(，其中除继上述条件，且X 和Y 相互独立，边缘密度分别为f X (x )和f Y (y )．正态卷积：若X 和Y 相互独立且X ~N (μ1，σ12)，记Y ~N (μ2，σ22)，则对Z=X+Y 有Z ~N (μ1+μ2，σ12+σ22)．1．上述结论可推广至n 个独立正态随机变量．2．有限个独立正态随机变量的线性组合仍服从正态分布． 伽马分布：记),(~θαΓX ，0>α，0>θ．⎪⎩⎪⎨⎧>Γ=--其他，，00)(1)(1x e x x f x θαααθ，其中⎰+∞--=Γ01d )(t e t tαα．若X 和Y 独立且X ~Γ(α，θ)，记Y ~Γ(β，θ)，则有X+Y~Γ(α+β，θ)．可推广到n 个独立Γ分布变量之和．XYZ =： ⎰∞∞-=x xz x f x z f X Y d ),()(，若X 和Y 相互独立，则有⎰∞∞-=x xz f x f x z f Y X X Y d )()()(．XYZ =分布： ⎰∞∞-=xxzx f x z f XY d ),(1)(，若X 和Y 相互独立，则有⎰∞∞-=x x z f x f x z f Y X XY d )()(1)(． 大小分布：若X 和Y 相互独立，且有M =max{X ，Y }及N =min{X ，Y }，则M 的分布函数：F max (z )=F X (z )F Y (z )，N 的分布函数：F min (z )=1－[1－F X (z )][1－F Y (z )]，以上结果可推广到n 个独立随机变量的情况．第四章 随机变量的数字特征数学期望： 简称期望或均值，记为E (X )；离散型：k k k p x X E ∑=∞=1)(．连续型：⎰∞∞-=x x xf X E d )()(．定理： 设Y 是随机变量X 的函数：Y =g (X )(g 是连续函数)．1．若X 是离散型，且分布律为P {X =x k }=p k ，则：k k k p x g Y E )()(1∑=∞=．2．若X 是连续型，概率密度为f (x )，则：⎰∞∞-=x x f x g Y E d )()()(．定理推广： 设Z 是随机变量X ，Y 的函数：Z =g (X ，Y )(g 是连续函数)．1．离散型：分布律为P {X =x i ，Y =y j }=p ij ，则：ij j i i j p y x g Z E ),()(11∑∑=∞=∞=． 2．连续型：⎰⎰∞∞-∞∞-=y x y x f y x g Z E d d ),(),()(期望性质：设C 是常数，X 和Y 是随机变量，则：1．E (C )=C ．2．E (CX )=CE (X )．3．E (X +Y )=E (X )+E (Y )． 4．又若X 和Y 相互独立的，则E (XY )=E (X )E (Y )．方差： 记D (X )或Var(X )，D (X )=Var(X )=E {[X －E (X )]2}．标准差(均方差)： 记为σ(X )，σ(X )= ．通式：22)]([)()(X E X E X D -=． k k k p X E x X D 21)]([)(-∑=∞=，⎰∞∞--=x x f x E x X D d )()]([)(2．标准化变量：记σμ-=x X *，其中μ=)(X E ，2)(σ=X D ，*X 称为X 的标准化变量． 0)(*=X E ，1)(*=X D ．方差性质： 设C 是常数，X 和Y 是随机变量，则：1．D (C )=0． 2．D (CX )=C 2D (X )，D (X +C )=D (X )．3．D (X +Y )=D (X )+D (Y )+2E {(X －E (X ))(Y －E (Y ))}，若X ，Y 相互独立D (X +Y )=D (X )+D (Y )． 4．D (X )=0的充要条件是P {X =E (X )}=1．正态线性变换： 若),(~2ii iN X σμ，i C 是不全为0的常数，则),(~22112211i i ni i i ni n n C C N X C X C X C σμ∑∑+++== ．切比雪夫不等式：22}{εσεμ≤≥-X P 或221}{εσεμ-≥<-X P ，其中)(X E =μ，)(2X D =σ，ε为任意正数．协方差：记)]}()][({[),Cov(Y E Y X E X E Y X --=．X 与Y 的相关系数：)()(),Cov(Y D X D Y X XY =ρ．D (X +Y )=D (X )+D (Y )+2Cov(X ，Y )，Cov(X ，Y )=E (XY )－E (X )E (Y )．性质： 1．Cov(aX ，bY )=ab Cov(X ，Y )，a ，b 是常数．2．Cov(X 1+X 2，Y )=Cov(X 1，Y )+Cov(X 2，Y )． 系数性质：令e =E [(Y －(a +bX ))2]，则e 取最小值时有)()1(]))([(2200min Y D X b a Y E e XY ρ-=+-=，其中)()(00X E b Y E a -=，)(),Cov(0X D Y X b =．1．|ρXY |≤1．2．|ρXY |=1的充要条件是：存在常数a ，b 使P {Y =a +bX }=1．