概率论与数理统计:第二、三章:一维~n维随机变量及其分布

文章目录

  • Ch2. 一维随机变量及其分布
    • 1.一维随机变量
    • 2.一维离散型随机变量及其概率分布(分布律)
    • 3.一维连续型随机变量及其概率分布(概率密度)
    • 4.一般类型(混合型)随机变量及其分布
    • 5.常见的随机变量分布类型:八大分布
      • 1.离散型 (5种)
        • ①0-1分布
        • 二项分布 X~B(n,p)
        • 泊松分布
        • ④几何分布
        • ⑤超几何分布
      • 2. 连续型 (3种)
        • 均匀分布
        • 指数分布
        • 正态分布
          • 独立可加性 (XY独立且同类型分布)
    • 6.一维随机变量函数的分布
  • Ch3. 多维随机变量及其分布
    • 1.二维(n维)随机变量
      • 1.多维随机变量
      • 2.多维随机变量的分布函数
        • (1)联合分布函数
        • (2)边缘分布函数
    • 2.二维离散型随机变量及其分布
      • (1)联合分布律
      • (2)边缘分布律
      • (3)条件分布律
    • 3.二维连续型随机变量及其分布
      • (1)二维随机变量的概率密度 f(x,y):联合概率密度
        • (1)定义
        • (2)性质
      • (2)边缘分布
        • 1.边缘概率分布
        • 2.边缘概率密度
      • (3)条件分布
        • 1.条件概率密度
        • 2.条件分布函数
      • (4)二维均匀分布
      • (5)二维正态分布
    • 4.独立性 【随机变量的独立性
      • (1)定义 (相互独立的充要条件)
      • (2)独立的性质
    • 5.二维随机变量 函数的分布
      • (1)(离散型,离散型)→离散型
      • (2)(连续型,连续型)→连续型
        • ①分布函数法
        • ②卷积公式
      • (3)(离散型,连续型)→连续型
        • 离散+连续:全概率公式

Ch2. 一维随机变量及其分布

1.一维随机变量

1.随机变量

①X=X(ω)
②一般用大写字母表示

在这里插入图片描述

在这里插入图片描述


2.分布函数 F ( x ) F(x) F(x)

(1)定义

1.定义:
称函数 F ( x ) = P { X ≤ x } ( − ∞ < x < + ∞ ) F(x)=P\{ X≤x\} \ (-∞<x<+∞) F(x)=P{Xx} (<x<+) 为随机变量X的分布函数,或称 X服从F(x)分布,记为X~F(x)


(2)分布函数的性质 (充要条件)

0 ≤ F ( x ) ≤ 1 0≤F(x)≤1 0F(x)1:分布函数是事件的概率,满足有界性
F ( x ) 单调不减 F(x)单调不减 F(x)单调不减:x从-∞取到+∞的过程中,F(x)单调不减,从0逐渐变大到1
F ( x ) 右连续 F(x)右连续 F(x)右连续:F(a+0)=F(a)
lim ⁡ x → − ∞ F ( x ) = F ( − ∞ ) = 0 , lim ⁡ x → + ∞ F ( x ) = F ( + ∞ ) = 1 \lim\limits_{x→-∞}F(x)=F(-∞)=0,\lim\limits_{x→+∞}F(x)=F(+∞)=1 xlimF(x)=F()=0x+limF(x)=F(+)=1

若函数F(x)满足性质②-④,则F(x)必为某个随机变量的分布函数。

f ( x ) = F ′ ( x ) f(x)=F'(x) f(x)=F(x)

在这里插入图片描述


(3)分布函数的应用——求概率

1.一元分布函数:
P { X ≤ a } = F ( a ) P\{X≤a\}=F(a) P{Xa}=F(a)

P { X < a } = F ( a − ) P\{X<a\}=F(a^-) P{X<a}=F(a)

P { X = a } = P { X ≤ a } − P { X < a } = F ( a ) − F ( a − ) P\{X=a\}=P\{X≤a\}-P\{X<a\}=F(a)-F(a^-) P{X=a}=P{Xa}P{Xa}=F(a)F(a)
【一点处的概率,用于离散型、混合型随机变量】

P { X = a } = 0 ,即 F ( a ) − F ( a − ) P\{X=a\}=0,即F(a)-F(a^-) P{X=a}=0,即F(a)F(a),即要求左连续。

P { X > a } = 1 − P { X ≤ a } = 1 − F ( a ) P\{X>a\}=1-P\{X≤a\}=1-F(a) P{X>a}=1P{Xa}=1F(a)


因为分布函数统一用F字母,所以不同分布函数是用F的不同角标来区分,如X和Y不同分布,则分布函数为 F X ( z ) 、 F Y ( z F_X(z)、F_Y(z FX(z)FY(z)


2.二元分布函数:
F Z ( z ) = P { Z ≤ z } = P { Z ( X , Y ) ≤ z } F_Z(z) = P\{Z≤z\}=P\{Z(X,Y)≤z\} FZ(z)=P{Zz}=P{Z(X,Y)z}


3.最大最小值函数

P { m a x { X , Y } ≤ a } = P { X ≤ a , Y ≤ a } P\{max\{X,Y\}≤a\}=P\{X≤a,Y≤a\} P{max{X,Y}a}=P{XaYa}

P { m i n { X , Y } ≥ a } = P { X ≥ a , Y ≥ a } P\{min\{X,Y\}≥a\}=P\{X≥a,Y≥a\} P{min{X,Y}a}=P{XaYa}

P { a < m a x { X , Y } ≤ b } = P { a < U ≤ b } = P { U ≤ b } − P { U ≤ a } = P { X ≤ b , Y ≤ b } − P { X ≤ a , Y ≤ a } P\{a<max\{X,Y\}≤b\}=P\{a<U≤b\}=P\{U≤b\}-P\{U≤a\}=P\{X≤b,Y≤b\}-P\{X≤a,Y≤a\} P{a<max{X,Y}b}=P{a<Ub}=P{Ub}P{Ua}=P{XbYb}P{XaYa}



例题1:08年7.   Z=max{X,Y}与Z=min{X,Y}的分布函数
在这里插入图片描述

分析:
在这里插入图片描述

F 2 ( x ) : Z = m a x { X , Y } F²(x):Z=max\{X,Y\} F2(x)Z=max{X,Y},独立,同分布
F ( x ) F ( y ) : Z = m a x { X , Y } F(x)F(y):Z=max\{X,Y\} F(x)F(y)Z=max{X,Y},独立,不同分布
1 − [ 1 − F ( x ) ] 2 : Z = m i n { X , Y } 1-[1-F(x)]²:Z=min\{X,Y\} 1[1F(x)]2Z=min{X,Y},独立,同分布
1 − [ 1 − F ( x ) ] [ 1 − F ( y ) ] : Z = m i n { X , Y } 1-[1-F(x)][1-F(y)]:Z=min\{X,Y\} 1[1F(x)][1F(y)]Z=min{X,Y},独立,不同分布

