当前位置:网站首页>【九阳神功】2018复旦大学应用统计真题+解析
【九阳神功】2018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、(20分) 从1-10中不放回选3个数字, 求以下概率
(1)(5分) 最小数字是5;
(2)(5分) 最大数字是5;
(3)(5分) 至少一个小于6;
(4)(5分) 一个小于5, 一个等于5, 一个大于5.
二、(15分) 你在重复尝试一个成功概率为 p p p的事件, 直至连续出现两次成功或两次失败才停止, 求你以两次成功停止的概率.
三、(15分) 求二项分布, ( a , b ) (a,b) (a,b)上均匀分布, 伽马分布的期望和方差.
四、(20分) 证明 E ( X 2 ) < ∞ E\left(X^{2}\right)<\infty E(X2)<∞的充要条件是级数 ∑ n P ( ∣ X ∣ > n ) \sum n P(|X|>n) ∑nP(∣X∣>n)收敛.
五、(20分) X 1 , X 2 , X 3 X_{1}, X_{2}, X_{3} X1,X2,X3是取自期望为 α \alpha α的指数分布的随机样本, 求概率 P ( X 1 < X 2 < X 3 ) P\left(X_{1}<X_{2}<X_{3}\right) P(X1<X2<X3) 以及 X ( 1 ) X_{(1)} X(1) 的概率密度.
六、(20分) P ( X i = − 0.3 ) = P ( X i = 0.4 ) = 1 2 , i = 1 , 2 , … , n , P\left(X_{i}=-0.3\right)=P\left(X_{i}=0.4\right)=\frac{1}{2}, i=1,2, \ldots, n, P(Xi=−0.3)=P(Xi=0.4)=21,i=1,2,…,n, 相互独立, 构造随机变量序列 Y n = ∏ i = 1 n ( X i + 1 ) , Y_{n}=\prod_{i=1}^{n}\left(X_{i}+1\right), Yn=∏i=1n(Xi+1), 求 Y n Y_{n} Yn的极限并证明 Y n Y_{n} Yn的期望趋于无穷.
七、(20分) 有一堆球: 2红, 3黑, 4白. 从中随机摸一个球, 如果是黑色则记你赢, 如果是其他颜色, 则有放回的继续摸球, 直至重复出现该颜色或黑色为止, 如果出现你第一次摸到的颜色, 则你赢, 否则你输. 求你赢的概率.
八、(20分)
(1)(10分) 解释相合估计;
(2)(10分) X 1 , … , X n X_{1}, \ldots, X_{n} X1,…,Xn是来自一个同一个总体的样本, 写出一个中位数的相合估计, 并说明理由.
解析部分
一、(20分) 从1-10中不放回选3个数字, 求以下概率
(1)(5分) 最小数字是5;
(2)(5分) 最大数字是5;
(3)(5分) 至少一个小于6;
(4)(5分) 一个小于5, 一个等于5, 一个大于5.
Solution:
(1) # Ω = C 10 3 = 120 \# \Omega=C_{10}^{3}=120 #Ω=C103=120, #A A 1 = 1 ⋅ C 5 2 = 10 , P ( A 1 ) = # A 1 # Ω = 1 12 A_{1}=1 \cdot C_{5}^{2}=10, P\left(A_{1}\right)=\frac{\# A_{1}}{\# \Omega}=\frac{1}{12} A1=1⋅C52=10,P(A1)=#Ω#A1=121.
(2) # A 2 = 1 ⋅ C 4 2 = 6 , P ( A 2 ) = # A 2 # Ω = 1 20 \# A_{2}=1 \cdot C_{4}^{2}=6, P\left(A_{2}\right)=\frac{\# A_{2}}{\# \Omega}=\frac{1}{20} #A2=1⋅C42=6,P(A2)=#Ω#A2=201.
(3) # A 3 ‾ = C 5 3 = 10 , P ( A 3 ) = 1 − # A 3 ‾ # Ω = 11 12 \# \overline{A_{3}}=C_{5}^{3}=10, P\left(A_{3}\right)=1-\frac{\# \overline{A_{3}}}{\# \Omega}=\frac{11}{12} #A3=C53=10,P(A3)=1−#Ω#A3=1211.
