概率论复习笔记（二）随机变量及其分布

基本概念

随机变量及其分布函数

随机变量 ： 设随机试验$E$的样本空间为$\Omega$， 如果对于$\Omega$内的每一个样本点$e$都有一个实数x 与之对应， 则称$X$为随机变量， 记为 $X=X(e).$

简言之， 随机变量就是定义在样本空间$\Omega$上的样本点 e 的实值单值函数$X(e).$我们一般用大写字母如$X，Y，Z,\dots$表示随机变量 。

随机变量的分类 ：
$$随机变量\{\begin{array}{l}离散型\\ 非离散型\{\begin{array}{l}连续型\\ 其他\end{array}\end{array}$$

不要误以为 ， 一个随机变量如果不是离散型就是连续型的.实际上还存在非离散非连续型的 。

随机变量的取值是有概率规律的， 这种概率规律叫做随机变量的概率分布.在概率分布的描述上，离散型随机变量和连续型随机变量所采用的方法是不同的.前者主要采用列举法， 后者主要采用积分法.

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 } , − ∞ < x < ∞ F(x)=P\{X\leq x\},-\infty<x<\infty F(x)=P{X≤x},−∞<x<∞

称为$X$的分布函数.

分布函数的性质

1. 单调性:$F(x)$是一个单调不减的函数， 即当$x_1<x_2$时$,F(x_1)\le F(x_2);$

2. 有界性 :
   $$\begin{gathered} 0\le F(x_1)\le 1,且 \\ F(+\infty )=\underset{x\to +\infty }{\lim }F(x)=1; \\ F(-\infty )=\underset{x\to -\infty }{\lim }F(x)=0; \end{gathered}$$

3. 连续性:$F(x+0)=F(x),$即$F(x)$是右连续函数.

用分布函数表示概率:

P { X = a } = P { X ≤ a } − P { X < a } = F ( a ) − F ( a − 0 ) P { X > a } = 1 − P { X ≤ a } = 1 − F ( a ) P { a < X ≤ b } = P { X ≤ b } − P { X ≤ a } = F ( b ) − F ( a ) P { a < X < b } = P { X < b } − P { X ≤ a } = F ( b − 0 ) − F ( a ) P { a ≤ X ≤ b } = P { X ≤ b } − P { X < a } = F ( b ) − F ( a − 0 ) P { a ≤ X < b } = P { X < b } − P { X < a } = F ( b − 0 ) − F ( a − 0 ) P\{X=a\}=P\{X\leq a\}-P\{X<a\}=F(a)-F(a-0)\\ P\{X>a\}=1-P\{X\leq a\}=1-F(a)\\ P\{a<X\leq b\}=P\{X\leq b\}-P\{X\leq a\}=F(b)-F(a)\\ P\{a<X<b\}=P\{X<b\}-P\{X\leq a\}=F(b-0)-F(a)\\ P\{a\leq X\leq b\}=P\{X\leq b\}-P\{X<a\}=F(b)-F(a-0)\\ P\{a\leq X<b\}=P\{X<b\}-P\{X<a\}=F(b-0)-F(a-0)\\ P{X=a}=P{X≤a}−P{X<a}=F(a)−F(a−0)P{X>a}=1−P{X≤a}=1−F(a)P{a<X≤b}=P{X≤b}−P{X≤a}=F(b)−F(a)P{a<X<b}=P{X<b}−P{X≤a}=F(b−0)−F(a)P{a≤X≤b}=P{X≤b}−P{X<a}=F(b)−F(a−0)P{a≤X<b}=P{X<b}−P{X<a}=F(b−0)−F(a−0)

离散型随机变量及其概率分布

离散型随机变量

若随机变量$X$的全部可能取值是有限个或可列个， 则称$X$为离散型随机变量.

分布律

离散型随机变量$X$所有可能取值为$x_k(k=1,2,\cdots ),$ 事件 { X = x k } \{X=x_k\} {X=xk​}的概率为 P { X = x k } = p k ( k = 1 , 2 , ⋯   ) , P\{X=x_k\}=p_k(k=1,2,\cdots), P{X=xk​}=pk​(k=1,2,⋯),这里有$0\le p_k\le 1,$并且$$\sum _k{p}_k=1$$则 称 P { X = x k } = p k ( k = 1 , 2 , ⋯   ) P\{X=x_k\}=p_k(k=1,2,\cdots) P{X=xk​}=pk​(k=1,2,⋯)为$X$的分布律或分布列。

分布律也可以写成表格形式:

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

性质

离散型随机变量 x的分布律的性质：

1. P { X = x k } = p k ≥ 0 ( k = 1 , 2 , ⋯   ) P\{X=x_k\}=p_k\geq0(k=1,2,\cdots) P{X=xk​}=pk​≥0(k=1,2,⋯)
2. ∑ k P { X = x k } = ∑ k p k = 1 \sum_kP\{X=x_k\}=\sum_kp_k=1 k∑​P{X=xk​}=k∑​pk​=1

