浙江大学概率论与数理统计盛骤第四版数理统计部分75页PPT

第28页/共104页
解：按第一种方法。 以X 记“第一人维护的20台中同一时刻发生故障的台数”。
以Ai i 1, 2,3, 4 表示事件“第i人维护的20台中发生故障不能
及时维修”，则知80台中发生故障不能及时维修的概率为：
P A1 A2 A3 A4 P A1 PX 2
而X b20,0.01,故有：
plot(x,pk,'r-.')
ylim([0 0.6])
hold off
xlim([0,2.3])
text(x(1),pk(1), num2str(pk(1)),'FontSize',21);
text(x(2),pk(2), num2str(pk(2)),'FontSize',21);
text(x(3),pk(3), num2str(pk(3)),'FontS第ize1'6,2页1)/共; 104页
text(x(1),pk(1), num2str(pk(1)),'FontSize',21); text(x(2),pk(2), num2str(pk(2)),'FontSize',21); text(x(3),pk(3), num2str(pk(3)),'FontSize',21); figure('color','w') plot(x,pk,'r.','MarkerSize',31) hold on
：这两种类型的随机变量因其取值方式的不同
各有特点，学习时注意它们各自的特点及描述方
式的不同。
第6页/共104页
例1（用随机变量的取值表示随机事件）一报童卖 报，每份报0.50元, 其成本为0.30元。 报馆每天给报 童1000份报纸，并规定卖不出的报纸不得退回。

解：假设接待站的接待时间没有规定，而各来访者在一周 的任一天中去接待站是等可能的，那么，12次接待来 访者都是在周二、周四的概率为 212/712 =0.000 000 3.
人们在长期的实践中总结得到“概率很小的事件在一次 试验中实际上几乎是不发生的”(称之为实际推断原理)。 现在概率很小的事件在一次试验中竟然发生了，因此有理由 怀疑假设的正确性，从而推断接待站不是每天都接待来访者， 即认为其接待时间是有规定的。
i 1
i 1
称P(A)为事件A的概率。
20
性质：
1 P( A) 1 P( A)
P(A) 0不能 A ； P(A) 1不能 A S；
A A S P( A) P( A) 1 P() 0
2 若A B，则有 P(B A) P(B) P(A) P(B) P( A)
B A AB P(B) P( A) P( AB)
4040
2048
12000
6019
24000
12012
fn(H) 0.5181 0.5069 0.5016 0.5005
18
** 频率的性质：
1。 0 fn ( A) 1
2。 fn (S) 1
k
k
3。 若A1, A2,…,Ak两两互不相容，则 fn ( Ai ) fn (Ai )
i1
Hale Waihona Puke i1记 A＝{至少有10人候车}＝{10,11,12,…} S， A为随机事件，A可能发生，也可能不发生。
如果将S亦视作事件，则每次试验S总是发生， 故又称S为必然事件。 为方便起见，记Φ为不可能事件，Φ不包含 任何样本点。
12
(三) 事件的关系及运算 ❖ 事件的关系（包含、相等）

• 性质：
1 P(A)1P(A)
P(A)0不能A； P(A)1不能AS；
A AS P(A)P(A)1 P()0
2 若 A B ， 则 有 P ( B A ) P ( B ) P ( A ) P ( B ) P ( A )
BA AB P (B )P (A )P (A B )
P ( B ) P ( A ) P ( A B ) P ( B A ) 0P(B)P(A)
例：
向上抛出的物体会掉落到地上 ——确定
明天天气状况
——不确定
买了彩票会中奖 ——不确定
8
•篮球比赛是根据运动队在规定的比赛 时间里 得分多 少来决 定胜负 的，因 此，篮 球比赛 的计时 计分系 统是一 种得分 类型的 系统
概率统计中研究的对象：随机现象的数量规律
对随机现象的观察、记录、试验统称为随机试验。 它具有以下特性：
3 概 率 的 加 法 公 式 ： P ( A B ) P ( A ) P ( B ) P ( A B )
A B A ( B A B ) P ( A B ) P ( A ) P ( B A B ) 又 B A B ， 由 2 。 知 P ( B A B ) P ( B ) P ( A B )
✓ A B A B { x |x A 且 x B }
S AB
✓ A 的 逆 事 件 记 为 A , A A A A S , 若 A A B B S , 称 A ,B 互 逆 、 互 斥
S
✓ “和”、“交”关系式
AA
n
n
Ai Ai A1 A2
n
n
An； Ai Ai＝A1A2 An；
• 7.1 参数的点估计 • 7.2 估计量的评选标准 • 7.3 区间估计

