【例3.1.3】设随机变量
有分布列:
,试求
的(概率)分布函数;
【例3.1.4】设
的
为
,试求
的
分布(列、律);
【例3.1.5】设
具有密度
,试求
的分布函数;
【例3.1.6】若
的分布函数为
,试求
的
;
【例3.1.7】一个使用了
小时的热敏电阻,在
内失效的概率
为
,设其使用寿命是连续型随机变量
,求
的分布;
【例3.1.8】设
的
为:
,试
求事件
和
的概率;
【例3.1.9】设
的分布函数为
,则
,
,
,
哪些可作为随机变量的分布函数?
【例3.1.10】设
的
和
分别为
和
,当
时,
;当
时,
,试求
;
【例3.1.11】设
(几乎必然),
为
,则
的
分布函数为连续函数;
【例3.1.12】在
中任取一点
,设
为点
到底边
的距离,又已知
上的高为
,求
的分布;
【例3.1.13】设
,试证明:1)
是
分布函数;2)
既不是离散型,也不是连续型,但却可以表示为两类分布函数的线性组合!
【例3.1.14】假设
的绝对值不大于
,
,在事件
出现的条件下,
在
内任一子区间上取值的条件概率与该区间的长度成正比,试求
的分布函数;
【本例的注】例中的
是混合型的随机变量;它有离散部分,因为它取
与
的概率均大于
;它又有连续部分,它的可能取值充满
;于是其分布函数可以分解。易验证:以上的分布函数
满足:
,
,其中:
,
。
【例3.1.15】若
是一分布函数,试证:
也是一分布函数;
【注3】(补充)设
是概率空间,则任意F-可测随机变
量的全体是线性空间;不仅如此,随机变量对于通常的运算都是封闭的!(课堂推导)
§2 连续型随机变量的数学期望
已经知道离散型随机变量的数学期望即是其所有可能取值的概率平均值;对于连续型随机变量,其密度
与
的作用相当于离散型随机变量的分布列
,受此启发:利用微元法的思想,用
替代
,用积分号替代求和号来定义连续型随机变量的数学期望。
【分析】设连续型随机变量
的值域
为有限区间
在此
区间任意插入
个分点
,使得
EMBED Equation.DSMT4 , 将
分割成
个子区间,其中第
个子区间为
,
;相应有:
;若
充分小,则有
,
;此时可将随机变量
近似视作离散型随机变量,且有分布列:
EMBED Equation.DSMT4
, 其中:
;故有:
;注意到,
越大,和式作为期望的近似值精确度就越高;从而,可定义:
;去掉最初关于随机变量值域的局限,即有:
。
【数学期望】设
是一个连续型随机变量,且有密度
,如
果
,则称
为
的(数学)期望(均值),记之为:
或
;若
,则称
的数学期望不存在。
【例3.2.1】(柯西分布)设
,判断
是否
存在?
【例3.2.2】设随机变量
具有概率密度
; 试求
;
【例3.2.3】设
,试求
(结论加以推广);
【例3.2.4】设
为曲线
与
轴所围区域,在区域
内任
取一点,该点到
轴的距离为
,求
;
下面讨论几类重要的连续型分布。
【均匀分布(Uniform distribution)】若随机变量
具有概率密度
,则称
服从
上的均匀分布,记作:
;讨论均匀分布的概率背景:几何概型,
:向
上随机地投掷一点,记点的位置(坐标)为
;易见,
, 且
,有:
,进一步有:
的概率密度为
;反之,若
,则有:
,也即
取值于
的任一子区间的概率与该区间的长度成正比而与其位置无关,即为几何概型的情形!
【例3.2.5】设
,求“方程
有实根”的概率;
【例3.2.6】设
, 求:1)
;2)
的分布;
【例3.2.7】(1)设
在
内取值,其
为
,且
,
与
成正比,试求
;(2)设
在
内取值,且
,
只依赖于
,试求
的分布;
【例3.2.8】设
是定义于概率空间
上的一列独立同
分布的随机变量,且
,定义:
;则
为定义于
上的服从
分布的随机变量;
【例3.2.9】设随机变量
,令
;求:(1)
的分布列;(2)
的分布列;(3)
给定的条件下,
的条件分布列;
【指数分布(Exponential distribution)】若随机变量
具有概率密度
,
为常数,则称
服从参数为
的指数分布,记作:
(或
);
【复习伽玛函数及其性质】
【例3.2.10】设
,
,试求
的分布及
;(正误辨析-顺便介绍Stieltjes[斯蒂尔杰斯]积分)
【无记忆性】可验证以下命题的等价性:设
为非负连续型随机变量,则(1)
服从指数分布; (2)
,
;
【例3.2.11】设在时间
内经搜索发现沉船的概率为
,
,求发现沉船所需的平均时间;
【例3.2.12】设
,
,试求
的联合
(边缘)分布;
【正态分布(Normal distribution)】(又称高斯[Gauss]分布)
若连续型随机变量
有概率密度为:
,其中
为常数,则称
服从参数为
的正态分布,记作:
~
;若
,则称
服从标准正态分布。
易见,密度
具有如下性质:1)关于直线
对称,此即表明:
;2)
的图像呈倒立的钟形,且在
处取得最大值,曲线以
轴为水平渐近线;对于同样长度的区间,其离
越远,
落于其上的概率就越小;3)
在
处有拐点,且存在任意阶导数;且
越大(小),曲线越平坦(陡峭);
可以验证:
(Poisson积分)。
【注1】 正态分布是自然界中最常见的一种分布,如:测量
的误差,炮弹的落点等诸多现象都服从或近似服从正态分布。一般地,若影响某一数量的指标很多,且每种影响都相互独立,作用很小,即可认为这个数量服从或近似服从正态分布;许多分布都以正态分布来逼近;许多重要的分布,如三大抽样分布:
(卡方)分布,
(学生氏)分布和
(费歇尔)分布都是由正态分布所导出的;同时,正态分布还有许多优良的性质也使其无论是在理论上,还是在应用上都有重要的作用!
常将标准正态分布的分布函数和密度函数即为:
和
;
1)若
,则
;特别地,若
,则有:
,
;
2)若
,令
, 则有:
,此即说明
服从标准正态分布(任何正态分布的概率计算均可转化与标准正态分布有关的概率计算)!
【例3.2.13】设
,试求
和
;
【例3.2.14】已知
,试求
;
【例3.2.15】假设数学的考试成绩近似服从正态分布
,按考分从高到低排第
名的成绩恰为
分(其余的不及格),问:按考分从高到低排第
名的成绩约为多少?
【例3.2.16】设某电子元件在工作中其两端电压
,
当
,失效的概率为
;当
,失效的概率为
;当
,失效的概率为
;求:
(1)“此元件失效”的概率;
(2)“当元件失效时,电压超过
”的概率;
【例3.2.17】设
,
,试求
在
发生的条件下的条件概率分布函数
和条件概率密度函数
;
【例3.2.18】设随机变量
,则有:
;
【例3.2.19】国际市场每年对我国某种商品的需求量是随机变
量
(单位:吨),且
~
;已知每售出一吨,可挣得外汇
千元,但若售不出去,则每吨需支付存储费及其他损失
千元,问:需组织多少货源,才能使国家期望收益最大?
【例3.2.20】报童每天卖报量
是一个随机变量,且
(单位:份);设每份报纸的购进价为
元,卖出价为
元。如果当天卖不完,可退还报社,每份可得退回费
元;试问:该报童每天应取多少份报纸才能使平均收益最大?
【例3.2.21】医院对某地区的人进行验血,该地区一个人化验
结果为阳性的概率为
,原方法需每人化验一次;现采用把
个人的血样合在一起化验的方法,若为阴性,则每个人的结果皆为阴性;若为阳性,再把这
个人的血样逐个化验;
1)试求
个人一组中,一个人化验次数的分布列;
2)若
,
,医院的工作量平均会减少百分之几?
【例3.2.22】某分布的分布函数为
, 试由
积分的双线性性质求该分布的数学期望;
【例3.2.23】在可靠性与生存分析中,所研究的寿命现象是非
负随机变量,记作
,其分布函数为
,密度函数为
,称
为生存函数,这时常引入失效率函数
,其定义为:
;
1) 给出失效率函数
的直观解释,并推导用
表示
的
公式;
2) 某放射性物质在初始时刻的质量为
,在单位时间内每个
原子产生分裂核的概率为常数
,试求经过时间
后该放射性物质质量的期望;
§3 连续型随机变量的独立性
以下介绍二维连续型随机向量,
维的情形依此类推!
【连续型随机向量】设
是定义于同一概率空间
上的随机变量,称二维随机向量
是连续型的(联合连续的),若存在非负可积函数
,
,使得对于任意的二维矩形域
,都有
,并称
为
的联合(概率)密度(函数)。
【注1】1)可以验证联合密度
满足: a) 非负可积;
b)
;(反常或广义二重积分)
2)若
在
点连续,则有
,由该式求联合密度的方法称为“微元法”;
3)事实上,若
(二维Borel域)是
平面上任一区域,
则以
为横,纵坐标的随机点落入区域
的概率为:
;并且也可由该式作为上述定义中的条件式。
【注2】 若
具有联合密度
,易知:
,
;由
的任意性,可知
的分量
的概率密度函数为
,常称之为
关于
的边缘(边际)密度(函数);记之为:
。同理,可给出
关于
的边缘(边际)密度函数:
。总之,边缘密度可由联合密度唯一确定!
【例3.3.1】函数
为二元密度函数的
充要条件是:
,
,
,
。
【例3.3.2】设
,试求:
;
【例3.3.3】设
;求:1)常数
;
2) “
至少有一个小于
”的概率;
【例3.3.4】利用概率思想来证明:
;
【例3.3.5】试举出反例说明
是连续型随机变量,但
却不是连续型随机向量;且该情形不适用于离散型随机变量;
【例3.3.6】设
,试求:
(1)
;(2)
;(3)
;
【例3.3.7】(二维均匀分布)(a)设
,试
求
的
;(b)向区域
内随机地投掷一点,记之为
,求
的
和
的
;
【注3】(二维)均匀分布的边缘分布不一定是(一维)均匀分布;
【注4】掌握由联合密度求边缘密度的两种作法!
【例3.3.8】设
,试求:
1)
的边缘密度函数;2)
;
以下将要介绍的联合(概率)分布函数是统一刻划各类随机向量(包括联合离散,联合连续等情形)取(向量)值的概率规律一个重要、有效工具!
【联合(概率)分布函数】设
为二维随机向量,
,称
为
的联合(概率)分布函数;更高维的情形依此!(讨论其几何意义)
若
是联合离散的,且有:
则有:
,
;
【例3.3.9】设
的联合分布为:
;求
的联
合分布函数;
若
是联合连续的,且有:
, 则有:
;
【例3.3.10】设
,试求
的联合分
布函数;
【例3.3.11】问:
是否为一随机向量的联合分布函数?
【例3.3.12】设
的联合分布函数为
,试求
;
联合分布函数具有如下一些性质:
设
的联合分布函数为:
,
(1)
是关于
的单调递增函数;(简证)
(2)
且
,
;
;
;
;而且,我们还有:
;
;称由此得到的
为
关于
的边缘分布函数!其即是
的分布函数。需要说明的是这里由联合分布函数得到边缘分布函数的公式常称为分布函数族
的相容性条件-边缘分布函数只能反映各分量单个变化的概率规律,而联合分布函数却能反映随机向量整体变化的概率规律,且还能反映分量之间的相互关系,这是边缘分布所不能反映出的;另外,我们还能看到边缘分布相同而联合分布不同的例子!
(3)
,
是
的右连续函数;
,
是
的右连续函数;
(4)
;
(简证);
若二维随机向量
有联合分布函数
和联合密度函数
,则应有:
(几乎处处成立)。
【例3.3.13】用
的联合分布函数
来表示如下事件的概率:
,
1)
;2)
;3)
;
4)
;5)
;6)
;
7)
;8)
;(详细讲解)
(二维联合分布函数完全刻划了二维随机向量取“值”的概率规律)
【独立性】设
是定义于同一概率空间
的两个随机变量,且
的联合分布函数为
,
的边缘分布函数分别为
,若
,
(a),则称
与
是(相互)独立的。
(1)若
是联合离散的,则有(b)式:
(简证(a)与(b)等价)先证:(a)
(b)
由(a)式,即有:
,1)先证
;2)
,任取数列
使得
,从而
,即有:
,也即有:
;于是,
;1)-2),即得:
,重复以上的作法,即
可得(b)式!再证:(b)
(a)
,
;即得(a)式!
(2)若
是联合连续的,则有(c)式:
;
【例3.3.14】设
,试证:
与
不独立;
【例3.3.15】设
;试证:
与
不独立,但
与
独立;
【例3.3.16】设
的
为:
;问:
是否独立?
【例3.3.17】设
,则
与任一随机变量
必独立!
【例3.3.18】设
独立同
分布,试求脱靶量
的
概率密度;
【本例的注】这里之所以称
为脱靶量,是因为若将
视为弹落点,则
是弹落点到目标
的距离。易知这里的
服从瑞利(Rayleigh)分布;且瑞利概率密度
EMBED Equation.DSMT4 在
取最大值;如果画出以原点为圆心,若干宽度为
的圆环,则子弹落在圆环
内的概率较大;这也解释了为什么优秀射击运动员在比赛时打出
或
环的机会较多,打出
环或
环的机会较少。
【例3.3.19】(正态分布的推导)在打靶问题中,设靶心位于所
在平面的原点;由于各因素的影响,子弹落在点A的坐标
是一个二维随机向量,若它同时满足:1.
分别具有连续密度函数
和
,且
;2.
相互独立;3.