离散型随机变量$X$的分布律与分布函数和事件概率的关系

1. 如果已知$X$的分布律为 P { X = x k } = p k ( k = 1 , 2 , ⋯   ) , P\{X=x_k\}=p_k(k=1,2,\cdots), P{X=xk​}=pk​(k=1,2,⋯),则$X$的分布函数

F ( x ) = P { X ≤ x } = ∑ x k ≤ x p k ; F(x)=P\{X\leq x\}=\sum_{x_k\leq x}p_k; F(x)=P{X≤x}=xk​≤x∑​pk​;

而事件的概率为
P { a < X ≤ b } = ∑ a < x k ≤ b p k . P\{a<X\leq b\}=\sum_{a<x_k\leq b}p_k. P{a<X≤b}=a<xk​≤b∑​pk​.

2. 如果已知$X$的分布函数$F(x),$则$X$的分布律为
   P { X = x k } = F ( x k ) — F ( x k — 0 ) , k = 1 , 2 , ⋯   , P\{X=x_k \}=F( x_ k ) — F ( x_ k — 0),k=1,2,\cdots, P{X=xk​}=F(xk​)—F(xk​—0),k=1,2,⋯,

$F(x)$ 的值是$X=x$点的左边(含$x$点）全部所有点概率值的累加和.

$F(x)$的图形是右升的台阶形， 每个台阶处的跃度等于$X$取该值的概率.基于这点 ， 由$X$的分布函数的图形可以求出$X$的分布律

几个重要的离散型随机变量

(0—1) 分布

设随机变量 X只可能取 0 与1 两个值， 它的分布律是 P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 , 0 < p < 1 P\{X=k\}=p^k(1-p)^{1-k},k=0,1,0<p<1 P{X=k}=pk(1−p)1−k,k=0,1,0<p<1

$X$	0	1
$p_k$	$1-p$	$p$

(0 — 1) 分布是经常遇到的一种分布， 用来描述只有两种对应结果的伯努利试验（ 如成功与失败， 合格与不合格， 出现与不出现等）.这些时候我们可以定义一个服从（0 — 1) 分布的随机变量:
$$X=\{\begin{array}{l}0,A不发生\\ 1,A发生\end{array}$$

二项分布

伯努利试验

设试验$E$只有两种可能结果,A 及$\overline{A}$， 则$E$称为伯努利试验.若将试验$E$独立地重复进行$n$次， 则称这个试验为$n$重伯努利试验.

伯努利试验是一个很重要的数学模型.

二项分布

在$n$重伯努利试验中,若$P(A)=p，P(\overline{A})=1—p.$记X为$n$次试验中事件A 发生的次数,显然$X$是一个随机变量， 它的取值为$ 0,1,2,\dots,n.$它的分布律为
P { X = k } = C n k p k ( 1 — p ) n − k ， k = 0 ， 1 ， 2 ， … , n , P\{X = k\}= C^k_np^k(1 —p)^{n-k} ，k = 0，1， 2， \dots,n, P{X=k}=Cnk​pk(1—p)n−k，k=0，1，2，…,n,
称 X服从参数为$n,p$的二项分布,记为
$$X\sim B(n,p)$$

二项分布与(0 — 1)分布有着密切关系

1. 在二项分布中， 若$n=1,$ 二项分布就变成 (0 — 1) 分布；

2. 在$n$次伯努利试验中， 若只考虑某一次试验，比如第$i$次试验， 可定义随机变量$X_i$如下：
   $$X_i=\{\begin{array}{l}1,当A_i发生时\\ 0,当\overline{A_i}发生时\end{array},i=1,2,\cdots ,n,$$

   $X_i$服从（ 0 — 1) 分 布. 对前面的$X$,显然有$X={\sum }_{i=1}^n{X}_i.$而$X$服从二项分布.所以说:$n$个服从(0-1)分布的且相互独立的随机变量$X_i$的和服从二项分布.

二项分布分布律中概率的最大值问题

1.取 k 0 = [ ( n + 1 ) p ] ， P { X = k 0 } k_0=[(n+1)p]，P\{X=k_0\} k0​=[(n+1)p]，P{X=k0​}为分布律中的最大值([ ]为取整记号).
2.若$(n+1)p=k_0$为 整 数， 则 P { X = k 0 } = P { X = k 0 − 1 } P\{X = k0\}=P\{X=k_0-1\} P{X=k0}=P{X=k0​−1}同为分布律中的最大值.

泊松分布

泊松分布的定义

对于常数$\lambda >0$,如果随机变量 $X$的分布律为
P { X = k } = λ k e k k ! , k = 0 , 1 , 2 , ⋯   , P\{X=k\}=\frac {\lambda^ke^k}{k!},k=0,1,2,\cdots, P{X=k}=k!λkek​,k=0,1,2,⋯,
则称$X$服从参数为 A 的泊松分布， 记为$X\sim B(\lambda )$.

