离散型随机变量和连续型随机变量及其常见分布

离散型随机变量及其分布率

若随机变量$X$只能取有限个数值$x_1,x_2,...,x_n$或可列无穷多个数值$x_1,x_2,...,x_n,...$，则称$X$为离散型随机变量

要掌握一个离散型随机变量$X$的统计规律，必须知道$X$的所有可能取的值以及每一个可能值的概率

定义：设离散型随机变量$X$所有可能的取值为$x_i(i=1,2,...)$，$X$取各个可能值的概率，即事件 { X = x i } \{X=x_i\} {X=xi​}的概率为 P { X = x i } = p i ， i = 1 , 2 , . . . P\{X=x_i\}=p_i，i=1,2,... P{X=xi​}=pi​，i=1,2,...则称该式子为离散型随机变量$X$的分布律。分布律也常用表格形式表示：

X	$x_1$	$x_2$	$...$	$x_i$	$...$
$p_i$	$p_1$	$p_2$	$...$	$p_i$	$...$

由于随机变量的分布函数可以完整地描述随机变量的统计规律，因此，由离散型随机变量的分布律可以推出分布函数，反之亦然。

设$F(x)$是离散型随机变量$X$的分布函数，则$X$的分布律 P { X = x i } = p i ≥ 0 ， i = 1 , 2 , . . . P\{X=x_i\}=p_i \geq 0，i=1,2,... P{X=xi​}=pi​≥0，i=1,2,...易得 F ( x ) = P { X ≤ x } = ∑ x i ≤ x P { X = x i } = ∑ x i ≤ x p i F(x)=P\{X \leq x\}=\sum_{x_i \leq x}P\{X=x_i\}=\sum_{x_i \leq x}p_i F(x)=P{X≤x}=xi​≤x∑​P{X=xi​}=xi​≤x∑​pi​

常见的离散型随机变量的概率分布

1、两点分布 $B(1,p)$

若随机变量的$X$只能取$x_1$与$x_2$，且它的分布律为 P { X = x 1 } = p ， ( 0 < p < 1 ) P\{X=x_1\}=p，(0 < p < 1) P{X=x1​}=p，(0<p<1) P { X = x 2 } = 1 − p P\{X=x_2\}=1-p P{X=x2​}=1−p即 P { X = x i } = ( 1 − p ) 1 − x i p x i ， i = 1 , 2 P\{X=x_i\}=(1-p)^{1-x_i}p^{x_i}，i=1,2 P{X=xi​}=(1−p)1−xi​pxi​，i=1,2则称$X$服从参数为$p$的两点分布

特别地，当$x_1=1，x_2=0$时两点分布也叫$(0-1)$分布，记为$X\sim (0,1)$分布或$X\sim B(1,p)$

2、二项分布 $B(n,p)$

若随机变量的$X$分布律为 P { X = k } = C n k ( 1 − p ) n − k p k ， k = 0 , 1 , 2 , . . . n P\{X=k\}=C_n^k(1-p)^{n-k}p^k，k=0,1,2,...n P{X=k}=Cnk​(1−p)n−kpk，k=0,1,2,...n则称$X$服从参数为$n，p(0<p<1)$的二项分布，记为$B(n,p)$

这与$n$重伯努利试验中事件$A$发生$k$次的概率计算公式一致 P n ( k ) = P { X = k } = C n k ( 1 − p ) n − k p k ， k = 0 , 1 , 2 , . . . n P_n(k)=P\{X=k\}=C_n^k(1-p)^{n-k}p^k，k=0,1,2,...n Pn​(k)=P{X=k}=Cnk​(1−p)n−kpk，k=0,1,2,...n可知，若$X\sim B(n,p)$，$X=k$就可以用来表示$n$重伯努利试验中事件$A$恰好发生$k$次

二项分布的近似计算

①泊松近似：
泊松近似即泊松定理
当$X\sim B(n,p)$，当$n$很大($n⩾40$)且$p$很小($p⩽0.1$)时，可以用泊松分布来近似拟合二项分布，有$X\sim P(k,np)$：$$C_n^k{p}^k(1-p{)}^{n-k}\approx \frac{{\lambda }^k}{k!}{e}^{-\lambda }$$其中$\lambda =np$

②标准正太近似：
当$X\sim B(n,p)$，当$n$充分大时，可以用标准正太分布来近似拟合二项分布，有$X\sim N(np,np(1-p))$：$$P(a<X<b)\approx \Phi (\frac{b-np}{\sqrt{np(1-p)}})-\Phi (\frac{a-np}{\sqrt{np(1-p)}})$$

