常用离散型随机变量的概率分布表（附概率和为1、期望、方差的推导与证明）

Qmj0923

已于 2022-06-05 14:01:22 修改

阅读量4.9k

点赞数 3

分类专栏：数学笔记文章标签：概率论

于 2022-06-05 13:57:19 首次发布

本文链接：https://blog.csdn.net/Qmj2333333/article/details/125126608

版权

数学笔记专栏收录该内容

8 篇文章 2 订阅

订阅专栏

常用连续型随机变量的内容在这里（CSDN对文章长度设了限制，我只能分成两篇博客来发布）。

常用离散型随机变量的概率分布速查表

随机变量	记号	分布律	期望	方差
0-1分布	$X\sim B(1,n)$	$\left.\begin{array}{lc} P(X=1)=p \\ P(X=0)=1-p \end{array}\right.,\space(0<p<1)$	$p$	$p (1 - p)$
二项分布	$X\sim B(n,p)$	$P(X=k)=C_{n}^{k}p^{k}(1-p)^{n-k},\space (k=0,1,\cdots,n)$	$n p$	$n p (1 - p)$
超几何分布	$X\sim H(n,M,N)$	$P(X=k)=\frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}},\space (k=0,1,\cdots,min\{n,M\})$	$\frac{nM}{N}$	$\frac{nM(N-n)(N-M)}{N^2(N-1)}$
泊松分布	$X\sim P(\lambda)$	$P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\space (k=0,1,2,\cdots)$	$\lambda$	$\lambda$
几何分布	$X\sim g(p)$	$P(X=k)=(1-p)^{k-1}p,\space (k=1,2,\cdots)$	$\frac{1}{p}$	$\frac{1-p}{p^2}$

文章目录

常用离散型随机变量的期望与方差

0-1分布

分布律
$\left.\begin{array}{lc} P(X=1)=p \\ P(X=0)=1-p \end{array}\right. ,\space (0<p<1) \thinspace。$

易证 $P (X = 0) + P (X = 1) = 1$ 。

数学期望
$1\times P(X=1)+0\times P(X=0) = p \thinspace。$

方差
$E(X^2)-(E(X))^2 = p(1-p) \thinspace。$

二项分布

$X$ 为 $n$ 次独立重复试验中成功的次数，成功概率为 $p$ 。

分布律
$C_{n}^{k}p^{k}(1-p)^{n-k} ,\space (k=0,1,\cdots,n) \thinspace。$

运用二项式定理，易证 $\sum\limits_{k=0}^{\infty}P(X=k)=1$ 。

数学期望

令 $X_i=\left\{\begin{array}{cc} 1 & 第i次试验成功 \\ 0 & otherwise \end{array}\right.,\space (i=1,2,\cdots,n)$ ，则 $X_i$ 服从0-1分布且有 $X=\sum\limits_{i=1}^{n}X_i$ 。于是
$E(\sum\limits_{i=1}^{n}X_i) = \sum\limits_{i=1}^{n}E(X_i) = np \thinspace。$

方差

$X_1,X_2,\cdots,X_n$ 两两独立，因此
$Var(\sum\limits_{i=1}^{n}X_i) = \sum\limits_{i=1}^{n}Var(X_i) = np(1-p) \thinspace。$

超几何分布

$N$ 件产品中含 $M$ 件次品，其余为正品。从中任意不放回地取出 $n$ 件，抽到次品数为 $X$ 。

分布律
$\frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} ,\space (k=0,1,\cdots,min\{n,M\}) \thinspace。$

运用范德蒙德恒等式，易证 $\sum\limits_{k=0}^{\infty}P(X=k)=1$ 。

数学期望

令 $X_i=\left\{\begin{array}{cc} 1 & 第i件次品被抽到 \\ 0 & otherwise \end{array}\right.,\space (i=1,2,\cdots,M)$ ，那么
$P(X_i=1) = \frac{C_1^1C_{N-1}^{n-1}}{C_N^n} = \frac{n}{N} \thinspace，$ $E(X_i) = 1\times P(X_i=1)+0\times P(X_i=0) = \frac{n}{N} \thinspace。$

再由 $X=\sum\limits_{i=1}^{M}X_i$ 可以得到
$E(\sum\limits_{i=1}^{M}X_i) = \sum\limits_{i=1}^{M}E(X_i) = \frac{nM}{N} \thinspace。$

方差

$X_1,X_2,\cdots,X_n$ 两两不独立，不能使用 $Var(\sum\limits_{i=1}^{n}X_i)=\sum\limits_{i=1}^{n}Var(X_i)$ 。

