当前位置:网站首页>【九阳神功】2017复旦大学应用统计真题+解析
【九阳神功】2017复旦大学应用统计真题+解析
2022-07-06 09:20:00 【大师兄统计】
真题部分
一、(30分) 名词解释
(1)(5分) 样本均值、样本方差;
(2)(5分) 统计量;
(3)(5分) 次序统计量;
(4)(5分) 中位数、样本中位数;
(5)(5分) 经验分布函数;
(6)(5分) 无偏估计.
二、(20分) X 1 , X 2 , X_{1}, X_{2}, X1,X2, i.i.d ∼ Exp ( 1 ) , \sim \operatorname{Exp}(1), ∼Exp(1), 求
(1)(10分) X 1 X 1 + X 2 \frac{X_{1}}{X_{1}+X_{2}} X1+X2X1的密度函数;
(2)(10分) X ( 2 ) − X ( 1 ) X_{(2)}-X_{(1)} X(2)−X(1) 的密度函数.
三、(20分) X 1 , X 2 X_{1}, X_{2} X1,X2 i.i.d. ∼ N ( 0 , 1 ) , \sim N(0,1), ∼N(0,1), 求 X 1 X 2 \frac{X_{1}}{X_{2}} X2X1的概率分布.
四、(20分) X 1 , X 2 , … , X n X_{1}, X_{2}, \ldots, X_{n} X1,X2,…,Xn i.i.d. ∼ F ( x ) , \sim F(x), ∼F(x), 记 Y n ( x ) = ∑ i = 1 n I [ X i ≤ x ] , Y_{n}(x)=\sum_{i=1}^{n} I\left[X_{i} \leq x\right], Yn(x)=∑i=1nI[Xi≤x], 求 lim n → ∞ Y n ( x ) n \lim _{n \rightarrow \infty} \frac{Y_{n}(x)}{n} limn→∞nYn(x).
五、(20分) X 0 , X 1 , ⋯ , X 2 n , X_{0}, X_{1}, \cdots, X_{2 n}, X0,X1,⋯,X2n, i.i.d ∼ U ( 0 , 1 ) , X ( 0 ) , X ( 1 ) , ⋯ , X ( 2 n ) \sim U(0,1), \quad X_{(0)}, X_{(1)}, \cdots, X_{(2 n)} ∼U(0,1),X(0),X(1),⋯,X(2n)为对应的次序统计量, 试证明 X ( n ) → P 1 2 X_{(n)} \stackrel{P}{\rightarrow} \frac{1}{2} X(n)→P21.
六、(20分) 已知连续型随机变量 X X X的期望 E X E X EX存在, f ( t ) = E ∣ X − t ∣ f(t)=E|X-t| f(t)=E∣X−t∣在 t = m t=m t=m时取极小值, 证明 P ( X ≤ m ) = 1 2 P(X \leq m)=\frac{1}{2} P(X≤m)=21.
七、(20分) X 1 , X 2 , X 3 X_{1}, X_{2}, X_{3} X1,X2,X3 i.i.d ∼ N ( 0 , 1 ) , \sim N(0,1), ∼N(0,1), 求
(1)(10分) P ( X 1 > X 2 > X 3 ) P\left(X_{1}>X_{2}>X_{3}\right) P(X1>X2>X3);
(2)(10分) P ( X 1 > X 2 , X 1 > X 3 ) P\left(X_{1}>X_{2}, X_{1}>X_{3}\right) P(X1>X2,X1>X3).
解析部分
一、(30分) 名词解释
(1)(5分) 样本均值、样本方差;
(2)(5分) 统计量;
(3)(5分) 次序统计量;
(4)(5分) 中位数、样本中位数;
(5)(5分) 经验分布函数;
(6)(5分) 无偏估计.