的密度函数在
的值只依赖于该点到靶心的距离;试求
与
的分布;
【例3.3.20】(随机变量的随机加权平均)设
是定义于同
一概率空间
上的
个相互独立的随机变量,设
的分布函数分别是
,而
~
,令
,称之为
与
的随机加权平均,即:
, 试求
的分布;
【例3.3.21】设
, 令
,试求
的联合密度函数;
【顺(次)序统计量】(补充)设
独立同分布且有分布函数
,对每个
,将
从小到大排序:
;这样,即可得到
个新的随机变量
,称它们为
的顺(次)序统计量;其中,
(
)称为最小(大)顺(次)序统计量,
称为第i个顺(次)序统计量。(举例说明)
易见,
,
,且有:
;下面考虑:
(1)
的分布(
);
分布函数法:
;
微元密度法:
,考虑 :
充分小,
EMBED Equation.DSMT4
EMBED Equation.DSMT4 ;再由
即可得到密度函数!(这里暂略过程,课堂详述)
(2)
和
的联合分布(微元密度法,部分结合分布函数法)――【课堂论证】
【例3.3.22】在长为
的线段上任取
个点,则相距最远的两点之间距离的数学期望为
;
【例3.3.23】设
有连续可微的分布函数
,将
的
次独
立观察所得的样本按从小到大的顺序排列得到:
;试求
的概率密度;
§4 条件分布与条件数学期望
【第一类条件分布】设
, 若
,且
,则可定义给定
时关于
的条件概率:
,
;若
,存在非负可积函数
,使得
,则称
为给定
时
的条件概率密度;若
,
,则称
为给定
时
的条件分布函数。
【例3.4.1】设
,试求在
发生的条件下,
的条件分布函数和条件密度函数;
【例3.4.2】设随机变量
,
,求
和
;
【例3.4.3】设某元件的寿命
(单位:小时),设已知
时,求它的平均余寿;(两种方法)
【第二类条件分布】设
即有:
从而
,无法直接定义
;自然会想到:
;
设
, 则有:
=
;
【条件密度函数】设
,称
为给定
时
的条件密度函数;同理,
,称
为给定
时
的条件密度函数。
【注1】(1)以上两个条件密度函数分别记为:
和
;即有:
和
;常称之为密度的贝叶斯公式;
(2)由定义,
,
,常称之为密度的乘法公式;
(3)设
,
(a);事实上,类似可得到:
(b);更一般地,若
且与某连续型随机变量
有关,则有:
(c);上述三式均可称作连续型(广义)全概率公式,其实质是离散型全概率公式的连续版本!
(4)在联合密度
中,
与
的地位是“对等”的,它们都是变量,故
与
的变化范围等都并列地标注在
表达式后面;而在条件密度
中,
与
的地位就不对等了:
是
的范围,它是
存在的“前提条件”,必须标在前面,
只是
的函数,故后面只能标注
的变化范围,此时的
只能视作“常数”。
【例3.4.4】设
独立同
分布,(a)在
条件下,试求
的概率密度;(b)试求
的联合密度;
【例3.4.5】设
独立,且
~
试求:
;
【例3.4.6】设随机变量
与
相互独立,
的密度函数为
,
服从
上的均匀分布,又函数
满足条件:
(1)
,且
;
(2)存在
,使得
(当
时),令
(当
时,规定
);又记
,试证明:
,即
在
发生的条件下的条件密度函数恰是
;
【例3.4.7】设
,当观察到
时,
是
上的均匀分布,求: (1)
的
; (2)
的
;
【例3.4.8】设
,试求:
(1)
;(2)
;(3)
;
【例3.4.9】设
相互独立,且
,
,试求
的分布;(分别使用离散型和连续型全概率公式求解)
【例3.4.10】设
,其中
,试求
的分布;
【例3.4.11】设
,且
,试求
;
【例3.4.12】设
,
,当
时,
,试
求
;
【例3.4.13】设
,试求: (1)
;(2)
,并由此求
;
【例3.4.14】在圆周上任取三点
,试求
的
概率;
【例3.4.15】假设甲,乙两个产品的寿命为
,分别服从参数
为
的指数分布,假定
是独立的,试求
;
【例3.4.16】设随机变量
相互独立,且
有分布函数
和
概率密度
;如果
,
是正常数,试求
;
【条件数学期望1】设
为二维连续型随机向量,
为
的概率密度,
为给定
时
的条件概率密度;若
,则称
为给定
时
的条件数学期望。
【例3.4.17】从
开始,一部手机等待第一个短信到达的时间
服从参数为
的指数分布;已知
的条件下,第二个短信的到达时间
有概率密度
,
;(a)计算
的联合密度;(b)试求
的概率密度;(c)已知
时,计算
的概率分布和数学期望;
【例3.4.18】保险公司一项理赔损失
具有分布密度
,
,假定处理损失为
的一项理赔需要花费的时间
(单位:月)服从
,则“处理一项理赔的时间需
个月以上”的概率是多少?
【条件数学期望2】若
,则给定
时
的条件分布函数为:
;若
,存在非负可积函数
,满足:
,
则称
为给定
时
的条件密度函数; 若再有:
,则称
为给定
时
的条件数学期望,记作:
;即有:
。
【例3.4.19】设
,求
在
下的条件数学期望;
【例3.4.20】设
独立同
分布,令
,试求
;
【例3.4.21】设随机变量
独立同
分布,令
,试求
的分布及
;
【例3.4.22】设
独立,且
,试求
;
【注2】指数分布有一个有趣性质:
;这个性质甚至可推广为:若
独立,且
;则
;学生试做:
设
独立,
;试求
;
由上述定义,条件数学期望
是
局限于
上的局部加权平均,它是
的“函数”,不妨记之为
,即有:
;类似于离散情形的条件数学期望,定义一个新的随机变量
,使其在
时取值为
,不妨记之为:
,称之为
关于
(或给定
时
)的条件数学期望!
【注3】上述条件期望为一随机变量,故可取期望:
;即为连续情形的全(数学)期望公式!事实上,上述公式中的
可以是任意类型的随机变量,只须
的期望存在即可(条件期望存在的充分条件)!由上述公式也可导出连续型(广义)全概率公式,这里不再累述。
【例3.4.23】设
,且
,试求
;
【例3.4.24】从一个含有
只黑球和
只白球的袋中任取
只球,(
)再从这
只球中任取
球,求“该球是黑球”的概率;
【例3.4.25】设
,则
;
【例3.4.26】设供电公司每月可供应某工厂的电力服从
(单位:万度)上的均匀分布,该工厂每月实际生产所需电力服从
上的均匀分布。若工厂能从供电公司得到充足的电力,每
万度电可创造
万元的利润;若得不到足够的电力,不足部分通过其他途径解决,此时每
万度电产生
万元的利润;求工厂每月的平均利润。(三种方法)
【例3.4.27】若随机变量
满足:
,
则
;
【例3.4.28】若
服从
分布,
,试求
;
【例3.4.29】设随机序列
独立同
分布,令
,则有
;
【例3.4.30】(1)设
独立同分布,
,
如果
,则
;(2)设
独立同分布,
,
,如果
存在,试求
;
以下,我们通过例题来讨论“基于条件期望的直观定义”来计算条件期望的方法!
【例3.4.31】1)设
独立同
分布,试求
;
2)设
,
,试求
;3)设
,
,求
、
、
;
4)设
独立同
分布,试求
;5)设
独立同
分布,试求
;6)设
独立同
分布,且
,试求
。
【例3.4.32】设随机向量
以概率
取(向量)值
,
以概率
均匀取(向量)值于
;试求
,并由此求
;
§5 随机向量的函数、随机变量的函数和随机向量的向量值函数的分布
【随机向量函数的分布】设
,
为二元Borel函数,
,考虑
的分布;
,
=
;以下,仅讨论一些简单情形:
(1)
;(3)
;
(2)
;(4)
;
一.求
的分布;设
,则,
法1)
EMBED Equation.DSMT4 ;由
的任意性,可知:
;
法2)
,后略!
法3)
,后类似略!
至此,我们有:
,则有,
;特别地,若
相互独立,则有,
;
【例3.5.1】设
独立同
分布,试求
的分布;
【例3.5.2】设
;试求:
(1)
;(2)
的概率密度
;
【例3.5.3】设
独立同
分布,试求
的
分布;
【例3.5.4】设
且
,记
,试求
的分布;
二.求
的分布;设
,则有,
,
;从而有,
;特别地,若
独立,则有,
;
【例3.5.5】设
;试求
的概率密度函数;
【例3.5.6】设
,
与
独立,试求
的概率密度函数;
三.求
的分布;设
,则有,
,
;
从而有,
;特别地,若
独立,则有,
;
的情形类似!
【例3.5.7】设
独立同
分布,试求
的分布;
四.求
的分布;设
,则有,
,
=
;
从而有,
;特别地,若
独立,则有,
;
【例3.5.8】设
独立,且
,试求
的分布;
【随机变量函数的分布】设
,
为一元Borel函数,则
,
;即得
的分布;
【引例】设
,
是
的反函数,试求
的分布;
以下介绍两个重要定理;
【定理1】设
,若
是严格单调函数且可导,则
是一个连续型随机变量,且有概率密度函数为:
,其中:
是
的反函数,
,
,
;(课堂论证)
【定理2】设
,如果:
1)
,即:
;
2)每个
都是
到某区域
的可逆映射(函数),且在
内有连续的导数;
3)
互不相交;则
有如下的概率密度函数:
;(课堂证明)
【例3.5.9】设
~
,求
的概率密度函数;
【例3.5.10】设
与
独立同
分布,试求
的密度函数;
【例3.5.11】设
,求一单调增函数
,使
得
;
【例3.5.12】设
,
,求
的密度函数;
【例3.5.13】设
,
,求
的
;
【例3.5.14】
,试由分布函数法和密度
公式分别求出
的概率密度;
【随机向量的向量值函数的分布】考虑二重积分的如下性质:
对于二重积分
,作变量代换:
;
则:被积函数
积分区域
;记此变换为
;若
,且
,则,
。由此,
平面,在映射
(一一映射,可微)的作用下,若有
平面,
则:
;这里,
,
即有:
,
;由
的任意性,即知:
;
【例3.5.15】设
独立同
分布,令
,试求
的联合密度函数,并验证
是独立地;
【例3.5.16】设
独立同
分布,求
的联合密度及两个边缘密度;
【例3.5.17】若随机变量
独立,且
,求
的密度函数;
【例3.5.18】若随机变量
独立,且服从
分布,试证明:
与
独立;
【例3.5.19】设二维随机向量
,求
的密度;
【例3.5.20】设
和
独立同
分布,令
,
,证明:
和
独立同
分布;
【例3.5.21】设随机变量
和
的联合密度函数形如
,1)试求随机变量
和
的联合密度函数,并证明
和
独立;2)设
与
,试证明:随机向量
的联合密度函数与
相同。
【例3.5.22】设随机向量
服从单位圆上的均匀分布,又设
,
,
,1)证明:随机变量
与随机变量
相互独立,分别服从区间
与
上的均匀分布;2)证明:随机变量
和
相互独立且皆服从标准正态分布;
【例3.5.23】设
独立同
分布,试求
;
§6 概率不等式、协方差和相关系数、二元正态分布
【概率不等式】以下仅讨论Markov不等式、切比雪夫不等式和柯西(Cauchy)不等式。
【马尔可夫(Markov)不等式】
(一)若非负随机变量
的期望
存在,则
,
1)若
是离散型随机变量且有分布列:
,
EMBED Equation.DSMT4
;也即:
;
2)若
是连续型随机变量且有密度函数
,
;也即:
;
(二)若随机变量
满足:
,则
,即有:
,也即:
;
【切比雪夫不等式】将马尔可夫不等式中的
置换成
,即有:
;它有如下常见的形式:
(1)
;
(2)取
,即有:
;
(3)取
,
,即有:
;
【注1】切比雪夫不等式常用来:
a)证明切比雪夫大数定律; b)估算概率的上、下界;
【例3.6.1】若随机变量
~
,试将由切比雪夫不等式得到的概率
的上界与其精确值作比较;
【例3.6.2】设
~
,即:
;试证:
;
【柯西不等式(Cauchy-Schwarz)】见过的柯西不等式版本有:
(1)
;
(2)
;
(3)
,这里,
是向量空间,
分别是向量的内积与模;
(4)【概率版本】设
,则
;
【注2】设
为随机变量,则
(证明);
由上述【注2】可得到柯西(内积)不等式等号成立的条件:
,
,从而,
,等号成立当且仅当存在唯一的实数
,使得
,
,
,从而有
,(置于向量空间【线性相关,内积】的范畴来解释等号成立的充要条件)。
【协方差】设
为二维随机向量,若
,则称
为随机变量
与
的协方差(Covariance),记作:
,即:
;
由期望的线性性质,即有:
;由上述定义,我们有:
(1)若
是联合离散的,且有联合分布列:
;则
;
(2)若
是联合连续的,且有联合分布密度
;则
;若
,称
不相关或零相关!
通常,协方差
有如下一些性质:
1. (对称性)
;2.
;
3.
; 4.
; 5.
;6.
;
7.
,并且更一般地,
;
【例3.6.3】设
(偶函数),且
,试证:
与
不相关但也不独立;
【例3.6.4】设
,其中
,试证:
既不相关也不独立;
【注3】协方差的数值虽然一定程度上反映了
与
之间的相互关系,但它仍然受
本身数值(量纲)大小的影响,再如:直观上,
与
(
为常数)之间的联系和
与
之间的联系并无二致,但
,协方差却增加了
倍;为了克服以上不足,先对随机变量“标准化”。所谓“标准(化)随机变量”,即指
满足
;对于任何随机变量
,若
,只须令:
,则有
,于是 ,则称
是
的标准化,这也是
被称为“标准差”的一个原因。
【(线性)相关系数】设
是一个二维随机向量,若
存在,则称
为
与
的(线性)相关系数,记之为:
;
【注4】(1)相关系数消除了计量单位对随机变量的影响,因
此它比协方差更能精确地刻划随机变量之间的关系;(2)经过标准化处理的
是把原分布中心
移至原点,不使分布中心偏左或偏右,然后缩小或扩大坐标轴,使分布不致过疏或过密;在排除这些干扰后,原随机变量的一些性质就会显现出来,故标准化处理技术在概率统计中会经常使用。
由定义,相关系数具有如下性质:
1.(对称性)
; 2.
;
3.
; 4.
;
性质4.可由柯西不等式加以验证:
其等号成立的条件为等价于柯西不等式等号成立的条件,稍后再作讨论。可以验证以下四个命题等价:
1.
; 2.
;
3.
; 4.
