大二下:概率论与数理统计复习 导航页:https://blog.csdn.net/COCO56/article/details/100152856
1. 随机变量
随
机
变
量
X
是
一
个
函
数
机
器
,
它
可
以
将
随
机
试
验
的
每
一
个
结
果
e
都
变
成
一
个
单
实
数
X
(
e
)
:
随机变量X是一个函数机器,它可以将随机试验的每一个结果e都变成一个单实数X(e):
随机变量X是一个函数机器,它可以将随机试验的每一个结果e都变成一个单实数X(e):
将试验结果数值化。
2. 分布律、概率密度与分布函数
名称 | 对象 | 定义 | 性质 |
---|---|---|---|
分布律 | 离散型随机变量 | P { X = x k } = p k , ( k = 1 , 2 , . . . ) P\{X=x_k\}=p_k,\\(k=1,2,...) P{X=xk}=pk,(k=1,2,...) | 1. p k ≥ 0 , ( k = 1 , 2 , . . . ) ; 2. ∑ k = 1 ∞ p k = 1. \begin{aligned}&1.p_k\ge0,(k=1,2,...);\\&2.\sum_{k=1}^\infty p_k=1.\end{aligned} 1.pk≥0,(k=1,2,...);2.k=1∑∞pk=1. |
分布函数 | 是随机变量就行 | F ( x ) = P { X ≤ x } , ( − ∞ < x < + ∞ ) F(x)=P\{X\le x\},\\(-\infty<x<+\infty) F(x)=P{X≤x},(−∞<x<+∞) | 1. F ( x ) 是 不 减 函 数 ; 2.0 ≤ F ( x ) ≤ 1 ; 3. F ( x ) 右 连 续 。 \begin{aligned}&1.F(x)是不减函数;\\&2.0\le F(x)\le1;\\&3.F(x)右连续。\end{aligned} 1.F(x)是不减函数;2.0≤F(x)≤1;3.F(x)右连续。 |
概率密度 | 连续型随机变量 | 分 布 函 数 F ( x ) = ∫ − ∞ x f ( t ) d t , 其 中 f ( x ) ≥ 0 , 称 f ( x ) 为 概 率 密 度 。 分布函数F(x)=\int_{-\infty}^x f(t)dt, 其中f(x)\ge0,称f(x)为概率密度。 分布函数F(x)=∫−∞xf(t)dt,其中f(x)≥0,称f(x)为概率密度。 | 1. f ( x ) ≥ 0 ; 2. ∫ − ∞ + ∞ f ( x ) d x = 1 ; 3. P { a < x ≤ b } = ∫ a b f ( x ) d x ; 4. 若 f ( x ) 连 续 , 则 F ′ ( x ) = f ( x ) . \begin{aligned}&1.f(x)\ge0;\\&2.\int_{-\infty}^{+\infty}f(x)dx=1;\\&3.P\{a<x\le b\}=\int_a^bf(x)dx;\\&4.若f(x)连续,则F'(x)=f(x).\end{aligned} 1.f(x)≥0;2.∫−∞+∞f(x)dx=1;3.P{a<x≤b}=∫abf(x)dx;4.若f(x)连续,则F′(x)=f(x). |
2.1. 重要结论
- 对于离散随机变量
P { a < X ≤ b } = F ( b ) − F ( a ) (1) P\{a<X\le b\}=F(b)-F(a) \tag{1} P{a<X≤b}=F(b)−F(a)(1)
P { X > a } = 1 − F ( a ) (2) P\{X>a\}=1-F(a) \tag{2} P{X>a}=1−F(a)(2) - 对于连续随机变量
单 点 概 率 为 0 : P { X = a } = 0 (3) 单点概率为0:P\{X=a\}=0 \tag{3} 单点概率为0:P{X=a}=0(3)
P { a < X ≤ b } = P { a ≤ X ≤ b } = P { a < X < b } = F ( b ) − F ( a ) (4) P\{a<X\le b\}=P\{a\le X \le b\}=P\{a<X<b\}=F(b)-F(a) \tag{4} P{a<X≤b}=P{a≤X≤b}=P{a<X<b}=F(b)−F(a)(4)
P { X > a } = 1 − F ( a ) (5) P\{X>a\}=1-F(a) \tag{5} P{X>a}=1−F(a)(5)
