概统第2章——随机变量及其分布

概统第2章——随机变量及其分布

  什么，你问第1章去哪儿了？因为第1章都是基础内容，大部分高中时期已经学过。只需理解概率的公理化定义（尤其注意其中可列可加性和有限可加性的区别，前者是公理，是无穷多个互不相容的随机事件的和，后者是从公理中推出来的结论，并且由有限可加性无法推出可列可加性），以及记住由条件概率乘法公式引出的全概率公式和贝叶斯公式即可。
  这里也列出上述公式：
  条件概率乘法公式：

  全概率公式：

  这里需要注意$B_i$的和并非一定要为$S$，只需要其和包含事件$A$就可以使用全概率公式。
  贝叶斯公式：

  那我们就正式开始第2章的内容吧！
  本章的重点为随机变量的分布函数，包括离散型随机变量的概率分布（分布律）、和连续型随机变量的概率分布（引出其概率密度函数），并且需要掌握几种常见的离散或者连续型随机变量的分布.

1.随机变量的分布函数

  定义如下：

  简称分布函数，记为$X\sim F(x)$.
  分布函数具有以下性质：

  其中（3）（4）两个性质被频繁用于分布函数求解参数的考察中，性质（5）（6）则考察具体的计算层面

2.离散型随机变量及其概率分布

  也叫分布律/分布列。顾名思义，这种分布的随机变量只能取到有限个或者可列无穷个实数值，一般可以用公式或者列表的方式描述。
  分布律和分布函数的关系：

  可见对于离散型随机变量而言，分布律比普通的分布函数更加直观

3.几个重要的离散型随机变量的分布律

1.两点分布

  一个非常简单的分布，通过列表的方式表示如下：

2.泊松分布

  泊松分布是一种很有用的分布，具有广泛的实际应用价值，它可能在你意想不到的地方出现。
  泊松分布的概念如下：

3.超几何分布

  高中时已经接触过的一种简单分布，在这里也没有什么新东西，此处不再赘述。

4.二项分布

  也是在高中时就已经接触到的一种重要分布，不过加入了一些新的东西，就是二项分布的近似计算。
  当二项分布$B(n,p)$中的$n$很大而$p$又很小时，二项分布的概率是非常接近泊松分布的。
  事实上，当$n\to +\infty$时，可以证明：

  学到后面就知道，$\lambda$即为该二项分布的数学期望
  具体而言：

  接下来就是去查泊松分布表，就可以较为方便快速地求出二项分布的概率值。

5.一些有趣的结论

  1.超几何分布的极限分布是二项分布，二项分布的极限分布是泊松分布。
  2.一类较为综合、难度较高的经典例题，可以抽象为以下情况：

  此外还有一个大家也比较熟悉的小概念，就是小概率事件（又称实际推断原理），也就是一次试验中可以认为不发生的事件。

4.连续型随机变量及其概率密度函数

  连续型随机变量和概率密度函数的定义：

  概率密度函数具有以下性质：

5.一些重要的连续型随机变量的分布

1.均匀分布

  一种非常简单的连续型随机变量的分布，其描述如下：

2.指数分布

  指数分布的概率密度函数为：

  若$\zeta$的概率密度函数为上述形式，则称$\zeta$满足参数为$\lambda$ 的指数分布
  据此可求得其分布函数：

3.（娱乐向）韦布尔（Weibull）分布

  韦布尔分布的概率密度函数如下：

  若$\zeta$的概率密度函数为上述形式，则称$\zeta$满足参数为$\eta ,\beta ,x_0$ 的韦布尔分布，记作$\zeta \sim W(\eta ,\beta ,x_0)$，$\eta$称为尺度参数（或者量纲参数、特征寿命），$\beta$称为形状参数，$x_0$称为位置参数，
  $\beta$等于1时，韦布尔分布等价于指数分布。

4.（娱乐向）$\Gamma$函数

  $\Gamma$分布的概率密度函数如下：

  若$\zeta$的概率密度函数为上述形式，则称$\zeta$服从参数为$\alpha ,\beta$ 的$\Gamma$分布，记作$\zeta \sim \Gamma (\alpha ,\beta )$。

6.正态分布

1.正态分布的引入和基本性质

  正态分布十分十分重要！因此专门给它列出一个小节
  首先我们要知道一个用于引入正态分布的积分：欧拉-泊松积分，其描述如下：

  我们可以借此引入正态分布：

  若$\zeta$的概率密度函数为上述形式，则称$\zeta$服从参数为$\mu ,\sigma$ 的正态分布，记作$\zeta \sim N(\mu ,{\sigma }^2)$。
  正态分布密度曲线具有以下性质：

2.标准正态分布

  正因为标准正态分布十分重要，人们已经制作好了标准正态分布表，可以根据$x$查找$\Phi (x)$，也可以根据$\Phi (x)$找到$x$。
  这里顺便提一下标准正态分布的**$3\sigma$原理**：$x$落入$(\mu -3\sigma ,\mu +3\sigma )$的概率非常接近1（0.9974），超出此区间的概率很小，在实际应用中可以认为不会超过此区间。

3.正态分布化为标准正态分布

  正态分布函数与标准正态分布函数$\Phi$具有以下转换关系：

  根据这一式子我们可以求出一切正态分布的任意分布函数值。

4.标准正态分布的$\alpha -$分位点

  看起来这个概念很高级，实际上就是当标准正态分布函数$\Phi (x)$的值为$\alpha$时$x$的值，$x$就被称为$\alpha -$分位点
  $\alpha -$分位点具有以下性质：

  本章到此结束，例题自己去找，没有下一章了我懒得写了 。