;
【定理】设
的方差存在,其相关系数为
,则:
EMBED Equation.DSMT4 与
以概率
线性相关,即存在非零实数
与实数
,使得
;易见,
存在非零实数
和
,使得
,这里,
;
【注5】
时,即除去一个零概率事件外,
与
之间存在着一个线性关系;
时,称
与
完全正相关;
时,称
与
完全负相关;
时,称
与
不(零)相关;因此,相关系数是描述随机变量间线性关系强弱的一个数字特征,确切地应称为线性相关系数。
【注6】独立与不相关的比较:若
独立
;即:独立必不相关;反之则不成立!这是由于
不相关,只是说明
之间“不存在”线性关系,但却可能存在别的函数关系,此时就可能不再相互独立(如【例3.6.4】)。
【例3.6.5】将一枚均匀硬币重复掷
次,并以
和
分别表示正面和反面朝上的次数,试求
和
的相关系数;
【例3.6.6】设
中任两个相关系数均为
,试证:
;
【例3.6.7】若
满足
,试
证:
;
【例3.6.8】相关系数在线性变换下保持不变
,
则:(1)
; (2)
;
【例3.6.9】试验证:在某些特殊场合,如:两点分布,二元(维)
正态分布等,“独立”与“不相关”是等价的;
【例3.6.10】设随机变量
满足
,试求
的相关
系数
;
【例3.6.11】设
,
,且
,试求:
1)
;2)
;3)
的
的值
;
【例3.6.12】已知
,在
时,
,试求
的分布及
;
【例3.6.13】设
,
,
,
,求
;
【例3.6.14】设
,
;试求
及
的最小值;
【二元(维)正态分布】若
~
=
,其
中,
;则称
服从参数为
的二元(维)正态分布,记作:
~
;
【注7】二元(维)正态分布有如下的典型分解式:
(1)
;
(2)
;
由以上的典型分解式,易得二元(维)正态分布的如下性质:
设
~
,则,
1)两个边缘分布:
(课堂推导);
2)两个条件分布:
,
(课堂推导);由上述2),可知,
,(a)
;(b)
【注8】设
~
,讨论
的意义;
的相关系数为:
(由注7的(b)式);若令二元正态密度中的
,即有:
,从而
独立;故在二元正态分布场合,独立与不相关等价!
【例3.6.15】若随机向量
~
,在什么条件下,
与
相互独立?
【例3.6.16】 (a) 设随机向量
服从二元正态分布
,试求“
取值于椭圆
内”的概率;(b) 设随机向量
~
,求“
取值于椭圆
内”的概率;
第四章极限定理
极限定理包括大数定律(法则)(弱大数定律与强大数定律)和中心极限定理(局部中心极限定理与积分中心极限定理)。通俗地说,凡描述在一定的条件下随机序列的前若干项的算术平均值收敛于其均值的算术平均值的一类定理都可统称为大数定理;凡描述在一定的条件下,大量随机变量之和的极限分布是正态分布的一类定理都可统称为中心极限定理!
§1 (弱)大数定律
【依概率收敛】设
为概率空间
上的随机序列,若存在随机变量
,使得:
,或等价地
,则称随机序列
依概率收敛于随机变量
;记作:
,
或
;若
,即有:
。
【直观解释】
也即
,
充分大时,事件
发生的概率很小(收敛为
),这是在概率意义下的收敛性;因此,
很大时,有很大把握保证
很接近于
;
【切比雪夫大数定律】 设
为
随机序列,且
,记
,则
,即:
;有时,也将该定律的条件写为:
为独立
随机序列,若存在常数
,使得
,即
的方差一致有界,则
;若随机序列
满足该式,则称它服从(弱)大数定律!
【直观解释】当试验次数趋于无穷时,
依概率收敛于其期望,这也是对算术平均值稳定性的较确切的解释;它说明大数次重复试验下所呈现的客观规律,故称大数定律!
【贝努利(Bernoulli)大数定律】设
表示在
重Bernoulli试验中事件
发生的频数,且在每次试验中
发生的概率为
,则
,有:
,即:
;
【直观解释】频率依概率收敛于概率;这也说明在大数次重复试验下,用频率去估计概率是可行的。
以上的定律都是假定随机变量的二阶矩存在且方差一致有界的前提下成立大数定律;然而有些前提却是不必要的,
【辛钦大数定律】设
为
随机序列,且
,则
,即:
。
【例4.1.1】设
独立同
分布,令
,则
依概率收敛于
,即:
;
【例4.1.2】设
,其
为
,令,
,试证:
依概率收敛于
,即:
;
【例4.1.3】设
为独立的随机序列,且
,
;问:
是否服从大数定律?
【例4.1.4】设
是
序列,且
,若
,试证:
,并求出
;
【注1】 可以验证:若
,
为连续函数,则
;(课堂证明)
§2 中心极限定理
【依分布收敛】设
分别为
的分布函数,若对于
的任一连续点
,有
,则称随机序列
依分布收敛于
,
为
的极限分布函数。
【列维-林德伯格中心极限定理】设
为
随机序列,
且
,则
,有
;也即:
的极限分布是标准正态分布;此时也称随机序列服从中心极限定理!
【注1】 定理表明:独立同分布的随机变量之和的标准化变
量(
规范
编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载
和)依分布收敛于标准正态变量!定理既验证了“只要独立同分布的随机变量方差存在,无论其原来是何分布,其极限分布均是正态分布”,从而在理论上支持了正态分布的重要性,初步说明了为什么实际应用中会经常遇到正态分布;又提供了一种“计算独立同分布随机变量和的分布的近似方法”,从而实际应用时十分简洁有效;只要和式中相加各项的个数充分地大,即可不必关心每个随机变量原先为何分布,都可用正态分布逼近!
将该定理应用到Bernoulli试验的背景,即有:
【德莫佛-拉普拉斯中心极限定理】设在
重Bernoulli试验中,事件
在每次试验中出现的概率为
,
为
次试验中
出现的次数,则,
;
【注2】(1)一般地,
a.在
较小的情况下,由Poisson定理知用Poisson分布近似较有效,即:
;
b. 在
较大的情况下,常用正态分布来近似:
;需强调,Poisson分布逼近是分布列的逼近,而正态分布逼近是分布函数的逼近;二者并不同!
(2)一般地,大数定律和中心极限定理之间并没有确定的关系也即是:
服从前(后)者,也可能不服从后(前)者;但是在独立同分布的场合,两者都存在,而且中心极限定理比大数定律更精确!可以证明由德莫佛-拉普拉斯中心极限定理可以推出Bernoulli大数定律;易见,
;
【注3】大数定律和中心极限定理都是描述随机变量的“和”的分布的极限过程,但它们却有质的区别:大数定律只刻划了“频率稳定于概率”,“平均值稳定于期望值”,即随机序列算术平均值的取值发展的趋向,属于定性的描述;而中心极限定理肯定地是在某些条件下,随机变量之和服从正态分布,即给出了过程的定量的描述,其在实用上往往具有更大的价值(大样本统计推断的理论基础)。
【例4.2.1】分别用切比雪夫不等式与德莫佛-拉普拉斯中心极限定理确定当掷一枚均匀硬币时,需要掷多少次才能保证出现正面的频率在
到
之间的概率不小于
?
【例4.2.2】假设某大学报名选修统计课程的学生人数
,负责开课的老师决定:如果选课的学生人数不少于
人 ,就分成两个班讲授;如果少于
人,就集中一个班授课。试问:该老师讲授两个班的概率是多少?(
)
【例4.2.3】设
,并记
;若
,随
机序列
独立且与
同分布,并且
,(1)求
,并证明:
;
(2)
,利用中心极限定理估计概率
;
【例4.2.4】试利用中心极限定理证明:
;
【数理统计部分】
第五章 数理统计的基本概念(见教材)
第六章 参数估计、假设检验
§1(参数)点估计
这里的参数通常指:1.总体分布中的未知参数可以是向量;2.分布中未知参数的函数;3.分布中的各种数字特征。
【矩估计的基本思想】即替换原理:用样本矩(原点矩或中心矩)来替换相应的总体矩;用样本矩的函数来替换相应的总体矩的函数。
【替换原理的理论依据】辛钦大数定律,即样本矩依概率(以概率
)收敛于相应的总体矩。
【注1】 基于替换原理,在总体分布未知的场合下,常对以
下各种参数进行如下估计:
(1) 以样本均值估计总体均值
,即:
(矩估计
量),
(矩估计值);
(2) 以样本方差(未修正)
估计总体方差
,即:
;
(3) 以样本的标准差估计总体的标准差,即:
;
(4) 若
是取自二元总体
的一个
样本,
为
的相关系数,则:
;
矩估计法的步骤如下:
假设总体
的密度函数或概率函数为
,其中
,
为未知参数,
;若总体
的k阶原点矩存在,则
也是
的函数, 记之为:
; 假设由参数方程
可解出
;再用相应的样本矩
来替换
,即有:
。
【例6.1.1】设总体
,试求
;
【例6.1.2】设总体
未知且
,试求
;
【例6.1.3】设总体
未知,试求
;(两种方法)
【例6.1.4】设总体
,试求
的矩估计量
;
【矩估计法总结】
1. 直观,简便,无须使用总体
的分布类型;
2. 矩估计可能不唯一,这也是其缺点之一,故尽量使用低阶矩替换;
3. 有时,在求解上述方程组时,不能或很难得出解析式,则只能通过数值计算求解;
4. 若总体相应的矩不存在,则此时矩法失效;
5. 由于样本矩表达式与总体的分布类型没有任何联系,此即表明矩估计有时没有充分利用总体的分布类型中所含未知参数的信息,因此矩估计法并不是很好的估计方法。
【最(极)大似然估计的基本原理】最(极)大似然原理。
为了说明该原理,先看如下引例,
【引例】设总体
,
未知,
为取自
的样本,
为样本的一个观测值,令
(1) 如果需要从
的两个值
中选一个,即:
; 将仅依赖于
的
列表如下:
;若观测到
,
自然应该认为
取
,此时其是使观测值取最大概率(出现可能性最大)的参数值 。
(2) 如果参数
的取值范围为
,即:
,设
为样本
的观测值,此时有,
,
依(1),此时应选取
的估计值为何值才能使该样本的观测值出现的可能性最大?易见,
1.若
,则
; 2.若
,则
;
3.若
,令:
,则,
,令
,则有:
。
以下,我们分别就总体离散和连续两种情形来讨论未知(待估)参数的最大似然估计!
【离散型总体】设总体
的分布列为:
,其中
为未知(待估)参数,且
(参数空间),
为取自总体
的一个样本,
为样本的一个观测值,则样本的“联合分布”为:
,称之为
的似然函数 ,则参数
的最大似然估计值
满足:
;这里,
为参数空间,即为
的取值范围。因此,只须根据具体问题得到似然函数,求出其最(极)大值点,即可得到待估参数的最大似然估计值,进而得到最大似然估计量。
【例6.1.5】设总体
服从
上的均匀分布,
为样本的一个观测值,试求:
;
【例6.1.6】(1)设总体
有分布:
,
,
为未知参数;若已知取得的样本值为
,试求
;
(2)设一个试验有三种可能结果,其发生的概率分别为:
,现做
次试验,观测到这三种结果发生的次数分别为
,试求
;
【连续型总体】设总体
的概率密度函数为
,其中
为待估参数,且
,
为取自总体
的一个样本;设
为样本的一个观测值,则样本落在
的附近(邻域)
的概率为:
EMBED Equation.DSMT4 此概率的大小仅依赖于
;因此,可选取似然函数为:
;
的选取应使似然函数取最大值,从而有
的最大似然估计值满足:
【例6.1.7】设总体
~
,
为未知参数,试求
;
【例6.1.8】设总体
EMBED Equation.DSMT4 ,其中
为未知参数,试求
;
【例6.1.9】设总体
的
为
,
样本的观测值为
,试求:(1)
;(2)设
,求
的最大似然估计值
;
【例6.1.10】设总体
的
为
,其中
是未知参数;若
为取自总体
的一个样本,
为样本值
中小于
的个数,试求:
;
【最大似然估计法总结】
1. 最大似然估计可能不止一个,有时甚至为无穷多个;
2. 有时,即是最大似然估计值唯一确定,却求不出或很难求出它的明显解析式,只能根据其样本观测值数值求解;
3. 对数似然方程的解不一定使得对数似然函数取得最大值;
4. 最大似然估计有许多优良的性质,其中有一条即:最大似然估计的不变性,也即若
的最大似然估计为
,则
的最大似然估计为
。
【基于截尾样本的最大似然估计】设某种产品的寿命
,
未知,由于时间或财力所限,不能做完全寿命试验,即:从总体中随机抽取
件,在
时同时投入试验,直到每个产品都失效为止;只能做截尾寿命试验。第一类:将
个产品在
时同时投入试验,试验进行到时刻
为止,称为定时截尾寿命试验;第二类:在
个同时投入试验的产品中,一旦失效数目达到预先规定的失效
个时就停止,称为定数截尾寿命试验;现在我们来求
。
定时截尾寿命试验:设试验进行到规定的时刻
为止,设在
内有
个产品失效,其失效的时间为
,其余的
个产品均超过
;确定似然函数需要知道观测到上述结果出现的概率: 一个产品在
(
很小)失效的概率近似为
,而其余
个产品寿命超过
的概率为
,故上述概率的近似值为
,此时取
的似然函数为:
;令
,即有最大似
然估计值:
,从而有最大似然估计量:
。
定数截尾寿命试验:设试验进行到第
个产品失效为止,其失效的时间依次为
,其余的
个产品均超过
;
确定似然函数需要知道观测到上述结果出现的概率:一个产品在
失效的概率近似为
,而其余
个产品寿命超过
的概率为
,故上述概率的近似值为
,此时取
的似然函数为:
;令
,即有最大似然估计值
,从而有最大似然估计量
。
§2(参数)区间估计
点估计虽然给出了未知参数的估计量(值),但并未给出估计量(值)的可靠度和精确度;而区间估计正好弥补了这一不足!
【区间估计(置信区间)】设
是总体
的分布
中的未知参数,样本
取自总体
,对于给定的
(通常
等),若存在统计量
和
,使得
,则称
(随机区间)为
的置信度(置信水平)为
的置信区间(区间估计)。
【注1】1.
