自考 02197 概率论与数理统计(二) 第二章

第二章 随机变量及其概率分布

第一节 离散型随机变量

一、随机变量的概念

定义：设随机试验的样本空间$S=e,X=X(\omega )$是定义在样本空间S上的单值实值函数，称$X=X(e)$为随机变量

不管试验结果是否与数值有关，我们都可以通过引入某个变量，使试验结果与数建立了对应关系

二、离散型随机变量及其分布律

随机变量的分类：离散型，连续型

离散型随机变量的定义：随机变量所取得可能值是有限多个或无限可列个，则该随机变量叫做离散型随机变量。如观察掷一个骰子出现的点数，随机变量X的可能值是：1，2，3，4，5，6

离散型随机变量的分布律：

​ 设离散型随机变量X所有可能取的值及相应的概率为
$$P(X=x_k)=P_k,k=1,2,...$$
​ 称此为离散型随机变量X的分布律

​ 说明：由概率的定义，$P_k$满足如下两个条件：

• $P_K\ge 0,k-1,2,...$
• $\sum _{k=1}^{\infty }{P}_k=1$

表示方法：

1. 列表法
2. 公式法

三、0-1分布与二项分布

1. 两点分布（0-1分布）

   随机变量X只可能取0和1两个值，其概率函数为：
   $$P(X=k)=p^k(1-p{)}^{1-k},k=0,1$$
   或
   $$\begin{array}{clcr}X& \text{0}& \text{1}& \\ P_k& 1-P& P& \end{array}$$

2. 二项分布

   随机变量X的所有可能值为0,1,2,…,n，其概率函数为：
   $$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k},k-0,1,2,...,n$$
   则称X服从参数为n,p的二项分布，记作
   $$X\backsim B(n,p)$$
   当n=1时，$P(X=k)=p^k(1-p{)}^{1-k},k=0,1$，X化为0-1分布

四、泊松分布

泊松分布：设随机变量X所有可能取的值为0,1,2…，取各个值的概率为
$$P(X=k)=\frac{{\lambda }^k{e}^{-k}}{k!},k=0,1,\mathrm{2...}$$
其中$\lambda >0$是常数，则称X服从参数为$\lambda$的泊松分布，记为$X\backsim \pi (\lambda )$

第二节 随机变量的分布函数

一、分布函数的概念

定义：设X是随机变量，x是任意实数，函数
$$F(x)=P(X\le x)$$
称为随机变量X的概率分布函数或分布函数。

当X为离散型随机变量时，设X的分布律为
$$p_k=P(X=k),k=0,1,2,...$$
由于 X ≤ x = ∪ x k ≤ x { X 1 = x k } {X \leq x}= \mathop{\cup}\limits_{x_k \leq x}{\{X_1=x_k\}} X≤x=xk​≤x∪​{X1​=xk​}，由概率性质知，
F ( x ) = P ( X ≤ x ) = ∑ x k ≤ x P { X = x k } , F ( x ) = ∑ X k < x P k F(x)=P(X\leq x)= \mathop{\sum}\limits_{x_k \leq x}P\{X=x_k \},F(x)= \mathop{\sum}\limits_ {X_k<x}P_k F(x)=P(X≤x)=xk​≤x∑​P{X=xk​},F(x)=Xk​<x∑​Pk​
其中，求和是对所有满足$x_k\le x$时$x_k$相应的概率$P_k$求和

二、分布函数的性质

分布函数的性质

• $0\le F(x)\le 1$

• $F(x)$非减，即若$x_1\le x_2$，则$F(x_1\le x_2)$

• KaTeX parse error: Expected group after '_' at position 16: F(-\infty)=\lim_̲\limits{x \to-\…

• F(x)右连续，即$\underset{x\to x_0^{+}}{\lim }F(x)=F(x_0)$

第三节 连续性随机变量及其概率密度

一、连续型随机变量及其概率密度

定义：设随机变量X的分布函数为F(X)，如果存在实数轴上的一个非负函数f(x)，使得对任意实数x，有
$$F(X)={\int }_{-\infty }^{x}f(t)dt$$
则称X为连续随机变量，f(x)为X的概率密度函数，简称密度函数，或密度

显然$F^{\prime }(X)=f(x)$

密度函数的性质

1. $f(x)\ge 0$

2. ${\int }_{-\infty }^{\infty }f(x)dx=1$

   注：连续型随机变量在单点处的概率为零： P { X = c } = 0 P\{X=c\}=0 P{X=c}=0

   证明： 0 ≤ P { X = c } ≤ P { c − Δ < X ≤ c } = lim ⁡ Δ x → 0 + ∫ c − Δ x x f ( x ) d x = 0 0 \leq P{\{X=c}\} \leq P\{{c-\Delta <X\leq c}\}=\lim\limits_{\Delta x \to 0+} \int_{c- \Delta{x}} ^{x}f(x)dx=0 0≤P{X=c}≤P{c−Δ<X≤c}=Δx→0+lim​∫c−Δxx​f(x)dx=0

   $\therefore P(X=c)=0$

3. $Pa<X<b=Pa<X\le b={\int }_a^{b}f(x)dx$

二、均匀分布与指数分布

1. 均匀分布：若X的概率密度为
   $$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& \text{a}\le x\le b\\ 0,& \text{其}它\end{array}$$
   

