【概率论与数理统计】第二章 随机变量及其分布(2)

第二章 随机变量及其分布

2 随机变量的分布函数

2.1 分布函数的概念

对于非离散型得随机变量就无法用分布律来描述它了。

首先，我们不能将其所有可能的取值一一地列举出来，如连续型随机变量的取值可充满数轴的一个区间$(a,b)$，甚至是$n$个区间，也可以是无穷区间；其次，对于连续型随机变量$X$，任取一指定实数值$x$的概率是0，即 P { X = x } = 0 P\{X=x\}=0 P{X=x}=0。

我解释下，因为连续型随机变量$X$的取值在某个或很多个区间内，那取值的个数就是无限个，在无限个可能中$x$仅仅是其中一个，因此，仅仅这一个取值对应的概率就是0。

于是，如何刻画一般的随机变量的统计规律就成了我们的首要问题。

在实际应用中，如测量某物理量的误差$\xi$，测量灯泡寿命$\tau$等这样的随机变量，我们并不会对误差或寿命的某一特定值的概率感兴趣，而是考虑误差落在某个区间的概率，寿命大于某个数的概率之类的。

对于随机变量$X$，我们关心诸如事件 { X ≤ x } ,   { X > x } ,   { x 1 < X ≤ x 2 } \{X \le x\},\ \{X \gt x\},\ \{x_1 \lt X \le x_2\} {X≤x}, {X>x}, {x1​<X≤x2​}等的概率，但是由于$x_1\le x_2$，且 { X ≤ x 1 } ⊂ { X ≤ x 2 } \{X \le x_1\} \subset \{X \le x_2\} {X≤x1​}⊂{X≤x2​}；所以： { x 1 < X ≤ x 2 } = { X ≤ x 2 } − { X ≤ x 1 } \{x_1 \lt X \le x_2\} = \{X \le x_2\} - \{X \le x_1\} {x1​<X≤x2​}={X≤x2​}−{X≤x1​}。

又因 { X > x } \{X \gt x\} {X>x}的对立事件为 { X ≤ x } \{X \le x\} {X≤x}，所以： P { X > x } = 1 − P { X ≤ x } P\{X \gt x\} = 1 - P\{X \le x\} P{X>x}=1−P{X≤x}。

因此， { X ≤ x } \{X \le x\} {X≤x}的概率 P { X ≤ x } P\{X \le x\} P{X≤x}成了关键的角色，我们记 F ( x ) = P { X ≤ x } F(x) = P\{X \le x\} F(x)=P{X≤x}，任意给定的$x\in (-\infty ,+\infty )$，对应的$F(x)$是一个概率。 P { X ≤ x } ∈ [ 0 , 1 ] P\{X \le x\} \in [0,1] P{X≤x}∈[0,1]，说明$F(x)$是定义在$(-\infty ,+\infty )$上的普通实值函数，从而引出随机变量分布函数的定义。

解释下，上面任何不等式中$\le 和<$、$\ge 和>$是分别等价的；因为$=$对应值的概率是0，所以有没有$=$并不影响计算结果。

定义7： 设$X$为随机变量，称函数 F ( x ) = P { X ≤ x } ,    x ∈ ( − ∞ , + ∞ ) F(x)=P\{X \le x\},\ \ x \in (-\infty,+\infty) F(x)=P{X≤x},  x∈(−∞,+∞)为$X$的分布函数。

注意：随机变量的分布函数定义适用于任意随机变量，包括离散型随机变量；因此，离散型随机变量既有分布律又有分布函数。

当$X$为离散型随机变量时，设$X$的分布律为： p k = P { X = k } ,    k = 0 , 1 , 2 , . . . p_k = P\{X=k\},\ \ k=0,1,2,... pk​=P{X=k},  k=0,1,2,...。

由于 { X ≤ x } = ∪ x k ≤ x { X = x k } \{X \le x\} = \cup_{x_k \le x} \{X = x_k\} {X≤x}=∪xk​≤x​{X=xk​}，由概率性质知： F ( x ) = P { X ≤ x } = ∑ x k ≤ x { X = x k } = ∑ x k ≤ x p k F(x) = P\{X \le x\} = \sum_{x_k \le x} \{X = x_k\} = \sum_{x_k \le x} p_k F(x)=P{X≤x}=∑xk​≤x​{X=xk​}=∑xk​≤x​pk​即：$F(x)={\sum }_{x_k\le x}{p}_k$。

这是在微观上将连续型的取值看作时更小颗粒度的离散装的取值，从而得出的结论。底层逻辑是：为什么连续？因为颗粒度足够小。

例1：离散型随机变量$X$的分布律为：

X	-1	0	1	2
P	0.2	0.1	0.3	0.4

求$X$的分布函数。

解：当$x<-1$时 F ( x ) = P { X ≤ x } = 0 F(x) = P\{X \le x\} = 0 F(x)=P{X≤x}=0

当$-1\le x<0$时 F ( x ) = P { X ≤ x } = P { X = − 1 } = 0.2 F(x) = P\{X \le x\} = P\{X = -1\} = 0.2 F(x)=P{X≤x}=P{X=−1}=0.2

当$0\le x<1$时 F ( x ) = P { X ≤ x } = P { X = − 1 } + P { X = 0 } = 0.2 + 0.1 = 0.3 F(x) = P\{X \le x\} = P\{X = -1\} + P\{X=0\} = 0.2+0.1 = 0.3 F(x)=P{X≤x}=P{X=−1}+P{X=0}=0.2+0.1=0.3