Solution: (1) 样本均值是在某个特定总体中抽取 n n n 个独立随机样木, 计算得到的平均值, 记作 X ˉ = 1 n ∑ i = 1 n X i \bar{X}=\frac{1}{n} \sum_{i=1}^{n} X_{i} Xˉ=n1∑i=1nXi, 如果总体的期望存在, 则 X ˉ \bar{X} Xˉ是总体期望的强相合估计. 样本方差则是利用该 n n n个独立随机样本计算的修正平均离差平方, 修正的意思是取平均时除以的是其自由度 n − 1 n-1 n−1而并非数据个数 n n n, 样本方差一般记作 S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 S^{2}=\frac{1}{n-1} \sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2} S2=n−11∑i=1n(Xi−Xˉ)2, 如果总体的方差存在, 则 S 2 S^{2} S2也是总体方差的强相合估计.
(2) 统计量是指其表达式中只含样本而不含末知参数的函数, 本质上是随机变量(向量),当然在随机样本的取值给定时, 统计量也可以被看作一个已知的常数(常向量), 这时统计量就是“统计量的观测值”的简称.
(3) 次序统计量是指将随机样本 X 1 , X 2 , … , X n X_{1}, X_{2}, \ldots, X_{n} X1,X2,…,Xn 重新由小到大排列成的统计量, 一般由小到大记作 X ( 1 ) , X ( 2 ) , … , X ( n ) X_{(1)}, X_{(2)}, \ldots, X_{(n)} X(1),X(2),…,X(n).
(4) 如果 x 0.5 x_{0.5} x0.5 满足 P { X ≤ x 0.5 } = 0.5 P\left\{X \leq x_{0.5}\right\}=0.5 P{ X≤x0.5}=0.5 则称 x 0.5 x_{0.5} x0.5为中位数. 而样本中位数 m 0.5 m_{0.5} m0.5则是指取到的随机样本中位于中间的数, 若用次序统计量表示就是 m 0.5 = { x ( n + 1 2 ) , n = 奇数, x ( n 2 ) + x ( n 2 + 1 ) 2 , n = 偶数. m_{0.5}= \begin{cases}x_{\left(\frac{n+1}{2}\right)}, & n=\text { 奇数, } \\ \frac{x_{\left(\frac{n}{2}\right)}+x_{\left(\frac{n}{2}+1\right)}}{2}, & n=\text { 偶数. }\end{cases} m0.5=⎩⎨⎧x(2n+1),2x(2n)+x(2n+1),n= 奇数, n= 偶数.
(5) 经验分布函数是根据样本信息来对总体分布函数作出的估计, 记作 F n ( x ) = 1 n ∑ i = 1 n I [ X i ≤ x ] , F_{n}(x)=\frac{1}{n} \sum_{i=1}^{n} I\left[X_{i} \leq x\right], Fn(x)=n1i=1∑nI[Xi≤x], 根据 Glivenko-Cantelli 定理, 经验分布函数是总体分布函数的一致强相合估计, 即 sup x ∣ F n ( x ) − F ( x ) ∣ * a . s . 0. \sup _{x}\left|F_{n}(x)-F(x)\right| \stackrel{a . s .}{\longrightarrow} 0 . xsup∣Fn(x)−F(x)∣*a.s.0. (6) 如果 g ^ ( X 1 , … , X n ) \hat{g}\left(X_{1}, \ldots, X_{n}\right) g^(X1,…,Xn) 满足 E g ^ ( X 1 , … , X n ) = g ( θ ) E \hat{g}\left(X_{1}, \ldots, X_{n}\right)=g(\theta) Eg^(X1,…,Xn)=g(θ), 则称 g ^ \hat{g} g^ 是 g g g 的无偏估计, 无偏性是一 个很重要的优良标准, 但并不是必须的, 如当 E X E X EX存在, 随机样本 X 1 X_{1} X1总是总体期望的无偏估计, 但你很难说它是一个很好的估计.
二、(20分) X 1 , X 2 , X_{1}, X_{2}, X1,X2, i.i.d ∼ Exp ( 1 ) , \sim \operatorname{Exp}(1), ∼Exp(1), 求
(1)(10分) X 1 X 1 + X 2 \frac{X_{1}}{X_{1}+X_{2}} X1+X2X1的密度函数;
(2)(10分) X ( 2 ) − X ( 1 ) X_{(2)}-X_{(1)} X(2)−X(1) 的密度函数.