泊松定理

设有$X\sim B(n,p_n)$和常数$\lambda >0,$如果$n{p}_n=\lambda ,$则
$$\underset{n\to \infty }{\lim }{C}_n^k{p}_n^k(1-p_n{)}^{n-k}=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,2,\cdots .$$

①泊松定理说明,当$n\to \infty$时,二项分布的极限分布为泊松分布.这从理论上说明了泊松分布的来源.

另一方面也表明 ， 当 $n$很大很大时，二项分布可以用泊松分布近似代替.

实践中， 对$X\sim B(n,p)$的情况， 当$n\ge 50,np\le 10$时,记$\lambda =np.$则有
$$C_n^k{p}^k(1-p{)}^{n-k}\approx \frac{{\lambda }^k{e}^{-\lambda }}{k!}.$$

② 具有泊松分布的随机变量在实际应用中是很多的， 如一本书一页中的印刷错误字数、 一段时间内电话用户对电话站的呼唤次数 、 电影院的观众数 ， 等等. 泊松分布也是概率论中的一种重要分布.

超几何分布

超几何分布定义

KaTeX parse error: No such environment: align at position 57: …{N}^{n}} \begin{̲a̲l̲i̲g̲n̲}̲ ,k=0,1,2,\cdot…

随机变量 X 服从参数为$n， N，M $的超几何分布，记为$X\sim H( n，N，M)$

超几何分布的含义

有 $N$个球， 其中有 $M$个白球，$N—M$个黑球.从中取出$n$个球， 取到 $k$个白球的概率.

几何分布

几何分布定义

P { X = k } = q k − 1 p , k = 1 , 2 , 3 ， ⋯ ， P \{ X = k \} = q^{k-1}p,k = 1,2,3，\cdots， P{X=k}=qk−1p,k=1,2,3，⋯， 其中$p\ge 0,q=1-p.$随机变量$X$服从参数为$p$的几何分布， 记为$X\sim G(p).$

几何分布的背景

每次 A 发生的概率为$p,$而直到第$k$次才出现A.

连续型随机变量及其概率分布

连续型随机变量

如果对于随机变量$X$的分布函数$F(x),$存在非负函数$f(x),$使对于任意实数$x$有
$$F(x)={\int }_{-\infty }^{x}f(t)dt,$$
则称$X$为连续型随机变量， 其中函数$f(x)$称为$X$的概率密度函数， 简称概率密度.

概率密度的性质

1. $f(x)\ge 0;$

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

3. 对于任意实数$x_1,x_2(x_1\le x_2),$
   KaTeX parse error: No such environment: equation at position 23: …<X<x_2\} \begin{̲e̲q̲u̲a̲t̲i̲o̲n̲}̲ =F(x_2)-F(x_1)…

4. $f(x)$若在点$x$处连续，则有$F^{\prime }(x)=f(x).$

常见连续型随机变量

均匀分布

均匀分布定义

若连续型随机变量$X$具有概率密度
$$f(x)=\{\begin{array}{l}\frac{1}{b-a},\text{a<x< b}\\ 0,\text{其他，}\end{array}$$
则称 X 在区间$(a,b)$上服从均匀分布. 记为$X\sim U(a,b).$

$X$的分布函数为
$$F(x)=\{\begin{array}{l}0,x<a，\\ \frac{1}{b-a},a\le x<b,\\ 1,x\ge b\end{array}$$

均匀分布的性质

若$(c,d)\subset (a,b),$则有
P { c ≤ X ≤ d } = d − c b − a ( 几 何 概 率 ) . P\{c\leq X\leq d\}=\frac{d-c}{b-a}(几何概率). P{c≤X≤d}=b−ad−c​(几何概率).

指数分布

指数分布定义

若连续型随机变量 $X$ 的概率密度为
$$f(x)=\{\begin{array}{l}\lambda e^{-\lambda x},x>0，\\ 0,x\le 0.\end{array}$$
其中$\lambda >0$为常数，则称$X$服从参数为$\lambda$的指数分布.

$X$的分布函数为$F(x)=\{\begin{array}{l}0,x>0，\\ 1-e^{-\lambda x},x\le 0.\end{array}$

指数分布的性质(无记忆性）

若$X\sim E(\lambda ),$则对任何正数$x,x_0,$必有
P { X > x + x 0 ∣ X > x 0 } = P { X > x } . P\{X>x+x_0\mid X>x_0\}=P\{X>x\}. P{X>x+x0​∣X>x0​}=P{X>x}.

指数分布常用作描述一些电子元件的使用寿命,当$x>0$时 , P { X > x } = e − λ x ,P\{X>x\}=e^{-\lambda x} ,P{X>x}=e−λx

记住积分公式${\int }_0^{+\infty }{x}^n{e}^{-x}dx=n!$对指数分布的计算很有帮助， 可能减少许多积分过程.