   则称X服从区间[a,b]上的均匀分布，记作X~U(a,b)

   它的实际背景是：X取值在区间[a,b]上，并且取值在[a,b]中任意小区间内的概率与这个小区间的长度成正比

   则X具有[a,b]上的均匀分布

   分布函数
   $$f(x)=\{\begin{array}{ll}0,& \text{x}<a\\ \frac{x-a}{b-a},& \text{a}\le x\le b\\ 1,& \text{x}\ge b\end{array}$$
   

   均匀分布常见于下列情形：

   如在数值计算中，由于四舍五入，小数点后某一位小数引入的误差

   公交线路上两辆公共汽车前后通过某汽车停车站的时间，即乘客的候车时间等

2. 指数分布

   若随机变量X具有概率密度
   $$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& \text{x}>0\\ 0,& \text{其}它\end{array}$$
   其中$\lambda >0$为常数，则称X服从参数为$\lambda$的指数分布

   记作：$X\backsim E(\lambda )$

   其分布函数为： F ( x ) = P { X ≤ x } = { 1 − e − λ x , x > 0 0 , 其它 F(x)=P\{X \leq x\}=\begin{cases} 1-e^{-\lambda x},& \text x > 0 \\ 0, & \text 其它 \\ \end{cases} F(x)=P{X≤x}={1−e−λx,0,​x>0其它​

   指数分布常用于可靠性统计研究中，如元件的寿命

三、正态分布

正态分布：设随机变量X具有一下概率密度
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty ,\sigma >0$$
分布函数$F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt,-\infty <x<\infty$

则称X服从一$\mu ,{\sigma }^2$为参数的正态分布。记作$X\backsim N(\mu ,{\sigma }^2)$

$\mu ,\sigma =1$的正态分布称为标准正态分布。记为$X\backsim N(0,1)$

其密度函数和分布函数常用$\phi (x)$和$\Phi (x)$表示：
$$\begin{gathered} \phi (x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{x^2}{2}},-\infty <x<\infty \\ \Phi (x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt,-\infty <x<\infty \end{gathered}$$
$\Phi (x)$的性质：

1. $\Phi (0)=\frac{1}{2}$
2. $\forall x\in R,\Phi (-x)=1-\Phi (x)$

若$X\backsim N(\mu ,{\sigma }^2)$，则$Z=\frac{X-\mu }{\sigma }\backsim N(0,1)$.

$X\backsim N(\mu ,{\sigma }^2)$

⇒ F x ( x ) = P { X ≤ x } = P { X − μ σ ≤ x − μ σ } \Rightarrow F_x(x)=P\{X \leq x\}=P{\{\frac {X- \mu}{\sigma}} \leq \frac{x- \mu}{\sigma}\} ⇒Fx​(x)=P{X≤x}=P{σX−μ​≤σx−μ​}

$=\Phi (\frac{x-\mu }{\sigma })$

第四节 随机变量函数的概率分布

一、离散型随机变量函数的概率分布

一般，若离散型随机变量X的概率分布为：
$$\begin{array}{clcrcc}X& {\text{x}}_1& {\text{x}}_2& \text{.}..& {\text{x}}_k& \text{.}..\\ P_k& P_1& P_2& ...& P_k& ...\end{array}$$
则$Y=g(x)$的概率分布为：
$$\begin{array}{clcrcc}Y=g(X)& \text{g}(x_1)& \text{g}(x_2)& \text{.}..& \text{g}(x_k)& \text{.}..\\ P_k& P_1& P_2& ...& P_k& ...\end{array}$$
如果$g(X_k)$中有一些是相同的，把它们作适当并项即可

二、连续型随机变量函数的概率分布

问题：已知X的概率密度$f_x(x)$，求随机变量函数$Y=g(X)$的概率密度$f_Y(y)$

一般方法

1. 求Y 的分布函数$F_Y(y)$
   F Y ( y ) 根据分布函数的定义 → P ( Y ≤ y ) = P ( g ( X ) ≤ y ) = P ( X ∈ { x ∣ g ( x ) ≤ y } ) F_Y(y) \underrightarrow{根据分布函数的定义} P(Y \leq y)=P(g(X) \leq y)\\ =P(X \in \{x \mid g(x)\leq y \}) FY​(y) 根据分布函数的定义​P(Y≤y)=P(g(X)≤y)=P(X∈{x∣g(x)≤y})

2. 对$F_Y(y)$求导，得到$f_Y(y)$：$f_Y(y)=F_Y^y(y)$

定理：设随机变量X具有概率密度$f_x(x),-\infty <x<\infty$，又设函数$g(x)$处处可导，且有$g^{\prime }(x)>0$（或恒有$g^{\prime }(x)<0$

则$Y=g(X)$是一个连续型随机变量Y，其概率密度为
$$f_y(y)=\{\begin{array}{ll}{f}_x[h(y)]|[h\prime (y)|,& \alpha <\beta \\ 0,& \text{其}它\end{array}$$
其中$h(y)$是$g(x)$的反函数

即$x=g\prime (y)=h(y)$