Solution: (1) 根据题意, 2 X 1 ∼ χ 2 ( 2 ) , 2 X 2 ∼ χ 2 ( 2 ) 2 X_{1} \sim \chi^{2}(2), 2 X_{2} \sim \chi^{2}(2) 2X1∼χ2(2),2X2∼χ2(2) 且相互独立, 故 X 1 X 1 + X 2 = 2 X 1 2 X 1 + 2 X 2 ∼ Beta ( 1 , 1 ) \frac{X_{1}}{X_{1}+X_{2}}=\frac{2 X_{1}}{2 X_{1}+2 X_{2}} \sim \operatorname{Beta}(1,1) X1+X2X1=2X1+2X22X1∼Beta(1,1), 密度函数为 f ( x ) = 1 , 0 < x < 1 f(x)=1,0<x<1 f(x)=1,0<x<1, 即 U ( 0 , 1 ) U(0,1) U(0,1).
(2) 很容易发现 X ( 2 ) − X ( 1 ) = ∣ X 1 − X 2 ∣ X_{(2)}-X_{(1)}=\left|X_{1}-X_{2}\right| X(2)−X(1)=∣X1−X2∣, 根据卷积公式有 Y = X 1 − X 2 Y=X_{1}-X_{2} Y=X1−X2 的密度函数是 f ( y ) = { 1 2 e − y , y ≥ 0 1 2 e y , y < 0 f(y)= \begin{cases}\frac{1}{2} e^{-y}, & y \geq 0 \\ \frac{1}{2} e^{y}, & y<0\end{cases} f(y)={ 21e−y,21ey,y≥0y<0 故 ∣ Y ∣ |Y| ∣Y∣ 的密度函数是 f ( x ) = e − y , y ≥ 0 f(x)=e^{-y}, y \geq 0 f(x)=e−y,y≥0.
[注] 若 X ∼ χ 2 ( m ) , Y ∼ χ 2 ( n ) X \sim \chi^{2}(m), Y \sim \chi^{2}(n) X∼χ2(m),Y∼χ2(n), 且相互独立, 则 X X + Y ∼ Beta ( m 2 , n 2 ) . \frac{X}{X+Y} \sim \operatorname{Beta}\left(\frac{m}{2}, \frac{n}{2}\right). X+YX∼Beta(2m,2n). 分析如下: 记 U = X X + Y , V = X + Y U=\frac{X}{X+Y}, V=X+Y U=X+YX,V=X+Y, 反解后有 x = u v , y = v − u v x=u v, y=v-u v x=uv,y=v−uv, ∣ J ∣ = ∣ ∂ ( x , y ) ∂ ( u , v ) ∣ = ∣ v u − v 1 − u ∣ = v , |J|=\left|\frac{\partial(x, y)}{\partial(u, v)}\right|=\left|\begin{array}{cc} v & u \\ -v & 1-u \end{array}\right|=v, ∣J∣=∣∣∣∣∂(u,v)∂(x,y)∣∣∣∣=∣∣∣∣v−vu1−u∣∣∣∣=v, 因此 f U , V ( u , v ) = v f X , Y ( u v , ( 1 − u ) v ) = u m 2 − 1 ( 1 − u ) n 2 − 1 Γ ( m 2 ) Γ ( n 2 ) ⋅ ( 1 2 ) m + n 2 v m + n 2 − 1 e − v 2 f_{U, V}(u, v)=v f_{X, Y}(u v,(1-u) v)=\frac{u^{\frac{m}{2}-1}(1-u)^{\frac{n}{2}-1}}{\Gamma\left(\frac{m}{2}\right) \Gamma\left(\frac{n}{2}\right)} \cdot\left(\frac{1}{2}\right)^{\frac{m+n}{2}} v^{\frac{m+n}{2}-1} e^{-\frac{v}{2}} fU,V(u,v)=vfX,Y(uv,(1−u)v)=Γ(2m)Γ(2n)u2m−1(1−u)2n−1⋅(21)2m+nv2m+n−1e−2v, 故 f U ( u ) = ∫ 0 + ∞ f U , V ( u , v ) d v = Γ ( m + n 2 ) Γ ( m 2 ) Γ ( n 2 ) u m 2 − 1 ( 1 − u ) n 2 − 1 ∼ Beta ( m 2 , n 2 ) . f_{U}(u)=\int_{0}^{+\infty} f_{U, V}(u, v) d v=\frac{\Gamma\left(\frac{m+n}{2}\right)}{\Gamma\left(\frac{m}{2}\right) \Gamma\left(\frac{n}{2}\right)} u^{\frac{m}{2}-1}(1-u)^{\frac{n}{2}-1} \sim \operatorname{Beta}\left(\frac{m}{2}, \frac{n}{2}\right). fU(u)=∫0+∞fU,V(u,v)dv=Γ(2m)Γ(2n)Γ(2m+n)u2m−1(1−u)2n−1∼Beta(2m,2n).