正态分布

正态分布定义

若连续型随机变量$X$的概率密度函数为
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}(-\infty <x<+\infty ),$$
其中的正态分布$\mu$与$\sigma >0$都是常数,则称服从参数为$\mu$与$\sigma$的正态分布.简记为$X\sim N(\mu,\sigma^2). $

正态分布的性质

1. $f(x)$的图形关于$x=\mu$对称;

2. 当$x=\mu$时，$f(\mu )=\frac{1}{\sqrt{2\pi }\sigma }$为最大值.

   $X$的分布函数为
   $$F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt.$$

标准正态分布

当$\mu =0,\sigma =1$时称随机变量$X$服从标准正态分布.其概率密度和分布函数分别用$\phi (x),\Phi (x)$表示，即有
$$\begin{gathered} \phi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{t^2}{2}}, \\ \Phi (x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt. \end{gathered}$$

标准正态分布的性质

1. $\Phi (-x)=1-\Phi (x)$且$\Phi (0)=\frac{1}{2}$此性质在计算和查表时都是很有用的.

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

   $X$得到$Z$这种做法叫正态分布的标准化步骤.解决正态分布的计算问题最重要的， 首先要考虑的就是对$X$进行标准化.

3. $X\sim N(\mu ,{\sigma }^2),$ 则

P { a ≤ X ≤ b } = Φ ( b − μ σ ) − Φ ( a − μ σ ) . P\{a\leq X\leq b\}=\Phi(\frac{b-\mu}{\sigma})-\Phi(\frac{a-\mu}{\sigma}). P{a≤X≤b}=Φ(σb−μ​)−Φ(σa−μ​).

特例：
P { μ − k σ ≤ X ≤ μ + k σ } = Φ ( μ + k σ − μ σ ) − Φ ( μ − k σ − μ σ ) = Φ ( k ) − Φ ( − k ) = 2 Φ ( k ) − 1 P\{\mu-k\sigma\leq X\leq \mu+k\sigma\}\\ =\Phi(\frac{\mu+k\sigma-\mu}{\sigma})-\Phi(\frac{\mu-k\sigma-\mu}{\sigma})\\ =\Phi(k)-\Phi(-k)\\ =2\Phi(k)-1 P{μ−kσ≤X≤μ+kσ}=Φ(σμ+kσ−μ​)−Φ(σμ−kσ−μ​)=Φ(k)−Φ(−k)=2Φ(k)−1

它的等价形式为
P { ∣ X − μ ∣ ≤ k σ } = 2 Φ ( k ) − 1 P\{\mid X-\mu\mid\leq k\sigma\}=2\Phi(k)-1 P{∣X−μ∣≤kσ}=2Φ(k)−1
此概率值与$\mu ,\sigma$大小无关,只与$k$的数值有关.

$k$	P { ∣ X − μ ∣ ≤ k σ } P\{\mid X-\mu\mid\leq k\sigma\} P{∣X−μ∣≤kσ}
1	0.6826
2	0.9544
3	0.9974

随机向量及其分布

二维随机变量

设$E$是随机试验,样本空间为 Ω = { e } ， \Omega=\{e\}， Ω={e}，由$X=X(e)$和$Y=Y(e)$构成的一个向量$(X ， Y) $叫做二维随机变量。

联合分布

二维随机变量的联合分布函数

设$(X,Y)$ 是二维随机变量$,x,y$是两个任意实数,则称定义在平面上的二元函数 P { X ≤ x , Y ≤ y } P\{X\leq x,Y\leq y\} P{X≤x,Y≤y}为$(X,Y)$的分布函数,或称为
$X$和$Y$的联合分布函数,记作$F(x,y),$即
F ( x , y ) = P { X ≤ x , Y ≤ y } . F(x,y)=P\{X\leq x,Y\leq y\}. F(x,y)=P{X≤x,Y≤y}.

$F(x,y)$的性质

1. $0\le F(x,y)\le 1,$且$F(-\infty ,y)=F(x,-\infty )=F(-\infty ,-\infty )=0,F(+\infty ,+\infty )=1$

2. $F(x,y)$是变量$x$和$y$的单调不减函数.

3. )$F(x,y)=F(x+0,y),F(x,y)=F(x,y+0),$ 即$F(x,y)$关于$x$和$y$都是右连续的.

4. 对任意$(x_1,y_1),(x_2,y_2),$ 当$x_1<x_2,y_1<y_2$时有
   P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 1 , y 2 ) − F ( x 2 , y 1 ) + F ( x 1 , y 1 ) ≥ 0. P\{x_1<X\leq x_2,y_1<Y\leq y_2\}=F(x_2,y_2)-F(x_1,y_2)-F(x_2,y_1)+F(x_1,y_1)\geq0. P{x1​<X≤x2​,y1​<Y≤y2​}=F(x2​,y2​)−F(x1​,y2​)−F(x2​,y1​)+F(x1​,y1​)≥0.