答案:A


例题1变式——将Z改为 Z = m i n { X , Y } Z=min\{X,Y\} Z=min{X,Y},再求Z的分布函数

分析:主要是看①max还是min,②是否同分布。就看这两个。最大值是乘积,最小值是 1-[ ],同分布无角标,不同分布有角标

①分布函数的定义:分布函数F与概率P的关系
②最大值最小值的定义
③独立:P的乘积可拆为乘积的P,同理F可拆
④同分布:角标可以抹去了,合并。

答案:
在这里插入图片描述



4.习题


习题1:10年7.
在这里插入图片描述

分析: P X = 1 = F ( 1 ) − F ( 1 − 0 ) = 1 − e − 1 − 1 2 = 1 2 − e − 1 P{X=1}=F(1)-F(1-0)=1-e^{-1}-\dfrac{1}{2}=\dfrac{1}{2}-e^{-1} PX=1=F(1)F(10)=1e121=21e1

答案:C


习题2:19年14.   分类讨论、数学期望
在这里插入图片描述

分析:
在这里插入图片描述

答案: 2 3 \dfrac{2}{3} 32


习题3:09年8.
在这里插入图片描述
分析:
在这里插入图片描述

答案:B


习题4:23李林四(一)9.
在这里插入图片描述
分析:
在这里插入图片描述
答案:D


习题5:16年22(3)



常见的两类随机变量——离散型随机变量、连续型随机变量

2.一维离散型随机变量及其概率分布(分布律)

1.离散型随机变量:如果随机变量X只能取有限个或可列个值 x 1 , x 2 , . . . x_1,x_2,... x1,x2,...,则称X为离散型随机变量


2.分布律
(1)分布律的定义
P { X = x i } = p i , i = 1 , 2 , . . . P\{X=x_i\}=p_i,i=1,2,... P{X=xi}=pii=1,2,...为离散型随机变量X的分布律 或 X的概率分布,记为 X ∼ p i X \sim p_i Xpi。其函数图形为“步步高的阶梯函数”。

离散型随机变量的概率分布分布律。可用矩阵或表格表示。

在这里插入图片描述


(2)分布律的性质(充要条件)
p k ≥ 0 p_k≥0 pk0
②规范性(归一性): ∑ i = 1 + ∞ p i = 1 \sum\limits_{i=1}^{+∞}p_i=1 i=1+pi=1


3.特点
(1)分布函数 F ( x ) = ∑ x i ≤ x p i F(x)=\sum\limits_{x_i≤x}p_i F(x)=xixpi,即F(x) = x扫过的离散点的概率之和。F(x)是“步步高的阶梯函数”。
(2)归一性: ∑ i = 1 n p i = 1 \sum\limits_{i=1}^np_i=1 i=1npi=1
(3)概率:
①一点处概率: P { X = a } = F ( a ) − F ( a − 0 ) P\{X=a\}=F(a)-F(a-0) P{X=a}=F(a)F(a0)
②区间上概率: P { X ∈ B } = ∑ x i ∈ B p i P\{X∈B\}=\sum\limits_{x_i∈B}p_i P{XB}=xiBpi


4.离散型随机变量的概率分布(分布律

①先求该离散型随机变量的取值范围,一一列举
Z=XY的取值范围:-1,0,1

求每一个取值的概率
P{XY=-1}=…
P{XY=0}=…
P{XY=1}=…

列分布律

Z=XY-101
P


例题1:23李林四(一)16.   数学期望+分布律
在这里插入图片描述

分析:

答案: 3 − 3 2 \dfrac{3-\sqrt{3}}{2} 233



3.一维连续型随机变量及其概率分布(概率密度)

1.定义:
若随机变量X的分布函数可表示为 F ( x ) = ∫ − ∞ x f ( t ) d t ( − ∞ < x < + ∞ ) F(x)=\int_{-∞}^xf(t)dt \ (-∞<x<+∞) F(x)=xf(t)dt (<x<+)
其中f(x)是非负可积函数,则称X为连续型随机变量,称f(x)为连续型随机变量X的概率密度函数,简称概率密度,记为 X~f(x)


2.概率密度f(x)的性质、充要条件:
①非负性: f ( x ) ≥ 0 f(x)≥0 f(x)0

归一性: ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-∞}^{+∞}f(x){\rm d}x=1 +f(x)dx=1

P { a < X ≤ b } = F ( b ) − F ( a ) = ∫ a b f ( x ) d x P\{a<X≤b\} = F(b) - F(a)= \int_{a}^{b}f(x){\rm d}x P{a<Xb}=F(b)F(a)=abf(x)dx

④在f(x)的连续点x处, F ′ ( x ) = f ( x ) F'(x) = f(x) F(x)=f(x)

其中①② 非负性和归一性,是f(x)成为概率密度的充要条件

已知f(x)为概率密度,则 f ( a x + b ) 为概率密度 ⇔ a = ± 1 f(ax+b)为概率密度\Leftrightarrow a=±1 f(ax+b)为概率密度a=±1
【若|a|≠1,或f(x²) 或f²(x)均不是概率密度】


在这里插入图片描述


F 1 ( x ) F 2 ( x ) F_1(x)F_2(x) F1(x)F2(x) m a x { X 1 , X 2 } max\{X₁,X₂\} max{X1,X2}的分布函数, f 1 ( x ) F 2 ( x ) + F 1 ( x ) f 2 ( x ) f_1(x)F_2(x)+F_1(x)f_2(x) f1(x)F2(x)+F1(x)f2(x)为它的概率密度
在这里插入图片描述


3.求解f(x)
①F(x)求导:先求F(x),则 f ( x ) = F ′ ( x ) f(x)=F'(x) f(x)=F(x)
②由二维概率密度求边缘概率密度:已知f(x,y)表达式,则 f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x)=\int_{-∞}^{+∞}f(x,y)dy fX(x)=+f(x,y)dy


4.特点
(1)分布函数 F ( x ) = P { X ≤ x } = ∫ − ∞ x f ( t ) d t F(x)=P\{X≤x\}=\int_{-∞}^xf(t)dt F(x)=P{Xx}=xf(t)dt,记为 X ∼ f ( x ) X\sim f(x) Xf(x)。F(x)是连续函数。
(2)f(x)非负、可积,且有归一性: ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-∞}^{+∞}f(x){\rm d}x=1 +f(x)dx=1
(3)概率:
①一点处概率: P { X = a } = 0 P\{X=a\}=0 P{X=a}=0 。(即<、≤的概率相等)
②区间上概率: P { X ∈ B } = ∫ B f ( x ) d x P\{X∈B\}=\int_Bf(x){\rm d}x P{XB}=Bf(x)dx


5.概率P分布函数F概率密度f的关系
P { X ≤ a } = F ( a ) = ∫ − ∞ a f ( x ) d x P\{X≤a\}=F(a)=\int_{-∞}^af(x)dx P{Xa}=F(a)=af(x)dx
P { X > a } P\{X>a\} P{X>a} = 1 − P { X ≤ a } = 1 − F ( a ) =1-P\{X≤a\}=1-F(a) =1P{Xa}=1F(a) = ∫ a + ∞ f ( x ) d x =\int_a^{+∞}f(x)dx =a+f(x)dx
P P P{ a < X ≤ b a<X≤b a<Xb } = F ( b ) − F ( a ) = ∫ a b f ( x ) d x = F(b)-F(a) =\int_a^bf(x)dx =F(b)F(a)=abf(x)dx