常称为置信下(上)限,
又称为显著性水平;
2.
是随机区间(左,右端点都是随机变量),其长度一般也是随机变量;故
包含
的真值的概率
刻划了这个区间估计的可靠度(性);
3.区间长度的期望
刻划了这个估计的精确度(性);其值越小,则精确度越高;
4.在样本容量固定的情况下,不可能既提高可靠度又提高精确度;同时提高二者的途径一般是增加样本容量;
5.正确理解区间估计的“涵义”:若进行
次的抽样,进而得到
个具体的区间
,那么这其中大约有
个区间包含了未知参数
的真值。
构造区间估计常有如下一些方法:
1) 枢轴量法;2)统计量法;3)基于假设检验的接受域法;
以下仅讨论枢轴量法建立区间估计的一般步骤:
1. 先给出一个统计量
,一般选择未知参数
的点估计量;
2. 构造
和
的函数
,使其分布与待估参数
无关(
-枢轴量);
3. 选择两个常数
,使得
;
4. 对不等式
作恒等变形,得:
,即有:
,从而有,
为
的
的区间估计。
【例6.2.1】正态总体的参数区间估计:
1. 设总体
~
,
已知,求
的
的区间估计;
2. 设总体
~
,
未知,求
的
的区间估计;
3. 设总体
~
,
已知,求
的
的区间估计;
4. 设总体
~
,
未知,求
的
的区间估计。
【注2】a) 区间估计可能有无穷多个,但当枢轴量的分布对称时,往往选择对称的区间;b) 随机区间的长度也可能为常数。
【例6.2.2】非正态总体的参数区间估计:
设总体
~
未知,试求
的置信水平为
的置信区间;
【例6.2.3】区间估计的大样本方法:
设总体
,其
未知,
已知,试求
的
区间估计。
§3 假设检验
假设检验可分为:参数假设检验和非参数假设检验。
参数假设检验-对总体分布中的未知参数提出某种假设,然后利用样本提供的信息对所提出的假设进行检验,根据检验的结果对所提出的假设作出拒绝或接受的判断。
非参数假设检验-对总体分布的形式或总体的性质提出某种假设所进行的检验。
以下仅考虑参数假设检验!
基本思想、基本概念:
在数理统计中,常把关于总体分布的某个命题称为假设;如:“总体服从均匀分布”、“总体均值大于
”等;一般地,假设的提出要有一定的理由和依据,但这种理由和依据往往是不充分的;这时就需要抽样调查,根据抽样的结果对假设的正确性作出判断,进而决定接受还是拒绝这个假设,即为“假设检验问题”。以下我们通过例题来说明其基本思想!
例:某灯泡厂在正常情况下,所生产的灯泡的使用寿命
~
(单位:小时)今从该厂生产的一批灯泡中随机抽取
个检测,测得其平均寿命为
,假设标准差保持不变,问:能否认为这批灯泡的平均寿命仍为
小时?
注:表面上看,该问题即判断总体均值
是否成立?
的估计值
,似乎应否定“
”;如此做又未免武断,因为:即使
成立,样本均值
出现的可能性也不大;事实上,由于
为
,
,即事件
几乎不发生。因此参数点估计无法回答该问题,须另寻他法。
问题再描述:已知总体
,现抽取一容量为
的样本,
,检验假设
哪一个成立?
问题的一般形式:总体
,现抽取一容量为
的样本,得
,检验假设
哪一个成立?
常称
是原(零)假设,
是备择(对立)假设。
一般形式的讨论:现从
的点估计量
出发研究该问题。令
,当
成立时,
,即有:
的取值一般偏小;当
成立时,
,统计量
的取值主要集中于
的周围,即:
的取值一般偏大;由此:
的取值偏小对
有利;反之对
有利;也即:
偏大且超过一定界限时,应拒绝
;而当
没有超过一定界限时,应接受或保留
;从而,
的拒绝域具有如下形式:
,
待定又如何定?
强调:由于假设
是正常情况下的状态(是以往的事实),故若没有充分的证据,就不应轻易怀疑其正确性。
一般地,要事先给定
成立时被拒绝的概率
(显著性水平),即:
;从而,
,故
,
的拒绝域为
。上述推理可以说是一种“反证法”-为了检验
是否成立,先假设
成立,再运用统计方法观察由此会导致何种后果,如果(对
不利的)小概率事件在一次试验中发生了,即表明
很可能不正确,从而拒绝
;反之,则没有理由拒绝
,应接受它!此概率性质的反证法的依据是小概率事件原理,其区别于纯数学的反证法!
以下基于上例,给出(参数)假设检验的基本步骤:
一、建立假设:
假设检验中,常把一个被检验的假设称为原(零)假设,用
表示;常将不应轻易加以否定的假设作为原假设;当
被拒绝时而接受的假设称为备择(对立)假设,用
表示,它们常成对出现;如上例,可建立如下假设:
或
,这里,vs是“versus(对)”的缩写;表示
对
的假设检验问题。
二、选择检验统计量,给出拒绝域形式:
由样本对原假设进行判断总是通过一个统计量完成,该统计量称为检验统计量。使原假设
被拒绝的样本观测值所在区域称为拒绝域;它是样本空间的一个子集,并用
表示。
在上例中,选取的检验统计量
;当
成立时,
一般偏小,假设显著性水平
,则由
可知的拒绝域为:
。
当拒绝域确定了,检验准则也确定了:
1)如果
,则认为
不成立;
2)如果
,则认为
成立。
由此,一个拒绝域唯一确定一个检验准则;反之,一个检验准则也唯一确定一个拒绝域。
检验的结果与真实情况可能吻合也可能不吻合;因此,检验是可能犯错误的!检验可能犯的错误有两类:
1)
为真但由于随机性使样本观测值落在拒绝域中,从而拒绝原假设
,这种错误称为第一类错误,其发生的概率称为犯第一类错误的概率,又称弃真概率,常记之为
,即:
;
2)
不真(即
为真)但由于随机性使样本观测值落在接受域中,从而接受原假设
,这种错误称为第二类错误,其发生的概率称为犯第二类错误的概率,又称存(纳)伪概率,常记之为
,即:
。
三、作出判断:
由样本的观测值计算检验统计量的观测值,进而观察“小概率事件”是否发生,若发生(即样本观测值落入拒绝域内),则拒绝
,否则接受
。由上例,由于
,即对
不利,应拒绝
,即认为
。
【注1】一个好的检验准则总希望犯两类错误的概率都较小;
但一般场合下很难实现这种要求,除非增大样本容量!
【关于检验假设的进一步说明】在上例中,已经指出:假设的提出要有一定的理由和依据;在实际问题中,还有许多形式的假设,常见的关于一维参数的假设有以下
种形式:
1)
;2)
;
3)
;4)
;
5)
;6)
;
7)
;
8)
;由如上形式,参数假设的本质在于:将参数空间
分解成互不相容的两个非空子集
及
;检验参数属于哪一个子集;故而,所有的参数假设都可写为如下的形式:
。不论是
还是
,若其中只含有一个参数值,则称为简单假设;否则称为复合假设。
在实数轴上,若其中任何一个都位于另一个的一侧,这种假设称为单侧假设;相应的假设检验称为单侧检验;反之,若有一个位于另一个的两侧,这种假设称为双侧假设,相应的假设检验称为双侧检验。
1、 单个正态总体的参数假设检验:
正态总体的参数无非两个:期望
与方差
。设
是取自正态总体
的样本,
1. 均值
的检验:
1)
已知时,对
主要有如下三种假设,
a)双侧假设
;
b)单侧假设
;
c)单侧假设
;
对于a),选取检验统计量
,
的拒绝域为:
;对于b),选取检验统计量
,由于
成立时,
值偏小;
成立时,
值偏大;故的
拒绝域形如:
;
,
给定显著性水平
,欲使
,只需使
,故
,即拒绝域为
;对于c),选取检验统计量
,由于
成立时,
值偏大;
成立时,值偏小;;故
的拒绝域形如:
;
,给定显著性水平
,欲使
,只需使
,故
,即拒绝域为
。
2)
未知时,对
主要有如下三种假设,
a)双侧假设
;
b)单侧假设
;
c)单侧假设
;由于
未知,可由
代替
,选择检验统计量
(
为真时,
)。
对于a),给定显著性水平
,可得的拒绝域
;对于b),由于
成立时,
值偏小;
成立时,
值偏大;故
的拒绝域形如:
,故
,这里
为分布函数,欲使
,只需
,
,即
的拒绝域为
;对于c),
的拒绝域形如:
,故
,这里
为分布函数,欲使
,只需
,
,即
的拒绝域为
。
【例6.3.1】设
是取自正态总体
的一个样本,
考虑如下假设检验问题:
,若检验由拒绝域
来确定;1)试求当
时检验犯两类错误的概率;2)如果要使犯第二类错误的概率
,
最小应取多少?3)证明:当
时,
。(
)
【例6.3.2】设
是取自正态总体
的样本,考虑检验问题:
,其拒绝域为
,试求
使得检验的显著性水平为
,并求检验在
处犯第二类错误的概率;(
)
【例6.3.3】设总体为均匀分布
,
是样本,考
虑检验问题:
, 拒绝域取为
,求检验犯第一类错误的概率
的最大值;若要使得
不超过
,
至少应取多大?(
)
【例6.3.4】设总体
服从
分布,样本
取自总体
,考虑检验问题:
,若拒绝域为
;
1)当
时,求
;2)当
时,
。(
)
【附录部分】
【阅读材料一】-关于正态分布的推导(基于极大似然方法)
德国数学家高斯在研究误差理论时,利用极大似然估计方法,导出了正态分布!
设某物体的真实长度为
,它是未知的;现对其长度进行
次测量,得到样本观测值
,其平均值为
,又设
为测量误差,诸随机变量
相互独立且同分布;现考虑一个问题:随机变量
的概率分布为什么时,才能使观测值的平均值
等于真值
有最大的可能性(概率)?
假设随机变量
的密度函数为
,从而待估参数
的似然函数为:
,这里
为未知(待估)参数。为求此似然函数的极大值,对
取对数,再求导并令之为0;
,从而有
(1);欲使平均值
等于真值
有最大的可能性,必须当
时,上面的(1)式成立;而
必须满足
(2);于是(1)、(2)两式关于一切
以及每个
的可能值都成立,所以两式中
的系数必须成比例;由此可知对于一切
皆有,
;此处
为常数。欲求密度函数
,只需求解微分方程:
;即有
。由
可得,
为常数;从而
。
【阅读材料二】-R-S积分及其性质
黎曼-斯蒂尔杰斯积分(Riemann-Stieltjes)是黎曼(定)积分的推广,常简记为R-S积分;在概率论中有着广泛应用!
【定义1】设
是定义于
上的实值函数,在
上任取分点:
,在每个子区间
上任取一点
,作和式
;记:
,若
时,无论
如何分割,也无论点
如何选取,上述和式的极限总存在,则称该极限为
上
关于
的R-S积分,记为:
,也即:
。
【定义2】设
在
上均有定义,且对于任意的闭
区间
,积分
总存在;若
存在,则记此极限为
,称之为
关于
在
上的广义R-S积分。
【定理】若
在
上连续,且
在
上单调有界,则在
上
关于
R-S可积,即
存在。
【R-S积分的双线性】若下列出现的R-S积分都有意义,则
,
。
【分部积分公式】若
在
上连续,且
在
上单调有界,则
。
在概率论中使用R-S积分时,其中的
一般是某个随机变量
的分布函数,因而
具有概率意义,比如我们就有:
;以下我们给出随机变量的数学期望的一个一般性定义(这里,不讨论关于概率测度的勒贝格积分定义)。
【定义3】设随机变量
的分布函数为
,若
,
则称
的数学期望存在,且有
。
【定义3的注】我们就离散型随机变量和连续型随机变量的情形分别来讨论定义3:
1) 设
为离散型随机变量,其分布列为
,
分布函数为
;且
(为方便计),数列
无聚点,则
。
考虑R-S积分定义中的和式:
:由于数列
无聚点,当分割加细时,总可以使每个子区间最多只包含
的一个可能取值;若子区间
不包含
的任何可能取值
,则
,即此项对和式无贡献;若子区间
包含
的一个可能取值
,则
;当
时,包含
的这个子区间的相应项
趋于
,故上述结论成立!
2) 设
为连续型随机变量,其概率密度为
,则易有
。
该定义将离散型和连续型随机变量(当然也包括其他类型随机变量)的数学期望统一成一个表达式;不仅如此,该定义还可以用来计算混合型随机变量的数学期望!
【例题1】设
,
,试求
;
【例题2】设
,
,试求
;
【例题3】设
,
,试求
;
【例题4】设随机变量
的分布函数为
,试
求
;
【法1】
;
【法2】由
,
,即有:
,其中,
为离散型随机变量的分布函数,其分布列为
;
为区间
上均匀分布的分布函数;故由R-S积分的双线性可得,
。
【例题5】在
上随机地取一数
,其以概率
取值
,以概
率
取值
,又以概率
均匀取值于
;试求
;
【阅读材料三】-条件期望的另一种计算方法
有时为了计算随机变量及其函数的数学期望,我们还有如下的结论:
【命题1】设
是取非负整数值的随机变量,则
;
简证:
。
【命题2】设
是非负随机变量,则
;
简证:该命题适合一切期望存在的非负随机变量,我们仅讨论连续型的情形!设
具有密度
,则
。
类似于命题1、2,我们有如下命题;
【命题3】设
是正概率事件,且给定
时,随机变量
取非负整数值,则
。
【命题4】设
是正概率事件,且给定
时,随机变量
取非负值,则
。
【命题5】设
是正概率事件,
是非负随机变量,则
。
简证:易知,
;从而,
。
【例题1】设
服从参数为
的指数分布,
,试求
;
【例题2】设
服从
分布,试求
的概率密度和数学期望;
【例题3】假设某设备的使用寿命
服从威布尔分布,其概
率密度为
;对
,计算平均剩余寿命
;
【例题4】设
独立同
分布,试求
。
【阅读材料四】-微分法求(联合)概率密度
本材料所介绍的微分法是现首都师范大学(原北京大学)教授何书元引入的计算随机变量与随机向量函数分布的简洁新方法,该材料也整理自何老师的著作《概率引论》!
