一、 0 − 1 0-1 0−1分布
定义:如果随机变量 X X X有分布律
X X X | 0 0 0 | 1 1 1 |
---|---|---|
P P P | 1 − p 1-p 1−p | p p p |
0 < p < 1 0<p<1 0<p<1,则称 X X X服从参数为 p p p的 0 − 1 0-1 0−1分布,或称 X X X具有 0 − 1 0-1 0−1分布 |
二、二项分布
定义:如果随机变量
X
X
X有分布律
P
{
X
=
k
}
=
C
n
k
p
k
q
n
−
k
,
k
=
0
,
1
,
2
,
⋯
,
n
P \left\{X=k\right\}=C_{n}^{k}p^{k}q^{n-k},k=0,1,2,\cdots ,n
P{X=k}=Cnkpkqn−k,k=0,1,2,⋯,n
其中
0
<
p
<
1
,
q
=
1
−
p
0<p<1,q=1-p
0<p<1,q=1−p,则称
X
X
X服从参数为
n
,
p
n,p
n,p的二项分布,记作
X
∼
B
(
n
,
p
)
X \sim B(n,p)
X∼B(n,p)
在 n n n重伯努利试验中,若每次实验成功率为 p ( 0 < p < 1 ) p(0<p<1) p(0<p<1),则在 n n n次独立重复试验中成功的总次数 X X X服从二项分布
当 n = 1 n=1 n=1时,不难验证二项分布就退化成 0 − 1 0-1 0−1分布。所以 0 − 1 0-1 0−1分布也可以记为 B ( 1 , p ) B(1,p) B(1,p)
三、几何分布
定义:如果随机变量
X
X
X有分布律
P
{
X
=
k
}
=
p
q
k
−
1
,
k
=
1
,
2
,
⋯
P \left\{X=k\right\}=pq^{k-1},k=1,2,\cdots
P{X=k}=pqk−1,k=1,2,⋯
其中
0
<
p
<
1
,
q
=
1
−
p
0<p<1,q=1-p
0<p<1,q=1−p,则称
X
X
X服从参数为
p
p
p的几何分布,或称
X
X
X具有几何分布
在独立地重复做一系列伯努利试验中,若每次试验成功率为 p ( 0 < p < 1 ) p(0<p<1) p(0<p<1),则在第 k k k次试验时才首次试验成功的概率服从几何分布
四、超几何分布
定义:如果随机变量
X
X
X有分布律
P
{
X
=
k
}
=
C
M
k
C
N
−
M
n
−
k
C
N
n
,
k
=
l
1
,
⋯
,
l
2
P \left\{X=k\right\}= \frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}},k=l_{1},\cdots ,l_{2}
P{X=k}=CNnCMkCN−Mn−k,k=l1,⋯,l2
其中
l
1
=
max
(
0
,
n
−
N
+
M
)
,
l
2
=
min
(
M
,
n
)
l_{1}=\max(0,n-N+M),l_{2}=\min(M,n)
l1=max(0,n−N+M),l2=min(M,n)。则称随机变量
X
X
X服从参数为
n
,
N
,
M
n,N,M
n,N,M的超几何分布
如果 N N N件产品中含有 M M M件次品,从中任意一次取出 n n n件(或从中一件接一件不放回地取出 n n n件),令 X = 抽取的 n 件产品中的次品件数 X=抽取的n件产品中的次品件数 X=抽取的n件产品中的次品件数,则 X X X服从参数为 n , N , M n,N,M n,N,M的超几何分布
如果 N N N件产品中含有 M M M件次品,从中一件接一件有放回的取 n n n次(即每次取出记录后就放回,再取下一个),则 X X X服从 B ( n , M N ) B(n, \frac{M}{N}) B(n,NM)
五、泊松分布
如果随机变量
X
X
X的分布律为
P
{
X
=
k
}
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
2
,
,
⋯
P \left\{X=k\right\}=\frac{\lambda^{k}}{k!}e^{-\lambda},k=0,1,2,,\cdots
P{X=k}=k!λke−λ,k=0,1,2,,⋯
其中
λ
>
0
\lambda>0
λ>0为常数,则称随机变量
X
X
X服从参数为
λ
\lambda
λ的泊松分布,记作
X
∼
P
(
λ
)
X \sim P(\lambda)
X∼P(λ)
对于泊松分布有
∑
k
=
0
+
∞
P
{
X
=
k
}
=
∑
k
=
0
+
∞
λ
k
k
!
e
−
λ
=
1
∑
k
=
0
+
∞
λ
k
k
!