|ρXY |越大e 越小X 和Y 线性关系越明显，当|ρXY |=1时，Y =a +bX ；反之亦然，当ρXY =0时，X 和Y 不相关． X 和Y 相互对立，则X 和Y 不相关；但X 和Y 不相关，X 和Y 不一定相互独立． 定义： k 阶矩(k 阶原点矩)：E (X k )． n 维随机变量X i 的协方差矩阵：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=nn n n n n c c c c c c c c c 212222111211C ， =E {[X i －E (X i )][X j －E (X j )]}． k +l 阶混合矩：E (X k Y l)．k 阶中心矩：E {[X －E (X )] k }．k +l 阶混合中心矩： E {[X －E (X )]k [Y －E (Y )]l }．n 维正态分布：)}()(21ex p{det )2(1),,,(1T 221μX C μX C ---=-n n x x x f π ，T21T 21),,,(),,,(n n x x x μμμ ==μX ．性质：1．n 维正态随机变量(X 1，X 2，…，X n )的每一个分量X i (i =1，2，…，n )都是正态随机变量，反之，亦成立． 2．n 维随机变量(X 1，X 2，…，X n )服从n 维正态分布的充要条件是X 1，X 2，…，X n 的任意线性组合l 1X 1+l 2X 2+…+l n X n 服从一维正态分布(其中l 1，l 2，…，l n 不全为零)．3．若(X 1，X 2，…，X n )服从n 维正态分布，且Y 1，Y 2，…，Y k 是X j (j =1，2，…，n )的线性函数，则(Y 1，Y 2，…，Y k )也服从多维正态分布．4．若(X 1，X 2，…，X n )服从n 维正态分布，则“X i 相互独立”与“X i 两两不相关”等价．第五章 大数定律及中心极限定理弱大数定理：若X1，X2，…是相互独立并服从同一分布的随机变量序列，且E(X k)=μ，则对任意ε>0有11lim1=⎭⎬⎫⎩⎨⎧<-∑=∞→εμknknXnP或→μPX，knkXnX11=∑=．定义：Y1，Y2，…，Y n ，…是一个随机变量序列，a是一个常数．若对任意ε>0，有则称序列Y1，Y2，…，Yn，…依概率收敛于a．记伯努利大数定理：对任意ε>0有1lim=⎭⎬⎫⎩⎨⎧<-∞→εpnfP An或0lim=⎭⎬⎫⎩⎨⎧≥-∞→εpnfP An．其中f A是n次独立重复实验中事件A发生的次数，p是事件A在每次试验中发生的概率．中心极限定理定理一：设X1,X2,…,X n ,…相互独立并服从同一分布，且E(X k)=μ，D(X k)=σ2 >0，则n→∞时有σμnnXknk)(1-∑=N(0，1)或nXσμ-~N(0，1)或X~N(μ，n2σ)．定理二：设X1,X2,…,X n ,…相互独立且E(X k)=μ k，D(X k)=σ k2 >0，若存在δ>0使n→∞时，}|{|1212→-∑+=+δδμkknknXEB，则nknkknkBX)(11μ==∑-∑~N(0，1)，记212knknBσ=∑=．定理三：设),(~pnbnη，则n→∞时，Npnpnpn~)1()(--η(0，1)，knknX1=∑=η．第六章样本及抽样分布定义：总体：全部值；个体：一个值；容量：个体数；有限总体：容量有限；无限总体：容量无限．定义：样本：X1,X2,…,X n 相互独立并服从同一分布F的随机变量，称从F得到的容量为n的简单随机样本．频率直方图：图形：以横坐标小区间为宽，纵坐标为高的跨越横轴的几个小矩形．横坐标：数据区间（大区间下限比最小数据值稍小，上限比最大数据值稍大；小区间：均分大区间，组距Δ=大区间/小区间个数；小区间界限：精度比数据高一位）．图形特点：外轮廓接近于总体的概率密度曲线．纵坐标：频率/组距（总长度：<1/Δ；小区间长度：频率/组距）．定义：样本p分位数：记x p，有1．样本x i中有np个值≤x p．2．样本中有n(1－p)个值≥x p．箱线图：x p选择：记⎪⎩⎪⎨⎧∈+∉=++NnpxxNnpxxnpnpnpp当，当，][211)()()1]([．分位数x0.5，记为Q2或M，称为样本中位数．分位数x0.25，记为Q1，称为第一四分位数．分位数x0.75，记为Q3，称为第三四分位数．图形：图形特点：M为数据中心，区间[min，Q1]，[Q1，M]，[M，Q3]，[Q3，max]数据个数各占1/4，区间越短数据密集．四分位数间距：记IQR=Q3－Q1；若数据X<Q1－1.5IQR或X>Q3+1.5IQR，就认为X是疑似异常值．抽样分布：样本平均值：样本方差：样本标准差：样本k阶(原点)矩：kinikXnA11=∑=，k≥1 样本k阶中心矩：kinikXXnB)(11-∑==，k≥2经验分布函数：)(1)(xSnxFn=，∞<<∞-x．)(xS表示F的一个样本X1,X2,…,X n 中不大于x的随机变量的个数．自由度为n 的χ2分布：记χ2~χ2（n），222212nXXX+++=χ，其中X1,X2,…,X n是来自总体N(0，1)的样本．