对于概率密度的不连续点如何从分布函数求得.doc

PAGE PAGE 9 问题8、对于概率密度的不连续点。如何从分布函数求得？ 答： 由概率密度性质，若在点处连续，则有。如果在点处不连续时，可以补充定义，因为这并不会影响分布函数的取值。因此，除有限个点外，如果存在且连续，则概率密度可以用下面方法确定： 问题9、不同的随机变量，它们的分布函数一定不相同吗？ 答： 不一定。例如抛均匀硬币，令， X1与X2在样本空间上的对应法则不同，是两个不同的随机变量，但它们却有相同的分布函数 问题10、目前国内教材中，对分布函数有两种定义方法： （1）， （2） 这两种定义有何异同？ 答：相同之处：；；单调不减 不同之处： 右连续，而左连续。如果是连续性随机变量。这两个定义实际上没有差别；如果是离散型随机变量，差异在于能否取到这一点。 问题11、为什么说正态分布是概率论中最重要的分布？ 答：正态分布有其广泛的实际背景。例：测量的误差、炮弹的弹着点的分布，人体生理特征的数量指标（身高、体重等），产品的数量指标（直径，长度，体积，重量等）。飞机材料的疲劳应力等，都服从或近似服从正态分布。可以说，正态分布是自然界和社会现象中最常见的一种分布。一个变量如果受到大量微小的，独立的随机因素的影响，那么，这个变量一般是一个正态随机变量。另一方面，有些分布（如二项分布，泊松分布）的极限分布是正态分布；有些分布（如分布，分布）又可通过正态分布导出，所以，无论在实际中，还是在理论上，正态分布是概率论中最重要的一种分布。 问题12、设、相互独立，且都服从参数为p的两点分布，则一定有吗？ 答：不对，因为这是误认为只能取0，1两个值，而取0，1的概率都是和，因此，这是错误的。事实上，都是“随机”取值的。当取0时，可能取0也可能取1，而同时取0或同时取1的可能值为 问题13、边缘分布与联合分布的关系如何？ 答：（X，Y）的联合分布全面反映了（X，Y）的概率分布状态以及数字特征，而边缘分布只反映分量X和Y的概率分布；联合分布能确定边缘分布，但边缘分布却不能确定联合分布。 例： ， 均为联合密度函数，显然，但容易验证，，但当X，Y相互独立时，不仅联合分布决定它们的边缘分布，边缘分布也决定联合分布，反映在概率密度上也是如此。 特别地，若是n个独立同分布的随机变量，则 ， 问题14、相关系数反映和的什么特征？ 答：是一个用来反映和之间线性关系程度的数字特征。当和存在线性函数关系 时，则 从而 ， 另一方面。若，则和之间以概率1存在着线性关系，即存在常数和，使 。若越接近1，和的线性相关程度越好，若越接近0，和的线性相关程度越差，若，则称和不相关。 问题15、独立性与不相关有何关系？ 答：的二阶矩存在且当 时，若独立，则与不（线性）相关，但反之不然，例如的联合概率密度 ， 易知 ， 于是 ，此则不相关。 而的边缘概率密度 同理的边缘概率密度 即不相互独立。 但对于两个正态变量，相互独立性与不相关是等价的。 问题16、随机变量的期望不存在，则方差一定不存在吗？随机变量的期望存在，则方差一定存在吗？ 答：随机变量的期望不存在，则方差也不存在。 ，故当不存在时，也不存在， 例如：分布 而当随机变量的期望存在时，方差不一定存在。 例：分布 同理 ， 因此 均存在 同理可得 。即都不存在。 问题17、依概率收敛与高等数学中的收敛有什么区别？ 答：在高等数学中，为确定性变量。若有。即对任意，可找到，使得当时，就有成立，而绝不会有 在概率论中， 依概率收敛于，只意味着对任意给定的，当充分大时，事件“”的概率很大，接近于1；并不排除“”的发生，而只是说它发生的可能性很小。 相比较，依概率收敛要比高等数学中普通意义下的收敛弱些。 问题18、大数定律和中心极限定理之间，有什么联系？ 答：大数定律是研究随机变量序列依概率收敛的极限问题，而中心极限定理是研究随机变量序列依分布收敛的极限定理，它们都是讨论大量的随机变量之和的极限行为。当，相互独立又同分布；并且有大于0的有限方差时，大数定律和中心极限定理同时成立： 设 ，则由切比雪夫大数定律知，对任意给定的有 而由独立同分布的中心极限定理有： 可见，在所假设的条件下，中心极限定理比大数定律更为精确。 问题19、大数定律说明什么问题？ 答：在实践中人们发现事件发生的“频率”具有稳定性，在讨论数学期望时，也看到在进行大量独立重复试验时，“平均值”也具有稳定性。大数定律正是以严格的数学形式证明了“频率”和“平均值”的稳定性，同时表达了这种稳定性的含义，即“频率”或“平均值”在依概率收敛的意义下逼近某一常数。 问题20、中心极限定理的意义是什么 答：中心极限定理是阐明有些即使原来并不服从正态分布的一些独立的随机变量，