12二维随机变量的数字特征切比雪夫不等式与大数定律

第一篇：12二维随机变量的数字特征切比雪夫不等式与大数定律

概率论与数理统计习题解答第二章随机变量及其分布

12二维随机变量的数字特征·切比雪夫不等式与大数定律

一、设二维随机变量(X,Y)的联合概率密度为

fx,y

A

y

1求：（1）系数A；（2）数学期望E(X)及E(Y)，方差D(X)及D(Y)，协方差cov(X,Y)．

解:(1)由

x

22.





f(x,y)dxdy1.有

x





A

y1

dxdyAd

2

r

r

1

drA1

解得, A



.(2)E(X)







xf(x,y)dxdy





dy





x

x

y1

dx0.由对称性, 知 E(Y)0.D(X)E[(XEX)]EX









xf(x,y)dxdy







dy





x

x2

y1

dx

1r21

同理, 有 D(Y).cov(X,Y)E[(XEx)(YEY)]E(XY)





2

d



r

3r

dr2



r(1r2)r

dr[ln(1r2)

1

] 20

1r









xyf(x,y)dxdy









xyf(x,y)dxdy





ydy





x

x

y1

dx0.二、设二维随机变量(X,Y)的联合概率密度为

1,yx,0x1;

f(x,y)

0,其它．

求(1)cov(X,Y)；(2)X与Y是否独立，是否相关，为什么？ 解:(1)因为EX







xf(x,y)dxdyxdxdy2x2dx

x

1x

3EY

所以有

E(XY)







yf(x,y)dxdydxydy0

1x



xyf(x,y)dxdyxdxydy0

x

x1

x



2cov(X,Y)E[(XEX)(YEY)]E[(X)Y]xyf(x,y)dxdy

3

xdxydy0．

x

1x

概率论与数理统计习题解答第二章随机变量及其分布

(2)当x(0,1)时,有 fX(x)

即 f(x,y)dydy2x;当x(0,1)时, 有fX(x)0.xx

2xx(0,1)fX(x)0x(0,1)

1dxx(0,1)1yx(0,1)同理有fY(y)y 11yx(0,1)dxx(0,1)y

因为 fX(x)fY(y)f(x,y), 所以X与Y不是独立的．又因为cov(X,Y)0, 所以X与Y是不相关的．

三、利用切比雪夫不等式估计随机变量X与其数学期望E(X)的差的绝对值大于三倍标准差

(X)的概率． 解：P(E3D)D1． 29(3D)

四、为了确定事件A的概率，进行10000次重复独立试验．利用切比雪夫不等式估计：用事件A

在10000次试验中发生的频率作为事件A的概率的近似值时，误差小于0.01的概率． 解：设ξ表示“在10000次试验中事件A的次数”，则~B(10000,0.5)且有

Enp100000.55000Dnpq100000.5(10.5)250 0

于是有

mnpqpq p0.01)P(mnp0.01p)11n(0.01p)2(0.01)2n

1pq10.250.75 P（五、样检查产品质量时，如果发现次品多于10个，则认为这批产品不能接受．应该检查多少

个产品，可使次品率为10%的一批产品不被接受的概率达到0.9？

解：设ξ表示“发现的次品件数”，则ξ~B(n,0.1)，现要求n.Eξ0.1nDξ0.09n

要使得P(ξ10)0.9，即P(10ξn)0.9，因为P(10ξn)0.9，所以 10EξξEξnEξ100.1nξ0.1nn0.1nP()P()DξDξDξ0.3n0.3n0.3n

100.1nξ0.1n100.1nP(3n)Φ0,1(3n)Φ0,1()0.3n0.3n0.3n

0.1n10Φ0,1(3n)Φ0,1()1（德莫威尔—Laplace定理）0.3n

0.1n10Φ()0.9． 因为n10，所以3n5，从而有Φ，故(n)10,10,10.3n

0.1n101.28，解得n146.查表有Φ，故有(1.28)0.89970,10.3n

答：应该检查约146个产品，方可使次品率为10%的一批产品不被接受的概率达到0.9．

第二篇：切比雪夫不等式的证明(离散型随机变量)

设随机变量X有数学期望及方差，则对任何正数，下列不等式成立 2

2

PXE(X)2 

证明：设X是离散型随机变量，则事件XE(X)表示随机变量X取得一切满足不等式xiE(X)的可能值xi。设pi表示事件Xxi的概率，按概率加法定理得

PXE(X)

xiE(X)pi

这里和式是对一切满足不等式xiE(X)的xi求和。由于xiE(X)，即xiE(X)22xiE(X)，所以有221。

2xiE(X)又因为上面和式中的每一项都是正数，如果分别乘以2，则和式的值将增大。

于是得到

PXE(X)

xiE(X)pixiE(X)xiE(X)22pi1

2xiE(X)xiE(X)2pi

因为和式中的每一项都是非负数，所以如果扩大求和范围至随机变量X的一切可能值xi求和，则只能增大和式的值。因此

PXE(X)1

2xE(X)i

i2pi

上式和式是对X的一切可能值xi求和，也就是方差的表达式。所以，2

PXE(X)2 

第三篇：切比雪夫不等式教学

★★★1．设

求的最小值

★★★2．若a、b、c是三角形三边长，s是半周长。求证：Vn∈N，下式成立

解答或提示

．不妨令

由切比雪夫不等式

当且仅当

．设a≥b≥

c,则a+b≥a+c≥b+c,（）

第四篇：切比雪夫不等式及其应用(摘要)