F ( x ) = ∫ − ∞ x f ( t ) d t F(x)=\int_{-∞}^xf(t)dt F(x)=xf(t)dt
f ( x ) = F ′ ( x ) f(x)=F'(x) f(x)=F(x)

f可以唯一确定F,但F不能推出f。如U(a,b)和U[a,b],f的x一个开区间,一个闭区间,都能得到同样的F(x)



例题1:02年10.
在这里插入图片描述

分析:
在这里插入图片描述

A. ∫ − ∞ + ∞ f ( x ) d x = ∫ − ∞ + ∞ ( f 1 ( x ) + f 2 ( x ) ) d x = ∫ − ∞ + ∞ f 1 ( x ) d x + ∫ − ∞ + ∞ f 2 ( x ) d x = 2 ≠ 1 ∴ f 1 ( x ) + f 2 ( x ) \int_{-∞}^{+∞}f(x)dx=\int_{-∞}^{+∞}(f_1(x)+f_2(x))dx=\int_{-∞}^{+∞}f_1(x)dx+\int_{-∞}^{+∞}f_2(x)dx=2≠1 \quad ∴f_1(x)+f_2(x) +f(x)dx=+(f1(x)+f2(x))dx=+f1(x)dx++f2(x)dx=2=1f1(x)+f2(x)不是概率密度
B. ∫ − ∞ + ∞ f ( x ) d x = ∫ − ∞ + ∞ f 1 ( x ) f 2 ( x ) d x ≠ 1 ∴ f 1 ( x ) f 2 ( x ) \int_{-∞}^{+∞}f(x)dx=\int_{-∞}^{+∞}f_1(x)f_2(x)dx≠1\quad ∴f_1(x)f_2(x) +f(x)dx=+f1(x)f2(x)dx=1f1(x)f2(x)不是概率密度
C. F ( + ∞ ) = F 1 ( + ∞ ) + F 2 ( + ∞ ) = 2 ≠ 1 ∴ F 1 ( x ) + F 2 ( x ) F(+∞)=F_1(+∞)+F_2(+∞)=2≠1 \quad ∴F_1(x)+F_2(x) F(+)=F1(+)+F2(+)=2=1F1(x)+F2(x)不是分布函数

D.① 0 ≤ F 1 ( x ) F 2 ( x ) ≤ 1 0≤F_1(x)F_2(x)≤1 0F1(x)F2(x)1
F 1 ( x ) F 2 ( x ) F_1(x)F_2(x) F1(x)F2(x)单调不减
F 1 ( x ) F 2 ( x ) F_1(x)F_2(x) F1(x)F2(x)右连续
F ( + ∞ ) = F 1 ( + ∞ ) F 2 ( + ∞ ) = 1 , F ( − ∞ ) = F 1 ( − ∞ ) F 2 ( − ∞ ) = 0 F(+∞)=F_1(+∞)F_2(+∞)=1,F(-∞)=F_1(-∞)F_2(-∞)=0 F(+)=F1(+)F2(+)=1F()=F1()F2()=0
F 1 ( x ) F 2 ( x ) F_1(x)F_2(x) F1(x)F2(x)必为某个随机变量的分布函数。

答案:D


例题2:11年7.
在这里插入图片描述

分析:
①如果对乘法的求导法则熟悉,则会发现D的 f 1 ( x ) F 2 ( x ) + f 2 ( x ) F 1 ( x ) = [ F 1 ( x ) F 2 ( x ) ] ′ f_1(x)F_2(x)+f_2(x)F_1(x) = [F_1(x)F_2(x)]' f1(x)F2(x)+f2(x)F1(x)=[F1(x)F2(x)]
②验证性质: ∫ − ∞ + ∞ f 1 ( x ) F 2 ( x ) + f 2 ( x ) F 1 ( x ) d x = F 1 ( x ) F 2 ( x ) ∣ − ∞ + ∞ = 1 × 1 − 0 × 0 = 1 \int_{-∞}^{+∞}f_1(x)F_2(x)+f_2(x)F_1(x)\rm dx=F_1(x)F_2(x)|_{-∞}^{+∞}=1×1-0×0=1 +f1(x)F2(x)+f2(x)F1(x)dx=F1(x)F2(x)+=1×10×0=1
满足 f ( x ) ≥ 0 f(x)≥0 f(x)0 ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-∞}^{+∞}f(x){\rm d}x=1 +f(x)dx=1,为概率密度

答案:D



6.习题


习题1:2016年23.

求概率密度,先求分布函数,再求导。

在这里插入图片描述

答案:
(1)FT(t) = P{T≤t} = P{ max{X1,X2,X3}≤t } = P{ X1≤t,X2≤t,X3≤t } = P{X1≤t}·P{X2≤t}·P{X3≤t} = P3{X≤t} = F3X(t)

(2)aT为θ的无偏估计 ⇦⇨ E(aT)=θ


在这里插入图片描述



4.一般类型(混合型)随机变量及其分布

1.定义
在这里插入图片描述

2.解题
只能用定义 F ( X ) = P { X ≤ x } F(X)=P\{X≤x\} F(X)=P{Xx},分区间讨论。最好画图。注意自变量取遍(-∞,+∞)

3.类型
①离散型→离散型
②连续型→连续型 或 混合型

在这里插入图片描述


5.常见的随机变量分布类型:八大分布

1.离散型 (5种)

①0-1分布

0-1分布的概率分布为:
P { X = 1 } = p , P { X = 0 } = 1 − p P\{X=1\}=p,P\{X=0\}=1-p P{X=1}=pP{X=0}=1p

或 ② P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 P\{X=k\}=p^k(1-p)^{1-k},k=0,1 P{X=k}=pk(1p)1kk=0,1

在这里插入图片描述


二项分布 X~B(n,p)

n重伯努利实验:干一件事,要么成功,要么失败。成功概率为p,失败概率为1-p。则干这件事n次,成功了k次的概率为

P { X = k } = C n k p k ( 1 − p ) n − k ( k = 0 , 1 , 2 , . . . , n ) P\{X=k\}={\rm C}_n^kp^k(1-p)^{n-k} \qquad (k=0,1,2,...,n) P{X=k}=Cnkpk(1p)nk(k=0,1,2,...,n)
其中, C n k = n ⋅ ( n − 1 ) ⋅ . . . ⋅ ( n − k + 1 ) k ! {\rm C}_n^k=\dfrac{n·(n-1)·...·(n-k+1)}{k!} Cnk=k!n(n1)...(nk+1)



习题1:09年14.   二项分布的期望与方差、E(S²)=D(X)、无偏估计
在这里插入图片描述

分析:

答案:-1


习题2:16年8.
在这里插入图片描述
分析:

