Day02-概率论与数理统计-一维随机变量及其分布(DataWhale)

二、随机变量

事件： { X = a } \{X=a\} {X=a}；事件的概率 P { X = a } P\{X=a\} P{X=a}

离散型随机变量：有限个或者无限可列

非离散型随机变量：连续型

2.1 离散型随机变量及其概率分布

$X$的所有取值$x_k(k=1,2,...)$【可以取无穷个，但是要可列】

概率函数分布：$P(X=x_k)=P_k$

• $p_k\ge 0$
• $\sum p_k=1$

2.2 连续型随机变量及其概率密度函数

频数直方图：纵坐标是频数

频率密度直方图：纵坐标是【频率/组距】

• 每个小长方形的面积是该组的频率
• 长方形的面积总和是1
• 介于$x=a,x=b$的长方形面积近似于$(a,b]$的面积

概率密度函数：非负可积$f(x),f(x)\ge 0$，使得对任意的实数$a\le b$ 都有 P { a < x ≤ b } = ∫ a b f ( x ) d x P\{a<x\leq b\}=\int_a^bf(x)dx P{a<x≤b}=∫ab​f(x)dx，则$X$为连续型随机变量，$f(x)$称为$X$的概率密度函数

• $f(x)\ge 0$

• ${\int }_{-\infty }^{+\infty }f(x)=1$ 【求参数】

• 连续型随机变量取单个值得概率为0

P { x < X ≤ x + Δ x } ≈ f ( x ) Δ x P\{x<X\leq x+\Delta x\} \approx f(x)\Delta x P{x<X≤x+Δx}≈f(x)Δx 表示$X$ 落在小区间$(x,x+\Delta x]$上的概率近似的等于$f(x)\Delta x$

三、分布函数

【针对离散型和连续型都成立】

分布函数==$F(x)=P(X\le x)$，$X$取值不超过$x$的概率【$x\in (-\infty ,+\infty );F(x)\in [0,1]$】==

• $0\le F(x)\le 1$
• $F(x)$是$x$的不减函数，即$x_1<x_2,F(x_1)\le F(x_2)$
• $li{m}_{x\to +\infty }F(x)=F(+\infty )=1,li{m}_{x\to -\infty }F(x)=F(-\infty )=0$ 【求解参数问题时使用】
• 离散型：$F(x)$右连续；连续型：$F(x)$连续 并且至多可列个间断点【连续：极限存在，函数值存在，极限值等于函数值】

计算：

• $P(X\le a)=F(a)$
• $P(X>a)=1-F(a)$
• $P(a<x\le b)=P(x\le b)-P(x\le a)=F(b)-F(a)$
• $P(x=a)=F(a)-F(a-0)$
• $P(a\le x\le b)=F(b)-F(a-0)$
• $P(X<a)=F(a-0)$
• $P(X\ge a)=1-F(a-0)$

5.1 离散型随机变量

1. 有密度函数求分布函数

【离散型随机变量的分布函数区间范围，左边取等号，右边不取等号，左闭右开，整个范围要包含$(-\infty ,+\infty )$】

2. 有分布函数求密度函数

间断点$x_k$是$X$的取值，$P(X=x_k)=F(x_k)-F(x_k-0)$【$F(x_k-0)：x_k向左挪一点的值$】

5.2 连续型随机变量

$F(x)=P(X\le x)={\int }_{-\infty }^{x}f(t)dt,F^{\prime }(x)=f(x)$

分布函数带参数，求参数：

1. 利用负无穷为0，正无穷为1

2. 利用连续性

5.3 离散型随机分布

5.3.1 0-1分布

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}

【$X=1,P=p;X=0,P=1-p$】

• 有两种结果
• 试验只做一次

5.3.2 几何分布$G(p)$

$P(A)=p$，第 $k$ 次首次出现，前 $k-1$ 次未出现

$P(X=k)=(1-p{)}^{k-1}p，X\sim G(p)$

5.3.3 二项分布$B(n,p)$

$P(A)=p$，$n$ 次试验，发生 $k$ 次

$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k}，X\sim B(n,p)$

最可能值：$(n+1)p$ 不为整数时，$[(n+1)p]$（取整）达到最值；$(n+1)p$ 是整数时，$(n+1)p,(n+1)p-1$ 是最值

5.3.4 泊松分布$P(\lambda )$

$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }，X\sim P(\lambda )$【$\lambda >0$】