E(χ2 )=n，D(χ2 )=2n．χ12+χ22~χ2（n1+n2）．⎪⎩⎪⎨⎧>Γ=--其他，，)2(21)(2122yexnyfynn．χ2分布的分位点：对于0<α<1，满足αχχαχα==>⎰∞yyfnPn)(222d)()}({，则称)(2nαχ为)(2nχ的上α分位点．当n充分大时(n>40)，22)12(21)(-+≈nznααχ，其中αz是标准正态分布的上α分位点．自由度为n 的t分布：记t~t(n)，nYXt/=，其中X~N(0，1)，Y~χ2(n)，X，Y相互独立．h(t)图形关于t=0对称；当n充分大时，t分布近似于N(0，1)分布．t分布的分位点：对于0<α<1，满足ααα==>⎰∞t t hnttPnt)(d)()}({，则称)(ntα为)(nt的上α分位点．~ 近似的min Q1 M Q3 max由h (t )对称性可知t 1－α(n )=－t α(n )．当n >45时，t α(n )≈z α，z α是标准正态分布的上α分位点．自由度为(n 1，n 2)的F分布： 记F ~F (n 1，n 2)，21n V n U F=，其中U~χ2(n 1)，V~χ2(n 2)，X ，Y 相互独立．1/F ~F (n 2，n 1) F 分布的分位点：对于0<α<1，满足αψαα==>⎰∞y y n n F FP n n F ),(2121d )()},({，则称),(21n n F α为),(21n n F 的上α分位点．重要性质：F 1－α(n 1，n 2)=1/F α(n 1，n 2)．定理一： 设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，则有),(~2n N X σμ，其中X 是样本均值．定理二：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为 X ，2S ，则有1．)1(~)1(222--n S n χσ；2．X 与2S 相互独立．定理三：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为X ，2S ，则有)1(~--n t nS X μ．定理四：设X 1,X 2,…,X n 1 与Y 1,Y 2,…,Y n 2分别是来自N (μ1，σ12)和N (μ2，σ22)的样本，且相互独立．设这两个样本的样本均值和样本方差分别记为 X ，Y ，21S，22S，则有1．)1,1(~2122212221--n n F S S σσ．2．当σ12=σ22=σ2时，)2(~)()(21121121-++-----n n t n n S Y X w μμ，其中2)1()1(212222112-+-+-=n n S n S n S w，2w w S S =． 第七章 参数估计定义： 估计量：),,,(ˆ21n X X X θ，估计值：),,,(ˆ21nx x x θ，统称为估计． 矩估计法：令)(ll X E =μ=li n i l X n A 11=∑=(k l ,,2,1 =)(k 为未知数个数)联立方程组，求出估计θˆ． 设总体X 均值μ及方差σ2都存在，则有 X A ==1ˆμ，212212122)(11ˆX X n X X n A A i n i i n i -∑=-∑=-===σ． 最大似然估计法：似然函数：离散：);()(1θθi ni x p L =∏=或连续：);()(1θθi ni x f L =∏=，)(θL 化简可去掉与θ无关的因式项．θˆ即为)(θL 最大值，可由方程0)(d d=θθL 或0)(ln d d=θθL 求得． 当多个未知参数θ1，θ1，…，θk 时：可由方程组0d d =L i θ或0ln d d =L iθ（k i ,,2,1 =）求得． 最大似然估计的不变性：若u =u (θ)有单值反函数θ=θ(u )，则有)ˆ(ˆθu u=，其中θˆ为最大似然估计． 截尾样本取样： 定时截尾样本：抽样n 件产品，固定时间段t 0内记录产品个体失效时间(0≤t 1≤t 2≤…≤t m ≤t 0)和失效产品数量． 定数截尾样本：抽样n 件产品，固定失效产品数量数量m 记录产品个体失效时间(0≤t 1≤t 2≤…≤t m )．结尾样本最大似然估计： 定数截尾样本：设产品寿命服从指数分布X~e （θ），θ即产品平均寿命．产品t i 时失效概率P {t =t i }≈f (t i )d t i ，寿命超过t m 的概率θm t m et tF -=>}{，则)(}){()(1i mi mn m m nt P t t F CL =-∏>=θ，化简得)(1)(m t s m e L ---=θθθ，由0)(ln d d =θθL 得：mt s m )(ˆ=θ，其中s (t m )=t 1+t 2+…+t m +(n －m )t m ，称为实验总时间． 定时截尾样本：与定数结尾样本讨论类似有s (t 0)=t 1+t 2+…+t m +(n －m )t 0，)(01)(t s m e L ---=θθθ，mt s )(ˆ0=θ，． 