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
B_i
Bi的和并非一定要为
S
S
S,只需要其和包含事件
A
A
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
∼
F
(
x
)
X\sim F(x)
X∼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
)
B(n,p)
B(n,p)中的
n
n
n很大而
p
p
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
→
+
∞
n\rightarrow+\infty
n→+∞时,可以证明:
学到后面就知道,
λ
\lambda
λ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
ζ
\zeta
ζ的概率密度函数为上述形式,则称
ζ
\zeta
ζ满足参数为
λ
\lambda
λ 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
ζ
\zeta
ζ的概率密度函数为上述形式,则称
ζ
\zeta
ζ满足参数为
η
,
β
,
x
0
\eta,\beta,x_0
η,β,x0 的韦布尔分布,记作
ζ
∼
W
(
η
,
β
,
x
0
)
\zeta\sim W(\eta,\beta,x_0)
ζ∼W(η,β,x0),
η
\eta
η称为尺度参数(或者量纲参数、特征寿命),
β
\beta
β称为形状参数,
x
0
x_0
x0称为位置参数,
β
\beta
β等于1时,韦布尔分布等价于指数分布。
4.(娱乐向) Γ \Gamma Γ函数
Γ
\Gamma
Γ分布的概率密度函数如下:
若
ζ
\zeta
ζ的概率密度函数为上述形式,则称
ζ
\zeta
ζ服从参数为
α
,
β
\alpha,\beta
α,β 的
Γ
\Gamma
Γ分布,记作
ζ
∼
Γ
(
α
,
β
)
\zeta\sim \Gamma(\alpha,\beta)
ζ∼Γ(α,β)。
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
ζ
\zeta
ζ的概率密度函数为上述形式,则称
ζ
\zeta
ζ服从参数为
μ
,
σ
\mu,\sigma
μ,σ 的正态分布,记作
ζ
∼
N
(
μ
,
σ
2
)
\zeta\sim N(\mu,\sigma^2)
ζ∼N(μ,σ2)。
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
x
x查找
Φ
(
x
)
\Phi(x)
Φ(x),也可以根据
Φ
(
x
)
\Phi(x)
Φ(x)找到
x
x
x。
这里顺便提一下标准正态分布的**
3
σ
3\sigma
3σ原理**:
x
x
x落入
(
μ
−
3
σ
,
μ
+
3
σ
)
(\mu-3\sigma,\mu+3\sigma)
(μ−3σ,μ+3σ)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
Φ
\Phi
Φ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 α − \alpha- α−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
Φ
(
x
)
\Phi(x)
Φ(x)的值为
α
\alpha
α时
x
x
x的值,
x
x
x就被称为
α
−
\alpha-
α−分位点
α
−
\alpha-
α−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 。