3. 常用的离散型随机变量
名称 | 符号 | 分布律 | 说明 |
---|---|---|---|
0 − 1 分 布 0-1分布 0−1分布 | B ( 1 , p ) B(1,p) B(1,p) | P { X = 1 } = p , P { X = 0 } = 1 − p , ( 0 < p < 1 ) \begin{aligned}&P\{X=1\}=p,\\&P\{X=0\}=1-p,\\&(0<p<1)\end{aligned} P{X=1}=p,P{X=0}=1−p,(0<p<1) | 只有两个可能结果0和1,比如抛硬币,产品是否合格等。 |
二 项 分 布 二项分布 二项分布 | B ( n , p ) n 表 示 实 验 次 数 p 表 示 每 次 发 生 的 概 率 n 次 中 发 生 的 次 数 \begin{aligned}&B(n,p)\\&n表示实验次数\\&p表示每次发生的概率\\&n次中发生的次数\end{aligned} B(n,p)n表示实验次数p表示每次发生的概率n次中发生的次数 | P { X = k } = C n k p k q n − k , ( 0 < p < 1 , q = 1 − p , k = 0 , 1 , 2 , . . . ) \begin{aligned}&P\{X=k\}=C_n^kp^kq^{n-k},\\&(0<p<1,q=1-p,k=0,1,2,...)\end{aligned} P{X=k}=Cnkpkqn−k,(0<p<1,q=1−p,k=0,1,2,...) | n重伯努利试验中A发生的次数服从二项分布,表示一系列试验中A发生的次数,比如抛n次硬币正面出现的次数。 |
泊 松 分 布 泊松分布 泊松分布 | P ( λ ) P(\lambda) P(λ) | P { X = k } = λ k e − λ k ! , ( λ > 0 , k = 0 , 1 , 2 , . . . ) P\{X=k\}=\frac{\lambda^ke^{-\lambda}}{k!},\\(\lambda>0,k=0,1,2,...) P{X=k}=k!λke−λ,(λ>0,k=0,1,2,...) | 表示一段时间间隔或一定范围内A发生的次数服从泊松分布,比如加油站一小时内来的汽车数量,一天内一个路段发生交通事故的次数等。 |
4. 常用的离散型随机变量
设X服从二项分布B(n,p), 当n较大, p较小时, X近似服从泊松分布P(np), 即
P
{
X
=
k
}
=
C
n
k
p
k
q
n
−
k
≈
(
n
p
)
k
e
−
n
p
k
!
,
P\{X=k\}=C_n^kp^kq^{n-k}\approx\frac{(np)^ke^{-np}}{k!},
P{X=k}=Cnkpkqn−k≈k!(np)ke−np,
这个定理在二项分布计算中,当遇到n很大,p很小,不好计算时,可以用泊松分布近似计算。
5. 常用的连续型随机变量
分布名称 | 表示符号 | 概率密度函数 | 图像 |
---|---|---|---|
均匀分布 | U ( a , b ) U(a,b) U(a,b) | f ( x ) = { 1 b − a , a < x < b 0 , 其 他 f(x)=\left\{\begin{aligned} &\frac{1}{b-a}, &a<x<b\\ &0, &其他\end{aligned}\right. f(x)=⎩⎨⎧b−a1,0,a<x<b其他 | |
正态分布 | N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2) | f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 ( − ∞ < x < + ∞ ) \begin{array}{cc}\LARGE f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\\(-\infty<x<+\infty)\end{array} f(x)=2πσ1e−2σ2(x−μ)2(−∞<x<+∞) | |
标准正态分布 | N ( 0 , 1 ) N(0,1) N(0,1) | ϕ ( x ) = 1 2 π e − x 2 2 ( − ∞ < x < + ∞ ) \begin{array}{cc}\LARGE \phi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}\\(-\infty<x<+\infty)\end{array} ϕ(x)=2π1e−2x2(−∞<x<+∞) | |