1、 连续型随机变量函数的概率密度
设随机变量
有分布函数
,用
表示
的微分,由微积分知识,当
在
连续时,有
;故而我们可用
表示
在
有概率密度
。
【开集】如果
是开区间或开区间的并集,则称
是开集。
【定理1】如果开集
使得
,
在
中连续,使得
(a);则
有概率密度
(b)。
简证:仅对构成
的开区间的长度都大于某正数
的情况来证明!对
,
,说明
在
外连续;对
,(a)式说明
在
有连续的导数,且有
;于是
连续,故有概率密度(b)。
如果
在
可微,
在
有连续的导数,则
EMBED Equation.DSMT4 ;于是有
。
【定理1的推论1】设
有概率密度
,
是
的函数,开集
使得
;如果
上的分段严格单调可微函数
使得
,则
有概率密度
。
【例题1】设
,则
。
由于
,且对任意的
有,
;即
有概率密度
,也即:
。
【例题2】设
,
,试求
的概率密度;
由于
,且对任意的
有,
;即有:
。
【例题3】设
服从参数为
的指数分布
,
是正常数,试求
的概率密度;
有概率密度
,由于
,且对任意的
,有
EMBED Equation.DSMT4 ;故
的概率密度为
;即:
服从常数为
的威布尔分布,记作:
。
【例题4】设
,试求
的概率密度;
易见
,且对任意的
,有
;即有:
,记作:
,称
服从参数为
的对数正态分布。
【定理1的推论2】设
有概率密度
,
是
的函数,开集
使得
;如果
在
上分段严格单调可微,使得
,则
有概率密度
。
【例题5】设
,试求
的概率密度;
有概率密度
,由于
,故对
,
EMBED Equation.DSMT4 ;即:
有密度
。
【例题6】设
,
,试求
的概率密度;
易见
。对
有
,且
;于是
,从而
有概率密度
。
【例题7】设
,试求
的概率密度;
取开集
,则
。由于
有概率密度
,故对于
,有
;对于
,有
;从而,
有概率密度
。
2、 连续型随机向量向量值函数的概率密度
设随机向量
的联合分布函数
在点
的邻域内有连续的二阶混合偏导数,由于
。故而我们用
表示
在点
有联合密度
。
【定理2】如果平面上的开集
使得
,且
中
的连续函数
使得
;则
有联合密度
。
由微积分,如果
在平面开集
内有连续的偏导数,且雅可比行列式
;则有
,
,其中
是
的绝对值。
【定理2的推论1】设随机向量
有联合密度
,
是
的向量值函数,平面上的开集
使得
;如果对
,有
,其中
是
上可逆映射,有连续的偏导数,且雅可比行列式
,则
有联合密度
。
【例题8】设随机向量
有联合密度
,
由线性
变换
决定,试求
的联合密度;
从
可解出
,且有
;
对于
,由
,
的联合密度
。
【例题9】设随机变量
独立同
分布,由极坐标变换
决定,试求
的联合密度;
易见
,且
有联合密度
。
对于
,有
;于是对
,有
;故
的联合密度为
。
【定理2的推论2】设随机向量
有联合密度
,
是
的向量值函数,平面上的开集
使得
;如果对
,有
,其中,
是
上的可逆映射,且有连续的偏导数,其雅可比行列式
;则
有联合密度
。
【例题10】设随机向量
有联合密度
,试求
的联合密度;
对于开集
,有
。对于
,由
,可得
的联合密度为
。
【例题11】设随机变量
独立同
分布,试求
的联合密度;
设
,即有
。对
,
定义
,则
,且
EMBED Equation.DSMT4 。故由
,可得
的联合密度
。
【定理3】如果
的开集
使得
,且
中
的连续函数
使得
,则
是
的联合密
度。
【定理3的推论1】设
都是
维随机向量,
有联合密度
,
;如果
的开集
使得
,且对
,有
;其中
是
上的可逆映射,有连续的偏导数,且雅可比行列式
,则
有联合密度
。
【例题12】设
独立同分布,有分布函数
和概率密
度
,试求:1)
的联合密度;2)
的概率密度;3)对于
,计算
的联合密度。
对于1),定义
的开子集
,易知
。对于
,
,从而,
EMBED Equation.DSMT4 ;由此得
的联合密度为
;对于2),由于
,所以
的概率密度为
;对于3),由
,
对于
,有
EMBED Equation.DSMT4 ;从而,
的联合密度为
。
【注】类似地,对条件密度也可作如下形式地推导:
假设
,对于满足
的
,可形式地有
;根据上述介绍的微分法,给定
时,
有条件密度
。
【阅读材料五】-期望向量、协方差矩阵与多元正态分布
以下仅以二维为例,其有关结论亦可推广至多维的情形!
设
是二维随机向量,如果
存在,则称
的期望存在,且有
;令
,
即有
。如果每个随机变量
的数学期望
都存在,则称以
为元素的矩阵
的数学期望存在,且定义为
。
假设
如上定义,即:
;则对任何常数向量
及二阶常数矩阵
,有如下结论:
;
;
;
。
如果随机向量
的数学期望
存在,每个
的方差
,则称
为
的协方差矩阵,其中
是
和
的协方差。由于
,故协方差矩阵
是对称矩阵。
【定理】设
有协方差矩阵
,
,则(1)
是半正定矩阵;(2)
退化的充要条件是存在一组不全为零的常数
,使得
。
易见,任取二维实向量
,有
。
以下讨论二元正态分布!
设随机变量
独立且同
分布,则
有联合密度
;这时称
服从二元(维)标准正态分布,记作:
。
定义:
,这里,
是正定矩阵,且满足
;我们来说明其是某随机向量的联合密度。
对于
,定义
,
,利用微分法可得,
;由
,即有
的联合密度
。如果
有联合密度
,则称
服从二维(元)正态分布,记作:
。
以下设
,
是可逆方阵,
是正定矩阵,
。
【定理1】设
是随机向量,则
1)
当且仅当存在
使得
;
2)二维正态分布的边缘分布是(一维)正态分布;
对于1),如果
,则由上述的推导可得
。
反之,如果
,则其和上述的
同分布,且
;从而,
和
同分布,故
,且
。
对于
,只要证明线性组合
服从正态分布。
取
,则
;令
,则
,
。将其代入
的联合密度,即有,
EMBED Equation.DSMT4 ;此即说明
相互独立,且
。
将正定矩阵
写成
,则
;易知
;此时,即有
;于是上述的联合密度可写成如下的等价形式
。由于该等价形式中只有参数
,故又可把
记作:
。
【定理2】如果
,则
1)
,且
独立的充要条件是
;2)若
独立,且都服从正态分布,则
服从二维正态分布;3)线性变换
服从二维正态分布;4)当
时,线性组合
服从正态分布。
【例题1】设
,且
相互独立,试求
的联合密度;
由定理2,
服从二维正态分布,且
,
;从而有
。
【例题2】设
,
,
试求:1)
的分布;2)
的联合分布及协方差矩阵。
【注】更多有关二维(多维)正态分布的内容可参考多元统
计分析教材!
PAGE
94
_1371715967.unknown
_1371758326.unknown
_1372146166.unknown
_1375001649.unknown
_1375559306.unknown
_1375600268.unknown
_1403167820.unknown
_1403169993.unknown
_1403170488.unknown
_1403170705.unknown
_1403170860.unknown
_1403170949.unknown
_1403170992.unknown
_1403171110.unknown
_1403170903.unknown
_1403170771.unknown
_1403170845.unknown
_1403170739.unknown
_1403170568.unknown
_1403170656.unknown
_1403170526.unknown
_1403170182.unknown
_1403170334.unknown
_1403170372.unknown
_1403170315.unknown
_1403170102.unknown
_1403170144.unknown
_1403170050.unknown
_1403169149.unknown
_1403169406.unknown
_1403169700.unknown
_1403169771.unknown
_1403169904.unknown
_1403169820.unknown
_1403169741.unknown
_1403169474.unknown
_1403169284.unknown
_1403169317.unknown
_1403169169.unknown
_1403168438.unknown
_1403169010.unknown
_1403169072.unknown
_1403168867.unknown
_1403168097.unknown
_1403168337.unknown
_1403167913.unknown
_1375602715.unknown
_1375618459.unknown
_1375620207.unknown
_1375621372.unknown
_1403166758.unknown
_1403167485.unknown
_1403167802.unknown
_1403167325.unknown
_1375621487.unknown
_1375621624.unknown
_1375621673.unknown
_1375621688.unknown
_1375621576.unknown
_1375621410.unknown
_1375620554.unknown
_1375620619.unknown
_1375621250.unknown
_1375620571.unknown
_1375620337.unknown
_1375620410.unknown
_1375620266.unknown
_1375619497.unknown
_1375620027.unknown
_1375620074.unknown
_1375620189.unknown
_1375620046.unknown
_1375619618.unknown
_1375619953.unknown
_1375619563.unknown
_1375618786.unknown
_1375619228.unknown
_1375619396.unknown
_1375618908.unknown
_1375618601.unknown
_1375618705.unknown
_1375618531.unknown
_1375603783.unknown
_1375617586.unknown
_1375617892.unknown
_1375618420.unknown
_1375617698.unknown
_1375603871.unknown
_1375604057.unknown
_1375603804.unknown
_1375603189.unknown
_1375603629.unknown
_1375603701.unknown
_1375603226.unknown
_1375603125.unknown
_1375603152.unknown
_1375603038.unknown
_1375600969.unknown
_1375602135.unknown
_1375602174.unknown
_1375602659.unknown
_1375602578.unknown
_1375602611.unknown
_1375602157.unknown
_1375601245.unknown
_1375601395.unknown
_1375601166.unknown
_1375600479.unknown
_1375600764.unknown
_1375600850.unknown
_1375600610.unknown
_1375600349.unknown
_1375600429.unknown
_1375600302.unknown
_1375562565.unknown
_1375564405.unknown
_1375596256.unknown
_1375598939.unknown
_1375599382.unknown
_1375600226.unknown
_1375598956.unknown
_1375596353.unknown
_1375598687.unknown
_1375596332.unknown
_1375595504.unknown
_1375596063.unknown
_1375596101.unknown
_1375595557.unknown
_1375595323.unknown
_1375595384.unknown
_1375595297.unknown
_1375563340.unknown
_1375563797.unknown
_1375564031.unknown
_1375564141.unknown
_1375564004.unknown
_1375563426.unknown
_1375563642.unknown
_1375563393.unknown
_1375563137.unknown
_1375563178.unknown
_1375562980.unknown
_1375563071.unknown
_1375563103.unknown
_1375563008.unknown
_1375562956.unknown
_1375561012.unknown
_1375561670.unknown
_1375561968.unknown
_1375562447.unknown
_1375562474.unknown
_1375562146.unknown
_1375561754.unknown
_1375561950.unknown
_1375561725.unknown
_1375561354.unknown
_1375561636.unknown
_1375561653.unknown
_1375561582.unknown
_1375561612.unknown
_1375561375.unknown
_1375561114.unknown
_1375561256.unknown
_1375561069.unknown
_1375560184.unknown
_1375560525.unknown
_1375560993.unknown
_1375561007.unknown
_1375560545.unknown
_1375560492.unknown
_1375560506.unknown
_1375560279.unknown
_1375559548.unknown
_1375560106.unknown
_1375560148.unknown
_1375560088.unknown
_1375559476.unknown
_1375559521.unknown
_1375559453.unknown
_1375035380.unknown
_1375515007.unknown
_1375554167.unknown
_1375555093.unknown
_1375555457.unknown
_1375559070.unknown
_1375559098.unknown
_1375555670.unknown
_1375556229.unknown
_1375555640.unknown
_1375555180.unknown
_1375555223.unknown
_1375555253.unknown
_1375555275.unknown
_1375555205.unknown
_1375555139.unknown
_1375554526.unknown
_1375554595.unknown
_1375554721.unknown
_1375554763.unknown
_1375554844.unknown
_1375554686.unknown
_1375554577.unknown
_1375554241.unknown
_1375554293.unknown
_1375554223.unknown
_1375534094.unknown
_1375536134.unknown
_1375554099.unknown
_1375554131.unknown
_1375554109.unknown
_1375536632.unknown
_1375536985.unknown
_1375537340.unknown
_1375537415.unknown
_1375537443.unknown
_1375537061.unknown
_1375536723.unknown
_1375536836.unknown
_1375536698.unknown
_1375536599.unknown
_1375536616.unknown
_1375536154.unknown
_1375534275.unknown
_1375535970.unknown
_1375536015.unknown
_1375535740.unknown
_1375534172.unknown
_1375534225.unknown
_1375516564.unknown
_1375516789.unknown
_1375534005.unknown
_1375534037.unknown
_1375534074.unknown
_1375516825.unknown
_1375516606.unknown
_1375516162.unknown
_1375516183.unknown
_1375516365.unknown
_1375516461.unknown
_1375516295.unknown
_1375515069.unknown
_1375515089.unknown
_1375516111.unknown
_1375515032.unknown
_1375040377.unknown
_1375428339.unknown
_1375513876.unknown
_1375514845.unknown
_1375514870.unknown
_1375513960.unknown
_1375514723.unknown
_1375513919.unknown
_1375429773.unknown
_1375430724.unknown
_1375437349.unknown
_1375444601.unknown
_1375447007.unknown
_1375448969.unknown
_1375450755.unknown
_1375470638.unknown
_1375472565.unknown
_1375475455.unknown
_1375476068.unknown
_1375476107.unknown
_1375476277.unknown
_1375476327.unknown
_1375513813.unknown
_1375476290.unknown
_1375476237.unknown
_1375476095.unknown
_1375475699.unknown
_1375475768.unknown
_1375475532.unknown
_1375474722.unknown
_1375475028.unknown
_1375475046.unknown
_1375474811.unknown
_1375474587.unknown
_1375474608.unknown
_1375472771.unknown
_1375471800.unknown
_1375472292.unknown
_1375472438.unknown
_1375472507.unknown
_1375472346.unknown
_1375472016.unknown
_1375472268.unknown
_1375471953.unknown
_1375471005.unknown
_1375471548.unknown
_1375471632.unknown
_1375471402.unknown
_1375470848.unknown
_1375470919.unknown
_1375470702.unknown
_1375469816.unknown
_1375470064.unknown
_1375470401.unknown
_1375470451.unknown
_1375470529.unknown
_1375470592.unknown
_1375470300.unknown
_1375470325.unknown
_1375470207.unknown
_1375470235.unknown
_1375469990.unknown
_1375470010.unknown
_1375469864.unknown
_1375469678.unknown
_1375469730.unknown
_1375469583.unknown
_1375450484.unknown
_1375450615.unknown
_1375450660.unknown
_1375449732.unknown
_1375450169.unknown
_1375450267.unknown
_1375450318.unknown
_1375449792.unknown
_1375450103.unknown
_1375449777.unknown
_1375449269.unknown
_1375449705.unknown
_1375449138.unknown
_1375448614.unknown
_1375448745.unknown
_1375448795.unknown
_1375448858.unknown
_1375448654.unknown
_1375448741.unknown
_1375447243.unknown
_1375447377.unknown
_1375447104.unknown
_1375445338.unknown
_1375445804.unknown
_1375446713.unknown
_1375446728.unknown
_1375446673.unknown
_1375445603.unknown
_1375445625.unknown
_1375445372.unknown
_1375445011.unknown
_1375445215.unknown
_1375445242.unknown
_1375445066.unknown
_1375444803.unknown
_1375444915.unknown
_1375444707.unknown
_1375438494.unknown
_1375444153.unknown
_1375444452.unknown
_1375444530.unknown
_1375444231.unknown
_1375438642.unknown
_1375444127.unknown
_1375438526.unknown
_1375437896.unknown
_1375438298.unknown
_1375438449.unknown
_1375438070.unknown
_1375438254.unknown
_1375437789.unknown
_1375437819.unknown
_1375437410.unknown
_1375431191.unknown
_1375432794.unknown
_1375433281.unknown
_1375433385.unknown
_1375437115.unknown
_1375433309.unknown
_1375433344.unknown
_1375432829.unknown
_1375433262.unknown
_1375431251.unknown
_1375430835.unknown
_1375431018.unknown
_1375430767.unknown
_1375430511.unknown
_1375430673.unknown
_1375430678.unknown
_1375430543.unknown
_1375430651.unknown
_1375430030.unknown
_1375430071.unknown
_1375429943.unknown
_1375428524.unknown
_1375429653.unknown
_1375429689.unknown
_1375429718.unknown
_1375429446.unknown
_1375429492.unknown
_1375429629.unknown
_1375429306.unknown
_1375428412.unknown
_1375428439.unknown
_1375428387.unknown
_1375427835.unknown
_1375428105.unknown