联合分布律

若$(X,Y)$所有可能取值为$(x_i,y_j),i,j=1,2,\cdots .$则称$(X,Y)$ 是离散型的随机变量.

称 P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , ⋯ P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,\cdots P{X=xi​,Y=yj​}=pij​,i,j=1,2,⋯为二维离散型随机变量$(X,Y)$ 的分布律,或随机变量$X$和$Y$的联合分布律.
也能用表格来表示$X$和$Y$的联合分布律， 如下表所示.

$Y/X$	$x_1$	$x_2$	$\cdots$	$x_i$	$\cdots$
$y_1$	$p_{11}$	$p_{21}$	$\cdots$	$p_{i1}$	$\cdots$
$y_2$	$p_{12}$	$p_{22}$	$\cdots$	$p_{i2}$	$\cdots$
$\cdots$	$\cdots$	$\cdots$		$\cdots$
$y_j$	$p_{1j}$	$p_{2j}$	$\cdots$	$p_{ij}$	$\cdots$
$\cdots$	$\cdots$	$\cdots$		$\cdots$

这里$p_{ij}$具有下列性质：

1. $p_{ij}\ge 0(i,j=1,2,\cdots );$

2. $$\sum _i\sum _j{p}_{ij}=1.$$

   $(X,Y)$的联合分布函数为
   F ( x , y ) = ∑ x i ≤ x , y j ≤ y P { X = x i , Y = y j } . F(x,y)=\sum_{x_i\leq x,y_j\leq y}P\{X=x_i,Y=y_j\}. F(x,y)=xi​≤x,yj​≤y∑​P{X=xi​,Y=yj​}.

联合概率密度

若存在非负的函数$f(x,y)$使对任意有分布函数$F(x,y)={\int }_{-\infty }^x{\int }_{-\infty }^{y}f(u,v)dudv,$则称$(X,Y)$是连续型随机变量.$f(x,y)$称为$(X,Y)$的联合概率密度.

联合密度的性质

1. $f(x,y)\ge 0.$

2. ${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dydx=F(+\infty ,+\infty )=1.$

3. 若$f(x,y)$在点$(x,y)$处连续， 则$\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}=f(x,y).$

4. 设$G$是$xOy$平面上一个区域,则
   P { ( X , Y ) ∈ G } = ∬ G f ( x , y ) d x d y P\{(X,Y)\in G\}=\iint_Gf(x,y)dxdy P{(X,Y)∈G}=∬G​f(x,y)dxdy

常见的二维随机变量的分布

二维均匀分布

如果二维随机变量$(X,Y)$有概率密度
$$f(x,y)=\{\begin{array}{l}\frac{1}{A},(x,y)\in G,\\ 0,其他.\end{array}$$
其中$G$为平面有界区域$,A$为其面积,则称$(X,Y)$在$G$上服从二维均匀分布.

二维均匀分布的性质

在正矩形(矩形边与坐标轴平行)上,二维均匀分布的边缘分布是均匀分布,并且$X$与$Y$相互独立.

二维正态分布

如果二维随机变量$(X,Y)$的概率密度为
f ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 e x p { − 1 2 ( 1 − ρ 2 ) [ ( x − μ 1 ) 2 σ 1 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 + ( y − μ 2 ) 2 σ 2 2 ] } ( − ∞ < x , y < + ∞ ) , f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2 \sqrt{1-\rho^2}}exp\{-\frac{1}{2(1-\rho^2)}[\frac{(x-\mu_1)^2}{\sigma_1^2}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}]\}(-\infty<x,y<+\infty), f(x,y)=2πσ1​σ2​1−ρ2 ​1​exp{−2(1−ρ2)1​[σ12​(x−μ1​)2​−2ρσ1​σ2​(x−μ1​)(y−μ2​)​+σ22​(y−μ2​)2​]}(−∞<x,y<+∞),
其中${\mu }_1,{\mu }_2,{\sigma }_1,{\sigma }_2,\rho$均为常数,且${\sigma }_1>0,{\sigma }_2>0,-1<\rho <1,$则称$(X,Y)$服从参数为${\mu }_1,{\mu }_2,{\sigma }_1,{\sigma }_2,\rho$的二维正态分布,记作
$$(X,Y)\sim N({\mu }_1,{\sigma }_1^2;{\mu }_2,{\sigma }_2^2;\rho ).$$
特别,当${\mu }_1={\mu }_2=0,{\sigma }_1={\sigma }_2=1$时，则称$(X,Y)$服从标准正态分布.