无偏性： 估计量),,,(ˆ21nX X X θ的)ˆ(θE 存在且θθ=)ˆ(E ，则称θˆ是θ的无偏估计量． 有效性：),,,(ˆ211n X X X θ与),,,(ˆ212n X X X θ都是θ的无偏估计量，若)ˆ()ˆ(21θθD D ≤，则1ˆθ较2ˆθ有效．相合性： 设),,,(ˆ21nX X X θθ的估计量，若对于任意0>ε有1}|ˆ{|lim =<-∞→εθθP n ，则称θˆ是θ的相合估计量． 置信区间：αθθθ-≥<<1)},,,(),,,({2121n n X X X X X X P ，θ和θ分别为置信下限和置信上限，则),(θθ是θ的一个置信水平为α-1置信区间，α-1称为置信水平，10<<α．正态样本置信区间： 设X 1，X 2，…，X n 是来自总体X ~N (μ，σ2)的样本，则有μ的置信区间：枢轴量W W 分布 a ，b 不等式 置信水平 置信区间其中z α/2为上α分位点 θ置信区间的求解： 1．先求枢轴量：即函数W =W (X 1，X 2，…，X n ；θ)，且函数W 的分布不依赖未知参数．如上讨论标注2．对于给定置信水平α-1，定出两常数a ，b 使P {a <W <b }=α-1，从而得到置信区间．(0－1)分布p 的区间估计：样本容量n >50时，⇒--∞→)1,0(~)1()(lim N p np np X n n {}⇒-≈<--αα1)1()(2z p np np X n P0)2()(222222<++-+X n p z X n p z n αα⇒若令22αz n a +=，)2(22αz X n b +-=，2X n c =，则有置信区间(a ac b b 2)4(2---，a ac b b 2)4(2-+-）．单侧置信区间： 若αθθ-≥>1}{P 或αθθ-≥<1}{P ，称(θ，∞)或(∞-，θ)是θ的置信水平为α-1的单侧置信区间．正态总体均值、方差的置信区间与单侧置信限（置信水平为α-1）待估 其他 枢轴量W 的分布置信区间单侧置信限一个正态总体μσ2已知ασμz nX +=，ασμz nX -=μ σ2未知αμt n S X +=，αμt nSX -= σ2μ未知2122)1(αχσ--=S n ，222)1(αχσS n -=两个正态总体 μ1－μ2 σ12，σ22 已知μ1－μ2 σ12=σ22=σ2 未知σ12/σ22μ1，μ2 未知ασσ-=1222122211F S S ，ασσF S S 122212221=单个总体X ~N (μ，σ2)，两个总体X ~N (μ1，σ12)，Y ~N (μ2，σ22)．第八章 假设实验定义： H 0：原假设或零假设，为理想结果假设；H 1：备择假设，原假设被拒绝后可供选择的假设． 第Ⅰ类错误：H 0实际为真时，却拒绝H 0．第Ⅱ类错误：H 0实际为假时，却接受H 0．显着性检验：只对犯第第Ⅰ类错误的概率加以控制，而不考虑第Ⅱ类错误的概率的检验．P {当H 0为真拒绝H 0}≤α，α称为显着水平．拒绝域：取值拒绝H 0．临界点：拒绝域边界．双边假设检验：H 0：θ=θ0，H 1：θ≠θ0．右边检验：H 0：θ≤θ0，H 1：θ>θ0．左边检验：H 0：θ≥θ0，H 1：θ<θ0．正态总体均值、方差的检验法(显着性水平为α)原假设H 0备择假设H 1检验统计量拒绝域 1 σ2已知μ≤μ0μ>μ0z ≥z α μ≥μ0 μ<μ0 z ≤－z α μ=μ0μ≠μ0|z |≥z α/22 σ2未知μ≤μ0μ>μ0t≥tα(n－1) μ≥μ0μ<μ0t≤－tα(n－1) μ=μ0μ≠μ0|t|≥tα/2(n－1)3 σ1，σ2已知μ1－μ2≤δμ1－μ2>δz≥zαμ1－μ2≥δμ1－μ2<δz≤－zαμ1－μ2=δμ1－μ2≠δ|z|≥zα/24 σ12=σ22=σ2未知μ1－μ2≤δμ1－μ2>δt≥tα(n1+n2－2)μ1－μ2≥δμ1－μ2<δt≤－tα(n1+n2－2)μ1－μ2=δμ1－μ2≠δ|t|≥tα/2(n1+n2－2)5 μ未知σ2≤σ02σ2>σ02χ2≥χα2(n－1)σ2≥σ02σ2<σ02χ2≤χ21－α(n－1)σ2=σ02σ2≠σ02χ2≥χ2α/2(n－1)或χ2≤χ21－α/2(n－1)6 μ1，μ2未知σ12≤σ22σ12>σ22F≥Fα(n1－1，n2－1)σ12≥σ22σ12<σ22F≤F1－α(n1－1，n2－1)σ12=σ22σ12≠σ22F≥Fα/2(n1－1，n2－1)或F≤F1－α/2(n1－1，n2－1)7成对数据μD≤0 μD>0 t≥tα(n－1)μD≥0 μD<0 t≤－tα(n－1)μD=0 μD≠0 |t|≥tα－2(n－1)检验方法选择：主要是逐对比较法（成对数据）跟两个正态总体均值差的检验的区别，如上表即7跟3、4的区别，成对数据指两样本X和Y之间存在一一对应关系，而3和4一般指X和Y相互对立，但针对同一实体．关系：置信区间与假设检验之间的关系：未知参数的置信水平为1－α的置信区间与显着水平为α的接受域相同．定义：施行特征函数(OC函数)：β(θ)=Pθ(接受H0)．功效函数：1－β(θ)．功效：当θ*∈H1时，1－β(θ*)的值．。