令 $Y$ 服从超几何分布 $H (n - 1, M - 1, N - 1)$ ，则 $E(Y)=\frac{(n-1)(M-1)}{N-1}$ 。先计算
$\begin{aligned} E(X^2) &= \sum\limits_{k=0}^{min\{n,M\}}\frac{k^2C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} \\ &= \sum\limits_{k=1}^{min\{n,M\}}\frac{k(k-1)C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} + \sum\limits_{k=0}^{min\{n,M\}}\frac{kC_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} \\ &= \sum\limits_{k=1}^{min\{n,M\}}\frac{M(k-1)C_{M-1}^{k-1}C_{N-M}^{n-k}}{C_{N}^{n}} + E(X) \\ &= \frac{nM}{N}\sum\limits_{k=1}^{min\{n,M\}}\frac{(k-1)C_{M-1}^{k-1}C_{(N-1)-(M-1)}^{(n-1)-(k-1)}}{C_{N-1}^{n-1}} + E(X) \\ &= \frac{nM}{N}\sum\limits_{k=0}^{min\{n-1,M-1\}}\frac{kC_{M-1}^{k}C_{(N-1)-(M-1)}^{(n-1)-k}}{C_{N-1}^{n-1}} + E(X) \\ &= \frac{nM}{N}E(Y) + E(X) \\ &= \frac{nM}{N}\cdot\frac{(n-1)(M-1)}{N-1} + \frac{nM}{N} \thinspace。 \end{aligned}$ 由此得到
$E(X^2)-(E(X))^2 = \frac{nM}{N}\cdot\frac{(n-1)(M-1)}{N-1} + \frac{nM}{N}-(\frac{nM}{N})^2 = \frac{nM(N-n)(N-M)}{N^2(N-1)} \thinspace。$

泊松分布

分布律
$\frac{\lambda^k}{k!}e^{-\lambda},\space (k=0,1,2,\cdots) \thinspace。$

证明 $\sum\limits_{k=0}^{\infty}P(X=k)=1$ ：

运用泰勒公式 $f(x)=\sum\limits_{k=0}^{\infty}\frac{f^{(k)}(x_0)}{k!}(x-x_0)^{k}$ ，有以下两种证法。

令 $f(x)=e^x, x_0=-\lambda$ ，可得
$\sum\limits_{k=0}^{\infty}P(X=k) = \sum\limits_{k=0}^{\infty}\frac{e^{-\lambda}}{k!}(0-(-\lambda))^k = f(0) = 1 \thinspace。$
令 $f(x)=e^x, x_0=0$ ，同样可得
$\sum\limits_{k=0}^{\infty}P(X=k) = e^{-\lambda}\sum\limits_{k=0}^{\infty}\frac{1}{k!}(\lambda-0)^k = e^{-\lambda}f(\lambda) = 1 \thinspace。$

数学期望
$\sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda} = \lambda\sum\limits_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}e^{-\lambda} = \lambda \thinspace。$

方差
$\begin{aligned} Var(X) &= E(X^2)-(E(X))^2 \\ &= \sum\limits_{k=0}^{\infty}k^2\frac{\lambda^k}{k!}e^{-\lambda}-(E(X))^2 \\ &= \sum\limits_{k=1}^{\infty}k(k-1)\frac{\lambda^k}{k!}e^{-\lambda}+\sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda}-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=2}^{\infty}\frac{\lambda^{k-2}}{(k-2)!}e^{-\lambda}+E(X)-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=0}^{\infty}\frac{\lambda^k}{k!}e^{-\lambda}+E(X)-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=0}^{\infty}P(X=k) + \lambda - \lambda^2 \\ &= \lambda \thinspace。 \end{aligned}$

几何分布

分布律
$(1-p)^{k-1}p,\space (k=1,2,\cdots) \thinspace。$

证明 $\sum\limits_{k=0}^{\infty}P(X=k)=1$ ：

$\sum\limits_{k=1}^{\infty}P(X=k) \overset{1-p=q}{=} p\sum\limits_{k=1}^{\infty}q^{k-1} = \frac{p}{1-q} = 1 \thinspace。$

数学期望
$\begin{aligned} &\quad\space\space E(X) = \sum\limits_{k=1}^{\infty}kp(1-p)^{k-1} \overset{1-p=q}{=} p\sum\limits_{k=1}^{\infty}kq^{k-1} = p\sum\limits_{k=0}^{\infty}(k+1)q^k \\ &\Rightarrow (1-q)E(X) = p(1-q)\sum\limits_{k=0}^{\infty}(k+1)q^k = p(\sum\limits_{k=0}^{\infty}(k+1)q^k-\sum\limits_{k=1}^{\infty}kq^k) = p\sum\limits_{k=0}^{\infty}q^k = \frac{p}{1-q} = 1 \\ &\Rightarrow E(X) = \frac{1}{1-q} = \frac{1}{p} \thinspace。 \end{aligned}$

方差
$\begin{aligned} E(X^2) &\space\space\,=\space\space\, \sum\limits_{k=1}^{\infty}k^2(1-p)^{k-1}p \\ &\overset{1-p=q}{=} p\sum\limits_{k=2}^{\infty}k(k-1)q^{k-1}+p\sum\limits_{k=1}^{\infty}kq^{k-1} \\ &\space\space\,=\space\space\, 2p\sum\limits_{k=2}^{\infty}C_k^2q^{k-1}+E(X) \thinspace。 \end{aligned}$ 由于 $C_{k}^2-C_{k-1}^2=k-1$ ，使用错位相减计算
$\sum\limits_{k=2}^{\infty}C_k^2q^{k-1} = \frac{1}{1-q}(\sum\limits_{k=2}^{\infty}C_k^2q^{k-1}-\sum\limits_{k=3}^{\infty}C_{k-1}^2q^{k-1}) = \frac{1}{1-q}\sum\limits_{k=1}^{\infty}kq^k \overset{q=1-p}{=} \frac{1-p}{p^2}E(X) = \frac{1-p}{p^3} \thinspace。$ 从而得到
$\begin{aligned} Var(X) &= E(X^2)-(E(X))^2 \\ &= 2p\cdot\frac{1-p}{p^3}+E(X)-(E(X))^2 \\ &= \frac{1-p}{p^2} \thinspace。 \end{aligned}$