(4) # A 4 = 4 ⋅ 1 ⋅ 5 = 20 , P ( A 4 ) = # A 4 # Ω = 1 6 \# A_{4}=4 \cdot 1 \cdot 5=20, P\left(A_{4}\right)=\frac{\# A_{4}}{\# \Omega}=\frac{1}{6} #A4=4⋅1⋅5=20,P(A4)=#Ω#A4=61.
二、(15分) 你在重复尝试一个成功概率为 p p p 的事件, 直至连续出现两次成功或两次失败才停止, 求你 以两次成功停止的概率.
Solution:
设 A A A “以两次成功停止”", p 0 = P ( A ) , p 1 = P ( A ∣ p_{0}=P(A), p_{1}=P(A \mid p0=P(A),p1=P(A∣ 第一次成功 ) , p − 1 = P ), p_{-1}=P ),p−1=P ( A ∣ A \mid A∣ 第一次失败 ) ) ), 根据全概率公式: { p 0 = p 1 ⋅ p + p − 1 ⋅ ( 1 − p ) p 1 = p + p − 1 ⋅ ( 1 − p ) p − 1 = p 1 ⋅ p \left\{\begin{array}{l} p_{0}=p_{1} \cdot p+p_{-1} \cdot(1-p) \\ p_{1}=p+p_{-1} \cdot(1-p) \\ p_{-1}=p_{1} \cdot p \end{array}\right. ⎩⎨⎧p0=p1⋅p+p−1⋅(1−p)p1=p+p−1⋅(1−p)p−1=p1⋅p 解得 p 0 = p 2 ( 2 − p ) 1 − p ( 1 − p ) p_{0}=\frac{p^{2}(2-p)}{1-p(1-p)} p0=1−p(1−p)p2(2−p).
三、(15分) 求二项分布, ( a , b ) (a,b) (a,b)上均匀分布, 伽马分布的期望和方差.
Solution:
(1) 二项分布: X ∼ B ( n , p ) , P ( X = k ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , … , n X \sim B(n, p), P(X=k)=C_{n}^{k} p^{k}(1-p)^{n-k}, k=0,1, \ldots, n X∼B(n,p),P(X=k)=Cnkpk(1−p)n−k,k=0,1,…,n,
E X = ∑ k = 0 n k n ! k ! ( n − k ) ! p k ( 1 − p ) n − k = n p ∑ k = 1 n ( n − 1 ) ! ( k − 1 ) ! ( n − k ) ! p k − 1 ( 1 − p ) n − k = n p , E X=\sum_{k=0}^{n} k \frac{n !}{k !(n-k) !} p^{k}(1-p)^{n-k}=n p \sum_{k=1}^{n} \frac{(n-1) !}{(k-1) !(n-k) !} p^{k-1}(1-p)^{n-k}=n p, EX=k=0∑nkk!(n−k)!n!pk(1−p)n−k=npk=1∑n(k−1)!(n−k)!(n−1)!pk−1(1−p)n−k=np,
E X ( X − 1 ) = ∑ k = 0 n k ( k − 1 ) C n k p k ( 1 − p ) n − k = n ( n − 1 ) p 2 ∑ k = 2 n C n − 2 k − 2 p k − 2 ( 1 − p ) n − k = n ( n − 1 ) p 2 , E X(X-1)=\sum_{k=0}^{n} k(k-1) C_{n}^{k} p^{k}(1-p)^{n-k}=n(n-1) p^{2} \sum_{k=2}^{n} C_{n-2}^{k-2} p^{k-2}(1-p)^{n-k}=n(n-1) p^{2}, EX(X−1)=k=0∑nk(k−1)Cnkpk(1−p)n−k=n(n−1)p2k=2∑nCn−2k−2pk−2(1−p)n−k=n(n−1)p2,
因此 E X 2 = n ( n − 1 ) p 2 + n p , D X = E X 2 − ( E X ) 2 = n ( n − 1 ) p 2 + n p − n 2 p 2 = n p ( 1 − p ) E X^{2}=n(n-1) p^{2}+n p, D X=E X^{2}-(E X)^{2}=n(n-1) p^{2}+n p-n^{2} p^{2}=n p(1-p) EX2=n(n−1)p2+np,DX=EX2−(EX)2=n(n−1)p2+np−n2p2=np(1−p).(2)均匀分布: X ∼ U ( a , b ) , f ( x ) = 1 b − a , a < x < b X \sim U(a, b), f(x)=\frac{1}{b-a}, a<x<b X∼U(a,b),f(x)=b−a1,a<x<b,
E X = ∫ a b x b − a d x = a + b 2 , D X = ∫ a b ( x − a + b 2 ) 2 1 b − a d x = ( b − a ) 2 12 . E X=\int_{a}^{b} \frac{x}{b-a} d x=\frac{a+b}{2}, D X=\int_{a}^{b}\left(x-\frac{a+b}{2}\right)^{2} \frac{1}{b-a} d x=\frac{(b-a)^{2}}{12} . EX=∫abb−axdx=2a+b,DX=∫ab(x−2a+b)2b−a1dx=12(b−a)2.