分布律与概率密度概念解释在概率论中，分布律和概率密度是两个重要的概念，用于描述随机变量的概率分布。

它们分别适用于离散型随机变量和连续型随机变量。

分布律分布律主要用于描述离散型随机变量的概率分布情况。

离散型随机变量的取值是离散的，例如抛掷一颗骰子所得到的点数。

对于一个离散型随机变量X，其取值可能是有限个或者可数无限个，分别用x1,x2,...表示。

分布律表示的是随机变量X取特定值的概率，通常用P(X=x)表示。

例如，对于抛掷一颗骰子所得到的点数，其分布律可以表示为：P(X=1) = 1/6P(X=2) = 1/6P(X=3) = 1/6P(X=4) = 1/6P(X=5) = 1/6P(X=6) = 1/6概率密度概率密度主要用于描述连续型随机变量的概率分布情况。

连续型随机变量的取值是连续的，例如某人的身高、体重等。

对于一个连续型随机变量X，其取值是一个区间，而不是一个具体的点。

因此，不能够像离散型随机变量那样直接计算某个取值的概率。

概率密度函数f(x)表示的是随机变量X落在某个区间上的概率密度，而不是具体的概率。

在某个区间上X的概率可以通过计算该区间下概率密度函数的积分来得到。

例如，对于身高在160厘米到170厘米之间的人群，其概率密度函数可以表示为：f(x) = 1/(170-160), 160<=x<=170而在特定的点上，概率密度函数的值并不表示概率。

例如，f(165)并不表示身高为165厘米的人的概率，而是表示在“身高等于165厘米”这一点密度的大小。

总结分布律和概率密度是描述随机变量概率分布的两种方式。

分布律适用于离散型随机变量，用于描述随机变量取特定取值的概率。

概率密度适用于连续型随机变量，用于描述随机变量落在某个区间上的概率密度。

通过理解和掌握这两个概念，我们可以更好地描述和分析随机变量的概率分布特征。

（以上内容只是对分布律和概率密度的简要介绍，实际应用中还有很多细节和深入的内容需要探讨。

一、基本概率公式及分布 1、概率常用公式：P(A+B)=P(A)+P(B)-P(AB) ;P(A-B)=P(A)-P(AB) ; 如A 、B 独立，则P(AB)=P(A)P(B) ; P(A )=1-P(A) ; B 发生的前提下A 发生的概率==条件概率 ：P(A|B)=P (AB )P (B );或记 ： P(AB)=P(A|B)*P(B) ;2、随机变量分布律、分布函数、概率密度 分布律：离散型X 的取值是x k (k=1,2,3...), 事件X=x k 的概率为： P{X=x k }=P k , k=1,2,3...; --- 既 X 的分布律；X 的分布律也可以是上面的表格形式，二者都可以。

分布函数：F(x)=P(X ≤x ), -∞<x <+∞ ; 是概率的累积！ P(x1<X<x2)=F(x2)-F(x1) ;离散型rv X; F(x)= P{X ≤x }=∑p k x k <x ;(把X<x 的概率累加） 连续型rvX ；F(x)=∫f (x )dx x −∞, f(x)称密度函数；既分布函数F(X)是密度函数f(x)和X 轴上的(-∞,x)围成的面积！ 性质：F(∞)=1; F(−∞)=0;二、常用概率分布：①离散：二项分布：事件发生的概率为p,重复实验n 次，发生k 次的概率（如打靶、投篮等）,记为B(n,p) P{X=k}=(n k)p k (1−p )n −k ，k=0,1,2,...n; E(X)=np,D(X)=np(1-p);②离散：泊松分布：X ～Π(λ) P{X=k}=λk e−λk !,k=0,1,2,...; E(X)=λ, D(X)=λ ;③连续型：均匀分布：X 在(a,b)上均匀分布，X ～U(a,b),则：密度函数：f(x)={1b −a,a <x <x0,其它分布函数F(x)=∫f (x )dx x−∞={0, x <x x −ab −a 1,x ≥b,a <x <x④连续型：指数分布，参数为θ，f(x)= {1θe −xθ,0<x0,其它F(x)={1−e −xθ0,x >0 ;⑤连续型：正态分布：X ～N(μ,σ2), most importment! 密度函数 f(x),表达式不用记！一定要记住对称轴x=µ, E(X)=µ,方差D(X)=σ2; 当µ=0，σ2=1时，N(0,1)称标准正态，图形为：分布函数F(x)为密度函数f(x)从(-∞,x)围成的面积。