_1375428269.unknown
_1375428303.unknown
_1375428228.unknown
_1375427973.unknown
_1375427995.unknown
_1375040887.unknown
_1375041236.unknown
_1375041281.unknown
_1375427785.unknown
_1375041187.unknown
_1375040809.unknown
_1375040838.unknown
_1375040449.unknown
_1375035850.unknown
_1375039670.unknown
_1375040059.unknown
_1375040096.unknown
_1375040297.unknown
_1375039821.unknown
_1375039853.unknown
_1375040040.unknown
_1375039756.unknown
_1375039802.unknown
_1375036041.unknown
_1375039536.unknown
_1375039587.unknown
_1375039476.unknown
_1375035933.unknown
_1375035994.unknown
_1375035881.unknown
_1375035807.unknown
_1375035813.unknown
_1375035702.unknown
_1375035737.unknown
_1375035463.unknown
_1375035621.unknown
_1375035395.unknown
_1375035407.unknown
_1375004222.unknown
_1375035336.unknown
_1375003512.unknown
_1375003838.unknown
_1375004052.unknown
_1375004126.unknown
_1375003945.unknown
_1375003726.unknown
_1375003789.unknown
_1375003678.unknown
_1375002796.unknown
_1375003170.unknown
_1375003304.unknown
_1375002979.unknown
_1375002239.unknown
_1375002422.unknown
_1375002137.unknown
_1375001812.unknown
_1375001984.unknown
_1375001713.unknown
_1374670063.unknown
_1374846799.unknown
_1374933402.unknown
_1374954915.unknown
_1374956355.unknown
_1374958053.unknown
_1374958414.unknown
_1374959481.unknown
_1374982745.unknown
_1374983817.unknown
_1374984431.unknown
_1374984558.unknown
_1374984868.unknown
_1375001552.unknown
_1375001564.unknown
_1375001604.unknown
_1374984900.unknown
_1374984588.unknown
_1374984510.unknown
_1374983925.unknown
_1374984385.unknown
_1374983892.unknown
_1374983223.unknown
_1374983540.unknown
_1374983695.unknown
_1374983253.unknown
_1374982912.unknown
_1374982963.unknown
_1374982798.unknown
_1374959617.unknown
_1374982589.unknown
_1374982658.unknown
_1374959667.unknown
_1374982544.unknown
_1374959524.unknown
_1374958713.unknown
_1374959111.unknown
_1374959313.unknown
_1374958801.unknown
_1374959081.unknown
_1374958566.unknown
_1374958640.unknown
_1374958111.unknown
_1374957650.unknown
_1374957722.unknown
_1374957249.unknown
_1374957447.unknown
_1374957603.unknown
_1374957097.unknown
_1374955331.unknown
_1374955789.unknown
_1374956285.unknown
_1374956344.unknown
_1374956242.unknown
_1374955716.unknown
_1374955638.unknown
_1374955652.unknown
_1374955454.unknown
_1374955488.unknown
_1374955008.unknown
_1374955194.unknown
_1374955124.unknown
_1374933524.unknown
_1374954888.unknown
_1374954910.unknown
_1374933451.unknown
_1374933482.unknown
_1374933431.unknown
_1374925639.unknown
_1374926487.unknown
_1374929527.unknown
_1374931099.unknown
_1374931995.unknown
_1374932506.unknown
_1374932645.unknown
_1374932795.unknown
_1374932570.unknown
_1374932110.unknown
_1374932180.unknown
_1374932321.unknown
_1374932338.unknown
_1374932209.unknown
_1374932147.unknown
_1374932024.unknown
_1374931701.unknown
_1374931823.unknown
_1374931872.unknown
_1374931751.unknown
_1374931125.unknown
_1374931207.unknown
_1374931338.unknown
_1374931112.unknown
_1374930918.unknown
_1374930955.unknown
_1374931052.unknown
_1374930941.unknown
_1374929783.unknown
_1374930574.unknown
_1374930608.unknown
_1374930642.unknown
_1374930439.unknown
_1374929675.unknown
_1374927711.unknown
_1374929041.unknown
_1374929343.unknown
_1374929482.unknown
_1374929256.unknown
_1374927988.unknown
_1374928782.unknown
_1374927814.unknown
_1374927440.unknown
_1374927643.unknown
_1374926797.unknown
_1374927110.unknown
_1374926670.unknown
_1374925728.unknown
_1374926200.unknown
_1374926224.unknown
_1374925803.unknown
_1374925763.unknown
_1374925789.unknown
_1374925663.unknown
_1374925684.unknown
_1374848110.unknown
_1374925589.unknown
_1374925607.unknown
_1374925622.unknown
_1374848240.unknown
_1374871845.unknown
_1374848136.unknown
_1374848030.unknown
_1374846926.unknown
_1374847747.unknown
_1374847880.unknown
_1374847924.unknown
_1374847945.unknown
_1374847830.unknown
_1374847169.unknown
_1374847259.unknown
_1374846969.unknown
_1374847127.unknown
_1374846888.unknown
_1374846906.unknown
_1374846821.unknown
_1374846840.unknown
_1374672095.unknown
_1374843410.unknown
_1374846765.unknown
_1374846786.unknown
_1374843459.unknown
_1374843487.unknown
_1374843501.unknown
_1374843426.unknown
_1374842797.unknown
_1374843335.unknown
_1374843374.unknown
_1374842870.unknown
_1374842986.unknown
_1374843001.unknown
_1374842892.unknown
_1374842816.unknown
_1374842718.unknown
_1374842734.unknown
_1374672215.unknown
_1374672463.unknown
_1374672550.unknown
_1374672423.unknown
_1374672152.unknown
_1374670377.unknown
_1374671097.unknown
_1374671749.unknown
_1374671901.unknown
_1374671946.unknown
_1374671847.unknown
_1374671648.unknown
_1374671141.unknown
_1374671624.unknown
_1374670612.unknown
_1374671023.unknown
_1374671055.unknown
_1374670628.unknown
_1374670562.unknown
_1374670593.unknown
_1374670530.unknown
_1374670187.unknown
_1374670313.unknown
_1374670351.unknown
_1374670294.unknown
_1374670255.unknown
_1374670132.unknown
_1374670157.unknown
_1374670095.unknown
_1374494609.unknown
_1374568300.unknown
_1374568821.unknown
_1374669429.unknown
_1374669983.unknown
_1374670030.unknown
_1374669909.unknown
_1374669359.unknown
_1374669369.unknown
_1374669396.unknown
_1374580168.unknown
_1374568709.unknown
_1374568784.unknown
_1374568811.unknown
_1374568730.unknown
_1374568543.unknown
_1374568607.unknown
_1374568407.unknown
_1374496282.unknown
_1374496498.unknown
_1374526680.unknown
_1374568280.unknown
_1374568294.unknown
_1374568255.unknown
_1374568274.unknown
_1374526706.unknown
_1374496722.unknown
_1374496770.unknown
_1374496914.unknown
_1374497025.unknown
_1374496938.unknown
_1374496820.unknown
_1374496747.unknown
_1374496627.unknown
_1374496670.unknown
_1374496579.unknown
_1374496339.unknown
_1374496412.unknown
_1374496456.unknown
_1374496364.unknown
_1374496297.unknown
_1374496310.unknown
_1374495387.unknown
_1374495445.unknown
_1374495461.unknown
_1374496277.unknown
_1374495397.unknown
_1374495303.unknown
_1374495347.unknown
_1374494661.unknown
_1374492838.unknown
_1374493583.unknown
_1374493907.unknown
_1374494410.unknown
_1374494591.unknown
_1374494134.unknown
_1374494160.unknown
_1374493945.unknown
_1374493798.unknown
_1374493815.unknown
_1374493716.unknown
_1374493082.unknown
_1374493541.unknown
_1374493557.unknown
_1374493267.unknown
_1374493311.unknown
_1374492878.unknown
_1374492897.unknown
_1374493064.unknown
_1374492870.unknown
_1374492844.unknown
_1372148215.unknown
_1372148674.unknown
_1372148802.unknown
_1374492778.unknown
_1374492798.unknown
_1374492803.unknown
_1372148823.unknown
_1372148883.unknown
_1372148774.unknown
_1372148787.unknown
_1372148734.unknown
_1372148453.unknown
_1372148555.unknown
_1372148424.unknown
_1372146323.unknown
_1372146502.unknown
_1372146541.unknown
_1372148006.unknown
_1372146426.unknown
_1372146243.unknown
_1372146269.unknown
_1372146215.unknown
_1371800189.unknown
_1371801810.unknown
_1371803547.unknown
_1371804301.unknown
_1371805022.unknown
_1371807956.unknown
_1371808223.unknown
_1371808394.unknown
_1371808440.unknown
_1371815375.unknown
_1372146089.unknown
_1372146117.unknown
_1371808558.unknown
_1371808426.unknown
_1371808307.unknown
_1371808018.unknown
_1371808188.unknown
_1371808207.unknown
_1371808143.unknown
_1371807985.unknown
_1371807724.unknown
_1371807809.unknown
_1371807924.unknown
_1371805402.unknown
_1371805610.unknown
_1371807482.unknown
_1371807616.unknown
_1371807708.unknown
_1371807564.unknown
_1371807446.unknown
_1371805620.unknown
_1371805465.unknown
_1371805551.unknown
_1371805561.unknown
_1371805498.unknown
_1371805459.unknown
_1371805095.unknown
_1371805152.unknown
_1371805396.unknown
_1371805136.unknown
_1371805059.unknown
_1371805086.unknown
_1371805030.unknown
_1371805050.unknown
_1371804769.unknown
_1371804886.unknown
_1371804952.unknown
_1371804987.unknown
_1371804995.unknown
_1371804980.unknown
_1371804933.unknown
_1371804804.unknown
_1371804825.unknown
_1371804863.unknown
_1371804779.unknown
_1371804436.unknown
_1371804620.unknown
_1371804690.unknown
_1371804594.unknown
_1371804317.unknown
_1371804324.unknown
_1371804310.unknown
_1371803884.unknown
_1371804013.unknown
_1371804053.unknown
_1371804296.unknown
_1371804021.unknown
_1371803924.unknown
_1371803985.unknown
_1371803903.unknown
_1371803696.unknown
_1371803748.unknown
_1371803813.unknown
_1371803736.unknown
_1371803673.unknown
_1371803679.unknown
_1371803643.unknown
_1371803649.unknown
_1371803584.unknown
_1371802382.unknown
_1371802979.unknown
_1371803389.unknown
_1371803450.unknown
_1371803487.unknown
_1371803425.unknown
_1371803209.unknown
_1371803278.unknown
_1371803337.unknown
_1371803351.unknown
_1371803270.unknown
_1371803188.unknown
_1371803194.unknown
_1371803147.unknown
_1371802756.unknown
_1371802812.unknown
_1371802865.unknown
_1371802877.unknown
_1371802851.unknown
_1371802766.unknown
_1371802560.unknown
_1371802570.unknown
_1371802502.unknown
_1371802141.unknown
_1371802188.unknown
_1371802276.unknown
_1371802285.unknown
_1371802212.unknown
_1371802181.unknown
_1371802150.unknown
_1371801938.unknown
_1371801986.unknown
_1371802123.unknown
_1371801829.unknown
_1371801045.unknown
_1371801372.unknown
_1371801721.unknown
_1371801784.unknown
_1371801752.unknown
_1371801758.unknown
_1371801734.unknown
_1371801449.unknown
_1371801603.unknown
_1371801433.unknown
_1371801171.unknown
_1371801278.unknown
_1371801311.unknown
_1371801192.unknown
_1371801107.unknown
_1371801116.unknown
_1371801139.unknown
_1371801100.unknown
_1371800608.unknown
_1371800818.unknown
_1371800930.unknown
_1371801001.unknown
_1371801020.unknown
_1371800937.unknown
_1371800956.unknown
_1371800912.unknown
_1371800922.unknown
_1371800858.unknown
_1371800741.unknown
_1371800793.unknown
_1371800652.unknown
_1371800680.unknown
_1371800625.unknown
_1371800388.unknown
_1371800540.unknown
_1371800602.unknown
_1371800570.unknown
_1371800459.unknown
_1371800281.unknown
_1371800321.unknown
_1371800221.unknown
_1371758899.unknown
_1371759649.unknown
_1371800002.unknown
_1371800009.unknown
_1371800109.unknown
_1371800144.unknown
_1371800072.unknown
_1371799862.unknown
_1371799943.unknown
_1371799964.unknown
_1371759715.unknown
_1371759745.unknown
_1371759673.unknown
_1371759333.unknown
_1371759523.unknown
_1371759407.unknown
_1371759458.unknown
_1371759213.unknown
_1371759297.unknown
_1371759054.unknown
_1371759118.unknown
_1371758929.unknown
_1371758658.unknown
_1371758785.unknown
_1371758823.unknown
_1371758866.unknown
_1371758805.unknown
_1371758745.unknown
_1371758765.unknown
_1371758778.unknown
_1371758704.unknown
_1371758725.unknown
_1371758697.unknown
_1371758529.unknown
_1371758552.unknown
_1371758604.unknown
_1371758538.unknown
_1371758446.unknown
_1371758501.unknown
_1371758507.unknown
_1371758403.unknown
_1371724078.unknown
_1371742129.unknown
_1371757157.unknown