=
e
λ
如果把
λ
看做
x
∑
k
=
0
+
∞
x
k
k
!
=
e
x
\begin{aligned} \sum\limits_{k=0}^{+\infty}P \left\{X=k\right\}=\sum\limits_{k=0}^{+\infty}\frac{\lambda^{k}}{k!}e^{-\lambda}&=1 \\ \sum\limits_{k=0}^{+\infty}\frac{\lambda^{k}}{k!}&=e^{\lambda}\quad如果把\lambda看做x\\ \sum\limits_{k=0}^{+\infty}\frac{x^{k}}{k!}&=e^{x} \end{aligned}
k=0∑+∞P{X=k}=k=0∑+∞k!λke−λk=0∑+∞k!λkk=0∑+∞k!xk=1=eλ如果把λ看做x=ex
即为
e
x
e^{x}
ex的幂级数展开
例1:设一文本各页的印刷错误 X X X服从泊松分布。已知有一个和两个印刷错误的页数相同,则随意抽查的 4 4 4页中无印刷错误的概率 p = ( ) p=() p=()
注意理解题意!
P
{
X
=
1
}
=
P
{
X
=
2
}
λ
1
!
e
−
λ
=
λ
2
2
!
e
−
λ
\begin{aligned} P \left\{X=1\right\}&=P \left\{X=2\right\}\\ \frac{\lambda}{1!}e^{-\lambda}&=\frac{\lambda^{2}}{2!}e^{-\lambda} \end{aligned}
P{X=1}1!λe−λ=P{X=2}=2!λ2e−λ
解得
λ
=
2
\lambda=2
λ=2,则某也没有印刷错误的概率为
P
{
X
=
0
}
=
e
−
2
P \left\{X=0\right\}= e^{-2}
P{X=0}=e−2。可以理解各页印刷错误相互独立
p
=
(
e
−
2
)
4
=
e
−
8
p=(e^{-2})^{4}=e^{-8}
p=(e−2)4=e−8
不独立就不能往下算了
六、均匀分布
定义:如果连续型随机变量
X
X
X的概率密度为
f
(
x
)
=
{
1
b
−
a
a
≤
x
≤
b
0
其他
f(x)=\left\{\begin{aligned}& \frac{1}{b-a}&a \leq x \leq b\\&0&其他\end{aligned}\right.
f(x)=⎩
⎨
⎧b−a10a≤x≤b其他
则称
X
X
X在区间
[
a
,
b
]
[a,b]
[a,b]上服从均匀分布,记作
X
∼
U
[
a
,
b
]
X \sim U[a,b]
X∼U[a,b]
如果概率密度为
f
(
x
)
=
{
1
b
−
a
a
<
x
<
b
0
其他
f(x)=\left\{\begin{aligned}& \frac{1}{b-a}&a < x < b\\&0&其他\end{aligned}\right.
f(x)=⎩
⎨
⎧b−a10a<x<b其他
则称
X
X
X在区间
(
a
,
b
)
(a,b)
(a,b)上服从均匀分布,记作
X
∼
U
(
a
,
b
)
X \sim U(a,b)
X∼U(a,b)
无论
X
∼
U
[
a
,
b
]
X\sim U[a,b]
X∼U[a,b]或
X
∼
U
(
a
,
b
)
X\sim U(a,b)
X∼U(a,b),它们的分布函数均为
F
(
x
)
=
{
0
,
x
<
a
x
−
a
b
−
a
a
≤
x
<
b
1
b
≤
x
F(x)=\left\{\begin{aligned}&0,&x<a\\& \frac{x-a}{b-a}&a \leq x<b\\&1&b \leq x\end{aligned}\right.