概率论与数理统计公式集锦HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】概率论与数理统计公式集锦一、随机事件与概率二、随机变量及其分布1、分布函数2、离散型随机变量及其分布3、续型随机变量及其分布4、随机变量函数Y=g(X)的分布 离散型：()(),1,2,j ii j g x y P Y y p i ====∑，连续型：①分布函数法，②公式法()(())()(())Y X f y f h y h y x h y '=⋅=单调三、多维随机变量及其分布1、离散型二维随机变量及其分布 分布律：(,),,1,2,i j ij P Xx Y y p i j ====分布函数(,)i i ijx x y yF X Y p ≤≤=∑∑边缘分布律：()i i ij jp P X x p ⋅===∑ ()j j ij ip P Y y p ⋅===∑条件分布律：(),1,2,ij i j jp P X x Y y i p ⋅====，(),1,2,ij j i i p P Y y X x j p ⋅====2、连续型二维随机变量及其分布①联合分布函数及性质分布函数：⎰⎰∞-∞-=xydudvv u f y x F ),(),(=P （X<=x,Y<=y ）性质：2(,)(,)1,(,),F x y F f x y x y∂+∞+∞==∂∂((,))(,)GP x y G f x y dxdy ∈=⎰⎰②边缘分布函数与边缘密度函数分布函数：⎰⎰∞-+∞∞-=xX dvdu v u f x F ),()( 密度函数：⎰+∞∞-=dv v x f x f X ),()(③条件概率密度+∞<<-∞=y x f y x f x y f X X Y ,)(),()(，+∞<<-∞=x y f y x f y x f Y Y X ,)(),()( 3、随机变量的独立性随机变量X 、Y 相互独立(,)()()X Y F x y F x F y ⇔=，离散型：..ij i j p p p = ，连续型：(,)()()X Y f x y f x f y =4、二维随机变量和函数的分布 离散型：()(,)i j kk i j x y z P Z z P X x Y y +=====∑连续型：()(,)(,)Z f z f x z x dx f z y y dy +∞+∞-∞-∞=-=-⎰⎰四、随机变量的数字特征1、数学期望①定义：离散型∑+∞==1)(k k k p x X E ，连续型⎰+∞∞-=dx x xf X E )()(②性质：(),E C C =)()]([X E X E E =，)()(X CE CX E =，)()()(Y E X E Y X E ±=±b X aE b aX E ±=±)()( ，当X 、Y 相互独立时：)()()(Y E X E XY E =2、方差①定义：222()[(())]()()D X E X E X E X E X =-=-②性质：0)(=C D ，)()(2X D a b aX D =±，),(2)()()(Y X Cov Y D X D Y X D ±+=±当X 、Y 相互独立时：)()()(Y D X D Y X D +=±3、协方差与相关系数①协方差：(,)()()()Cov X Y E XY E X E Y =-，当X 、Y 相互独立时：0),(=Y X Cov ②相关系数：XY ρ，当X 、Y 相互独立时：0=XY ρ(X,Y 不相关)③协方差和相关系数的性质：)(),(X D X X Cov =，),(),(X Y Cov Y X Cov =),(),(),(2121Y X Cov Y X Cov Y X X Cov +=+，),(),(Y X abCov d bY c aX Cov =++4、常见随机变量分布的数学期望和方差五、大数定律与中心极限定理1、切比雪夫不等式若,)(,)(2σμ==X D X E 对于任意0>ε有2)(})({εεX D X E X P ≤≥-2、大数定律： ①切比雪夫大数定律：若n X X 1相互独立，2)(,)(i i i i X D X E σμ==且C i ≤2σ，则：∑∑==∞→−→−ni iPni i n X E nX n11)(),(11②伯努利大数定律：设n A 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0ε∀>，有：lim 1A n n P p n ε→∞⎛⎫-<= ⎪⎝⎭③辛钦大数定律：若1,,n X X 独立同分布，且μ=)(i X E ，则μ∞→=−→−∑n P ni iXn113、中心极限定理①列维—林德伯格中心极限定理：独立同分布的随机变量(1,2,)i X i =，均值为μ，方差为02>σ，当n充分大时有：1((0,1)~nn k k Y X n N μ==-−−→∑ ②棣莫弗—拉普拉斯中心极限定理：随机变量),(~p n B X ，则对任意x 有：③近似计算：1()nk k P a X b =≤≤≈Φ-Φ∑ 概率论与数理统计公式整理1、总体和样本的分布函数 设总体()XF x ，则样本的联合分布函数)(),(121k nk n x F x x x F =∏=2、统计量样本均值：∑==ni i X nX 11，样本方差：∑∑==--=--=ni i ni i X n X n X X n S 122122)(11)(11 样本标准差：∑=--=ni i X X n S 12)(11 ，样本k 阶原点距： 2,1,11==∑=kXnA ni ki k样本k 阶中心距：11(),1,2,3n k k i i B X X k n ==-=∑3、三大抽样分布(1)2χ分布：设随机变量(0,1)i X N (1,2,,)i n =且相互独立，则称统计量222212n X X X ++=χ服从自由度为n 的2χ分布，记为)(~22n χχ性质：①n n D n n E 2)]([,)]([22==χχ②设)(~),(~22n Y m X χχ且相互独立，则)(~2n m Y X ++χ(2)t 分布：设随机变量)(~),1,0(~2n Y N X χ，且X 与Y 独立，则称统计量：nY X T =服从自由度为n 的t 分布，记为)(~n t T性质：①()0(1),()(2)2n E T n D T n n =>=>-②22lim ()()x n n f x x ϕ-→∞== (3)F 分布：设随机变量22~(),~()X m Y n χχ，且X 与Y 独立，则称统计量(,)X mF m n Y n=服从第一自由度为m ，第二自由度为n 的F 分布，记为~(,)F F m n ，性质：设~(,)F F m n ，则1~(,)F n m F七、参数估计1.参数估计①定义：用12(,,,)n X X X θ∧估计总体参数θ，称12(,,,)n X X X θ∧为θ的估计量，相应的12(,,,)n x x x θ∧为总体θ的估计值。