三、(20分) X 1 , X 2 X_{1}, X_{2} X1,X2 i.i.d ∼ N ( 0 , 1 ) , \sim N(0,1), ∼N(0,1), 求 X 1 X 2 \frac{X_{1}}{X_{2}} X2X1的概率分布.
Solution: 由于分母 X 2 X_{2} X2 的分布关于 0 对称, 因此 X 1 ∣ X 2 ∣ \frac{X_{1}}{\left|X_{2}\right|} ∣X2∣X1 与 X 1 X 2 \frac{X_{1}}{X_{2}} X2X1 同分布, 而很明显 N ( 0 , 1 ) χ 2 ( 1 ) 1 \frac{N(0,1)}{\sqrt{\frac{\chi^{2}(1)}{1}}} 1χ2(1)N(0,1) 是一个自由度为 1 的 t t t 分布, 所以 X 1 ∣ X 2 ∣ \frac{X_{1}}{\left|X_{2}\right|} ∣X2∣X1也是自由度为 1 的 t t t 分布, 它的概率密度是 f ( x ) = Γ ( 1 ) π Γ ( 1 2 ) ( x 2 + 1 ) − 1 = 1 π ⋅ 1 1 + x 2 , − ∞ < x < + ∞ , f(x)=\frac{\Gamma(1)}{\sqrt{\pi} \Gamma\left(\frac{1}{2}\right)}\left(x^{2}+1\right)^{-1}=\frac{1}{\pi} \cdot \frac{1}{1+x^{2}},-\infty<x<+\infty, f(x)=πΓ(21)Γ(1)(x2+1)−1=π1⋅1+x21,−∞<x<+∞, 即标准柯西分布.
四、(20分) X 1 , X 2 , … , X n X_{1}, X_{2}, \ldots, X_{n} X1,X2,…,Xn i.i.d ∼ F ( x ) , \sim F(x), ∼F(x), 记 Y n ( x ) = ∑ i = 1 n I [ X i ≤ x ] , Y_{n}(x)=\sum_{i=1}^{n} I\left[X_{i} \leq x\right], Yn(x)=∑i=1nI[Xi≤x], 求 lim n → ∞ Y n ( x ) n \lim _{n \rightarrow \infty} \frac{Y_{n}(x)}{n} limn→∞nYn(x).
Solution: 根据强大数律, lim n → ∞ Y n ( x ) n = E I [ X 1 ≤ x ] = P ( X 1 ≤ x ) = F ( x ) \lim _{n \rightarrow \infty} \frac{Y_{n}(x)}{n}=E I\left[X_{1} \leq x\right]=P\left(X_{1} \leq x\right)=F(x) limn→∞nYn(x)=EI[X1≤x]=P(X1≤x)=F(x), a.s.
五、(20分) X 0 , X 1 , ⋯ , X 2 n , X_{0}, X_{1}, \cdots, X_{2 n}, X0,X1,⋯,X2n, i.i.d ∼ U ( 0 , 1 ) , X ( 0 ) , X ( 1 ) , ⋯ , X ( 2 n ) \sim U(0,1), \quad X_{(0)}, X_{(1)}, \cdots, X_{(2 n)} ∼U(0,1),X(0),X(1),⋯,X(2n)为对应的次序统计量, 试证明 X ( n ) → P 1 2 X_{(n)} \stackrel{P}{\rightarrow} \frac{1}{2} X(n)→P21.