F(x)=⎩
⎨
⎧0,b−ax−a1x<aa≤x<bb≤x
性质
设
X
∼
U
[
a
,
b
]
X \sim U[a,b]
X∼U[a,b],则对
a
≤
c
<
d
≤
b
a \leq c <d \leq b
a≤c<d≤b有
P
{
c
≤
X
≤
d
}
=
d
−
c
b
−
a
P \left\{c \leq X \leq d\right\}=\frac{d-c}{b-a}
P{c≤X≤d}=b−ad−c
即随机变量
X
X
X落入区间
[
c
,
d
]
[c,d]
[c,d]的概率等于该区间长度与
[
a
,
b
]
[a,b]
[a,b]长度之比
七、指数分布
定义:如果连续型随机变量
X
X
X的概率密度为
f
(
x
)
=
{
λ
e
−
λ
x
x
>
0
0
x
≤
0
,
λ
>
0
f(x)=\left\{\begin{aligned}&\lambda e^{-\lambda x}&x>0\\&0&x \leq 0\end{aligned}\right.,\lambda>0
f(x)={λe−λx0x>0x≤0,λ>0
则称
X
X
X服从参数为
λ
\lambda
λ的指数分布,记作
X
∼
E
(
λ
)
X \sim E(\lambda)
X∼E(λ)
设
X
∼
E
(
λ
)
X \sim E(\lambda)
X∼E(λ),则
X
X
X的分布函数为
F
(
x
)
=
{
1
−
e
−
λ
x
x
>
0
0
x
≤
0
,
λ
>
0
F(x)=\left\{\begin{aligned}&1- e^{-\lambda x}&x>0\\&0&x \leq 0\end{aligned}\right.,\lambda>0
F(x)={1−e−λx0x>0x≤0,λ>0
性质
设 X ∼ E ( λ ) X\sim E(\lambda) X∼E(λ),则有
- P { X > t } = ∫ t + ∞ λ e − λ t d t = e − λ t , t > 0 P \left\{X>t\right\}=\int_{t}^{+\infty}\lambda e^{-\lambda t}dt=e^{-\lambda t},t>0 P{X>t}=∫t+∞λe−λtdt=e−λt,t>0
-
P
{
X
>
t
+
s
∣
X
>
s
}
=
P
{
X
>
t
+
s
}
P
{
X
>
s
}
=
e
−
λ
(
t
+
s
)
e
−
λ
s
=
e
−
λ
t
=
P
{
X
>
t
}
,
t
,
s
>
0
P \left\{X>t+s|X>s\right\}=\frac{P \left\{X>t+s\right\}}{P \left\{X>s\right\}}=\frac{e^{-\lambda(t+s)}}{e^{-\lambda s}}=e^{-\lambda t}=P \left\{X>t\right\},t,s>0
P{X>t+s∣X>s}=P{X>s}P{X>t+s}=e−λse−λ(t+s)=e−λt=P{X>t},t,s>0
此性质称为指数分布具有无记忆性
八、正态分布
定义:如果随机变量
X
X
X的概率密度为
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
,
−
∞
<
x
<
+
∞
f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu )^{2}}{2\sigma^{2}}},-\infty<x<+\infty
f(x)=2πσ1e−2σ2(x−μ)2,−∞<x<+∞
其中
μ
,
σ
\mu ,\sigma
μ,σ为常数且
σ
>
0
\sigma>0
σ>0,则称
X
X
X服从参数为
μ
,
σ
\mu ,\sigma
μ,σ的正态分布,记作
X
∼
N
(
μ
,
σ
2
)
X \sim N(\mu ,\sigma^{2})
X∼N(μ,σ2)
当
μ
=
0
,
σ
2
=
1
\mu =0,\sigma^{2}=1
μ=0,σ2=1时,即
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1),称
X
X
X服从标准正态分布,此时用
ϕ
(
x
)
\phi (x)
ϕ(x)表示
X
X
X的概率密度,即
ϕ
(
x
)
=
1
2
π
e
−
x
2
2
,
−
∞
<
x
<
+
∞
\phi (x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^{2}}{2}},-\infty<x<+\infty
ϕ(x)=2π1e−2x2,−∞<x<+∞
标准化 X ∼ N ( μ , σ 2 ) X \sim N(\mu ,\sigma^{2}) X∼N(μ,σ2),则 x − μ σ ∼ N ( 0 , 1 ) \frac{x-\mu }{\sigma}\sim N(0,1) σx−μ∼N(0,1)
X
∼
N
(
μ
,
σ
2
)
X \sim N(\mu ,\sigma^{2})
X∼N(μ,σ2),其分布函数为
F
(
x
)
=
1
2
π
σ
∫
−
∞
x
e
−
(
t
−
μ
)
2
2
σ
2
d
t
F(x)=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{x}e^{- \frac{(t-\mu )^{2}}{2\sigma^{2}}}dt