§3 条件分布我们由条件概率很自然地引出条件概率分布的概念． 设(X ，Y)是二维离散型随机变量，其分布律为,...,2,1,,}Y ,{X i ====j i p y x P ij j(X ，Y)关于X 和关于y 的边缘分布律分别为,...,2,1,.}{X 1====∑∞=i p p x P j ij i i,...,2,1,.}{Y 1====∑∞=j p p y P i ij j j设j p .>0，我们来考虑在事件{Y=j y }已发生的条件下事件{ X=i x ，）发生的概率，也就是来求事件,...2,1},{===i y Y x X j i ， 的概率，由条件概率公式，可得 ,....2,1,.}{},{}{========i p p y Y P y Y x X P y Y x X P jij j j i j i易知上述条件概率具有分布律的性质： 1、；0}{≥==j i y Y x X P2、.1..1.}{..111======∑∑∑ℵ=∞=∞=jj i ij j iji jit p p p j p p p y Y x X P 于是我们引入以下的定义．定义 设(X ．Y)是二维离散型随机变量，对于固定的j ，若P{Y=y,}>0， 则称,....2,1,.}{},{}{========i p p y Y P y Y x X P y Y x X P jij j j i j i (3.1)·为在Y=y ，条件下随机变量X 的条件分布律． 同样，对于固定的i ．若P{X= i x }>0．则称 ,....2,1,}{},{}{.========j p p x X P y Y x X P x X y Y P i ij i j i i j (3.2)为在X =x ，条件下随机变量Y 的条件分布律．例l 在一汽车工厂中，一辆汽车有两道工序是由机器人完成的．其一是紧固3只螺栓，其二是焊接2处焊点，以X 表示由机器人紧固的螺栓紧固得不良的数目，以Y 表示由机器人焯接的小良焊点的数目，据积累的资料知(X ，Y)具有分布律：(1)求在X=1的条件下．Y 的条件分布律；(2)求在y=0的条件下，X 的条件分布律． 解 边缘分布律已经求出列在上表中.在X=1的条件下，Y 的条件分布律为,045.0030.0}1{}0,1{}10{=======X P Y X P X Y P,045.0010.0}1{}1,1{}11{=======X P Y X P X Y P,045.0005.0}1{}2,1{}12{=======X P Y X P X Y P或写成同样可得在例2 一射手进行射击，击中目标的概率为p(O<p<1)，射击直至击中目标两次为止．设以X 表示首次击中目标所进行的射击次数，以Y 表示总共进行的射击次数，试求X 和Y 的联合分布律及条件分布律．解 按题意Y=n 就表示在第n 次射击时击中目标，且在第1次，第2次，……，第n-l 次射击中恰有一次击中目标．已知各次射击是相互独立的，于是不管m （m<n ）是多少，概率P{X=m,Y=n ）都应等于p .p.43421Λ个2-⋅⋅⋅n q q q =2p 2-n q（这里q=1-p ）．即得X 和y 的联合分布律为P{X=m,Y=n)}= 2p 2-n q，n=2,3,…;m=1,2,...,n-l.又 P{x=m}=∑∞+=1m n p {X=m ，y=n ）=212-∞+=∑n m n q p=2p21-∞+=∑n m n q=,...,2,1,1112==---m pq qq p m m P{Y=n}=∑-=11n m P {X=m ，y=n}=2112--=∑n n m q p =(n-1) 2p 2-n q ,n=2,3,.... 于是由(3.1)，(3.2)式得到所求的条件分布律为当n-2，3，…时，P{X=m,Y=n}=2222)1(p ---n n q p n q =;1,...2,1,11-=-n m n当m=1,2，…时，P{Y=n ︱X=m}=122p --m n qp q =p 1--m n q ,n=m+1,m+2,… 例如．P{X=m ︱Y=3}=，21， m=1,2； P{Y=n ︱X=3}=,4-n pq， n=4，5，．．现设(X ，Y)是二维连续型随机变量，这时由于对任意x ，y 有P{X=x}=0，P{Y=y}=0，因此就不能直接用条件概率公式引入¨条件分布函数”了．