S
“和”、“交”关系式
n i 1
A
n
A
Ai＝A1 A2 An；
Ai
n i 1
Ai A1
A2
An；
Ai
n i 1
i 1
例：设A={ 甲来听课 }，B={ 乙来听课 } ，则： A B {甲、乙至少有一人来} A B {甲、乙都来} A B AB {甲、乙都不来} A B AB {甲、乙至少有一人不来}
16
概率统计中研究的对象：随机现象的数量规律
对随机现象的观察、记录、试验统称为随机试验。 它具有以下特性： 1. 可以在相同条件下重复进行 2. 事先知道可能出现的结果 3. 进行试验前并不知道哪个试验结果会发生
例：



抛一枚硬币，观察试验结果； 对某路公交车某停靠站登记下车人数； 对某批电子产品测试其输入电压； 对听课人数进行一次登记；
4



随着18、19世纪科学的发展，人们注意到某些生物、物理 和社会现象与机会游戏相似，从而由机会游戏起源的概率 论被应用到这些领域中，同时也大大推动了概率论本身的 发展。 法国数学家拉普拉斯将古典概率论向近代概率论进行推进， 他首先明确给出了概率的古典定义，并在概率论中引入了 更有力的数学分析工具，将概率论推向一个新的发展阶段。 他还证明了“煤莫弗——拉普拉斯定理”.拉普拉斯于 1812年出版了他的著作《分析的概率理论》，这是一部继 往开来的作品。这时候人们最想知道的就是概率论是否会 有更大的应用价值？是否能有更大的发展成为严谨的学科 概率论在20世纪再度迅速地发展起来，则是由于科学技术 发展的迫切需要而产生的。1906年，俄国数学家马尔科夫 提出了所谓“马尔科夫链”的数学模型。1934年，前苏联 数学家辛钦又提出一种在时间中均匀进行着的平稳过程理有极重要的地位，现 今仍在常用的许多统计方法，就是建立在“所研 究的量具有或近似地具有正态分布”这个假定的 基础上，而经验和理论（概率论中所谓“中心极 限定理”）都表明这个假定的现实性，现实世界 许多现象看来是杂乱无章的，如不同的人有不同 的身高、体重。大批生产的产品，其质量指标各 有差异 。看来毫无规则，但它们在总体上服从正 态分布。这一点，显示在纷乱中有一种秩序存在， 提出正态分布的高斯，一生在多个领域里面有不 少重大的贡献，但在德国10马克的有高斯图像的 钞票上，单只画出了正态曲线，以此可以看出人 们对他这一贡献评价之高。

----------与k无关
27
解2：
视哪几次摸到红球为一样本点
, ,,, 12 k n
总样本点数为 C
a n
，每点出现的概率相等，而其中有 C
a 1 n 1
个
样本点使 A k 发生， P(Ak)Cna 11/Cnaaa b
解3：
原 来
将第k次摸到的球号作为一样本点：
4040
2048
12000
6019
24000
12019
fn(H) 0.5181 0.5069 0.5016 0.5005
18
** 频率的性质：
1。 0fn(A)1
2。 fn(S)1
k
k
3。若 A1,A2,… ,Ak两 两 互 不 相 容 ， 则fn( Ai) fn(Ai)
i1
i1
且 f n ( A ) 随n的增大渐趋稳定，记稳定值为p．
试验 序号
1 2 3 4 5 6 7 8 9 10
n =5
nH fn(H)
2
0.4
3
0.6
1
0.2
5
1.0
1
0.2
2
0.4
4
0.8
2
0.4
3
0.6
3
0.6
表1
n =50
nH fn(H)
22
0.44
25
0.50
21
0.42
25
0.50
24
0.48
21
0.42
18
0.36
24
0.48
27
0.54
31
0.62
概率。 解：将5为员工看成5个不同的球，