_1371757763.unknown
_1371757962.unknown
_1371758244.unknown
_1371758299.unknown
_1371758307.unknown
_1371758100.unknown
_1371758145.unknown
_1371758037.unknown
_1371757854.unknown
_1371757907.unknown
_1371757797.unknown
_1371757826.unknown
_1371757770.unknown
_1371757431.unknown
_1371757564.unknown
_1371757656.unknown
_1371757545.unknown
_1371757240.unknown
_1371757360.unknown
_1371757197.unknown
_1371757210.unknown
_1371742907.unknown
_1371757027.unknown
_1371757077.unknown
_1371757092.unknown
_1371757044.unknown
_1371757053.unknown
_1371756992.unknown
_1371757004.unknown
_1371756927.unknown
_1371742431.unknown
_1371742732.unknown
_1371742824.unknown
_1371742871.unknown
_1371742783.unknown
_1371742591.unknown
_1371742264.unknown
_1371742367.unknown
_1371742214.unknown
_1371740499.unknown
_1371741223.unknown
_1371741730.unknown
_1371741880.unknown
_1371742117.unknown
_1371741861.unknown
_1371741870.unknown
_1371741635.unknown
_1371741655.unknown
_1371741614.unknown
_1371740995.unknown
_1371741069.unknown
_1371741091.unknown
_1371741100.unknown
_1371741114.unknown
_1371741079.unknown
_1371741054.unknown
_1371740909.unknown
_1371740957.unknown
_1371740837.unknown
_1371724684.unknown
_1371740337.unknown
_1371740424.unknown
_1371740466.unknown
_1371740378.unknown
_1371740172.unknown
_1371740263.unknown
_1371739902.unknown
_1371739927.unknown
_1371740055.unknown
_1371739865.unknown
_1371724305.unknown
_1371724399.unknown
_1371724606.unknown
_1371724653.unknown
_1371724513.unknown
_1371724461.unknown
_1371724352.unknown
_1371724369.unknown
_1371724375.unknown
_1371724343.unknown
_1371724182.unknown
_1371724234.unknown
_1371724252.unknown
_1371724290.unknown
_1371724205.unknown
_1371724131.unknown
_1371724153.unknown
_1371724108.unknown
_1371717911.unknown
_1371722415.unknown
_1371723174.unknown
_1371723719.unknown
_1371723893.unknown
_1371724026.unknown
_1371724056.unknown
_1371723922.unknown
_1371723782.unknown
_1371723842.unknown
_1371723741.unknown
_1371723359.unknown
_1371723627.unknown
_1371723653.unknown
_1371723383.unknown
_1371723276.unknown
_1371723310.unknown
_1371723223.unknown
_1371722851.unknown
_1371723003.unknown
_1371723094.unknown
_1371723141.unknown
_1371723029.unknown
_1371722942.unknown
_1371722988.unknown
_1371722886.unknown
_1371722432.unknown
_1371722644.unknown
_1371722803.unknown
_1371722608.unknown
_1371721428.unknown
_1371721825.unknown
_1371722315.unknown
_1371722378.unknown
_1371722030.unknown
_1371722267.unknown
_1371722291.unknown
_1371722212.unknown
_1371721954.unknown
_1371721856.unknown
_1371721929.unknown
_1371721721.unknown
_1371721790.unknown
_1371721812.unknown
_1371721747.unknown
_1371721623.unknown
_1371721700.unknown
_1371721708.unknown
_1371721690.unknown
_1371721435.unknown
_1371720344.unknown
_1371720406.unknown
_1371720482.unknown
_1371720529.unknown
_1371720488.unknown
_1371720420.unknown
_1371720361.unknown
_1371720377.unknown
_1371720351.unknown
_1371720266.unknown
_1371720283.unknown
_1371720326.unknown
_1371720331.unknown
_1371720291.unknown
_1371720274.unknown
_1371719730.unknown
_1371719806.unknown
_1371719877.unknown
_1371719897.unknown
_1371719839.unknown
_1371719754.unknown
_1371717970.unknown
_1371716725.unknown
_1371717267.unknown
_1371717468.unknown
_1371717867.unknown
_1371717890.unknown
_1371717845.unknown
_1371717395.unknown
_1371717412.unknown
_1371717328.unknown
_1371717088.unknown
_1371717200.unknown
_1371717229.unknown
_1371717140.unknown
_1371717055.unknown
_1371716458.unknown
_1371716666.unknown
_1371716681.unknown
_1371716704.unknown
_1371716560.unknown
_1371716576.unknown
_1371716611.unknown
_1371716541.unknown
_1371716045.unknown
_1371716380.unknown
_1371716403.unknown
_1371716428.unknown
_1371716013.unknown
_1371715974.unknown
_1371715984.unknown
_1343937241.unknown
_1344802628.unknown
_1344924537.unknown
_1355293287.unknown
_1355306632.unknown
_1355308307.unknown
_1355310025.unknown
_1355311380.unknown
_1371715953.unknown
_1371715960.unknown
_1355311657.unknown
_1355311853.unknown
_1355312016.unknown
_1371715948.unknown
_1355311943.unknown
_1355311751.unknown
_1355311512.unknown
_1355311630.unknown
_1355311453.unknown
_1355310487.unknown
_1355310590.unknown
_1355311199.unknown
_1355311329.unknown
_1355311140.unknown
_1355310571.unknown
_1355310280.unknown
_1355310376.unknown
_1355310138.unknown
_1355308987.unknown
_1355309407.unknown
_1355309557.unknown
_1355309605.unknown
_1355309503.unknown
_1355309075.unknown
_1355309285.unknown
_1355309042.unknown
_1355308579.unknown
_1355308904.unknown
_1355308945.unknown
_1355308823.unknown
_1355308501.unknown
_1355308496.unknown
_1355307736.unknown
_1355308233.unknown
_1355308265.unknown
_1355307767.unknown
_1355307949.unknown
_1355307079.unknown
_1355307589.unknown
_1355307663.unknown
_1355307573.unknown
_1355306856.unknown
_1355306904.unknown
_1355306710.unknown
_1355296251.unknown
_1355298188.unknown
_1355306255.unknown
_1355306363.unknown
_1355306523.unknown
_1355306283.unknown
_1355306176.unknown
_1355306215.unknown
_1355301833.unknown
_1355297184.unknown
_1355297529.unknown
_1355298065.unknown
_1355297507.unknown
_1355297468.unknown
_1355296407.unknown
_1355297119.unknown
_1355296383.unknown
_1355294424.unknown
_1355295883.unknown
_1355296157.unknown
_1355296204.unknown
_1355296009.unknown
_1355295527.unknown
_1355295538.unknown
_1355295280.unknown
_1355295319.unknown
_1355293969.unknown
_1355294297.unknown
_1355294353.unknown
_1355294147.unknown
_1355293675.unknown
_1355293852.unknown
_1355293302.unknown
_1344951720.unknown
_1355228624.unknown
_1355292442.unknown
_1355292961.unknown
_1355293205.unknown
_1355293026.unknown
_1355293185.unknown
_1355292858.unknown
_1355292878.unknown
_1355292663.unknown
_1355292758.unknown
_1355292773.unknown
_1355292702.unknown
_1355292507.unknown
_1355228846.unknown
_1355229039.unknown
_1355229052.unknown
_1355228994.unknown
_1355228728.unknown
_1355228792.unknown
_1355228667.unknown
_1355228708.unknown
_1344952234.unknown
_1344952664.unknown
_1344952696.unknown
_1344952478.unknown
_1344952085.unknown
_1344952154.unknown
_1344951807.unknown
_1344946770.unknown
_1344947446.unknown
_1344947803.unknown
_1344947851.unknown
_1344947509.unknown
_1344947019.unknown
_1344947313.unknown
_1344927220.unknown
_1344945710.unknown
_1344945971.unknown
_1344946227.unknown
_1344946644.unknown
_1344946082.unknown
_1344945780.unknown
_1344945886.unknown
_1344945809.unknown
_1344945733.unknown
_1344945557.unknown
_1344945669.unknown
_1344945419.unknown
_1344924898.unknown
_1344926945.unknown
_1344927068.unknown
_1344926901.unknown
_1344926893.unknown
_1344924697.unknown
_1344924868.unknown
_1344924579.unknown
_1344807061.unknown
_1344887153.unknown
_1344887620.unknown
_1344924287.unknown
_1344924449.unknown
_1344924477.unknown
_1344924423.unknown
_1344887728.unknown
_1344887896.unknown
_1344888080.unknown
_1344888090.unknown
_1344887955.unknown
_1344887802.unknown
_1344887705.unknown
_1344887288.unknown
_1344887483.unknown
_1344887547.unknown
_1344887447.unknown
_1344887229.unknown
_1344887261.unknown
_1344887180.unknown
_1344883967.unknown
_1344885712.unknown
_1344886844.unknown
_1344886907.unknown
_1344886819.unknown
_1344885084.unknown
_1344885408.unknown
_1344885632.unknown
_1344885495.unknown
_1344885310.unknown
_1344884960.unknown
_1344885030.unknown
_1344884427.unknown
_1344882889.unknown
_1344883262.unknown
_1344883382.unknown
_1344883479.unknown
_1344883509.unknown
_1344883658.unknown
_1344883952.unknown
_1344883601.unknown
_1344883496.unknown
_1344883436.unknown
_1344883305.unknown
_1344883346.unknown
_1344883285.unknown
_1344882950.unknown
_1344882961.unknown
_1344882926.unknown
_1344840594.unknown
_1344882785.unknown
_1344882840.unknown
_1344882874.unknown
_1344882814.unknown
_1344842174.unknown
_1344842341.unknown
_1344842423.unknown
_1344882753.unknown
_1344842489.unknown
_1344842369.unknown
_1344842270.unknown
_1344842072.unknown
_1344842130.unknown
_1344842035.unknown
_1344807442.unknown
_1344838993.unknown
_1344839483.unknown
_1344839652.unknown
_1344839140.unknown
_1344807640.unknown
_1344807690.unknown
_1344838941.unknown
_1344807477.unknown
_1344807163.unknown
_1344807212.unknown
_1344807250.unknown
_1344807177.unknown
_1344807096.unknown
_1344807129.unknown
_1344807078.unknown
_1344803933.unknown
_1344805133.unknown
_1344806247.unknown
_1344806680.unknown
_1344806802.unknown
_1344807032.unknown
_1344806752.unknown
_1344806318.unknown
_1344806354.unknown
_1344806271.unknown
_1344805594.unknown
_1344805708.unknown
_1344806011.unknown
_1344805618.unknown
_1344805283.unknown
_1344805345.unknown
_1344805237.unknown
_1344804445.unknown
_1344804786.unknown
_1344804852.unknown
_1344805074.unknown
_1344804840.unknown
_1344804538.unknown
_1344804764.unknown
_1344804489.unknown
_1344804514.unknown
_1344804300.unknown
_1344804404.unknown
_1344804145.unknown
_1344804161.unknown
_1344803360.unknown
_1344803647.unknown
_1344803762.unknown
_1344803554.unknown
_1344803265.unknown
_1344070435.unknown
_1344200194.unknown
_1344288139.unknown
_1344515666.unknown
_1344518369.unknown
_1344533656.unknown
_1344539519.unknown
_1344541621.unknown
_1344574108.unknown
_1344574679.unknown
_1344575508.unknown
_1344575768.unknown
_1344575781.unknown
_1344575739.unknown
_1344575494.unknown
_1344574557.unknown
_1344574643.unknown
_1344574268.unknown
_1344574425.unknown
_1344574202.unknown
_1344571655.unknown
_1344573901.unknown
_1344574021.unknown
_1344574055.unknown
_1344573912.unknown
_1344571999.unknown
_1344572409.unknown
_1344571933.unknown
_1344541852.unknown
_1344571273.unknown
_1344571291.unknown
_1344541740.unknown
_1344541786.unknown
_1344541643.unknown
_1344540371.unknown
_1344541463.unknown
_1344541504.unknown
_1344541531.unknown
_1344540926.unknown
_1344540948.unknown
_1344541433.unknown
_1344540388.unknown
_1344539650.unknown
_1344539814.unknown
_1344539546.unknown
_1344535493.unknown
_1344535738.unknown
_1344539347.unknown
_1344539397.unknown
_1344535800.unknown
_1344535608.unknown
_1344535642.unknown
_1344535519.unknown
_1344534195.unknown
_1344534631.unknown
_1344535081.unknown
_1344535179.unknown
_1344534550.unknown
_1344533991.unknown
_1344534170.unknown
_1344533836.unknown
_1344520785.unknown
_1344522309.unknown
_1344532831.unknown
_1344533481.unknown
_1344533606.unknown
_1344533020.unknown
_1344532135.unknown
_1344522429.unknown
_1344532014.unknown
_1344521131.unknown
_1344521522.unknown
_1344521598.unknown
_1344521499.unknown
_1344520940.unknown
_1344521057.unknown
_1344520861.unknown
_1344518711.unknown
_1344519429.unknown
_1344520709.unknown
_1344519105.unknown
_1344519211.unknown
_1344519242.unknown
_1344519130.unknown
_1344518773.unknown
_1344518468.unknown
_1344518528.unknown
_1344518549.unknown
_1344518511.unknown
_1344518416.unknown
_1344518446.unknown