Solution: 我们来计算 Y = X ( n ) Y=X_{(n)} Y=X(n) 的密度函数, 思想是: 从 X 0 , X 1 , ⋯ , X 2 n X_{0}, X_{1}, \cdots, X_{2 n} X0,X1,⋯,X2n 中选出一个当作 Y Y Y, 剩下 的样本中要有 n n n 个比 Y Y Y 小, n n n 个比 Y Y Y 大, 当然符合的选法有 ( 2 n + 1 ) ! n ! ⋅ 1 ! ⋅ n ! \frac{(2 n+1) !}{n ! \cdot 1 ! \cdot n !} n!⋅1!⋅n!(2n+1)! 种, 因此
f ( y ) = ( 2 n + 1 ) ! n ! n ! P { X 0 ≤ y , X 1 ≤ y , … , X n − 1 ≤ y } f X n ( y ) P { X n + 1 > y , … , X 2 n > y } P { X 0 ≤ y , X 1 ≤ y , … , X n − 1 ≤ y } = P n { X 0 ≤ y } = y n , P { X n + 1 > y , … , X 2 n > y } = P n { X 2 n > y } = ( 1 − y ) n , \begin{gathered} f(y)=\frac{(2 n+1) !}{n ! n !} P\left\{X_{0} \leq y, X_{1} \leq y, \ldots, X_{n-1} \leq y\right\} f_{X_{n}}(y) P\left\{X_{n+1}>y, \ldots, X_{2 n}>y\right\}\\ P\left\{X_{0} \leq y, X_{1} \leq y, \ldots, X_{n-1} \leq y\right\}=P^{n}\left\{X_{0} \leq y\right\}=y^{n}, \\ P\left\{X_{n+1}>y, \ldots, X_{2 n}>y\right\}=P^{n}\left\{X_{2 n}>y\right\}=(1-y)^{n}, \end{gathered} f(y)=n!n!(2n+1)!P{ X0≤y,X1≤y,…,Xn−1≤y}fXn(y)P{ Xn+1>y,…,X2n>y}P{ X0≤y,X1≤y,…,Xn−1≤y}=Pn{ X0≤y}=yn,P{ Xn+1>y,…,X2n>y}=Pn{ X2n>y}=(1−y)n, 故 f ( y ) = Γ ( 2 n + 2 ) Γ ( n + 1 ) Γ ( n + 1 ) y n ( 1 − y ) n , 0 < y < 1 f(y)=\frac{\Gamma(2 n+2)}{\Gamma(n+1) \Gamma(n+1)} y^{n}(1-y)^{n}, 0<y<1 f(y)=Γ(n+1)Γ(n+1)Γ(2n+2)yn(1−y)n,0<y<1, 这是 Beta ( n + 1 , n + 1 ) \operatorname{Beta}(n+1, n+1) Beta(n+1,n+1) 的分布函数. 根据Beta分布的性质, E Y = n + 1 2 n + 2 = 1 2 , Var ( Y ) = ( n + 1 ) 2 ( 2 n + 2 ) 2 ( 2 n + 3 ) → 0 , E Y=\frac{n+1}{2 n+2}=\frac{1}{2},\quad \operatorname{Var}(Y)=\frac{(n+1)^{2}}{(2 n+2)^{2}(2 n+3)} \rightarrow 0, EY=2n+2n+1=21,Var(Y)=(2n+2)2(2n+3)(n+1)2→0,利用切比雪夫不等式, P { ∣ Y − 1 2 ∣ > ε } ≤ Var ( Y ) ε 2 → 0 P\left\{\left|Y-\frac{1}{2}\right|>\varepsilon\right\} \leq \frac{\operatorname{Var}(Y)}{\varepsilon^{2}} \rightarrow 0 P{ ∣∣Y−21∣∣>ε}≤ε2Var(Y)→0, 因此 X ( n ) → P 1 2 X_{(n)} \stackrel{P}{\rightarrow} \frac{1}{2} X(n)→P21.