二维正态分布的性质

$$(X,Y)\sim N({\mu }_1,{\sigma }_1^2;{\mu }_2,{\sigma }_2^2;\rho )\Rightarrow X\sim N({\mu }_1,{\sigma }_1^2),Y\sim N({\mu }_2,{\sigma }_2^2)$$

逆命题不成立.

边缘分布

边缘分布函数：

关于$X$有:

F X ( x ) = P { X ≤ x } = P { X ≤ x , Y < + ∞ } ; F_X(x)=P\{X\leq x\}=P\{X\leq x,Y<+\infty\}; FX​(x)=P{X≤x}=P{X≤x,Y<+∞};

关于$Y$有

F Y ( y ) = P { Y ≤ y } = P { X < + ∞ , Y ≤ y } ; F_Y(y)=P\{Y\leq y\}=P\{X<+\infty,Y\leq y\}; FY​(y)=P{Y≤y}=P{X<+∞,Y≤y};

由联合分布函数$F(x,y)$求边缘分布函数,有
$$F_X(x)=F(x,+\infty )=\underset{y\to +\infty }{\lim }F(x,y),F_Y(y)=F(+\infty ,y)=\underset{x\to +\infty }{\lim }F(x,y).$$

离散型随机变量的边缘分布

边缘分布律

关于$X$有:
P { X = x i } = ∑ j P { X = x i , Y = y j } = ∑ j p i j = p i } P\{X=x_i\}=\sum_jP\{X= x_i,Y=y_j\}=\sum_jp_ij=p_i\} P{X=xi​}=j∑​P{X=xi​,Y=yj​}=j∑​pi​j=pi​}
关于$Y$有
P { Y = y j } = ∑ i P { X = x i , Y = y j } = ∑ i p i j = p j } P\{Y= y_j\}=\sum_iP\{X= x_i,Y=y_j\}=\sum_ip_ij=p_j\} P{Y=yj​}=i∑​P{X=xi​,Y=yj​}=i∑​pi​j=pj​}

边缘分布函数

关于$X$有:
$$F_X(x)=\sum _{x_i\le x}{p}_i.$$
关于$Y$有:
$$F_Y(y)=\sum _{y_i\le y}{p}_j.$$

连续型随机变量的边缘分布

设$f(x,y)$为联合密度函数 .

边缘密度函数

关于$X$有:
$$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy,$$
关于$Y$有:
$$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx.$$

边缘分布函数

关于$X$有:
$$F_X(x)={\int }_{-\infty }^x{f}_X(x)dx={\int }_{-\infty }^x{\int }_{-\infty }^{+\infty }f(x,y)dydx,$$
关于$Y$有:
$$F_Y(y)={\int }_{-\infty }^y{f}_Y(y)dx={\int }_{-\infty }^y{\int }_{-\infty }^{+\infty }f(x,y)dxdy.$$

条件分布

离散型随机变量的条件分布律

设$(X,Y)$是二维离散型随机变量， 对于固定的$j,$若 P { Y = y j } > 0 , P\{Y=y_j\}>0, P{Y=yj​}>0,则称
p X ∣ Y ( i ∣ j ) = P { X = x i ∣ Y = y j } = p i j p j ( i = 1 , 2 , ⋯   ) p_{X\mid Y}(i\mid j)=P\{X=x_i\mid Y=y_j\}=\frac {p_{ij}}{p_j}(i=1,2,\cdots) pX∣Y​(i∣j)=P{X=xi​∣Y=yj​}=pj​pij​​(i=1,2,⋯)
为在 { Y = y j } \{Y=y_j\} {Y=yj​}条件下随机变量$X$的条件分布律.

同样， 对于固定的$i,$ 若 P { X = x i } > 0 , P\{X=x_i\}>0, P{X=xi​}>0,则称
p Y ∣ X ( j ∣ i ) = P { Y = y j ∣ X = x i } = p i j p i ( j = 1 , 2 , ⋯   ) p_{Y\mid X}(j\mid i)=P\{Y=y_j\mid X=x_i \}=\frac {p_{ij}}{p_i}(j=1,2,\cdots) pY∣X​(j∣i)=P{Y=yj​∣X=xi​}=pi​pij​​(j=1,2,⋯)
为在 { X = x i } \{X=x_i\} {X=xi​}条件下随机变量$Y$的条件分布律.

连续型随机变量的条件概率密度

设$(X,Y)$是二维连续型随机变量,若$f_Y(y)>0,$则称
$$p_{X\mid Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}(-\infty <x<+\infty )$$
为在 { Y = y } \{Y=y\} {Y=y}条件下随机变量$X$的条件概率密度.

若$f_X(x)>0,$则称
$$p_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}(-\infty <y<+\infty )$$
为在 { X = x } \{X=x\} {X=x}条件下随机变量$Y$的条件概率密度.