答案:A


习题3:01年19.    考点:二项分布、泊松分布、条件概率



泊松分布

若随机变量X的概率分布为
P { X = k } = λ k k ! e − λ ( k = 0 , 1 , 2 , . . . ; λ > 0 ) P\{X=k\}=\dfrac{λ^k}{k!}e^{-λ} \qquad (k=0,1,2,...;λ>0) P{X=k}=k!λkeλ(k=0,1,2,...;λ>0)
则称X服从参数为λ的泊松分布(Poisson),记作 X ∼ P ( λ ) X\sim P(λ) XP(λ)。E(X)=λ,D(X)=λ。

λ称为强度。泊松分布的数学期望 E(X)=λ。


应用:
①某场合下,单位时间内源源不断的质点来流的数量
②稀有事件发生的概率


泊松分布由二项分布近似而来。




习题1:01年19.    考点:二项分布、泊松分布、条件概率
在这里插入图片描述

分析:
X服从泊松分布,X~P(λ)
Y服从二项分布,Y~B(n,p)



④几何分布

【几何分布 G ( p ) G(p) G(p),首中即停止的伯努利试验。】

若X的概率分布为 P { X = k } = ( 1 − p ) k − 1 p ( k = 1 , 2 , . . . ; 0 < p < 1 ) P\{X=k\}=(1-p)^{k-1}p \qquad (k=1,2,...;0<p<1) P{X=k}=(1p)k1p(k=1,2,...;0<p<1),则称X服从参数为p的几何分布,记为 X ∼ G ( p ) X\sim G(p) XG(p)

在这里插入图片描述

几何分布是离散型的等待分布



例题1:  几何分布推广,首二中即停止: P = C k − 1 1 ( 1 − p ) k − 2 p 2 P=C_{k-1}^1(1-p)^{k-2}p^2 P=Ck11(1p)k2p2

在这里插入图片描述

答案:
在这里插入图片描述



⑤超几何分布

超几何分布 H ( n , N , M ) H(n,N,M) H(n,N,M)

P { X = k } = C M k C N − M n − k C N n P\{X=k\}=\dfrac{C_M^kC_{N-M}^{n-k}}{C_N^n} P{X=k}=CNnCMkCNMnk

在这里插入图片描述


2. 连续型 (3种)

均匀分布

在这里插入图片描述
在这里插入图片描述

均匀分布,是一维的几何概型


指数分布

在这里插入图片描述

1.指数分布的概率密度
若连续型 随机变量X的概率密度为
f ( x ) = { λ e − λ x , x > 0 0 , x ≤ 0 f(x)=\begin{cases} λe^{-λx}, & x>0\\ 0, & x≤0 \end{cases} f(x)={λeλx,0,x>0x0
其中λ>0为常数,则称X服从参数为λ的指数分布,记为X~E(λ)


2.指数分布的分布函数
F ( x ) = { 1 − e − λ x , x > 0 0 , x ≤ 0 F(x)=\begin{cases} 1-e^{-λx}, & x>0\\ 0, & x≤0 \end{cases} F(x)={1eλx,0,x>0x0

指数分布是连续型等待分布。
指数分布的λ是失效率,指数分布的数学期望 E ( X ) = 1 λ E(X)=\dfrac{1}{λ} E(X)=λ1


3.指数分布的无记忆性
P { X > s + t ∣ X > t } = P { X > s + t } P { X > t } = e − λ ( s + t ) e − λ t = e − λ s = P { X > s } P\{X>s+t|X>t\}=\dfrac{P\{X>s+t\}}{P\{X>t\}}=\dfrac{e^{-λ(s+t)}}{e^{-λt}}=e^{-λs}=P\{X>s\} P{X>s+tX>t}=P{X>t}P{X>s+t}=eλteλ(s+t)=eλs=P{X>s}

P { X > X 1 ∣ X > X 2 } = P { X > X 1 − X 2 } P\{X>X_1|X>X_2\}=P\{X>X_1-X_2\} P{X>X1X>X2}=P{X>X1X2}
②指数分布的λ是失效率,在失效率λ不变的情况下,该理想元件是无损耗的。因此工作1年失效的概率和工作2年失效的概率相等,因此有无记忆性。



习题1:19年22(1)
在这里插入图片描述

分析:Z = 指数分布×两点分布

答案:
(1) E(X)~1,∴ F ( x ) = { 1 − e − x , x > 0 0 , x ≤ 0 F(x)=\begin{cases} 1-e^{-x}, & x>0\\ 0, & x≤0 \end{cases} F(x)={1ex,0,x>0x0

f Z ( z ) = F Z ′ ( z ) f_Z(z)=F_Z'(z) fZ(z)=FZ(z)

对于FZ(z):
FZ(z) = P{Z≤z} = P{XY≤z} = P{Y=-1}·P{XY≤z|Y=-1} + P{Y=1}·P{XY≤z|Y=1} = p·P{-X≤z} + (1-p)·P{X≤z}

对于P{-X≤z} :
P{-X≤z} = P{-z≤X} = P{X≥-z} = 1-P{X≤-z} =1-FX(-z) [连续型随机变量,某一点的概率为0]

∴FZ(z) =p·[1-FX(-z)] + (1-p)·FX(z)

对z的取值进行分类讨论:
当z>0时,FZ(z) =p·[1-0] + (1-p)·(1-e-z) = p+(1-p)·(1-e-z)
当z≤0时,FZ(z) =p·[1-(1-ez)] + (1-p)·0 = pez

F Z ( z ) = { p + ( 1 − p ) ⋅ ( 1 − e − z ) , z > 0 p e z , z ≤ 0 F_Z(z) =\begin{cases} p+(1-p)·(1-e^{-z}) , & z>0\\ pe^z, & z≤0 \end{cases} FZ(z)={p+(1p)(1ez),pez,z>0z0

f Z ( z ) = F Z ′ ( z ) { ( 1 − p ) ⋅ e − z , z > 0 p e z , z ≤ 0 f_Z(z) =F_Z'(z)\begin{cases} (1-p)·e^{-z} , & z>0\\ pe^z, & z≤0 \end{cases} fZ(z)=FZ(z){(1p)ez,pez,z>0z0



正态分布

若X的概率密度为:
f ( x ) = 1 2 π σ e − 1 2 ( x − μ σ ) 2 = 1 2 π σ e − ( x − μ ) 2 2 σ 2 ( − ∞ < x < + ∞ ) f(x)=\dfrac{1}{\sqrt{2π}σ}e^{-\frac{1}{2}(\frac{x-μ}{σ})^2}=\dfrac{1}{\sqrt{2π}σ}e^{-\frac{{(x-μ^)}^2}{2σ^2}} \quad(-∞<x<+∞) f(x)=2π σ1e21(σxμ)2=2π σ1e2σ2(xμ)2(<x<+)
其中-∞<μ<+∞,σ>0,则称X服从参数为N(μ,σ²)的正态分布,或称X为正态变量,记为 X ∼ N ( μ , σ 2 ) X\sim N(μ,σ²) XN(μ,σ2)

