离散型随机变量及其分布律

分布律

• 设离散型随机变量 $X$ 的可能取值为 $x_1,x_2,\cdots$，且 $X$ 的这些取值的概率记为
  P { X = x k } = p k , k = 1 , 2 , ⋯ (1) P\{X=x_k\}=p_k, k=1,2,\cdots \tag{1} P{X=xk​}=pk​,k=1,2,⋯(1)
  $(1)$ 式称为离散型随机变量的 分布律。

• 分布律（分布列）也可以用这样的表格给出：

$X$	$x_1$	$x_2$	$\cdots$	$x_k$	$\cdots$
$p_k$	$p_1$	$p_2$	$\cdots$	$p_k$	$\cdots$

概率质量函数（似乎就是分布律）

• 设离散型随机变量 $X$ 的可能取值为 $x_1,x_2,\cdots$，且 $X$ 的这些取值的概率记为
  $$P(X=x_k)=p_k,k=1,2,\cdots \text{\hspace{1em}(2)}$$
  $(2)$ 式称为离散型随机变量的 概率质量函数。

0-1 分布（两点分布）

• 若试验的结果只有两种：$A$ 和 $\bar{A}$，则称此类实验为 伯努利试验。如果随机变量 $X$ 只有两种取值 { 0 , 1 } \{0, 1\} {0,1}，且分布律为
  P { X = k } = p k ( 1 − p ) 1 − k ,    k = 0 , 1 P\{X=k\}=p^k(1-p)^{1-k}, \; k=0,1 P{X=k}=pk(1−p)1−k,k=0,1
  则称 $X$ 服从参数为 $p$ 的两点分布。

二项分布（伯努利分布）

• $n$ 重伯努利试验是指独立、重复地进行 $n$ 次 伯努利试验。如果随机变量 $X$ 的取值范围为 { 0 , 1 , 2 , ⋯   , n } \{0, 1, 2, \cdots, n\} {0,1,2,⋯,n} 且分布律为
  P { X = k } = C n k p k ( 1 − p ) n − k ,    k = 0 , 1 , ⋯   , n P\{X=k\}=C_n^kp^k(1-p)^{n-k},\;k=0,1,\cdots,n P{X=k}=Cnk​pk(1−p)n−k,k=0,1,⋯,n
  则称 $X$ 服从参数为 $n,p$ 的二项分布，记作 $X\sim B(n,p)$。

泊松分布 （敲黑板）

• 若随机变量 $X$ 的分布律为
  P { X = k } = e − λ λ k k ! P\{X=k\}=\frac{e^{-\lambda}\lambda^k}{k!} P{X=k}=k!e−λλk​
  其中 $\lambda$ 大于零为常数，则称 $X$ 服从参数为 $\lambda$ 的泊松分布，记作 $X\sim \pi (\lambda )$。

• 泊松分布多用于表示在一定的时间或空间内某个事件出现的次数，其中 $\lambda$ 是该时间/空间内，随机事件的平均发生率。二项分布可以看作是泊松分布在离散时间/空间上的特例。

泊松小数定律

现在，假设 $X\sim B(n,p)$，我们希望观察当 $n\to \infty$ 时，$P(X=k)$ 的值。

根据 $e$ 的定义 $e={\lim }_{n\to \infty }(1-\frac{1}{n}{)}^{-n}={\lim }_{n\to \infty }(1-\frac{\lambda }{n}{)}^{-n/\lambda }$ 得到：
$$e^{-\lambda }=\underset{n\to \infty }{\lim }(1-\frac{\lambda }{n}{)}^n=\underset{n\to \infty }{\lim }(1-\frac{\lambda }{n}{)}^{n-k}\cdot (1-\frac{\lambda }{n}{)}^k=\underset{n\to \infty }{\lim }(1-\frac{\lambda }{n}{)}^{n-k}$$

设 $\lambda$ 为该时间/空间内，随机事件的平均发生率，即 $\lambda =E(X)=np$。

再根据二项分布的定义，有：
$$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k},k=0,1,\cdots ,n$$

即有：
$$\begin{array}{rl}\underset{n\to \infty }{\lim }P(X=k)& =\underset{n\to \infty }{\lim }{C}_n^k{p}^k(1-p{)}^{n-k}\\ & =\underset{n\to \infty }{\lim }\frac{n!}{(n-k)!k!}{p}^k(1-p{)}^{n-k}\end{array}$$

带入 $p=\lambda /n$ 得到

$$\begin{array}{rl}\underset{n\to \infty }{\lim }P(X=k)& =\underset{n\to \infty }{\lim }\frac{n!}{(n-k)!k!}{\left(\frac{\lambda }{n}\right)}^k{\left(1-\frac{\lambda }{n}\right)}^{n-k}\\ & =\frac{1}{k!}\cdot \underset{n\to \infty }{\lim }\frac{n(n-1)\cdots (n-k+1)}{n\cdot n\cdots n}\cdot {\lambda }^k\cdot \underset{n\to \infty }{\lim }{\left(1-\frac{\lambda }{n}\right)}^{n-k}\\ & =\frac{e^{-\lambda }{\lambda }^k}{k!}\end{array}$$

换言之，但对于一个二项分布的问题，如果 $n$ 很大，$p$ 很小，但 $\lambda =np$ 大小适中时，可以使用泊松分布近似表示。

分布函数

• 设 $X$ 是一个随机变量， $x$ 是任意实数，函数
  F ( x ) = P { X ≤ x } F(x)=P\{X\leq x\} F(x)=P{X≤x}
  称为随机变量 $x$ 的分布函数。
• 分布函数的一些性质
  • P { x 1 < X ≤ x 2 } = F ( x 2 ) − F ( x 1 ) P\{x_1<X\leq x_2\}=F(x_2)-F(x_1) P{x1​<X≤x2​}=F(x2​)−F(x1​)
  • $0\le F(x)\le 1,F(-\infty )=0,F(\infty )=1$ 且 $F(x)$ 单调不下降
  • $F(x)$ 是右连续函数，即 $F(x+0)=F(x)$
  • 对离散型随机变量 $X$，有 $F(x)={\sum }_{x_k\le x}{p}_k$
  • 对连续型随机变量 $X$，有 $F(x)={\int }_{-\infty }^{x}f(t)\text{d}t$，其中 $f(t)$ 称为概率密度函数。