fn ( A )
# 频率 反映了事件A发生的频繁程度。
15
n
Ai Ai A1 A2
n
n
An； Ai Ai＝A1A2 An；
i1
i1
i1
i1
例：设A={ 甲来听课 }，B={ 乙来听课 } ，则：
A B {甲、乙至少有一人来}
都不来}
A BAB{甲、乙至少有一人不来}
14
§3 频率与概率
例：



称S中的元素e为基本事件或样本点．
一枚硬币抛一次 S={正面，反面}； 记录一城市一日中发生交通事故次数
S={0,1,2,…}； 记录某地一昼夜最高温度x，最低温度y
S={(x,y)|T0≤y≤x≤T1}； 记录一批产品的寿命x S={ x|a≤x≤b }
10
(二) 随机事件
一般我们称S的子集A为E的随机事件A，当且 仅当A所包含的一个样本点发生称事件A发生。 例：观察89路公交车浙大站候车人数，S＝{0,1,2,…}；
概率论与数理统计是研究随机现象 数量规律的一门学科。
1
第一章 概率论的基本概念
• 1.1 随机试验 • 1.2 样本空间 • 1.3 概率和频率 • 1.4 等可能概型（古典概型） • 1.5 条件概率 • 1.6 独立性
第二章 随机变量及其分布
• 2.1 随机变量 • 2.2 离散型随机变量及其分布 • 2.3 随机变量的分布函数 • 2.4 连续型随机变量及其概率密度 • 2.5 随机变量的函数的分布
记 A＝{至少有10人候车}＝{10,11,12,…} S， A为随机事件，A可能发生，也可能不发生。
如果将S亦视作事件，则每次试验S总是发生， 故又称S为必然事件。 为方便起见，记Φ 为不可能事件，Φ 不包含

12
(三) 事件的关系及运算 事件的关系（包含、相等）
1 A B ： 事 件 A 发 生 一 定 导 致 B 发 生
AB 2A ＝ B BA
B A
S
例： BA 记A={明天天晴}，B={明天无雨}
BA 记A={至少有10人候车}，B={至少有5人候车}
一枚硬币抛两次，A={第一次是正面}，B={至少有一次正面}
15
§3 频率与概率
(一)频率 n A； f ( A ) 定义：记 n n 其中 n A —A发生的次数(频数)；n—总试验次 数。称f n ( A ) 为A在这n次试验中发生的频率。 例：
中国国家足球队，“冲击亚洲”共进行了n次，其中成功了
一次，则在这n次试验中“冲击亚洲”这事件发生的频率为 1 n；
不确定性现象
确定性现象：结果确定 不确定性现象：结果不确定

例：
向上抛出的物体会掉落到地上 ——确定 ——不确定 明天天气状况 ——不确定 买了彩票会中奖
9
概率统计中研究的对象：随机现象的数量规律
对随机现象的观察、记录、试验统称为随机试验。 它具有以下特性： 1. 可以在相同条件下重复进行 2. 事先知道可能出现的结果 3. 进行试验前并不知道哪个试验结果会发生
BA
13


事件的运算
A与B的和事件，记为 AB
A与B的积事件，记为 A B ,A B ,A B
A B A B { x | x A 且 x B } ： A 与 B 同 时 发 生 。
n i 1 n i 1
S A B
A B { x | x A 或 x B } ： A 与 B 至 少 有 一 发 生 。