①f(x)关于x=μ对称。
x = μ x=μ x=μ时,f(x)取最大值 f ( μ ) = 1 2 π σ f(μ)=\dfrac{1}{\sqrt{2π}σ} f(μ)=2π σ1,只与 σ σ σ有关。

在这里插入图片描述

1.标准正态分布
X~N(0,1),则标准正态分布的概率密度φ(x)为:
φ ( x ) = 1 2 π e − x 2 2 , ( − ∞ < x < + ∞ ) Ф ( x ) = ∫ − ∞ x 1 2 π e − x 2 2 d x ∫ − ∞ + ∞ φ ( x ) d x = ∫ − ∞ + ∞ 1 2 π e − x 2 2 d x = 1 φ(x)=\dfrac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}},\quad (-∞<x<+∞)\\[5mm] Ф(x)=\int_{-∞}^x\dfrac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}}dx\\[5mm] \int_{-∞}^{+∞}φ(x)dx=\int_{-∞}^{+∞}\frac{1}{\sqrt{2π}}e^{-\frac{x^2}{2}}{\rm d}x = 1 φ(x)=2π 1e2x2(<x<+)Ф(x)=x2π 1e2x2dx+φ(x)dx=+2π 1e2x2dx=1

在这里插入图片描述

上α分位点
若X~N(0,1),点 μ α μ_α μα右侧概率为α ( P { X > μ α } = α P\{X>μ_α\}=α P{X>μα}=α),则称 μ α μ_α μα为标准正态分布的上α分位点(上侧α分位数)

公式:
在这里插入图片描述
推论:
Ф ( 0 ) = 1 2 Ф(0)=\dfrac{1}{2} Ф(0)=21
Ф ( x ) + Ф ( − x ) = 1 Ф(x)+Ф(-x)=1 Ф(x)+Ф(x)=1


结论:对于标准正态分布 X ∼ N ( 0 , 1 ) X\sim N(0,1) XN(0,1)
P = ∫ − ∞ + ∞ φ ( x ) d x = 1 P=\int_{-∞}^{+∞}φ(x)dx=1 P=+φ(x)dx=1
E ( X ) = ∫ − ∞ + ∞ x φ ( x ) d x = 0 E(X)=\int_{-∞}^{+∞}xφ(x)dx=0 E(X)=+xφ(x)dx=0
(理解1:φ(x)是偶函数,xφ(x)为奇函数,在对称区间上积分为0. 理解2: ∫ − ∞ + ∞ x φ ( x ) d x \int_{-∞}^{+∞}xφ(x)dx +xφ(x)dx即为标准正态分布的数学期望,X~N(0,1),则期望为0)


2.正态分布的独立可加性
若X与Y分别服从正态分布 N ( μ 1 , σ 1 2 ) N(μ_1,σ_1^2) N(μ1,σ12) N ( μ 2 , σ 2 2 ) N(μ_2,σ_2^2) N(μ2,σ22),且X与Y相互独立。
Z = X − Y Z=X-Y Z=XY也服从正态分布, Z ∼ N ( μ 1 − μ 2 , σ 1 2 + σ 2 2 ) Z\sim N( μ_1-μ_2, σ_1^2+σ_2^2) ZN(μ1μ2,σ12+σ22)


独立可加性 (XY独立且同类型分布)

若X与Y独立,且满足以下5种同类型分布,则具有独立可加性.

分布X,Y独立⇨ 独立可加性
①二项分布X~B(m,p), Y~B(n,p)X+Y~ B(m+n,p)
②泊松分布X~P(λ₁), Y~P(λ₂)X+Y~ P(λ₁+λ₂)
③正态分布X~N(μ₁,σ₁²), Y~N(μ₂,σ₂²) X ± Y ∼ N ( μ 1 ± μ 2 , σ 1 2 + σ 2 2 ) X±Y\sim N(μ₁±μ₂,σ²₁+σ₂²) X±YN(μ1±μ2σ12+σ22)
④卡方分布X~χ²(m), Y~χ²(n)X+Y~ χ²(m+n)
⑤指数分布X~E(λ₁), X~E(λ₂) m i n { X , Y } min\{X,Y\} min{X,Y} ∼ E ( λ 1 + λ 2 ) \sim E(λ₁+λ₂) E(λ1+λ2)

3.正态分布 μ,σ 对图像的影响
期望μ:对称轴位置
方差σ:方差越大,越分散(越不集中,在均值附近的面积越小)



例题1:23李林六套卷(三)9. 独立可加性
在这里插入图片描述

分析:
在这里插入图片描述

答案:C


习题1:17年14.   标准正态分布
在这里插入图片描述

分析:

答案:2


习题2:19年23(1)
在这里插入图片描述


习题3:12年23.   正态分布的独立可加性
在这里插入图片描述

分析:
(3)注意样本与总体独立同分布

答案:
(1)∵X与Y相互独立且分别服从正态分布
∴由正态分布的独立可加性知 Z=X-Y 也服从正态分布,Z~N(0,3σ2)

(3) E ( σ ^ 2 ) = E ( ∑ i = 1 n Z i 2 3 n ) = 1 3 n E ( ∑ i = 1 n Z i 2 ) = 1 3 n ∑ i = 1 n E ( Z i 2 ) = 1 3 n ∑ i = 1 n E ( Z 2 ) = 1 3 n × n × [ D ( Z ) + E 2 ( Z ) ] = 1 3 × ( 3 σ 2 + 0 ) = σ 2 E(\hat{σ}^2)=E(\dfrac{{\sum\limits_{i=1}^n}Z_i^2}{3n})=\dfrac{1}{3n}E(\sum\limits_{i=1}^n{Z_i^2})=\dfrac{1}{3n}\sum\limits_{i=1}^nE({Z_i^2})=\dfrac{1}{3n}\sum\limits_{i=1}^nE({Z^2})=\dfrac{1}{3n}×n×[D(Z)+E^2(Z)]=\dfrac{1}{3}×(3σ^2+0)=σ^2 E(σ^2)=E(3ni=1nZi2)=3n1E(i=1nZi2)=3n1i=1nE(Zi2)=3n1i=1nE(Z2)=3n1×n×[D(Z)+E2(Z)]=31×(3σ2+0)=σ2
σ ^ 2 \hat{σ}^2 σ^2是σ2的无偏估计


习题4:13年07.   正态分布 μ,σ 对图像的影响
在这里插入图片描述

答案:A


习题5:06年14.   正态分布 μ,σ 对图像的影响

在这里插入图片描述

答案:A


习题6:16年7.   正态分布 μ,σ 对图像的影响
在这里插入图片描述

分析:将X标准化为标准正态分布

答案:B



6.一维随机变量函数的分布





Ch3. 多维随机变量及其分布

多维随机变量:联合、边缘、条件、独立性、函数分布

1.二维(n维)随机变量

1.多维随机变量

X:一维随机变量
(X,Y):二维随机变量
(X₁,X₂,…,Xn):n维随机变量

在这里插入图片描述


2.多维随机变量的分布函数

(1)联合分布函数

(1)概念
F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\{X≤x,Y≤y\} F(x,y)=P{Xx,Yy} (-∞<x<+∞,-∞<y<+∞)

