概率论基础知识整理（二）

随机变量

• 设随机试验的样本空间为S={e}，X=X(e)是定义在S上的实值单值函数，则X=X(e)为随机变量
• 设随机试验的样本空间为S={e}，X=X(e)和Y=Y(e)是定义在S上的随机变量，则由它们构成的一个向量(X,Y)为二维随机变量，其性质不仅与X,Y有关，还依赖于两个随机变量的相互关系

离散型随机变量及其分布律

• 离散型随机变量：全部可能取到的值是有限个或可列无限多个
• 分布律：设离散型随机变量$X$所有可能取值为$x_k$ (k=1,2…)，$X$取各个可能值的概率为P{$X$=$x_k$}=$p_k$,k=1,2…
• $p_k$≥0,k=1,2…
• $$\sum _{k=1}^{\infty }{p}_k=1$$
• 联合分布律：P{$X$=$x_i$,$Y$=$y_j$}=${p_i}_j$,i,j=1,2…

(0-1)分布/两点分布

• 随机变量$X$只能取到0与1两个值，$P${$X=k$}$=p^k{(1-p)}^{1-k}$，k=0,1（0<$p$<1）

二项分布

• 伯努利实验：试验E只有两种可能结果，P($A$)=$p$,P($\bar{A}$)=1-$p$
• n重伯努利实验：将E独立重复进行n次
• X表示n重伯努利实验中事件A发生的次数
• $P${$X$=$k$}=$\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k{(1-p)}^{n-k}$,k=0,1,2,…,n
• $\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k{(1-p)}^{n-k}$刚好是二项式$(p+q{)}^n$的展开式中出现$p^k$的那一项，称$X$服从参数为$n,p$的二项分布，记为$X\sim b(n,p)$
• n=1时，二项分布化为两点分布

泊松分布

记为$X\sim \pi (\lambda )$

泊松定理：

分布函数

一维

• X是一个随机变量，x是任意实数，分布函数 F ( x ) = P { X ≤ x } F(x)=P\{ X≤x\} F(x)=P{X≤x}, $\infty <x<-\infty$
• P { x 1 ≤ X ≤ x 2 } = P { X ≤ x 2 } − P { X ≤ x 1 } = F ( x 2 ) − F ( x 1 ) P\{ x_1≤X≤x_2\}=P\{ X≤x_2\}-P\{ X≤x_1\}=F(x_2)-F(x_1) P{x1​≤X≤x2​}=P{X≤x2​}−P{X≤x1​}=F(x2​)−F(x1​)
• 如果将$X$看成数轴上的随机点的坐标，那么$F(x)$在$x$处的函数值就表示$X$落在区间$（-\infty ,x]$上的概率

性质

1. $F(x)$是不减函数
2. $0\le F(x)\le 1，F(-\infty )=0,F(\infty )=1$
3. $F(x+0)=F(x)$,即$F(x)$是右连续的

二维

• 二维随机变量$(x,y)$的分布函数或称联合分布函数： F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\{ X≤x,Y≤y\} F(x,y)=P{X≤x,Y≤y}
• 随机点$(x,y)$落在矩形域的概率为 P { x 1 ≤ X ≤ x 2 , y 1 ≤ Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\{ x_1≤X≤x_2,y_1≤Y≤y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) P{x1​≤X≤x2​,y1​≤Y≤y2​}=F(x2​,y2​)−F(x2​,y1​)−F(x1​,y2​)+F(x1​,y1​)（借助图形）

性质

1. $F(x,y)$是不减函数
2. $0\le F(x,y)\le 1，F(-\infty ,-\infty )=0,F(\infty ,\infty )=1$；对于任意固定的$y，F(-\infty ,y)=0$，对于任意固定的$x，F(x,-\infty )=0$
3. $F(x+0,y)=F(x,y),F(x,y+0)=F(x,y)$,即$F(x,y)$关于$x$右连续，关于$y$右连续

连续型随机变量及其概率密度

一维

• 若存在概率密度$f(x)$满足$F(x)={\int }_{-\infty }^{x}f(t)dt$，则$X$为连续型随机变量

性质

1. $f(x)\ge 0$
2. ${\int }_{-\infty }^{\infty }f(t)dt=1$
3. P { x 1 ≤ X ≤ x 2 } = F ( x 2 ) − F ( x 1 ) = ∫ x 1 x 2 f ( t ) d t P\{ x_1≤X≤x_2\}=F(x_2)-F(x_1)=∫_{x_1}^{x_2}f(t)dt P{x1​≤X≤x2​}=F(x2​)−F(x1​)=∫x1​x2​​f(t)dt
4. 若$f(x)$在点$x$处连续，则$F^{\prime }(x)=f(x)$

三种重要的连续型随机变量

• 均匀分布：记作$X$~$U(a,b)$
  
  
• 指数分布
  
  
• 正态分布：记作
  
  

二维

• 若存在联合概率密度$f(x,y)$满足$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)dudv$，则$(X,Y)$为连续型的二维随机变量

性质

1. $f(x,y)\ge 0$
2. ${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(x,y)dxdy=F(\infty ,\infty )=1$
3. 点$(x,y)$落在$G$内的概率为 P { ( X , Y ) ∈ G } = ∫ ∫ G f ( x , y ) d x d y P\{ (X,Y)∈G\}=∫∫_Gf(x,y)dxdy P{(X,Y)∈G}=∫∫G​f(x,y)dxdy
4. 若$f(x,y)$在点$(x,y)$处连续，则$F^{\prime \prime }(x,y)=f(x,y)$

随机变量的函数的分布

• $Y=g(X)$是连续型随机变量，其概率密度为
  $f_Y(y)=f_X[h(y)]|h^{\prime }(y)|,\alpha <y<\beta$
  $f_Y(y)=0,otherwise$
  其中 α = m i n { g ( − ∞ ) , g ( ∞ ) } , β = m a x { g ( − ∞ ) , g ( ∞ ) } , h ( y ) α=min\{g(-∞),g(∞)\}, β=max\{g(-∞),g(∞)\},h(y) α=min{g(−∞),g(∞)},β=max{g(−∞),g(∞)},h(y)是$g(x)$反函数

边缘分布

• 边缘分布函数：二维随机变量$(x,y)$作为一个整体，具有分布函数$F(x,y)$，而他们各自也有分布函数，记为$F_X(x),F_Y(y)$
• 边缘分布律：
  
• 边缘概率密度：
  $f_X(x)={\int }_{-\infty }^{\infty }f(x,y)dy$
  $f_Y(x)={\int }_{-\infty }^{\infty }f(x,y)dx$

二维条件分布

• $Y=y_i$条件下随机变量$X$的条件分布律

概率论基础知识整理（三）