(3)伽马分布: X ∼ G a ( α , λ ) , f ( x ) = λ α Γ ( α ) x α − 1 e − λ x , x > 0 X \sim G a(\alpha, \lambda), f(x)=\frac{\lambda^{\alpha}}{\Gamma(\alpha)} x^{\alpha-1} e^{-\lambda x}, x>0 X∼Ga(α,λ),f(x)=Γ(α)λαxα−1e−λx,x>0,
E X = ∫ 0 + ∞ λ α Γ ( α ) x α e − λ x d x = 1 λ Γ ( α ) ∫ 0 + ∞ ( λ x ) α e − λ x d ( λ x ) = Γ ( α + 1 ) λ Γ ( α ) = α λ , E X=\int_{0}^{+\infty} \frac{\lambda^{\alpha}}{\Gamma(\alpha)} x^{\alpha} e^{-\lambda x} d x=\frac{1}{\lambda \Gamma(\alpha)} \int_{0}^{+\infty}(\lambda x)^{\alpha} e^{-\lambda x} d(\lambda x)=\frac{\Gamma(\alpha+1)}{\lambda \Gamma(\alpha)}=\frac{\alpha}{\lambda}, EX=∫0+∞Γ(α)λαxαe−λxdx=λΓ(α)1∫0+∞(λx)αe−λxd(λx)=λΓ(α)Γ(α+1)=λα,
E X 2 = ∫ 0 + ∞ λ α Γ ( α ) x α + 1 e − λ x d x = 1 λ 2 Γ ( α ) ∫ 0 + ∞ ( λ x ) α + 1 e − λ x d ( λ x ) = Γ ( α + 2 ) λ 2 Γ ( α ) = α ( α + 1 ) λ E X^{2}=\int_{0}^{+\infty} \frac{\lambda^{\alpha}}{\Gamma(\alpha)} x^{\alpha+1} e^{-\lambda x} d x=\frac{1}{\lambda^{2} \Gamma(\alpha)} \int_{0}^{+\infty}(\lambda x)^{\alpha+1} e^{-\lambda x} d(\lambda x)=\frac{\Gamma(\alpha+2)}{\lambda^{2} \Gamma(\alpha)}=\frac{\alpha(\alpha+1)}{\lambda} EX2=∫0+∞Γ(α)λαxα+1e−λxdx=λ2Γ(α)1∫0+∞(λx)α+1e−λxd(λx)=λ2Γ(α)Γ(α+2)=λα(α+1),
故 D X = E X 2 − ( E X ) 2 = α ( α + 1 ) λ 2 − α 2 λ 2 = α λ 2 . D X=E X^{2}-(E X)^{2}=\frac{\alpha(\alpha+1)}{\lambda^{2}}-\frac{\alpha^{2}}{\lambda^{2}}=\frac{\alpha}{\lambda^{2}} . DX=EX2−(EX)2=λ2α(α+1)−λ2α2=λ2α.
四、(20分) 证明 E ( X 2 ) < ∞ E\left(X^{2}\right)<\infty E(X2)<∞的充要条件是级数 ∑ n P ( ∣ X ∣ > n ) \sum n P(|X|>n) ∑nP(∣X∣>n)收敛.