在这里插入图片描述


(2)性质
③二维规范性/归一性:若为二维连续型随机变量, F ( + ∞ , + ∞ ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 F(+∞,+∞)=\int_{-∞}^{+∞}\int_{-∞}^{+∞}f(x,y){\rm d}x{\rm d}y = 1 F(+,+)=++f(x,y)dxdy=1

在这里插入图片描述



例题1:10年22.(1)



(2)边缘分布函数

F X ( x ) = P { X ≤ x , Y ≤ + ∞ } = F ( x , + ∞ ) F_X(x)=P\{X≤x,Y≤+∞\}=F(x,+∞) FX(x)=P{Xx,Y+}=F(x,+)
F Y ( y ) = P { X ≤ + ∞ , Y ≤ y } = F ( + ∞ , y ) F_Y(y)=P\{X≤+∞,Y≤y\}=F(+∞,y) FY(y)=P{X+,Yy}=F(+,y)

在这里插入图片描述
在这里插入图片描述

边缘分布函数,考试常考



常见的两类二维随机变量:离散型随机变量、连续型随机变量

2.二维离散型随机变量及其分布

(1)联合分布律

p i j = P { X = x i , Y = y j } i , j = 1 , 2 , . . . p_{ij}=P\{X=x_i,Y=y_j\} \quad i,j=1,2,... pij=P{X=xi,Y=yj}i,j=1,2,...
(X,Y)的分布律 或 X和Y的联合分布律,记为 ( X , Y ) ∼ p i j (X,Y)\sim p_{ij} (X,Y)pij

在这里插入图片描述

联合分布律的求法:求出每个P{ }的值,画分布律


例题1:09年22.(2)



(2)边缘分布律

联合分布律的右边缘 p i ⋅ p_{i·} pi、下边缘 p ⋅ j p_{·j} pj,称为X、Y的边缘分布律

联合分布律: p i j = P { X = x i , Y = y j } p_{ij}=P\{X=x_i,Y=y_j\} pij=P{X=xi,Y=yj}

边缘分布率:
p i ⋅ = P { X = x i } p_{i·}=P\{X=x_i\} pi=P{X=xi}
p ⋅ j = P { Y = y j } p_{·j}=P\{Y=y_j\} pj=P{Y=yj}


(3)条件分布律

条件 = 联合 边缘 条件=\dfrac{联合}{边缘} 条件=边缘联合

在这里插入图片描述


3.二维连续型随机变量及其分布

(1)二维随机变量的概率密度 f(x,y):联合概率密度

(1)定义

F(x,y)二维随机变量(X,Y)分布函数,若存在非负函数f(x,y),使得对于任意实数x、y,有 F ( x , y ) = ∫ − ∞ y ∫ − ∞ x f ( u , v ) d u d v F(x,y)=\int_{-∞}^y\int_{-∞}^xf(u,v)dudv F(x,y)=yxf(u,v)dudv
则称(X,Y)为二维连续型随机变量,称函数f(x,y)二维随机变量(X,Y)的概率密度随机变量X和Y的联合概率密度


(2)性质

1.非负性:f(x,y)≥0
2.规范性/归一性:
F ( x , y ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = F ( + ∞ , + ∞ ) = 1 F(x,y)=\int_{-∞}^{+∞}\int_{-∞}^{+∞}f(x,y)dxdy=F(+∞,+∞)=1 F(x,y)=++f(x,y)dxdy=F(+,+)=1
3.设D是xOy平面上的一个区域,则(X,Y)落在D内的概率为
P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y P{(X,Y)D}=Df(x,y)dxdy

举例: 若 Z = 2 X − Y ,则 F Z ( z ) = P { Z ≤ z } = P { 2 X − Y ≤ z } = ∬ 2 x − y ≤ z f ( x , y ) d x d y 若Z=2X-Y,则F_Z(z)=P\{Z≤z\}=P\{2X-Y≤z\}=\iint\limits_{2x-y≤z}f(x,y)dxdy Z=2XY,则FZ(z)=P{Zz}=P{2XYz}=2xyzf(x,y)dxdy

当(X,Y)服从二维均匀分布时, P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y = S ( D ) S ( A ) P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y=\dfrac{S(D)}{S(A)} P{(X,Y)D}=Df(x,y)dxdy=S(A)S(D)

4.偏导
在这里插入图片描述


例题1:03年5.   二维连续型随机变量的分布:f(x,y)的性质注意积分区域的限:D∩定义域
在这里插入图片描述

分析:设D是xOy平面上的一个区域,则(X,Y)落在D内的概率为 P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y P{(X,Y)D}=Df(x,y)dxdy
在这里插入图片描述

答案: 1 4 \dfrac{1}{4} 41


例题2:12年07.   f(x,y)的性质: P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y P{(X,Y)D}=Df(x,y)dxdy
在这里插入图片描述
分析:
在这里插入图片描述
答案:A


例题3:16年22.(2)



(2)边缘分布

1.边缘概率分布

F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( u , v ) d v ] d u F_X(x)=F(x,+∞)=\int_{-∞}^x[\int_{-∞}^{+∞}f(u,v)dv]du FX(x)=F(x,+)=x[+f(u,v)dv]du
F Y ( y ) = F ( + ∞ , y ) F_Y(y)=F(+∞,y) FY(y)=F(+,y)

2.边缘概率密度

f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x) = \int_{-∞}^{+∞}f(x,y){\rm d}y fX(x)=+f(x,y)dy 【注意上下限是代y的取值,x是常数】

f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_Y(y) = \int_{-∞}^{+∞}f(x,y){\rm d}x fY(y)=+f(x,y)dx



例题1:由联合概率密度求边缘概率密度
口诀:求谁不积谁,后积先定限,限内画条线,先交写下限,后交写上限
在这里插入图片描述


例题2:10年22.(2)



(3)条件分布

1.条件概率密度

f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X|Y}(x\ |\ y) = \dfrac{f(x,y)}{f_Y(y)} fXY(x  y)=fY(y)f(x,y)

f Y ∣ X ( y ∣ x ) = f ( x , y ) f X ( x ) f_{Y|X}(y\ |\ x) = \dfrac{f(x,y)}{f_X(x)} fYX(y  x)=fX(x)f(x,y) 【条件= 联合/边缘】

概率密度乘法公式:
在这里插入图片描述


2.条件分布函数

在这里插入图片描述


例题1:07年10.   条件概率密度

在这里插入图片描述

分析:
∵ 随机变量(X,Y)服从二维正态分布,且X与Y不相关,则X与Y相互独立。
f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) = f X ( x ) ⋅ f Y ( y ) f Y ( y ) = f X ( x ) f_{X|Y}(x\ |\ y) = \dfrac{f(x,y)}{f_Y(y)}=\dfrac{f_X(x)·f_Y(y)}{f_Y(y)}=f_X(x) fXY(x  y)=fY(y)f(x,y)=fY(y)fX(x)fY(y)=fX(x)

在这里插入图片描述
答案:A


例题2:22年10.
在这里插入图片描述

答案:D


例题3:10年22.(2)