_1344516839.unknown
_1344518142.unknown
_1344518287.unknown
_1344518321.unknown
_1344518190.unknown
_1344517743.unknown
_1344518041.unknown
_1344517718.unknown
_1344516021.unknown
_1344516412.unknown
_1344516549.unknown
_1344516165.unknown
_1344515707.unknown
_1344515721.unknown
_1344515685.unknown
_1344368831.unknown
_1344438104.unknown
_1344439574.unknown
_1344515164.unknown
_1344515239.unknown
_1344514868.unknown
_1344439313.unknown
_1344439546.unknown
_1344439280.unknown
_1344436578.unknown
_1344437286.unknown
_1344437323.unknown
_1344436886.unknown
_1344368986.unknown
_1344369105.unknown
_1344369182.unknown
_1344369404.unknown
_1344369002.unknown
_1344368949.unknown
_1344368236.unknown
_1344368423.unknown
_1344368664.unknown
_1344368705.unknown
_1344368529.unknown
_1344368379.unknown
_1344368393.unknown
_1344368306.unknown
_1344367763.unknown
_1344367935.unknown
_1344368083.unknown
_1344367918.unknown
_1344288450.unknown
_1344367733.unknown
_1344288379.unknown
_1344255846.unknown
_1344283178.unknown
_1344284838.unknown
_1344287050.unknown
_1344287709.unknown
_1344287853.unknown
_1344287625.unknown
_1344286700.unknown
_1344286775.unknown
_1344286080.unknown
_1344286107.unknown
_1344283598.unknown
_1344284336.unknown
_1344284676.unknown
_1344283633.unknown
_1344283335.unknown
_1344283422.unknown
_1344283218.unknown
_1344257707.unknown
_1344260198.unknown
_1344260233.unknown
_1344282638.unknown
_1344260215.unknown
_1344257886.unknown
_1344260177.unknown
_1344257779.unknown
_1344257059.unknown
_1344257345.unknown
_1344257579.unknown
_1344257172.unknown
_1344257250.unknown
_1344257123.unknown
_1344256092.unknown
_1344256696.unknown
_1344255945.unknown
_1344202937.unknown
_1344251497.unknown
_1344253114.unknown
_1344253382.unknown
_1344255067.unknown
_1344253317.unknown
_1344251704.unknown
_1344251727.unknown
_1344251548.unknown
_1344250674.unknown
_1344251221.unknown
_1344251359.unknown
_1344251181.unknown
_1344202973.unknown
_1344250614.unknown
_1344202950.unknown
_1344201213.unknown
_1344201656.unknown
_1344202574.unknown
_1344202895.unknown
_1344201829.unknown
_1344201409.unknown
_1344201568.unknown
_1344201351.unknown
_1344200774.unknown
_1344201006.unknown
_1344201115.unknown
_1344200898.unknown
_1344200405.unknown
_1344200561.unknown
_1344200246.unknown
_1344169383.unknown
_1344173630.unknown
_1344196582.unknown
_1344197920.unknown
_1344199291.unknown
_1344200095.unknown
_1344200148.unknown
_1344199551.unknown
_1344198140.unknown
_1344198360.unknown
_1344198054.unknown
_1344197102.unknown
_1344197254.unknown
_1344197643.unknown
_1344197197.unknown
_1344196850.unknown
_1344196956.unknown
_1344196635.unknown
_1344195950.unknown
_1344196227.unknown
_1344196394.unknown
_1344196486.unknown
_1344196345.unknown
_1344196122.unknown
_1344196174.unknown
_1344195985.unknown
_1344174436.unknown
_1344174503.unknown
_1344195806.unknown
_1344174480.unknown
_1344173924.unknown
_1344173983.unknown
_1344173834.unknown
_1344171392.unknown
_1344172392.unknown
_1344172652.unknown
_1344172779.unknown
_1344173466.unknown
_1344172740.unknown
_1344172464.unknown
_1344172613.unknown
_1344172430.unknown
_1344172068.unknown
_1344172256.unknown
_1344172286.unknown
_1344172139.unknown
_1344171803.unknown
_1344171995.unknown
_1344171525.unknown
_1344170560.unknown
_1344170973.unknown
_1344171178.unknown
_1344171281.unknown
_1344171094.unknown
_1344170795.unknown
_1344170904.unknown
_1344170606.unknown
_1344170260.unknown
_1344170384.unknown
_1344170460.unknown
_1344170300.unknown
_1344169941.unknown
_1344169956.unknown
_1344169411.unknown
_1344112845.unknown
_1344115012.unknown
_1344168749.unknown
_1344168942.unknown
_1344169154.unknown
_1344169285.unknown
_1344168964.unknown
_1344168892.unknown
_1344168914.unknown
_1344168789.unknown
_1344168348.unknown
_1344168444.unknown
_1344168568.unknown
_1344168380.unknown
_1344115362.unknown
_1344115481.unknown
_1344115050.unknown
_1344114226.unknown
_1344114589.unknown
_1344114882.unknown
_1344114970.unknown
_1344114863.unknown
_1344114294.unknown
_1344114566.unknown
_1344114263.unknown
_1344113637.unknown
_1344113914.unknown
_1344114064.unknown
_1344113858.unknown
_1344113111.unknown
_1344113488.unknown
_1344113003.unknown
_1344084783.unknown
_1344086048.unknown
_1344112133.unknown
_1344112292.unknown
_1344112737.unknown
_1344112177.unknown
_1344086203.unknown
_1344112053.unknown
_1344086076.unknown
_1344085149.unknown
_1344085816.unknown
_1344085936.unknown
_1344085263.unknown
_1344084920.unknown
_1344085097.unknown
_1344084825.unknown
_1344084256.unknown
_1344084502.unknown
_1344084648.unknown
_1344084702.unknown
_1344084628.unknown
_1344084428.unknown
_1344084457.unknown
_1344084370.unknown
_1344083440.unknown
_1344083824.unknown
_1344084240.unknown
_1344083674.unknown
_1344082259.unknown
_1344083370.unknown
_1344070517.unknown
_1343998919.unknown
_1344030117.unknown
_1344061890.unknown
_1344063348.unknown
_1344066130.unknown
_1344070143.unknown
_1344070347.unknown
_1344070389.unknown
_1344070228.unknown
_1344070002.unknown
_1344070036.unknown
_1344066157.unknown
_1344065166.unknown
_1344065498.unknown
_1344065557.unknown
_1344065388.unknown
_1344064890.unknown
_1344065133.unknown
_1344064210.unknown
_1344062516.unknown
_1344062813.unknown
_1344063037.unknown
_1344063137.unknown
_1344062950.unknown
_1344062627.unknown
_1344062740.unknown
_1344062568.unknown
_1344062013.unknown
_1344062175.unknown
_1344062277.unknown
_1344062090.unknown
_1344060008.unknown
_1344060665.unknown
_1344061868.unknown
_1344060939.unknown
_1344061540.unknown
_1344061575.unknown
_1344061645.unknown
_1344061475.unknown
_1344060832.unknown
_1344060434.unknown
_1344060527.unknown
_1344060595.unknown
_1344060462.unknown
_1344060140.unknown
_1344060221.unknown
_1344060062.unknown
_1344030852.unknown
_1344031265.unknown
_1344059525.unknown
_1344059588.unknown
_1344031328.unknown
_1344030939.unknown
_1344031193.unknown
_1344030890.unknown
_1344030634.unknown
_1344030788.unknown
_1344030822.unknown
_1344030702.unknown
_1344030508.unknown
_1344030590.unknown
_1344030373.unknown
_1344003856.unknown
_1344028168.unknown
_1344029443.unknown
_1344029779.unknown
_1344030040.unknown
_1344030093.unknown
_1344029975.unknown
_1344029645.unknown
_1344029694.unknown
_1344029527.unknown
_1344029043.unknown
_1344029354.unknown
_1344029387.unknown
_1344029082.unknown
_1344028466.unknown
_1344028898.unknown
_1344028316.unknown
_1344027130.unknown
_1344027440.unknown
_1344027856.unknown
_1344028116.unknown
_1344027687.unknown
_1344027316.unknown
_1344027408.unknown
_1344027258.unknown
_1344004350.unknown
_1344026719.unknown
_1344026896.unknown
_1344026572.unknown
_1344004125.unknown
_1344004196.unknown
_1344004073.unknown
_1344002157.unknown
_1344003040.unknown
_1344003523.unknown
_1344003636.unknown
_1344003678.unknown
_1344003554.unknown
_1344003355.unknown
_1344003437.unknown
_1344003147.unknown
_1344002652.unknown
_1344002853.unknown
_1344002908.unknown
_1344002755.unknown
_1344002531.unknown
_1344002568.unknown
_1344002471.unknown
_1343999968.unknown
_1344001512.unknown
_1344001524.unknown
_1344001690.unknown
_1344001518.unknown
_1344001222.unknown
_1344001465.unknown
_1344000677.unknown
_1343999185.unknown
_1343999744.unknown
_1343999861.unknown
_1343999212.unknown
_1343999027.unknown
_1343999086.unknown
_1343999013.unknown
_1343985023.unknown
_1343994926.unknown
_1343996253.unknown
_1343997600.unknown
_1343998706.unknown
_1343998761.unknown
_1343998843.unknown
_1343997650.unknown
_1343997998.unknown
_1343998603.unknown
_1343997634.unknown
_1343996643.unknown
_1343997106.unknown
_1343996532.unknown
_1343995468.unknown
_1343995858.unknown
_1343996096.unknown
_1343995726.unknown
_1343995326.unknown
_1343995394.unknown
_1343995012.unknown
_1343986028.unknown
_1343994764.unknown
_1343994802.unknown
_1343994862.unknown
_1343986145.unknown
_1343986455.unknown
_1343994612.unknown
_1343986094.unknown
_1343985225.unknown
_1343985278.unknown
_1343985866.unknown
_1343985251.unknown
_1343985131.unknown
_1343985186.unknown
_1343985091.unknown
_1343982582.unknown
_1343983705.unknown
_1343984158.unknown
_1343984863.unknown
_1343985003.unknown
_1343984633.unknown
_1343983939.unknown
_1343984038.unknown
_1343983881.unknown
_1343983238.unknown
_1343983479.unknown
_1343983621.unknown
_1343983338.unknown
_1343982810.unknown
_1343982931.unknown
_1343982713.unknown
_1343938916.unknown
_1343939930.unknown
_1343940378.unknown
_1343982547.unknown
_1343940201.unknown
_1343939250.unknown
_1343939323.unknown
_1343937915.unknown
_1343938539.unknown
_1343938613.unknown
_1343937830.unknown
_1343937874.unknown
_1343937494.unknown
_1343896679.unknown
_1343914437.unknown
_1343917319.unknown
_1343918890.unknown
_1343920482.unknown
_1343937146.unknown
_1343937178.unknown
_1343936783.unknown
_1343920356.unknown
_1343920466.unknown
_1343920224.unknown
_1343918387.unknown
_1343918651.unknown
_1343918758.unknown
_1343918549.unknown
_1343917902.unknown
_1343918143.unknown
_1343917413.unknown
_1343915613.unknown
_1343916182.unknown
_1343916468.unknown
_1343916624.unknown
_1343916304.unknown
_1343915867.unknown
_1343915965.unknown
_1343915630.unknown
_1343914936.unknown
_1343915025.unknown
_1343915497.unknown
_1343914982.unknown
_1343914575.unknown
_1343914647.unknown
_1343914537.unknown
_1343910538.unknown
_1343912829.unknown
_1343913547.unknown
_1343914364.unknown
_1343914407.unknown
_1343913667.unknown
_1343913101.unknown
_1343913367.unknown
_1343913076.unknown
_1343911315.unknown
_1343911477.unknown
_1343912376.unknown
_1343911386.unknown
_1343910918.unknown
_1343911087.unknown
_1343910709.unknown
_1343909644.unknown
_1343910005.unknown
_1343910249.unknown
_1343910484.unknown
_1343910154.unknown
_1343909815.unknown
_1343909932.unknown
_1343909764.unknown
_1343897287.unknown
_1343897623.unknown
_1343897767.unknown
_1343898597.unknown
_1343898628.unknown
_1343897717.unknown
_1343897531.unknown
_1343897566.unknown
_1343897311.unknown
_1343897087.unknown
_1343897177.unknown
_1343896949.unknown
_1343896989.unknown
_1343892264.unknown
_1343893638.unknown
_1343894541.unknown
_1343895705.unknown
_1343896354.unknown
_1343896383.unknown
_1343896054.unknown
_1343895290.unknown
_1343895435.unknown
_1343894908.unknown
_1343894967.unknown
_1343894555.unknown
_1343894149.unknown
_1343894404.unknown
_1343893740.unknown
_1343892470.unknown
_1343893089.unknown
_1343893557.unknown
_1343892486.unknown
_1343892432.unknown
_1343892466.unknown
_1343892414.unknown
_1343886118.unknown
_1343891928.unknown
_1343892178.unknown
_1343892244.unknown
_1343892139.unknown
_1343891692.unknown
_1343891895.unknown
_1343891633.unknown
_1343886657.unknown
_1343891556.unknown
_1343885533.unknown
_1343885638.unknown
_1343886034.unknown
_1343885607.unknown
_1343884901.unknown
_1343885030.unknown
_1343884688.unknown