指数分布 | e ( λ ) e(\lambda) e(λ) | f ( x ) = { λ e − λ x , x > 0 0 , x ≤ 0 f(x)=\left\{\begin{aligned} &\lambda e^{-\lambda x}, &x>0\\ &0, &x\le0\end{aligned}\right. f(x)={λe−λx,0,x>0x≤0 |
注:
设随机变量
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu, \sigma^2)
X∼N(μ,σ2),则:
- 其 概 率 密 度 曲 线 关 于 直 线 x = μ 对 称 , 当 x < μ 时 单 调 上 升 , 当 x > μ 时 单 调 下 降 , 当 x = μ 处 取 得 最 大 值 ; 在 x = μ ± σ 处 有 拐 点 ; 并 且 以 y = 0 为 水 平 渐 近 线 ; 其概率密度曲线关于直线x=\mu对称,当x<\mu时单调上升,当x>\mu时单调下降,当x=\mu处取得最大值;在x=\mu\pm\sigma处有拐点;并且以y=0为水平渐近线; 其概率密度曲线关于直线x=μ对称,当x<μ时单调上升,当x>μ时单调下降,当x=μ处取得最大值;在x=μ±σ处有拐点;并且以y=0为水平渐近线;
-
Z
=
X
−
μ
σ
∼
N
(
0
,
1
)
Z=\frac{X-\mu}{\sigma}\sim N(0,1)
Z=σX−μ∼N(0,1),也就是对于一个本身服从正态分布
N
(
μ
,
σ
2
)
N(\mu, \sigma^2)
N(μ,σ2)的随机变量
X
X
X,如果对每个取值都减掉
μ
\mu
μ再除以
σ
\sigma
σ,则变化后的随机变量
Z
Z
Z服从标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1)。其概率密度
f
(
−
x
)
=
f
(
x
)
f(-x)=f(x)
f(−x)=f(x),分布函数
Φ
(
−
x
)
=
1
−
Φ
(
x
)
\Phi(-x)=1-\Phi(x)
Φ(−x)=1−Φ(x)。并且:
P { x 1 ≤ X ≤ x 2 } = F ( x 2 ) − F ( x 1 ) = Φ ( x 2 − μ σ ) − Φ ( x 1 − μ σ ) ; F ( x ) = P { X ≤ x } = P { X − μ σ ≤ x − μ σ } = Φ ( x − μ σ ) ; P { X > x } = P { X − μ σ > x − μ σ } = 1 − Φ ( x − μ σ ) \begin{aligned} &P\{x_1\le X\le x_2\}=F(x_2)-F(x_1)=\Phi(\frac{x_2-\mu}{\sigma})-\Phi(\frac{x_1-\mu}{\sigma});\\ &F(x)=P\{X\le x\}=P\{\frac{X-\mu}{\sigma}\le \frac{x-\mu}{\sigma}\}=\Phi(\frac{x-\mu}{\sigma});\\ &P\{X>x\}=P\{\frac{X-\mu}{\sigma}>\frac{x-\mu}{\sigma}\}=1-\Phi(\frac{x-\mu}{\sigma}) \end{aligned} P{x1≤X≤x2}=F(x2)−F(x1)=Φ(σx2−μ)−Φ(σx1−μ);F(x)=P{X≤x}=P{σX−μ≤σx−μ}=Φ(σx−μ);P{X>x}=P{σX−μ>σx−μ}=1−Φ(σx−μ)
指数分布的概率分布函数: F ( x ) = 1 − e − λ x F(x)=1-e^{-\lambda x} F(x)=1−e−λx
6. 考点
- 理解分布函数 F ( x ) = P { X ≤ x } , ( − ∞ < x < + ∞ ) F(x)=P\{X\le x\},(-\infty<x<+\infty) F(x)=P{X≤x},(−∞<x<+∞)的概念及性质,会计算与随机变量有关的事件的概率。
- 理解离散型随机变量及其概率分布的概念,掌握0-1分布、二项分布、泊松分布及其应用。
- 了解泊松定理的结论和应用条件,会用泊松分布近似表示二项分布。
- 理解连续型随机变量及其概率密度的概念,掌握均匀分布、正态分布、标准正态分布、指数分布及其应用。
- 回求一维随机变量函数的分布。