Solution:
(1) 先说明 E ∣ X ∣ < + ∞ E|X|<+\infty E∣X∣<+∞ 的充要条件是级数 ∑ n = 1 ∞ P ( ∣ X ∣ > n ) \sum_{n=1}^{\infty} P(|X|>n) ∑n=1∞P(∣X∣>n) 收敛:因为 ∑ n = 1 ∞ P ( ∣ X ∣ > n ) = ∑ n = 1 ∞ ∑ k = n ∞ P ( k < ∣ X ∣ ≤ k + 1 ) = ∑ k = 1 ∞ ∑ n = 1 k P ( k < ∣ X ∣ ≤ k + 1 ) = ∑ k = 1 ∞ k P ( k < ∣ X ∣ ≤ k + 1 ) \begin{aligned} \sum_{n=1}^{\infty} P(|X|>n) &=\sum_{n=1}^{\infty} \sum_{k=n}^{\infty} P(k<|X| \leq k+1) \\ &=\sum_{k=1}^{\infty} \sum_{n=1}^{k} P(k<|X| \leq k+1) \\ &=\sum_{k=1}^{\infty} k P(k<|X| \leq k+1) \end{aligned} n=1∑∞P(∣X∣>n)=n=1∑∞k=n∑∞P(k<∣X∣≤k+1)=k=1∑∞n=1∑kP(k<∣X∣≤k+1)=k=1∑∞kP(k<∣X∣≤k+1)同时由正项级数的比较判别法, 上级数与 ∑ k = 1 ∞ ( k + 1 ) P ( k < ∣ X ∣ ≤ k + 1 ) \sum_{k=1}^{\infty}(k+1) P(k<|X| \leq k+1) ∑k=1∞(k+1)P(k<∣X∣≤k+1)也是同敛散的, 考虑到 E ∣ X ∣ = ∫ 0 + ∞ x d F ∣ X ∣ ( x ) E|X|=\int_{0}^{+\infty} x d F_{|X|}(x) E∣X∣=∫0+∞xdF∣X∣(x),一方面有 ∫ 0 + ∞ x d F ∣ X ∣ ( x ) = ∑ k = 0 ∞ ∫ k k + 1 x d F ∣ X ∣ ( x ) ≤ ∑ k = 0 ∞ ∫ k k + 1 ( k + 1 ) d F ∣ X ∣ ( x ) = ∑ k = 0 ∞ ( k + 1 ) P ( k < ∣ X ∣ ≤ k + 1 ) , \begin{aligned} \int_{0}^{+\infty} x d F_{|X|}(x) &=\sum_{k=0}^{\infty} \int_{k}^{k+1} x d F_{|X|}(x) \\ & \leq \sum_{k=0}^{\infty} \int_{k}^{k+1}(k+1) d F_{|X|}(x) \\ &=\sum_{k=0}^{\infty}(k+1) P(k<|X| \leq k+1), \end{aligned} ∫0+∞xdF∣X∣(x)=k=0∑∞∫kk+1xdF∣X∣(x)≤k=0∑∞∫kk+1(k+1)dF∣X∣(x)=k=0∑∞(k+1)P(k<∣X∣≤k+1), 另一方面有
∫ 0 + ∞ x d F ∣ X ∣ ( x ) = ∑ k = 0 ∞ ∫ k k + 1 x d F ∣ X ∣ ( x ) ≥ ∑ k = 0 ∞ ∫ k k + 1 k d F ∣ X ∣ ( x ) = ∑ k = 0 ∞ k P ( k < ∣ X ∣ ≤ k + 1 ) , \begin{aligned} \int_{0}^{+\infty} x d F_{|X|}(x) &=\sum_{k=0}^{\infty} \int_{k}^{k+1} x d F_{|X|}(x) \\ & \geq \sum_{k=0}^{\infty} \int_{k}^{k+1} k d F_{|X|}(x) \\ &=\sum_{k=0}^{\infty} k P(k<|X| \leq k+1), \end{aligned} ∫0+∞xdF∣X∣(x)=k=0∑∞∫kk+1xdF∣X∣(x)≥k=0∑∞∫kk+1kdF∣X∣(x)=k=0∑∞kP(k<∣X∣≤k+1), 综上所述, E ∣ X ∣ < + ∞ E|X|<+\infty E∣X∣<+∞ 的充要条件是级数 ∑ n = 1 ∞ P ( ∣ X ∣ > n ) \sum_{n=1}^{\infty} P(|X|>n) ∑n=1∞P(∣X∣>n) 收敛.