F(x)=2πσ1∫−∞xe−2σ2(t−μ)2dt
当
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1)时,分布函数用
Φ
(
x
)
\Phi (x)
Φ(x)表示
Φ
(
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\Phi (x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{x}e^{-\frac{t^{2}}{2}}dt
Φ(x)=2π1∫−∞xe−2t2dt
性质
设 X ∼ N ( μ , σ 2 ) X \sim N(\mu ,\sigma^{2}) X∼N(μ,σ2),其分布函数为 F ( x ) F(x) F(x),则
- F ( x ) = P { X ≤ x } = P { X − μ σ ≤ x − μ σ } = Φ ( x − μ σ ) \begin{aligned} F(x)=P \left\{X \leq x\right\}=P \left\{\frac{X-\mu }{\sigma}\leq \frac{x-\mu }{\sigma}\right\}=\Phi (\frac{x-\mu }{\sigma})\end{aligned} F(x)=P{X≤x}=P{σX−μ≤σx−μ}=Φ(σx−μ)
- P { a < X ≤ b } = Φ ( b − μ σ ) − Φ ( a − μ σ ) , a < b \begin{aligned} P \left\{a<X \leq b\right\}=\Phi \left(\frac{b-\mu }{\sigma}\right)- \Phi \left(\frac{a-\mu }{\sigma}\right),a<b\end{aligned} P{a<X≤b}=Φ(σb−μ)−Φ(σa−μ),a<b
- 概率密度 f ( x ) f(x) f(x)关于 x = μ x=\mu x=μ对称, ϕ ( x ) \phi (x) ϕ(x)是偶函数
- Φ ( − x ) = 1 − Φ ( x ) \Phi (-x)=1-\Phi (x) Φ(−x)=1−Φ(x),也就有 Φ ( 0 ) = 1 2 \Phi (0)=\frac{1}{2} Φ(0)=21
- 当 X ∼ N ( 0 , 1 ) X \sim N(0,1) X∼N(0,1)且 a > 0 a>0 a>0时, P { ∣ X ∣ ≤ a } = 2 Φ ( a ) − 1 \begin{aligned} P \left\{|X| \leq a\right\}=2 \Phi (a)-1\end{aligned} P{∣X∣≤a}=2Φ(a)−1
例2:设随机变量 X 1 ∼ N ( μ 1 , σ 1 2 ) , X 2 ∼ N ( μ 2 , σ 2 2 ) X_{1}\sim N(\mu_{1},\sigma^{2}_{1}),X_{2}\sim N(\mu_{2},\sigma_{2}^{2}) X1∼N(μ1,σ12),X2∼N(μ2,σ22),且 P { ∣ X 1 − μ 1 ∣ < 1 } > P { ∣ X 2 − μ 2 ∣ < 1 } P \left\{|X_{1}-\mu_{1}|<1\right\}>P \left\{|X_{2}-\mu_{2}|<1\right\} P{∣X1−μ1∣<1}>P{∣X2−μ2∣<1},证明 σ 1 < σ 2 \sigma_{1}<\sigma_{2} σ1<σ2
一维正态题做题步骤:查表,标准化,对称性,定参数或系数
P
{
∣
X
1
−
μ
1
∣
<
1
}
=
P
{
∣
X
1
−
μ
1
σ
1
∣
≤
1
σ
1
}
=
2
Φ
(
1
σ
1
)
−
1
P
{
∣
X
2
−
μ
2
∣
<
1
}
=
2
Φ
(
1
σ
2
)
−
1
\begin{aligned} P \left\{|X_{1}-\mu_{1}|<1\right\}&=P \left\{\left|\frac{X_{1}-\mu_{1}}{\sigma_{1}}\right|\leq \frac{1}{\sigma_{1}}\right\}=2\Phi \left(\frac{1}{\sigma_{1}}\right)-1\\ P \left\{|X_{2}-\mu_{2}|<1\right\}&=2\Phi \left(\frac{1}{\sigma_{2}}\right)-1 \end{aligned}
P{∣X1−μ1∣<1}P{∣X2−μ2∣<1}=P{∣
∣σ1X1−μ1∣
∣≤σ11}=2Φ(σ11)−1=2Φ(σ21)−1
由题意,有
2
Φ
(
1
σ
1
)
−
1
>
2
Φ
(
1
σ
2
)
−
1
1
σ
1
>
1
σ
2
σ
1
<
σ
2
\begin{aligned} 2\Phi \left(\frac{1}{\sigma_{1}}\right)-1&>2\Phi \left(\frac{1}{\sigma_{2}}\right)-1\\ \frac{1}{\sigma_{1}}&>\frac{1}{\sigma_{2}}\\ \sigma_{1}&<\sigma_{2} \end{aligned}
2Φ(σ11)−1σ11σ1>2Φ(σ21)−1>σ21<σ2