个
样本点使 Ak
发生，
P( Ak
)C a1 n1 Nhomakorabea/ Cna

a
a b
解3：
原 来
将第k次摸到的球号作为一样本点：
此值不仅与k
这
S＝{
P(
解4：
①，②，…，n
Ak
)

a n

a
a}，Ak
b
{ ①，②，…，a
}
无关，且与 a， b都无关，若a ＝0呢？对吗？
为什么？
不 是 等 可 能 概
P(A B) P(A) P(B) P(AB)
# 3。的推广：
n
n
P( Ai ) P( Ai )
P( Ai Aj )
i 1
i 1
1i jn

P( Ai Aj Ak ) (1)n1 P( A1A2 An )
1i jk n
21
视 ① ②… n 的任一排列为一个样本点，每点出现的概率 相等。
P( Ak
)

a(a b 1)! (a b)!

a
a
b
----------与k无关
27
解2：
视哪几次摸到红球为一样本点
, , ,, 12 k n
总样本点数为
C
a n
，每点出现的概率相等，而其中有
C a1 n 1
B A AB P(B) P( A) P( AB)
P(B) P( A) P( AB) P(B A) 0 P(B) P(A)
3 概率的加法公式：P( A B) P( A) P(B) P( AB)

为什么？
答：只有(4)不是统计量。
17
随机变量独立性的两个定理
定理6.1：设X1, X 2 , , X n是相互独立的n个随机变量，
又设y gi x1, , xni , x1, , xni Rni , i 1, 2, k是k个连续函数，
且有n1 n2 nk n, 则k个随机变量：
[说明]：后面提到的样本均指简单随机样本，由概率论知，若总体X 具有概率密度f(x)，
则样本（X1,X2,…,Xn）具有联合密度函数：
n
fn x1, x2, xn f xi
i 1
16
统计量：样本的不含任何未知参数的函数。
常用统计量：设（X1,X2,…,Xn）为取自总体X的样本
1.
样本均值
n
Yn x
lim P i1 n
n
x
x
证明略。
1
t2
e 2 dt
2
此定理表明，当n充分大时，Yn近似服从N 0,1.
n
即： X（i 近似）～N (n, n 2 ), i＝1
从而，P(a
n i 1
Xi
b)
(b n ) ( a n ).
n
n
答案：N (, 2 )
n
9
定理5.5 德莫佛--拉普拉斯定理
解：设机器出故障的台数为X,则X b400,0.02，分别用三种方法计算：
1. 用二项分布计算
P X 2 1 P X 0 P X 1 1 0.98400 4000.020.98399 0.9972
2. 用泊松分布近似计算
np 400 0.02 8 查表得
P X 2 1 P X 0 P X 1 1 0.000335 0.002684 0.9969

§2 中心极限定理
背景：
有许多随机变量，它们是由大量的相互独立 的随机变量的综合影响所形成的，而其中每 个个别的因素作用都很小，这种随机变量往 往服从或近似服从正态分布，或者说它的极 限分布是正态分布，中心极限定理正是从数 学上论证了这一现象，它在长达两个世纪的 时期内曾是概率论研究的中心课题。
9
定 理 5 . 4 独 立 同 分 布 的 中 心 极 限 定 理
设随机变量X1, X2, , Xn, 相互独立同分布，
E Xi , D Xi 2,i 1, 2,
n
Xi n
则前n个变量的和的标准化变量为：Yn i1 n
思考题：
X

1 n
n
由 于 n A X 1 X 2 X n ,
n p (1 p )
由 定 理 5 .4 ,n l im P an n p A ( 1 n p p ) b a b
1e t2 2d t 2
即 : n A (近 似 )~ N (n p ,n p ( 1 p )).
1 2.3210.01 答案：0.937
13
例4：设某工厂有400台同类机器，各台机器发生故障的概 率都是0.02，各台机器工作是相互独立的，试求机 器出故障的台数不小于2的概率。
解 ： 设 机 器 出 故 障 的 台 数 为 X , 则 X b 4 0 0 , 0 . 0 2 ， 分 别 用 三 种 方 法 计 算 ：
P X 2 1 P X 0 P X 1 1 0 .0 0 0 3 3 5 0 .0 0 2 6 8 4 0 .9 9 6 9
3 . 用 正 态 分 布 近 似 计 算