• 电台收到的呼叫次数、公用设备【等车、收银台、挂号处】符合泊松分布

5.3.5 超几何分布

$N$个元素，$N_1$个属于第一类，$N_2$个属于第二类，取$n$个，$X：n$个属于第一类的个数

$P(X=k)=\frac{C_{N_1}^k{C}_{N_2}^{n-k}}{C_N^n}$【 k = 0 , 1 , . . . , m i n { n , N 1 } k=0,1,...,min\{n,N_1\} k=0,1,...,min{n,N1​}】

当N很大，n相对于N很小时，超几何分布近似用二项分布，二项分布$n\ge 100,np\le 10$用泊松分布近似二项分布$\lambda =np$

5.4 连续型随机分布

5.4.1 均匀分布$U[a,b]$

$$f(x)=\{\begin{array}{ll}\frac{1}{b-a}& a\le x\le b\\ 0& else\end{array}$$

$$F(x)=\{\begin{array}{ll}0& x<a\\ \frac{x-a}{b-a}& a\le x\le b\\ 1& b\le x\end{array}$$

5.4.2 指数分布$Exp(\lambda )$

$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x}& x>0\\ 0& x\le 0\end{array}$$ 【$\lambda$>0】

$$F(x)=\{\begin{array}{ll}1-e^{-\lambda x}& x>0\\ 0& x\le 0\end{array}$$

无记忆性：$P(X>s+t|X>s)=P(X>t)$，例如：一个元件已使用了 s 小时，总共使用至少 s+t 小时的条件概率，与从开始使用时算起至少能使用 t 小时的概率相等

5.4.3 正态分布$N(\mu ,{\sigma }^2)$

$$\varphi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$,$-\infty <x<\infty$

性质：

• 以 $\mu$ 为对称轴，$x=\mu$时取最大值$\frac{1}{\sqrt{2\pi }\sigma }$
• 以x轴为渐近线，$x\pm \sigma$为拐点
• $\sigma$固定，$\mu$变化：左右移动；$\mu$固定，$\sigma$变小：最高点上移变陡，$\sigma$变大：最高点下移变缓

标准正态分布

$\mu =0;\sigma =1$

$${\varphi }_0(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$

$${\Phi }_0(x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt$$

性质：

• y轴对称
• ${\varphi }_0(x)={\varphi }_0(-x)$
• ${\Phi }_0(-x)=1-{\Phi }_0(x)$

$x>5,x<-5则{\varphi }_0(x)=0；x>5,{\Phi }_0(x)=1,x<-5,{\Phi }_0(x)=0$

正态分布与标准正态分布的转换 $\varphi (x)=\frac{1}{\sigma }{\varphi }_0(\frac{x-\mu }{\sigma })$ $\Phi (x)={\Phi }_0(\frac{x-\mu }{\sigma })$

$3\sigma$法则

四、随机变量的函数的分布

4.1 离散型

有重复的概率相加，没有重复的直接写原随机变量的概率，随机变量变为随机变量的函数

$$\{\begin{array}{ll}X=-1& P(Y=4)=0.2\\ X=0& P(Y=1)=0.3\\ X=1& P(Y=0)=0.1\\ X=2& P(Y=1)=0.4\end{array}$$

4.2 连续型

$$\{\begin{array}{l}{F}_X(x)=P(X\le x)\\ F_Y(x)=P(Y\le x)\end{array}$$

先通过X的分布函数求出Y的分布函数，然后再求导求出Y的概率密度函数

例：

$X的概率密度函数f_X(x),Y=3X+2$

求解：

$F_Y(x)=P(Y\le x)=P(3X+2\le x)=P(X\le \frac{x-2}{3})=F_X(\frac{x-2}{3})$

对$F_Y(x)$求导得概率密度函数：$f_Y(x)=\frac{1}{3}{f}_X(\frac{x-2}{3})$

当$$f_X(x)=\{\begin{array}{ll}\frac{1}{4}& 0\le x\le 4\\ 0& else\end{array}$$ 则

$$f_Y(x)=\{\begin{array}{ll}\frac{1}{12}& 2\le x\le 14\\ 0& else\end{array}$$

$X$服从[a,b]上的均匀分布，$Y=kX+c(k\ne 0)$服从$$\{\begin{array}{ll}[ka+c,kb+c]& k>0\\ [kb+c,ka+c]& k<0\end{array}$$上的均匀分布

$X$服从正态分布$N(\mu ,{\sigma }^2)$，$Y=aX+b(a\ne 0)$服从$N(a\mu +b,a^2{\sigma }^2)$

定理：$X的密度函数f_X(x),Y=kX+b(k\ne 0),则f_Y(x)=\frac{1}{|k|}{f}_X(\frac{x-b}{k})$