应用统计01-概率复习

Brice Loskie

于 2023-12-04 18:48:17 发布

阅读量1.1k

点赞数 20

文章标签：算法

本文链接：https://blog.csdn.net/fuxun222/article/details/126863708

版权

1.离散型随机变量

随机变量：取值由随机试验的结果决定的变量，分为连续型和离散型两大类。由多个随机变量组成的向量称为随机向量或多元随机变量。

一维随机变量:

离散型随机变量:随机变量X,取值只有有限个或可数个.

离散型随机变量分布列:X取值为 $x_1,x_2$ ,…,且

$P(X=x_k)=p_k, k=1,2...$

称为随机变量X的分布列.满足:

$p_k\geq 0,k=1,2,...$ 且

$\sum_{k=1}^{\infty}p_k=1$

分布列常用一维表格表示:

X	$x_1$	$x_2$	...	$x_k$	...
P	$p_1$	$p_2$	...	$p_k$	...

2.连续型随机变量

连续型随机变量:存在非负可积的函数 f (x),对任意实数 x ,有

$P(X<x) =\int_{-\infty}^{x}f(u)du$

称X为连续型随机变量, f (x)为X的分布密度或密度函数. 它有:

$(1)f(x) \geq 0,x \in(-\infty,+\infty);$

$(2)\int_{-\infty}^{x}f(x)dx=1$

知道了密度函数f (x),就可以解决任何事件的概率计算:

$P(a<X<b)=\int_{a}^{b}f(x)dx$

一元随机变量的分布函数 $F (x)=P(X\leq x)$

对连续型随机变量X,若其密度函数为f (x),则:

3.常用分布

3.1 0-1分布:

$X\sim B(1,p)$ ,属离散型,描述只有两个状态的随机实

X	0	1
P	q=1-p	p

3.2 二项分布:

X∼B(n,p),属离散型,描述只有两个状态的多次随机实验.也称为n重贝努利分布.n=1时,就是0-1分布.

X	0	1	...	n
P	$C_n^0p^{0}q^{n}$	$C_n^1p^{1}q^{n-1}$		$C_n^2p^{2}q^{n-2}$

3.3 泊松分布

X∼P(λ),属离散型,描述随机到达现象.

3.4 均匀分布：

X∼U(a,b),属连续型.X在[a,b]内连续地机会均等地取值,其密度函数为:

其分布函数为

3.5 指数分布

X∼E(λ),属连续型.常用于描述人或物的寿命问题,其密度函数为:

3.6.正态分布

X∼N $(u ,\sigma^ 2)$ ,属连续型.大量随机变量的分布近似于正态分布,是最重要的分布之一,其密度函数为:

N(0,1)称为标准正态分布,其密度函数为:

标准正态分布的分布函数为:

这个积分比较难以计算，之后查表即可。

4 随机变量的数字特征

4.1 数学期望

X是离散型:

$E(X)=\sum_{k=1}^\infty x_kp_k$

X是连续型,其密度函数是 f(x):

$\int_{-\infty}^{+\infty}xf(x)dx$

期望EX有如下性质

$E(C)=C$ C为常数

$E(kX)=kE(x)$ k为常数

$E(aX+b)=aE(x)+b$ a,b为常数

$E(X\pm Y)=E(X)\pm E(Y)$

$E(X\cdot Y)=E(X)\cdot E(Y)$ X,Y相互独立

4.2 数学期望

$D(C)=0$

$D(kX)=k^2D(X)$

$D(aX+b)=a^2D(X)$

$D(X)=E(X^2)-E(X)^2$

$D(X\pm Y)=D(X) \pm D(Y)$ X,Y独立

4.3 常用的分布的特征

4.3.1 X~B(1,p) 0-1分布

$E(X)=0*q+1*p=p$

$D(X)=E(X^2)-E(X)^2$ $=p-p^2=p(1-p)=pq$

4.3.2 X~B(n,p) 二项分布

$E(X)=np$

$D(X)=E(X^2)-E(X)^2$ $=npq$

4.3.3 X~P(λ) 泊松分布

4.3.4 X~U(a,b) 均匀分布

4.3.5 X~E(λ) 指数分布

4.3.6 正态分布

5 多维随机变量及其分布

1.n维随机变量常记为: $X = (X_1,X_2,...,X_n)$

特别的，二维随机变量常记作:(X,Y)

2.它们也分为连续型和离散型

5.1 以2维离散随机变量(X,Y)为例，

它的联合分布列为:

$P(X=x_i,Y=y_j)=P_{ij},i=1,2,...m;j=1,2,...,n$

它也可表示为一个二维表(矩阵)

随机变量X 的分布列为:

随机变量Y 的分布列为:

称为(X,Y) 的边缘分布列,有

当然也有

5.2 多维连续型随机变量

5.2.1 联合分布密度:

对 X 有非负可积函数 $f(x_1,x_2,...,x_n)$ 和实数 $x_1,x_2,...,x_n$

称为随机变量X的联合分布密度:

对二维连续型随机变量(X,Y), 联合分布密度为 f(x,y):

5.2.2 边缘分布密度:

5.2.3 多维随机变量分布函数(以二维为例)

5.2.4 多维随机变量独立性(以二维为例

离散型

连续型

称 X,Y 相互独立

6 大数定律与中心极限定理

6.1 大数定律

独立同分布，记

且已知则有大数定律:

即 $\overline{X}$ 依概率收敛到 $\mu$ ,

即不管 $X_i$ 服从什么分布,当 n 相当大时,它们的均值接近于它们的数学期望

6.2 中心极限定理