(4)二维均匀分布

设D是坐标平面xOy上面积为A的有界区域D,若二维随机变量(X,Y)的概率密度为
f ( x , y ) = { 1 A , ( x , y ) ∈ D , 0 , ( x , y ) ∉ D f(x,y)= \left \{\begin{array}{cc} \dfrac{1}{A}, &(x,y)∈D,\\ 0, & (x,y)∉D \end{array}\right. f(x,y)={A1,0,(x,y)D(x,y)/D
则称(X,Y)在区域D上服从均匀分布,记为 (X,Y) ~ UD



例题1:16年22.
在这里插入图片描述

答案:查看李艳芳的讲解



(5)二维正态分布

1.定义:
若二维随机变量(X,Y)的概率密度为
在这里插入图片描述

则称(X,Y)为服从参数μ1212,ρ的二维正态分布,记作 ( X , Y ) ∼ N ( μ 1 , μ 2 ; σ 1 , σ 2 ; ρ ) (X,Y)\sim N(μ_1,μ_2;σ_1,σ_2;ρ) (X,Y)N(μ1,μ2;σ1,σ2;ρ)


2.性质
(1)二维正态分布:X与Y相互独立 ⇦⇨ X与Y不相关,ρXY=0

(2)若(X,Y)服从二维正态分布,则:
①X、Y各自服从一维正态分布:
即若有 ( X , Y ) ∼ N ( μ 1 , μ 2 ; σ 1 , σ 2 ; ρ ) (X,Y)\sim N(μ_1,μ_2;σ_1,σ_2;ρ) (X,Y)N(μ1,μ2;σ1,σ2;ρ),则 X ∼ N ( μ 1 , σ 1 ) X\sim N(μ_1,σ_1) XN(μ1,σ1) Y ∼ N ( μ 2 , σ 2 ) Y\sim N(μ_2,σ_2) YN(μ2,σ2)

②X,Y的线性组合 a X + b Y ( a ≠ 0 或 b ≠ 0 ) aX+bY\quad (a≠0或b≠0) aX+bY(a=0b=0) 也服从正态分布



例题1:15年14.   二维正态分布, ρ = 0 ρ=0 ρ=0则X与Y独立

在这里插入图片描述
分析:

答案: 1 2 \dfrac{1}{2} 21


例题2:11年14.
在这里插入图片描述

分析:∵ρ=0 ∴X与Y相互独立 ∴E(XY²)=E(X)·E(Y²)=E(X)·[D(X)+E²(Y)]=μ(σ²+μ²)

答案:μ(σ²+μ²)


例题3:07年10.



4.独立性 【随机变量的独立性

(1)定义 (相互独立的充要条件)

对于(X,Y)是二维随机变量:

①普通:
P { X ≤ x , Y ≤ y } = P { X ≤ x } ⋅ P { Y ≤ y } ⇔ X , Y 独立 P\{X≤x,Y≤y\}=P\{X≤x\}·P\{Y≤y\}\Leftrightarrow X,Y独立 P{XxYy}=P{Xx}P{Yy}X,Y独立
F ( x , y ) = F X ( x ) ⋅ F Y ( y ) ⇔ X , Y 独立 F(x,y)=F_X(x)·F_Y(y)\Leftrightarrow X,Y独立 F(x,y)=FX(x)FY(y)X,Y独立

②离散: ∀ i , j ∀i,j i,j,有 p i j = p i ⋅ ⋅ p ⋅ j ⇔ X , Y 独立 p_{ij}=p_{i·}·p_{·j}\Leftrightarrow X,Y独立 pij=pipjX,Y独立
ョ i , j ョi,j i,j,使得 p i j ≠ p i ⋅ ⋅ p ⋅ j p_{ij}≠p_{i·}·p_{·j} pij=pipj,则X,Y不独立

③连续: f ( x , y ) = f X ( x ) ⋅ f Y ( y ) ⇔ X , Y 独立 f(x,y)=f_X(x)·f_Y(y)\Leftrightarrow X,Y独立 f(x,y)=fX(x)fY(y)X,Y独立


(2)独立的性质

两变量独立,则P{ }可拆:P{X≤a}·P{Y≤b} = P{X≤a,Y≤b}
注意,F要先转换为P,然后P可拆。

详情查看此文:https://blog.csdn.net/Edward1027/article/details/126604163



5.二维随机变量 函数的分布

常考三类多维随机变量

(1)(离散型,离散型)→离散型

比较简单


(2)(连续型,连续型)→连续型

①分布函数法

P { ( X , Y ) ∈ D } = ∬ D f ( x , y ) d x d y P\{(X,Y)∈D\}=\iint\limits_Df(x,y){\rm d}x{\rm d}y P{(X,Y)D}=Df(x,y)dxdy

F Z ( z ) = P { Z ≤ z } = P { g ( x , y ) ≤ z } = ∬ g ( x , y ) ≤ z f ( x , y ) d x d y F_Z(z)=P\{Z≤z\}=P\{g(x,y)≤z\}=\iint\limits_{g(x,y)≤z}f(x,y){\rm d}x{\rm d}y FZ(z)=P{Zz}=P{g(x,y)z}=g(x,y)zf(x,y)dxdy
f Z ( z ) = F Z ′ ( z ) f_Z(z)=F_Z'(z) fZ(z)=FZ(z)


②卷积公式

卷积公式:专门针对 加、减、乘、除
口诀:积谁不换谁,换完求偏导 (对z求偏导,乘其系数的绝对值)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述


(3)(离散型,连续型)→连续型

离散+连续:全概率公式

X和Y,一格离散,一个连续:Z=XY,先用全概率公式,再用独立性



例题1:基础30讲 3.11   离散+连续:全概率公式 (“全集分解思想”)
在这里插入图片描述

答案:
在这里插入图片描述



习题1:09年8.   离散+连续:全概率公式
在这里插入图片描述

分析:
在这里插入图片描述

答案:B


习题2:23李林4套卷(二)22.(1)   离散+连续:全概率公式
在这里插入图片描述
答案:
在这里插入图片描述


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/87086.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【MOOC】北京理工大学Python网络爬虫与信息提取慕课答案-综合挑出了一些很难评的慕课测验题

1 Requests库中的get()方法最常用&#xff0c;下面哪个说法正确&#xff1f;‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬…

【数据结构与算法】稀疏数组

文章目录 一&#xff1a;为什么会使用稀疏数组1.1 先看一个实际的需求1.2 基本介绍1.2.1 稀疏数组的处理方法1.2.2 数组的举例说明1.2.3 应用实例1.2.4 整体思路分析二维数组转稀疏数组的思路稀疏数组转原始的二维数组的思路 二&#xff1a;代码实现2.1 创建一个原始的11*11二维…

CMake语法中的PUBLIC、PRIVATE、INTERFACE关键字含义

在CMake语法中&#xff0c;经常见到PUBLIC、PRIVATE、INTERFACE关键字&#xff0c;它们是什么意思呢&#xff1f;下面举例说明。 如上图,说明如下&#xff1a; RIVATE&#xff1a;私有的。生成 libhello-world.so时&#xff0c;只在 hello_world.c 中包含了 hello.h&#xff0…