六、(20分) 已知连续型随机变量 X X X的期望 E X E X EX存在, f ( t ) = E ∣ X − t ∣ f(t)=E|X-t| f(t)=E∣X−t∣在 t = m t=m t=m时取极小值, 证明 P ( X ≤ m ) = 1 2 P(X \leq m)=\frac{1}{2} P(X≤m)=21.
Solution: 设 X X X 的分布函数是 F ( x ) F(x) F(x), 宓度函数是 p ( x ) p(x) p(x), 则 f ( t ) = ∫ − ∞ t ( t − x ) d F ( x ) + ∫ t + ∞ ( x − t ) d F ( x ) = t F ( t ) − ∫ − ∞ t x d F ( x ) + ∫ t + ∞ x d F ( x ) − t ( 1 − F ( t ) ) , f(t)=\int_{-\infty}^{t}(t-x) d F(x)+\int_{t}^{+\infty}(x-t) d F(x)=t F(t)-\int_{-\infty}^{t} x d F(x)+\int_{t}^{+\infty} x d F(x)-t(1-F(t)), f(t)=∫−∞t(t−x)dF(x)+∫t+∞(x−t)dF(x)=tF(t)−∫−∞txdF(x)+∫t+∞xdF(x)−t(1−F(t)), 对 t t t 求导, 得 f ′ ( t ) = F ( t ) + t p ( t ) − t p ( t ) − t p ( t ) − 1 + F ( t ) + t p ( t ) = 2 F ( t ) − 1 , f^{\prime}(t)=F(t)+t p(t)-t p(t)-t p(t)-1+F(t)+t p(t)=2 F(t)-1, f′(t)=F(t)+tp(t)−tp(t)−tp(t)−1+F(t)+tp(t)=2F(t)−1,令 f ′ ( t ) = 0 f^{\prime}(t)=0 f′(t)=0, 解得 t = x 0.5 ( x a t=x_{0.5} \left(x_{a}\right. t=x0.5(xa 表示其满足 F ( x a ) = a ) \left.F\left(x_{a}\right)=a\right) F(xa)=a). 二阶导 f ′ ′ ( t ) = 2 p ( t ) ≥ 0 f^{\prime \prime}(t)=2 p(t) \geq 0 f′′(t)=2p(t)≥0, 因此驻点就是极小值点. 根据题意 m = x 0.5 m=x_{0.5} m=x0.5, 故 P ( X ≤ m ) = 1 2 . P(X \leq m)=\frac{1}{2} . P(X≤m)=21.
七、(20分) X 1 , X 2 , X 3 , X_{1}, X_{2}, X_{3}, X1,X2,X3, i.i.d ∼ N ( 0 , 1 ) , \sim N(0,1), ∼N(0,1), 求
(1)(10分) P ( X 1 > X 2 > X 3 ) P\left(X_{1}>X_{2}>X_{3}\right) P(X1>X2>X3);
(2)(10分) P ( X 1 > X 2 , X 1 > X 3 ) P\left(X_{1}>X_{2}, X_{1}>X_{3}\right) P(X1>X2,X1>X3).