(2) 再说明 E X 2 < + ∞ E X^{2}<+\infty EX2<+∞ 的充要条件是级数 ∑ n = 1 + ∞ n P ( ∣ X ∣ > n ) \sum_{n=1}^{+\infty} n P(|X|>n) ∑n=1+∞nP(∣X∣>n)收敛: 因为 ∑ n = 1 ∞ n P ( ∣ X ∣ > n ) = ∑ n = 1 ∞ ∑ k = n ∞ n P ( k < ∣ X ∣ ≤ k + 1 ) = ∑ k = 1 ∞ ∑ n = 1 ∞ n P ( k < ∣ X ∣ ≤ k + 1 ) = ∑ k = 1 ∞ k ( k + 1 ) 2 P ( k < ∣ X ∣ ≤ k + 1 ) \begin{aligned} \sum_{n=1}^{\infty} n P(|X|>n) &=\sum_{n=1}^{\infty} \sum_{k=n}^{\infty} n P(k<|X| \leq k+1) \\ &=\sum_{k=1}^{\infty} \sum_{n=1}^{\infty} n P(k<|X| \leq k+1) \\ &=\sum_{k=1}^{\infty} \frac{k(k+1)}{2} P(k<|X| \leq k+1) \end{aligned} n=1∑∞nP(∣X∣>n)=n=1∑∞k=n∑∞nP(k<∣X∣≤k+1)=k=1∑∞n=1∑∞nP(k<∣X∣≤k+1)=k=1∑∞2k(k+1)P(k<∣X∣≤k+1) 同时由正项级数的比较判别法, 上式的敛散性显然等同于 ∑ n = 1 ∞ n 2 P ( n < ∣ X ∣ ≤ n + 1 ) \sum_{n=1}^{\infty} n^{2} P(n<|X| \leq n+1) ∑n=1∞n2P(n<∣X∣≤n+1) 的敛散性,也等价于 ∑ n = 1 ∞ ( n + 1 ) 2 P ( n < ∣ X ∣ ≤ n + 1 ) \sum_{n=1}^{\infty}(n+1)^{2} P(n<|X| \leq n+1) ∑n=1∞(n+1)2P(n<∣X∣≤n+1) 的敛散性, 同样借助二阶矩的定 义式 E X 2 = ∫ 0 + ∞ x 2 d F ∣ X ∣ ( x ) E X^{2}=\int_{0}^{+\infty} x^{2} d F_{|X|}(x) EX2=∫0+∞x2dF∣X∣(x), 一方面有 ∫ 0 + ∞ x 2 d F ∣ X ∣ ( x ) = ∑ n = 0 ∞ ∫ n n + 1 x 2 d F ∣ X ∣ ( x ) ≤ ∑ n = 0 ∞ ∫ n n + 1 ( n + 1 ) 2 d F ∣ X ∣ ( x ) = ∑ n = 0 ∞ ( n + 1 ) 2 P ( n < ∣ X ∣ ≤ n + 1 ) \begin{aligned} \int_{0}^{+\infty} x^{2} d F_{|X|}(x) &=\sum_{n=0}^{\infty} \int_{n}^{n+1} x^{2} d F_{|X|}(x) \\ & \leq \sum_{n=0}^{\infty} \int_{n}^{n+1}(n+1)^{2} d F_{|X|}(x) \\ &=\sum_{n=0}^{\infty}(n+1)^{2} P(n<|X| \leq n+1) \end{aligned} ∫0+∞x2dF∣X∣(x)=n=0∑∞∫nn+1x2dF∣X∣(x)≤n=0∑∞∫nn+1(n+1)2dF∣X∣(x)=n=0∑∞(n+1)2P(n<∣X∣≤n+1)
另一方面有 ∫ 0 + ∞ x 2 d F ∣ X ∣ ( x ) = ∑ n = 0 ∞ ∫ n n + 1 x 2 d F ∣ X ∣ ( x ) ≤ ∑ n = 0 ∞ ∫ n n + 1 n 2 d F ∣ X ∣ ( x ) = ∑ n = 0 ∞ n 2 P ( n < ∣ X ∣ ≤ n + 1 ) , \begin{aligned} \int_{0}^{+\infty} x^{2} d F_{|X|}(x) &=\sum_{n=0}^{\infty} \int_{n}^{n+1} x^{2} d F_{|X|}(x) \\ & \leq \sum_{n=0}^{\infty} \int_{n}^{n+1} n^{2} d F_{|X|}(x) \\ &=\sum_{n=0}^{\infty} n^{2} P(n<|X| \leq n+1), \end{aligned} ∫0+∞x2dF∣X∣(x)=n=0∑∞∫nn+1x2dF∣X∣(x)≤n=0∑∞∫nn+1n2dF∣X∣(x)=n=0∑∞n2P(n<∣X∣≤n+1), 综上所述, E X 2 < + ∞ E X^{2}<+\infty EX2<+∞ 的充要条件是级数 ∑ n = 1 + ∞ n P ( ∣ X ∣ > n ) \sum_{n=1}^{+\infty} n P(|X|>n) ∑n=1+∞nP(∣X∣>n) 收敛.