随机变量的独立性

二维随机变量的独立性

若对任何都有 P { X ≤ x , Y ≤ y } = P { X ≤ x } P { Y ≤ y } , P\{X\leq x,Y\leq y\} = P\{X\leq x\}P\{Y\leq y\}, P{X≤x,Y≤y}=P{X≤x}P{Y≤y},即$F(x,y)=F_X(x)F_Y(y),$则称随机变量$X$和$Y$是相互独立的.

独立性的判断方法 ：
(1) 用分布函数:

$X,Y$相互独立的充分必要条件是在任何点$(x,y)$都有$F(x,y)=F_X(x)F_Y(y);$
(2) 对离散型随机变量:

$X,Y$相互独立的充分必要条件是对所有的$i,j,$都有 P { X = x i , Y = y j } = P { X = x i } P { Y = y j } ; P\{X=x_i,Y=y_j\}=P\{X=x_i\}P\{Y=y_j\}; P{X=xi​,Y=yj​}=P{X=xi​}P{Y=yj​};
(3) 对连续型随机变量:

$X,Y$ 相互独立的充分必要条件是对任何点$(x,y)$都有$f(x,y)=f_X(x)f_Y(y).$

多维随机变量的分布

联合分布函数为
F ( x 1 , x 2 , ⋯   , x n ) = P { X 1 ≤ x 1 , X 2 ≤ x 2 , ⋯   , X n ≤ x n } . F(x_1,x_2,\cdots,x_n)=P\{X_1\leq x_1,X_2\leq x_2,\cdots,X_n\leq x_n\}. F(x1​,x2​,⋯,xn​)=P{X1​≤x1​,X2​≤x2​,⋯,Xn​≤xn​}.
边缘分布函数为
F X i ( x i ) = P { X i ≤ x i } = F ( + ∞ , + ∞ , ⋯   , x i , ⋯   , + ∞ , + ∞ ) , ( i = 1 , 2 , ⋯   , n ) . F_{X_i}(x_i)=P\{X_i\leq x_i\}=F(+\infty,+\infty,\cdots,x_i,\cdots,+\infty,+\infty),(i=1,2,\cdots,n). FXi​​(xi​)=P{Xi​≤xi​}=F(+∞,+∞,⋯,xi​,⋯,+∞,+∞),(i=1,2,⋯,n).

多维随机变量的独立性

若对所有$x_1,x_2,\cdots ,x_n$都有
P { X 1 ≤ x 1 , X 2 ≤ x 2 , ⋯   , X n ≤ x n } = P { X 1 ≤ x 1 } ⋯ P { X n ≤ x n } , P\{X_1\leq x_1,X_2\leq x_2,\cdots,X_n\leq x_n\}=P\{X_1\leq x_1\}\cdots P\{X_n\leq x_n\}, P{X1​≤x1​,X2​≤x2​,⋯,Xn​≤xn​}=P{X1​≤x1​}⋯P{Xn​≤xn​},
则称$X_1,X_2,\cdots ,X_n$是相互独立的.

$X_1,X_2,\cdots ,X_n$相互独立的判断条件:

1. $X_1,X_2,\cdots ,X_n$相互独立的充分必要条件是

   $F(x_1,x_2,\cdots ,x_n)=F(x_1)F(x_2)\cdots F(x_n).$

2. 对离散型随机变量:$X_1,X_2,\cdots ,X_n$相互独立的充分必要条件是

   P { X 1 = x 1 , X 2 = x 2 , ⋯   , X n = x n } = P { X 1 = x 1 } ⋯ P { X n = x n } P\{X_1=x_1,X_2=x_2,\cdots,X_n=x_n\}=P\{X_1=x_1\}\cdots P\{X_n=x_n\} P{X1​=x1​,X2​=x2​,⋯,Xn​=xn​}=P{X1​=x1​}⋯P{Xn​=xn​}

3. 对连续型随机变量:$X_1,X_2,\cdots ,X_n$相互独立的充分必要条件是

   $f(x_1,x_2,\cdots ,x_n)=f_{X_1}(x_1)f_{X_2}(x_2)\cdot f_{X_n}(x_n).$

随机变量的函数的分布

这里要解决的问题是： 已知随机变量$X$的分布$,Y=g(X),g$是连续函数,求随机变量$Y$的分布.

离散型随机变量函数的分布

设随机变量 X 的 分布律为 P { X = x k } = p k , k = 1 , 2 , ⋯   , P\{X=x_k\}=p_k,k=1,2,\cdots, P{X=xk​}=pk​,k=1,2,⋯, 则当$Y=g(X)$的所有取值为:$y_j(j=1,2,\cdots )$时, 随机变量$Y$有分布律
P { Y = y j } = ∑ g ( x i ) = y j P { X = x i } . P\{Y=y_j\}=\sum_{g(x_i)=y_j}P\{X=x_i\}. P{Y=yj​}=g(xi​)=yj​∑​P{X=xi​}.

