概率论期末

常见分布

离散分布

分布	X	概率	期望	方差
二项分布	$B(n,p)$	$P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k(1-p{)}^{n-k}$	$np$	$np(1-p)$
泊松分布	$P(\lambda )$	$p(X=k)={\lambda }^k/k!e^{-\lambda },k\in N$	$\lambda$	$\lambda$
几何分布	$Ge(p)$	$P(X=k)=(1-p{)}^{k-1}p$	$1/p$	$(1-p)/p^2$

连续分布

分布	X	概率	期望	方差
均与分布	$U(a,b)$	$f(x)=\frac{1}{b-a},x\in [a,b]$
正态分布	$N(\mu ,{\sigma }^2)$	$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$
指数分布	$E(\lambda )$	$f(x)=\lambda e^{-\lambda x},x>0$	$1/\lambda$	$1/{\lambda }^2$

• 标准正态分布（$N(0,1)$）的分布函数通常记为$\Phi (x)$，且$\Phi (-x)=1-\Phi (x)$，$\Phi (0)=\frac{1}{2}$
  • 对于标准正态分布$\Phi (1)-Phi(-1)=0.6826,\Phi (2)-Phi(-2)=0.9544,\Phi (3)-Phi(-3)=0.9974$

伽马分布

$$f(x)=\frac{{\lambda }^{\alpha }}{\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\lambda x},x\ge 0$$

记作$X\sim Ga(\alpha ,\lambda )$，其中$\alpha >0,\lambda >0$

$$\Gamma (\alpha )={\int }_0^{+\infty }{x}^{\alpha -1}{e}^{-x}dx$$

• $\Gamma (1)=1,\Gamma (1/2)=\sqrt{\pi },\Gamma (n+1)=n!$

贝塔分布

$$f(x)=\frac{1}{B(a,b)}{x}^{a-1}(1-x{)}^{b-1},0<x<1$$

记作$X\sim Be(a,b)$，其中$a>0,b>0$

$$B(a,b)={\int }_0^1{x}^{a-1}(1-x{)}^{b-1}dx$$

• $B(a,b)=B(b,a)$
• $B(a,b)=\Gamma (a)\Gamma (b)/\Gamma (a+b)$
• $B(1,1)=U(0,1)$

对数正态分布

$X\sim N(\mu ,{\sigma }^2),Y=e^X$概率密度函数为

$$f_Y(y)=\frac{1}{\sqrt{2\pi }y\sigma }{e}^{-\frac{(lny-\mu {)}^2}{2{\sigma }^2}},y>0$$

多维随机变量

边缘密度函数

$$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy$$
$$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx$$

随机变量函数

分布的可加性

同分布两个随机变量的和仍是这个分布，则称此类分布可加

• 如果$X\sim B(n_1,p),Y\sim B(n_2,p)$且独立，则$X+Y\sim B(n_1+n_2,p)$
• 如果$X_i\sim B(1,p)$且独立，则$X_1+\cdots +X_n\sim B(n,p)$
• $X\sim P({\lambda }_1),Y\sim P({\lambda }_2)$且独立，则$X+Y\sim P({\lambda }_1+{\lambda }_2)$，注意$X-Y$不服从泊松分布
• 正态分布$X,Y$独立，$X\pm Y\sim N({\mu }_1\pm {\mu }_2,{\sigma }_1^2+{\sigma }_2^2)$

离散到离散的情况下比较简单

连续到连续或混合

• 公式法$f_Y(y)=f_X(h(y))\cdot |h^{\prime }(y)|,\alpha <y<\beta ,\alpha =\min (g(a),g(b)),\beta =\max (g(a),g(b))$，其中$x=h(y)$是$y=g(x)$在$(a,b)$上的可导反函数，$a,b$可以是正负无穷
• 分布函数 F Y ( y ) = P ( Y ≤ y ) = P { g ( X ) ≤ y } ∫ g ( x ) ≤ y f X ( x ) d x F_Y(y)=P(Y\le y)=P\{g(X)\le y\}\int_{g(x)\le y}f_X(x)dx FY​(y)=P(Y≤y)=P{g(X)≤y}∫g(x)≤y​fX​(x)dx