五、(20分) X 1 , X 2 , X 3 X_{1}, X_{2}, X_{3} X1,X2,X3是取自期望为 α \alpha α的指数分布的随机样本, 求概率 P ( X 1 < X 2 < X 3 ) P\left(X_{1}<X_{2}<X_{3}\right) P(X1<X2<X3) 以及 X ( 1 ) X_{(1)} X(1) 的概率密度.
Solution:
根据轮换对称性, P ( X 1 < X 2 < X 3 ) = 1 6 P\left(X_{1}<X_{2}<X_{3}\right)=\frac{1}{6} P(X1<X2<X3)=61. 令 Y = X ( 1 ) Y=X_{(1)} Y=X(1), 则当 y > 0 y>0 y>0 时, 1 − F ( y ) = P { Y > y } = P 3 { X 1 > y } = e − 3 α y 1-F(y)=P\{Y>y\}=P^{3}\left\{X_{1}>y\right\}=e^{-\frac{3}{\alpha} y} 1−F(y)=P{ Y>y}=P3{ X1>y}=e−α3y, 故 f ( y ) = 3 α e − 3 α y , y > 0 f(y)=\frac{3}{\alpha} e^{-\frac{3}{\alpha} y}, y>0 f(y)=α3e−α3y,y>0. 这恰好是 Exp ( 3 α ) \operatorname{Exp}\left(\frac{3}{\alpha}\right) Exp(α3).
六、(20分) P ( X i = − 0.3 ) = P ( X i = 0.4 ) = 1 2 , i = 1 , 2 , … , n , P\left(X_{i}=-0.3\right)=P\left(X_{i}=0.4\right)=\frac{1}{2}, i=1,2, \ldots, n, P(Xi=−0.3)=P(Xi=0.4)=21,i=1,2,…,n, 相互独立, 构造随机变量序列 Y n = ∏ i = 1 n ( X i + 1 ) , Y_{n}=\prod_{i=1}^{n}\left(X_{i}+1\right), Yn=∏i=1n(Xi+1), 求 Y n Y_{n} Yn的极限并证明 Y n Y_{n} Yn的期望趋于无穷.
Solution:
由强大数律, 1 n ln Y n = 1 n ∑ i = 1 n ln ( X i + 1 ) * a.s. E ln ( X 1 + 1 ) = 1 2 ln 0.98 < 0 \frac{1}{n} \ln Y_{n}=\frac{1}{n} \sum_{i=1}^{n} \ln \left(X_{i}+1\right) \stackrel{\text { a.s. }}{\longrightarrow} E \ln \left(X_{1}+1\right)=\frac{1}{2} \ln 0.98<0 n1lnYn=n1∑i=1nln(Xi+1)* a.s. Eln(X1+1)=21ln0.98<0, 故 ln Y n * a.s. − ∞ , Y n * a.s. 0 \ln Y_{n} \stackrel{\text { a.s. }}{\longrightarrow}-\infty, Y_{n} \stackrel{\text { a.s. }}{\longrightarrow} 0 lnYn* a.s. −∞,Yn* a.s. 0, 因此 Y n Y_{n} Yn 的极限是单点分布, 以概率 1 取 0 . 而 E Y n = ∏ i = 1 n E ( X i + 1 ) = ∏ i = 1 n ( 0.7 + 1.4 2 ) = 1.0 5 n → + ∞ . E Y_{n}=\prod_{i=1}^{n} E\left(X_{i}+1\right)=\prod_{i=1}^{n}\left(\frac{0.7+1.4}{2}\right)=1.05^{n} \rightarrow+\infty. EYn=i=1∏nE(Xi+1)=i=1∏n(20.7+1.4)=1.05n→+∞.