当$1\le x<2$时 F ( x ) = P { X ≤ x } = P { X = − 1 } + P { X = 0 } + P { X = 1 } = 0.2 + 0.1 + 0.3 = 0.6 F(x) = P\{X \le x\} = P\{X = -1\} + P\{X=0\} + P\{X=1\} = 0.2 + 0.1 + 0.3 = 0.6 F(x)=P{X≤x}=P{X=−1}+P{X=0}+P{X=1}=0.2+0.1+0.3=0.6

当$x\ge 2$时 F ( x ) = P { X ≤ x } = P { X = − 1 } + P { X = 0 } + P { X = 1 } + P { X = 2 } = 0.2 + 0.1 + 0.3 + 0.4 = 1 F(x) = P\{X \le x\} = P\{X = -1\} + P\{X=0\} + P\{X=1\} + P\{X=2\} = 0.2+0.1+0.3+0.4=1 F(x)=P{X≤x}=P{X=−1}+P{X=0}+P{X=1}+P{X=2}=0.2+0.1+0.3+0.4=1

特别注意，看清$F(x)$作为分布函数的定义；无论何时它都代表$X\le x$的概率，只不过$x$是由定义域的变量而已。

还需要注意，对于离散型随机变量的分布函数要特别关注取值边界，特别关注$=$敌营的取值是否被包含。

因此，$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}0,& x<1\\ 0.2,& -1\le x<0\\ 0.3,& 0\le x<1\\ 0.6,& 1\le x<2\\ 1,& x\ge 2\end{array}$$
其图像为：

2.2 分布函数的性质

① $0\le F(x)\le 1$

② $F(x)$不是减函数，即对于任意$x_1<x_2$都有$F(x_1)\le F(x_2)$；

③ $F(-\infty )=0,F(+\infty )=1$即${\lim }_{x\to -\infty }F(x)=0,{\lim }_{x\to -\infty }F(x)=1$；

④ $F(x)$右连续，即${\lim }_{\Delta x\to 0^{+}}F(x+\Delta x)=F(x)$。

例2：设随机变量$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}a+b{e}^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$
其中，$\lambda >0$为常数，求常数$a$和$b$的值。

解：由题意有：$F(+\infty )={\lim }_{x\to +\infty }F(x)={\lim }_{x\to +\infty }(a+b{e}^{-\lambda x})=a$

由分布函数性质$F(+\infty )=1$得$a=1$

由$F(x)$的右连接性得：$F(0+0)={\lim }_{\Delta x\to 0^{+}}F(x)={\lim }_{\Delta x\to 0}(a+b{e}^{-\lambda 0})=a+b=0$ # 从x=0左侧不断逼近0出的极限值与x=0处的值相同(不中断)！

所以：$b=-1$

因此：$a=1,b=-1$。

补充下数学知识：自然常数，符号$e$，为数学中一个常数，是一个无限不循环小数，且为超越数，其值约为2.718281828459045。它是自然对数函数的底数。有时称它为欧拉数，以瑞士数学家欧拉命名。

$e$作为数学常数，它的其中一个定义是：$e={\lim }_{x\to \infty }(1+\frac{1}{x}{)}^x$。

同时：$e={\sum }_{n=0}^{\infty }\frac{1}{n!}=\frac{1}{0!}+\frac{1}{1!}+\frac{1}{2!}+\frac{1}{3!}+...$。 注意：$0!=1,1!=1$。

在已知$X$的分布函数$F(x)$情况下，我们可知以下重要事件的概率：

① P { X ≤ b } = F ( b ) P\{X \le b\} = F(b) P{X≤b}=F(b)

② P { a < X ≤ b } = F ( b ) − F ( a ) P\{a \lt X \le b\} = F(b) - F(a) P{a<X≤b}=F(b)−F(a)

③ P { X > b } = 1 − P { X ≤ b } = 1 − F ( b ) P\{X \gt b\} = 1 - P\{X \le b\} = 1- F(b) P{X>b}=1−P{X≤b}=1−F(b)

例3：设随机变量$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}0,& x<0\\ \frac{x}{3},& 0\le x<1\\ \frac{x}{2},& 1\le x<2\\ 1,& x\ge 2\end{array}$$
求：(1) P { 1 2 < X ≤ 3 2 } P\{\frac{1}{2} \lt X \le \frac{3}{2}\} P{21​<X≤23​} (2) P { X > 1 2 } P\{ X \gt \frac{1}{2}\} P{X>21​} (3) P { X > 3 2 } P\{ X \gt \frac{3}{2}\} P{X>23​}

解：(1) P { 1 2 < x ≤ 3 2 } = F ( 3 2 ) − F ( 1 2 ) = 3 4 − 1 6 = 7 12 P\{\frac{1}{2} \lt x \le \frac{3}{2}\} = F(\frac{3}{2}) - F(\frac{1}{2}) = \frac{3}{4} - \frac{1}{6} = \frac{7}{12} P{21​<x≤23​}=F(23​)−F(21​)=43​−61​=127​

(2) P { X > 1 2 } = 1 − F ( 1 2 ) = 1 − 1 6 = 5 6 P\{X \gt \frac{1}{2}\} = 1 - F(\frac{1}{2}) = 1 - \frac{1}{6} = \frac{5}{6} P{X>21​}=1−F(21​)=1−61​=65​

(3) P { X > 3 2 } = 1 − F ( 3 2 ) = 1 − 3 4 = 1 4 P\{X \gt \frac{3}{2}\} = 1 - F(\frac{3}{2}) = 1 - \frac{3}{4} = \frac{1}{4} P{X>23​}=1−F(23​)=1−43​=41​