天津理工大学2011届本科毕业论文

切比雪夫不等式及其应用

摘要

切比雪夫不等式是概率论中重要的不等式之一。尤其在分布未知时，估计某些事件的概率的上下界时，常用到切比雪夫不等式。另外，大数定律是概率论极限理论的基础，而切比雪夫不等式又是证明大数定律的重要途径。如今，在切比雪夫不等式的基础上发展起来的一系列不等式都是研究中心极限定理的有力工具。作为一个理论工具，切比雪夫不等式的地位是很高的。

本文首先介绍了切比雪夫不等式的一些基本理论，引出其概率形式，用现代概率方法证明了切比雪夫不等式并给出了其等号成立的充要条件。其次，从三大方面阐述了其在概率论中的应用，并且给出了切比雪夫大数定律和伯努利大数定律的证明。在充分了解切比雪夫不等式后，最后探索了其在生活中的应用，并且用切比雪夫不等式评价了IRR的概率风险分析。

关键词:切比雪夫不等式大数定律IRR

The Chebyster’s Inequality and Its Applications

ABSTRACT

In probability theory, the Chebyshev’s Inequality is one of the important inequalities.In particular the distribution is unknown, the Chebyshev’s Inequality is usually used when estimating the boundary from above or below of probability.In addition, the Law Of Large Numbers is the basis of the limit theory of probability.The Chebyshev’s Inequality is an important way to prove it.Now, a series of inequalities that are developed on the basis of the Chebyshev’s Inequality are a powerful tool for the Central Limit Theorem.As a theoretical tool, its status is very high.First, this article introduces some basic theory of the Chebyshev’s Inequality, it raises the Chebyshev’s Inequality’s form of probability and makes a prove for the Chebyshev’s Inequality with the method of modern probability.Furthermore, it gives the necessary and sufficient condition of the establishment of the equal sign.天津理工大学2011届本科毕业论文

Secondly, we introduces its five application in probability theory and gives theprove of the Chebyshev and Bernoulli Law Of Large Numbers.After the full understanding of the Chebyshev’s Inequality, finally, we explore its application in the life and give the probabilistic risk assessment of the IRR with the Chebyshev’s Inequality.Key Words：Chebyshev’s InequalityLaw Of Large NumbersIRR

第五篇：切比雪夫不等式证明

切比雪夫不等式证明

一、试利用切比雪夫不等式证明：能以大小0.97的概率断言，将一枚均匀硬币连续抛1000次，其出现正面的次数在400到600之间。

分析:将一枚均匀硬币连续抛1000次可看成是1000重贝努利试验,因此

1000次试验中出现正面H的次数服从二项分布.解:设X表示1000次试验中出现正面H的次数,则X是一个随机变量,且

~XB(1000,1/2).因此

500

211000=×==npEX,250)

2答题完毕，祝你开心!

11（2

1000)1(=××==pnpDX,而所求的概率为

}500600500400{}600400{<<=<}100100{<<=EXXp

}100{<=EXXp

975.0

=≥

DX

.二、切比雪夫(Chebyshev)不等式

对于任一随机变量X,若EX与DX均存在,则对任意ε>0,恒有p{|X-EX|>=ε}<=DX/ε^2或p{|X-EX|<ε}>=1-DX/ε^2

切比雪夫不等式说明，DX越小，则p{|X-EX|>=ε}

越小，p{|X-EX|<ε}越大，也就是说，随机变量X取值基本上集中在EX附近，这进一步说明了方差的意义。

同时当EX和DX已知时，切比雪夫不等式给出了概率p{|X-EX|>=ε}的一个上界，该上界并不涉及随机变量X的具体概率分布，而只与其方差DX和ε有关，因此，切比雪夫不等式在理论和实际中都有相当广泛的应用。需要指出的是，虽然切比雪夫不等式应用广泛，但在一个具体问题中，由它给出的概率上界通常比较保守。

切比雪夫不等式是指在任何数据集中，与平均数超过K倍标准差的数据占的比例至多是1/K^2。

在概率论中，切比雪夫不等式显示了随机变数的「几乎所有」值都会「接近」平均。这个不等式以数量化这方式来描述，究竟「几乎所有」是多少，「接近」又有多接近：

与平均相差2个标准差的值，数目不多于1/4

与平均相差3个标准差的值，数目不多于1/9

与平均相差4个标准差的值，数目不多于1/16

……

与平均相差k个标准差的值，数目不多于1/K^2

举例说，若一班有36个学生，而在一次考试中，平均分是80分，标准差是10分，我们便可得出结论：少于50分(与平均相差3个标准差以上)的人，数目不多于4个(=36*1/9)。

设(X,Σ,μ)为一测度空间，f为定义在X上的广义实值可测函数。对於任意实数t>0，一般而言，若g是非负广义实值可测函数，在f的定义域非降，则有

上面的陈述，可透过以|f|取代f，再取如下定义而得：

概率论说法

设X为随机变数，期望值为μ，方差为σ2。对于任何实数k>0，改进

一般而言，切比雪夫不等式给出的上界已无法改进。考虑下面例子：

这个分布的标准差σ=1/k，μ=0。

当只求其中一边的值的时候，有Cantelli不等式：

证明

定义，设为集的指标函数，有

又可从马尔可夫不等式直接证明：马氏不等式说明对任意随机变数Y和正数a有pr(|Y|leopeatorname{E}(|Y|)/a。取Y=(X?μ)2及a=(kσ)2。

亦可从概率论的原理和定义开始证明。