Vision Transformer模型入门

Vision Transformer模型入门 一、Vision Transformer 模型1&#xff0c;Embedding 层结构详解2&#xff0c;Transformer Encoder 详解3&#xff0c;MLP Head 详解 二、ViT-B/16 网络结构三、Hybrid 模型详解四、ViT 模型搭建参数 一、Vision Transformer 模型 总体三个模块&am…

[Vue] Vue2和Vue3的生命周期函数

vue2有11个生命周期钩子, vue3有8个生命周期钩子 从vue创建、运行、到销毁总是伴随着各种事件, 创建、挂载、更新到销毁。 1.vue2系列生命周期 ⑴【beforecreate】实例创建前。 vue完全创建之前&#xff0c;会自动执行这个函数。 ⑵【Created】实例创建后。 这也是个生命…

商品推荐系统浅析 | 京东云技术团队

一、综述 本文主要做推荐系统浅析&#xff0c;主要介绍推荐系统的定义&#xff0c;推荐系统的基础框架&#xff0c;简单介绍设计推荐的相关方法以及架构。适用于部分对推荐系统感兴趣的同学以及有相关基础的同学&#xff0c;本人水平有限&#xff0c;欢迎大家指正。 二、商品…

Qt扫盲-Qt Model/View 理论总结 [下篇]

Qt Model/View 理论总结 [下篇] 一、处理I tem view 中的选择1. 概念1. 当前项目和已选项目 2. 使用选择 model1. 选择项目2. 读取选区状态3. 更新选区4. 选择 model 中的所有项 二、创建新 model1. 设计一个 model2. 只读示例 model1. model 的尺寸2. model 头和数据 3. 可编辑…

【LeetCode】122. 买卖股票的最佳时机 II - 贪婪算法

目录 2023-8-10 10:29:32 122. 买卖股票的最佳时机 II 2023-8-10 10:29:32 没错&#xff0c;还是用双指针思想来套出来的。 感觉步骤很复杂&#xff0c;还调试了半天。 class Solution {public int maxProfit(int[] prices) {int pre 0;int last 1;int maxProfit 0;int c…

Ubuntu18.04搭配无人机仿真环境(ROS,PX4,gazebo,Mavros,QGC安装教程)

Ubuntu18.04搭配无人机仿真环境 ROS环境配置版本安装 gazebo安装Mavrosa安装PX4源码下载和编译运行仿真地面站安装 ROS环境配置 我个人使用了代理环境进行下载。Linux没有代理的可以使用国内源。 清华大学源 sudo sh -c ‘. /etc/lsb-release && echo “deb http://m…

探索极限:利用整数或字符串操作找出翻转后的最大数字

本篇博客会讲解力扣“1323. 6 和 9 组成的最大数字”的解题思路&#xff0c;这是题目链接。 对于这道题目&#xff0c;我会讲解2种解题思路&#xff0c;分别是直接操作整数&#xff0c;和利用字符串操作。希望大家通过本题学习关于整数和字符串的技巧。 显然&#xff0c;这道题…

《华为认证》L2TP VPN配置

配置接口ip地址&#xff0c;并且将防火墙的接口加入对应的安全区域 。 LNS的G1/0/0 IP为202.1.1.1 1、配置LNS的缺省路由&#xff1a; ip route-static 0.0.0.0 0.0.0.0 202.1.1.2 2、通过WEB 界面配置防火墙的 L2TP VPN 浏览器输入&#xff1a; https://202.1.1.1:8443/def…

HTML详解连载(2)

HTML详解连载&#xff08;2&#xff09; 专栏链接 [link](http://t.csdn.cn/xF0H3)下面进行专栏介绍 开始喽超链接作用代码示例解释经验分享 音频标签代码示例注意强调 视频标签代码示例注意强调 列表作用&#xff1a;布局内容排列整齐的区域。分类&#xff1a;无序列表&#x…

商业智能BI,如何区别联机事务处理(OLTP)和联机分析处理(OLAP)

商业智能(Business Intelligence&#xff0c;简称&#xff1a;BI)&#xff0c;又称商业智慧或商务智能&#xff0c;指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。 商业智能BI - 派可数据数据可视化分析平台 定义为下列软件工具…

Kotlin语法

整理关键语法列表如下&#xff1a; https://developer.android.com/kotlin/interop?hlzh-cn官方指导链接 语法形式 说明 println("count ${countnum}")字符串里取值运算 val count 2 var sum 0 类型自动推导 val 定义只读变量&#xff0c;优先 var定义可变变量…

小程序商城开发制作

当开发一个商城小程序时&#xff0c;费用是一个非常重要的考虑因素。然而&#xff0c;准确回答这个问题是有一定困难的&#xff0c;因为开发商城小程序的费用取决于多个因素。以下是一些可能影响价格的主要因素&#xff1a; 1. 功能需求&#xff1a;商城小程序的复杂程度和功能…

基于Spring Boot的网络在线学习网站的设计与实现(Java+spring boot+MySQL)

获取源码或者论文请私信博主 演示视频&#xff1a; 基于Spring Boot的网络在线学习网站的设计与实现&#xff08;Javaspring bootMySQL&#xff09; 使用技术&#xff1a; 前端&#xff1a;html css javascript jQuery ajax thymeleaf 微信小程序 后端&#xff1a;Java spri…

无涯教程-Perl - opendir函数

描述 此函数使用readdir函数打开目录EXPR,并将其与DIRHANDLE关联以进行处理。 语法 以下是此函数的简单语法- opendir DIRHANDLE, EXPR返回值 如果成功,此函数将返回true。 例 以下是显示其基本用法的示例代码- #!/usr/bin/perl -w$dirname"/tmp";opendir ( …

sentinel客户端和dashboard交互

回顾 在前面的章节中&#xff1a;通过阐述sentinel简单使用、滑动窗口、核心流程源码分析把sentinel限流、熔断等主要功能说明清楚了&#xff0c;但我们在实际使用的过程中&#xff0c;不可能通过硬编码的方式设置规则&#xff0c;且规则也没法直观的维护&#xff0c;为此肯定…

Spring-1-深入理解Spring XML中的依赖注入(DI):简化Java应用程序开发

学习目标 前两篇文章我们介绍了什么是Spring,以及Spring的一些核心概念&#xff0c;并且快速快发一个Spring项目&#xff0c;以及详细讲解IOC&#xff0c;今天详细介绍一些DI(依赖注入) 能够配置setter方式注入属性值 能够配置构造方式注入属性值 能够理解什么是自动装配 一、…

TFN 新推出信息安全产品 ,手机安全(插卡监听器)探测器 FW5 反窃听数字协议无线探测器

本产品是新研制的检测设备&#xff0c;工程师或反监测专家把它作为一个可靠的工具&#xff0c;用来 跟踪各种无线电数字传输设备&#xff0c;例如 GSM 、蓝牙等新型视听设备。随着现代科学技术 的不断发展&#xff0c;不同的数字传输方式已在我们的生活中得到了广泛的应用。例…