Solution: (1) 根据轮换对称性, P ( X 1 > X 2 > X 3 ) = P ( X 1 > X 3 > X 2 ) = P ( X 2 > X 1 > X 3 ) = P ( X 2 > X 3 > X 1 ) = P ( X 3 > X 1 > X 2 ) = P ( X 3 > X 2 > X 1 ) \begin{aligned} & P\left(X_{1}>X_{2}>X_{3}\right)=P\left(X_{1}>X_{3}>X_{2}\right)=P\left(X_{2}>X_{1}>X_{3}\right) \\ =& P\left(X_{2}>X_{3}>X_{1}\right)=P\left(X_{3}>X_{1}>X_{2}\right)=P\left(X_{3}>X_{2}>X_{1}\right) \end{aligned} =P(X1>X2>X3)=P(X1>X3>X2)=P(X2>X1>X3)P(X2>X3>X1)=P(X3>X1>X2)=P(X3>X2>X1) 这些事件互不相交, 并且这些事件的并是概率为 1 的事件, 故 6 P ( X 1 > X 2 > X 3 ) = 1 ⇒ P ( X 1 > X 2 > X 3 ) = 1 6 . 6 P\left(X_{1}>X_{2}>X_{3}\right)=1 \Rightarrow P\left(X_{1}>X_{2}>X_{3}\right)=\frac{1}{6} . 6P(X1>X2>X3)=1⇒P(X1>X2>X3)=61. (2) 我们发现:
P ( X 1 > X 2 , X 1 > X 3 ) = P ( X 1 = max { X 1 , X 2 , X 3 } ) , P\left(X_{1}>X_{2}, X_{1}>X_{3}\right)=P\left(X_{1}=\max \left\{X_{1}, X_{2}, X_{3}\right\}\right), P(X1>X2,X1>X3)=P(X1=max{ X1,X2,X3}),根据轮换对称性, P ( X 1 = max { X 1 , X 2 , X 3 } ) = P ( X 2 = max { X 1 , X 2 , X 3 } ) = P ( X 3 = max { X 1 , X 2 , X 3 } ) , P\left(X_{1}=\max \left\{X_{1}, X_{2}, X_{3}\right\}\right)=P\left(X_{2}=\max \left\{X_{1}, X_{2}, X_{3}\right\}\right)=P\left(X_{3}=\max \left\{X_{1}, X_{2}, X_{3}\right\}\right), P(X1=max{ X1,X2,X3})=P(X2=max{ X1,X2,X3})=P(X3=max{ X1,X2,X3}),故 P ( X 1 > X 2 , X 1 > X 3 ) = 1 3 P\left(X_{1}>X_{2}, X_{1}>X_{3}\right)=\frac{1}{3} P(X1>X2,X1>X3)=31.
边栏推荐
- Branch and loop statements
- 阿里云微服务(二) 分布式服务配置中心以及Nacos的使用场景及实现介绍
- string
- 167. Sum of two numbers II - input ordered array - Double pointers
- Quickly generate illustrations
- Interview Essentials: talk about the various implementations of distributed locks!
- 5.函数递归练习
- View UI Plus 發布 1.3.1 版本,增强 TypeScript 使用體驗
- 系统设计学习(一)Design Pastebin.com (or Bit.ly)
- Data manipulation language (DML)
猜你喜欢
最新坦克大战2022-全程开发笔记-1
十分钟彻底掌握缓存击穿、缓存穿透、缓存雪崩
更改VS主题及设置背景图片
(超详细onenet TCP协议接入)arduino+esp8266-01s接入物联网平台,上传实时采集数据/TCP透传(以及lua脚本如何获取和编写)
View UI Plus 发布 1.2.0 版本,新增 Image、Skeleton、Typography组件
4. Binary search
Smart classroom solution and mobile teaching concept description
魏牌:产品叫好声一片,但为何销量还是受挫
Rich Shenzhen people and renting Shenzhen people
Iterable、Collection、List 的常见方法签名以及含义
随机推荐
C语言实现扫雷游戏(完整版)
Change vs theme and set background picture
162. Find peak - binary search
Voir ui plus version 1.3.1 pour améliorer l'expérience Typescript
IPv6 experiment
Application architecture of large live broadcast platform
JS interview questions (I)
Design a key value cache to save the results of the most recent Web server queries
4.二分查找
TYUT太原理工大学2022数据库大题之概念模型设计
魏牌:产品叫好声一片,但为何销量还是受挫
TYUT太原理工大学2022数据库大题之分解关系模式
Alibaba cloud microservices (III) sentinel open source flow control fuse degradation component
System design learning (III) design Amazon's sales rank by category feature
(超详细onenet TCP协议接入)arduino+esp8266-01s接入物联网平台,上传实时采集数据/TCP透传(以及lua脚本如何获取和编写)
TYUT太原理工大学2022数据库大题之E-R图转关系模式
6.函数的递归
Tyut Taiyuan University of technology 2022 introduction to software engineering examination question outline
3.猜数字游戏
Solution: warning:tensorflow:gradients do not exist for variables ['deny_1/kernel:0', 'deny_1/bias:0',