拓展：
多项式展开定理：$$(a+b{)}^n=\sum _{k=0}^n{C}_n^k{a}^k{b}^{n-k}$$

幂级数展开定理：$$e^x=\sum _{n=0}^{\infty }\frac{x^n}{n!}$$

3、泊松分布 $P(k,\lambda )$

泊松定理：设$\lambda >0$是一常数，$n$是正整数。若$n{p}_n=\lambda$，则对任一固定的非负整数$k$有：$$\underset{n\to \infty }{\lim }{C}_n^k(1-p_n{)}^{n-k}{p}_n=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$$

若随机变量$X$的分布律为 P { X = k } = λ k k ! e − λ P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda} P{X=k}=k!λk​e−λ则称$X$服从参数为$\lambda$的泊松分布，记为$X\sim P(\lambda )$或$X\sim P(k;\lambda )$

泊松分布的概率值为： P ( k ; λ ) = P { X = k } = λ k k ! e − λ ， k = 0 , 1 , 2 , . . . P(k;\lambda) = P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda}，k=0,1,2,... P(k;λ)=P{X=k}=k!λk​e−λ，k=0,1,2,...

连续型随机变量及其概率密度函数

定义：设$X$是随机变量，$F(X)$是它的分布函数，若存在一个非负可积函数$f(x)$，使得对任意的$x\in R$，有： F ( x ) = P { X } F(x)=P\{X \} F(x)=P{X}则称$X$为连续型随机变量，其中$f(x)$称为$X$的概率密度函数，简称概率密度或密度函数

概率密度函数的性质

1. 非负性：$f(x)\ge 0,x\in R$
2. 规范性：${\int }_{-\infty }^{+\infty }f(x)dx=1$
3. p { a < X ≤ b } = F ( b ) − F ( a ) = ∫ a b f ( x ) d x , ( a ≤ b ) p\{a < X \leq b\} = F(b)-F(a)=\int_{a}^{b}f(x)dx,(a \leq b) p{a<X≤b}=F(b)−F(a)=∫ab​f(x)dx,(a≤b)
4. 若$f(x)$在$x$处是连续的，则分布函数的导数等于概率密度函数，即：$F^{\prime }(x)=f(x)$
5. 若$X$是连续型随机变量，对$\forall a\in R$，有 P { X = a } = 0 P\{X=a\}=0 P{X=a}=0，即对于连续型随机变量，取得某一点的概率为0(注意这里的概率为0不代表不可能事件)

常见的连续型随机变量的概率分布

1、均匀分布 $U[a,b]$

若随机变量$X$的概率密度函数为$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a⩽x⩽b\\ 0,& otherwise\end{array}$$则称$X$在区间$[a,b]$上服从均匀分布，记为$X\sim U[a,b]$

易知$f(x)⩾0$，并且$${\int }_{-\infty }^{+\infty }f(x)dx=1$$

均匀分布中$X$的分布函数为$$F(x)=\{\begin{array}{ll}0,& x<a\\ \frac{x-a}{b-a},& a⩽x<b\\ 1,& x⩾b\end{array}$$

2、指数分布 $E(\lambda )$

若随机变量$X$的概率密度函数为$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x>0\\ 0,& x⩽0\end{array}$$其中$\lambda >0$为常数

则称随机变量$X$服从参数为$\lambda$(失效率)的指数分布，记为$X\sim E(\lambda )$

显然$f(x)⩾0$，且：$${\int }_{-\infty }^{+\infty }f(x)dx={\int }_0^{+\infty }\lambda e^{-\lambda x}dx=1$$指数分布中$X$的分布函数为：$$F(x)=\{\begin{array}{ll}1-e^{-\lambda x},& x>0\\ 0,& x⩽0\end{array}$$

3、正态分布 $N(\mu ,{\sigma }^2)$

若随机变量$X$的概率密度函数为$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-{\mu }^2)}{2{\sigma }^2}},-\infty <x<+\infty$$其中$\mu ,\sigma (\sigma >0)$为常数，则称$X$服从参数为$\mu ,\sigma$的正态分布或高斯分布，记为$X\sim N(\mu ,{\sigma }^2)$

显然 $f(x)⩾0$，且$${\int }_{-\infty }^{+\infty }f(x)dx={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-{\mu }^2)}{2{\sigma }^2}}dx=1$$

标准正态分布 $N\sim (0,1)$:
若$X\sim N(\mu ,{\sigma }^2),则$$$Y=\frac{X-\mu }{\sqrt{{\sigma }^2}}\sim N(0,1)$$标准正态分布的分布函数：$$\Phi (x)=P(X⩽x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{u^2}{2}}du$$标准正态分布的概率密度函数：$$\varphi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$标准正态分布的具体值可以通过查表得知：标准正态分布表