设(X ．Y)的概率密度为f (x ，y)，(X ．Y)关于Y 的边缘概率密度为fy(y)．给定y ，对于任意固定的ε>0，对于任意x ，考虑条件概率P{X ≤x ︱y<Y ≤y+ε}， 设P{y<X ≤y+ε}>0，则有P{X ≤x ︱y<Y ≤y+ε}=}{},{εε+≤<+≤<≤y Y y P y Y y x X P=.)(),(dyy f dx dy y x f ey yY xe y y ⎰⎰⎰+∞-+⎥⎦⎤⎢⎣⎡在某些条件下，当ε很小时，上式右端分子、分母分别近似于ε和dx y x f ⎰∞x-).(ε),(y f Y ，于是当ε很小时，有P{X ≤x ︱y<Y ≤y+ε）≈)(),(y f dxy x f Y xεε⎰∞-=.)(),(dx y f y x f xY ⎰∞- (3.3) 与一维随机变量概率密度的定义式第二章(4.1)式比较．我们给出以下的定义．定义 设二维随机变量(X ，Y)的概率密度为f(x ，y)，(X ，Y)关于Y 的边缘概率密度为).(y f Y ．若对于固定的y, ).(y f Y >0，则称)(),(y f y x f Y 为在Y=y 的条件下X 的条件概率密度，记为①.)(),()(y f y x f y x f Y Y X =(3.4) ———————————————————① 条件概率密度满足条件： .)(),()(y f y x f y x f Y Y X =≥0; dx y x f Y X )(-⎰∞∞=.)(),(dx y f y x f xY ⎰∞-=1),()(1=⎰∞∞-dx y x f y f Y 称dx y x f Y X )(-⎰∞∞=.)(),(dx y f y x f xY ⎰∞-为在Y=y 的条件下X 的条件分布函数，记为P {X ≤x ︱Y=y}或）（y x F YX ，即 ）（y x F YX = P {X ≤x ︱Y=y}=.)(),(dx y f y x f xY ⎰∞- （3.5） 类似地，可以定义 =）（x y F X Y )(),(x f y x f x 和=）（x y F XY dy x f y x f xX ⎰∞-)(),(. 由(3.3)知道，当ε很小时，有 P{X ≤x ︱y<Y ≤y+ε}≈dx y x f xY X )(-⎰∞=）（y x F YX , 上式说明了条件密度和条件分布函数的含义．例3 设G 是平面上的有界区域，其面积为A ．若二维随机变量(X ，Y)具有概率密度⎪⎪⎩⎪⎪⎨⎧∈=其他，，0),,(,1),(G y x A y x f则称(X ，Y)在G 上服从均匀分布，现设二维随机变量(X ，Y)在圆域22y x +≤1上服从均匀分布，求条件概率密度）（y x f YX ． 解 由假设随机变量(X ．Y)具有概率密度⎪⎪⎩⎪⎪⎨⎧≤+=其他，，0,1,1),(22y x y x f π且有边缘概率密度dx y x f y f Y ⎰∞∞-=),()(⎪⎪⎩⎪⎪⎨⎧≤≤--==⎰---.,0,11,12121122其他y y dx y y ππ于是当- l<y<l 时有）（y x F YX =⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧-≤≤---=.,0,11,121y -1212222其他y x y y ππ当y=0和y=21时）（y x f Y X 的图形分别如图3—6，图3-7所示．图3-6 图3-7例4 设数X 在区间(0，1)上随机地取值，当观察到X=x (0<x<1)时，数Y 在区间(x ，1)上随机地取值．求Y 的概率密度)(y f Y ．解 按题意X 具有概率密度 =)(x f X ⎩⎨⎧<<.,0,10,1其他x对于任意给定的值x(0<x<1)，在X=x 的条件下Y 的条件概率密度为=）（x y f XY ⎪⎪⎩⎪⎪⎨⎧<<-.,0,1,11其他y x x由(3.4)式得X 和Y 的联合概率密度为=),(y x f ）（x y f XY =)(x f X ⎪⎪⎩⎪⎪⎨⎧<<<-.,0,10,11其他y x x于是得关于Y 的边缘概率密度为dx y x f y f Y ⎰∞∞-=),()(⎪⎪⎩⎪⎪⎨⎧<<--=-=⎰.0,10),1(110,其他，y y y In dx x。