七、(20分) 有一堆球: 2红, 3黑, 4白. 从中随机摸一个球, 如果是黑色则记你赢, 如果是其他颜色, 则有放回的继续摸球, 直至重复出现该颜色或黑色为止, 如果出现你第一次摸到的颜色, 则你赢, 否则你输. 求你赢的概率.
Solution:
设 A k A_k Ak为第 k k k次赢的概率, 待求结果为 P ( A ) = P ( ⋃ k = 1 ∞ A k ) = ∑ k = 1 ∞ P ( A k ) P(A)=P(\bigcup_{k=1}^{\infty}A_k)=\sum_{k=1}^{\infty}P(A_k) P(A)=P(⋃k=1∞Ak)=∑k=1∞P(Ak).
(i) 第一次赢的概率 P ( A 1 ) = 1 3 P(A_1)=\frac{1}{3} P(A1)=31.
(ii) 第 k k k次赢( k > 1 k>1 k>1)表明: 第一次未摸到黑球, 后续的 2 , 3 , . . . , k − 1 2,3,...,k-1 2,3,...,k−1次没有摸到黑也没有摸到你第一次摸中的颜色, 最后第 k k k次摸中了最初的颜色, 这一概率肯定与你最初摸到的颜色有关, 考虑全概率公式 P ( A k ) = P ( R ) P ( A k ∣ R ) + P ( W ) P ( A k ∣ W ) P(A_k)=P(R)P(A_k|R)+P(W)P(A_k|W) P(Ak)=P(R)P(Ak∣R)+P(W)P(Ak∣W), 其中 R R R表示摸到红, W W W表示摸到白, 有
P ( A k ∣ R ) = ( 4 9 ) k − 2 2 9 , P ( A k ∣ W ) = ( 2 9 ) k − 2 4 9 . P\left( A_k|R \right) =\left( \frac{4}{9} \right) ^{k-2}\frac{2}{9},\quad P\left( A_k\mid W \right) =\left( \frac{2}{9} \right) ^{k-2}\frac{4}{9}. P(Ak∣R)=(94)k−292,P(Ak∣W)=(92)k−294. 因此 P ( A k ) = P ( R ) 2 9 ( 4 9 ) k − 2 + P ( W ) 4 9 ( 2 9 ) k − 2 = 4 81 ( 4 9 ) k − 2 + 16 81 ( 2 9 ) k − 2 . P\left( A_k \right) =P\left( R \right) \frac{2}{9}\left( \frac{4}{9} \right) ^{k-2}+P\left( W \right) \frac{4}{9}\left( \frac{2}{9} \right) ^{k-2}=\frac{4}{81}\left( \frac{4}{9} \right) ^{k-2}+\frac{16}{81}\left( \frac{2}{9} \right) ^{k-2}. P(Ak)=P(R)92(94)k−2+P(W)94(92)k−2=814(94)k−2+8116(92)k−2. 进行求和, 有
P ( A ) = P ( A 1 ) + 4 81 ( 1 − 4 9 ) + 16 81 ( 1 − 2 9 ) = 1 3 + 4 45 + 16 63 = 71 105 . P\left( A \right) =P\left( A_1 \right) +\frac{4}{81\left( 1-\frac{4}{9} \right)}+\frac{16}{81\left( 1-\frac{2}{9} \right)}=\frac{1}{3}+\frac{4}{45}+\frac{16}{63}=\frac{71}{105}. P(A)=P(A1)+81(1−94)4+81(1−92)16=31+454+6316=10571.
八、(20分)
(1)(10分) 解释相合估计;
(2)(10分) X 1 , … , X n X_{1}, \ldots, X_{n} X1,…,Xn是来自一个同一个总体的样本, 写出一个中位数的相合估计, 并说明理由.
Solution:
(1) g ^ \hat{g} g^ 是 g g g 的相合估计意味着 g ^ → p g \hat{g} \stackrel{p}{\rightarrow} g g^→pg, 这说明了 g ^ \hat{g} g^ 是一个很好的估计, 至少在样本量 n n n 较大时, 它偏离 g g g 的概率极小. 更进一步, 如果说 g ^ \hat{g} g^ 是 g g g 的强相合估计意味着 g ^ * a.s. g \hat{g} \stackrel{\text { a.s. }}{\longrightarrow} g g^* a.s. g.(2) 样本中位数 X [ n 2 ] X_{\left[\frac{n}{2}\right]} X[2n] 就是总体中位数 x 0.5 x_{0.5} x0.5 的相合估计量, 设总体密度函数为 f ( x ) f(x) f(x), 有样本中位数的渐近正态分布 X [ n 2 ] ∼ N ( x 0.5 , 1 4 n f 2 ( x 0.5 ) ) , X_{\left[\frac{n}{2}\right]} \sim N\left(x_{0.5}, \frac{1}{4 n f^{2}\left(x_{0.5}\right)}\right), X[2n]∼N(x0.5,4nf2(x0.5)1), 由其渐近正态分布可以得到 P ( ∣ X [ n 2 ] − x 0.5 ∣ < ε ) = P ( 2 n f ( x 0.5 ) ∣ X [ n 2 ] − x 0.5 ∣ < 2 n f ( x 0.5 ) ε ) ∼ Φ ( 2 n f ( x 0.5 ) ε ) − Φ ( − 2 n f ( x 0.5 ) ε ) → 1. P\left( \left| X_{\left[ \frac{n}{2} \right]}-x_{0.5} \right|<\varepsilon \right) =P\left( 2\sqrt{n}f\left( x_{0.5} \right) \left| X_{\left[ \frac{n}{2} \right]}-x_{0.5} \right|<2\sqrt{n}f\left( x_{0.5} \right) \varepsilon \right) \sim \Phi \left( 2\sqrt{n}f\left( x_{0.5} \right) \varepsilon \right) -\Phi \left( -2\sqrt{n}f\left( x_{0.5} \right) \varepsilon \right) \rightarrow 1. P(∣∣∣X[2n]−x0.5∣∣∣<ε)=P(2nf(x0.5)∣∣∣X[2n]−x0.5∣∣∣<2nf(x0.5)ε)∼Φ(2nf(x0.5)ε)−Φ(−2nf(x0.5)ε)→1.上式说明了样本中位数 X [ n 2 ] X_{\left[\frac{n}{2}\right]} X[2n] 就是总体中位数 x 0.5 x_{0.5} x0.5 的相合估计量.
边栏推荐
- Voir ui plus version 1.3.1 pour améliorer l'expérience Typescript
- [while your roommate plays games, let's see a problem]
- Application architecture of large live broadcast platform
- Tyut Taiyuan University of technology 2022 introduction to software engineering summary
- 20220211-CTF-MISC-006-pure_ Color (use of stegsolve tool) -007 Aesop_ Secret (AES decryption)
- 3.输入和输出函数(printf、scanf、getchar和putchar)
- C语言实现扫雷游戏(完整版)
- Relational algebra of tyut Taiyuan University of technology 2022 database
- 初识C语言(上)
- Alibaba cloud microservices (III) sentinel open source flow control fuse degradation component
猜你喜欢
5.MSDN的下载和使用
String类
5. Function recursion exercise
4.分支语句和循环语句
Alibaba cloud side: underlying details in concurrent scenarios - pseudo sharing
西安电子科技大学22学年上学期《基础实验》试题及答案
arduino+水位传感器+led显示+蜂鸣器报警
Tyut Taiyuan University of technology 2022 introduction to software engineering summary
凡人修仙学指针-2
如何保障 MySQL 和 Redis 的数据一致性?
随机推荐
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
TYUT太原理工大学2022“mao gai”必背
First acquaintance with C language (Part 1)
Conceptual model design of the 2022 database of tyut Taiyuan University of Technology
Ten minutes to thoroughly master cache breakdown, cache penetration, cache avalanche
Relational algebra of tyut Taiyuan University of technology 2022 database
Alibaba cloud microservices (III) sentinel open source flow control fuse degradation component
View UI Plus 发布 1.1.0 版本,支持 SSR、支持 Nuxt、增加 TS 声明文件
String class
Quickly generate illustrations
系统设计学习(三)Design Amazon‘s sales rank by category feature
十分钟彻底掌握缓存击穿、缓存穿透、缓存雪崩
继承和多态(下)
1.C语言初阶练习题(1)
arduino+DS18B20温度传感器(蜂鸣器报警)+LCD1602显示(IIC驱动)
E-R graph to relational model of the 2022 database of tyut Taiyuan University of Technology
(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)
5.MSDN的下载和使用
MPLS experiment
View UI Plus 發布 1.3.1 版本,增强 TypeScript 使用體驗