连续型随机变量函数的分布

分布函数法

设随机$X$的慨率密度函数为$f_X(x)(-\infty <x<+\infty ),$那么$Y=g(X)$的分布函数为
F Y ( y ) = P { Y ≤ y } = P { g ( X ) ≤ y } = ∫ g ( x ) ≤ y f X ( x ) d x , F_Y(y)=P\{Y\leq y\}=P\{g(X)\leq y\}=\int_{g(x)\leq y}{f_X(x)dx}, FY​(y)=P{Y≤y}=P{g(X)≤y}=∫g(x)≤y​fX​(x)dx,
其概率密度为$f_Y(y)=F_Y^{\prime }(y).$

公式法

设随机变量$X$具有概率密度函数$f_X(x)(-\infty <x<+\infty ),g(x)$为$(-\infty <x<+\infty )$内的严格单调的可导函数,则随机变量$Y=g(X)$的概率密度为
$$f_Y(y)=\{\begin{array}{l}{f}_X[h(y)]\mid h^{\prime }(y)\mid ,\alpha <y<\beta \\ 0,其他.\end{array}$$
其中$h(y)$是$g(x)$的反函数,
α = m i n { g ( − ∞ ) , g ( + ∞ ) } , β = m a x { g ( − ∞ ) , g ( + ∞ ) } \alpha=min\{g(-\infty),g(+\infty)\},\\ \beta=max\{g(-\infty),g(+\infty)\} α=min{g(−∞),g(+∞)},β=max{g(−∞),g(+∞)}
其分布函数为$F_Y(y)={\int }_{-\infty }^y{f}_Y(t)dt.$

两个随机变量的函数的分布

设$(X,Y)$为二维随机变量,$z=g(x,y)$为连续函数,则称$Z=g(X,Y)$为二维随机变量$(X,Y)$的函数.

显然$Z$为一维随机变量,其分布函数为 F Z ( z ) = P { Z ≤ z } = P { g ( X , Y ) ≤ z } F_{Z}(z)=P\{Z\leq z\}=P\{g(X,Y)\leq z\} FZ​(z)=P{Z≤z}=P{g(X,Y)≤z}
若$(X,Y)$为二维连续型随机变量,设其分布密度为$f(x,y)$则$Z$的分布函数可表示为

F Z ( z ) = P { Z ≤ z } = ∬ g ( x , y ) ≤ z f ( x , y ) d x d y , F_{Z}(z)=P\{Z\leq z\}=\iint_{g(x,y)\leq z}f(x,y)dxdy, FZ​(z)=P{Z≤z}=∬g(x,y)≤z​f(x,y)dxdy,
由此得$Z$的分布密度为
$$f_Z(z)=\frac{d{F}_Z(z)}{dz}=\frac{d}{dz}{\iint }_{g(x,y)\le z}f(x,y)dxdy.$$

$Z=X+Y$的分布

根据定义计算

F Z ( z ) = P { Z ≤ z } = P { X + Y ≤ z } F_{Z}(z)=P\{Z\leq z\}=P\{X+Y\leq z\} FZ​(z)=P{Z≤z}=P{X+Y≤z}

分三种情况计算

1. $X,Y$是离散型:直接计算 Z 的分布律；

2. $X,Y$是连续型:利用定义计算 Z 的分布函数和分布密度,或根据$f_Z(z)$作一重积分计算：
   $$f_Z(z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx.$$
   特别， 当 $X$ 与$Y$相互独立时,
   $$f_Z(z)=f_X\ast f_Y={\int }_{-\infty }^{+\infty }{f}_X(x)\cdot f_Y(z-x)dx={\int }_{-\infty }^{+\infty }{f}_X(z-y)\cdot f_Y(y)dx(卷积公式).$$

3. X 是离散型， Y 是连续型:使用全概率公式.

关于正态分布的结论

两个独立的正态分布的仍为正态分布,即若$X\sim N({\mu }_1,{\sigma }_1^2),Y\sim N({\mu }_2,{\sigma }_2^2)$则$Z=X+Y\sim N({\mu }_1+{\mu }_2,{\sigma }_1^2+{\sigma }_2^2).$

典型例题

一维随机变量的分布函数

一维离散型随机变量的计算

二项分布与超几何分布

袋中装有6个大小相同的球,4个红色,2个白色.现从中连取5次,每次取一球，求取得红球的个数X的分布律:
(1)每次取出球观察颜色后，即放回袋中,拌匀后再取下一个球;
(2)每次取出球观察颜色后,不放回袋中,再取下一个球.

解:

(1) 随机变量X服从二项分布，则$X\sim (5,\frac{2}{3})$故
P { X = k } = C 5 k ( 2 3 ) k ( 1 3 ) 5 − k ， k = 0 ， 1 ， 2 ， 3 , 4 , 5 , P\{X = k\}= C^k_5(\frac{2}{3})^k(\frac{1}{3})^{5-k} ，k = 0，1， 2，3,4,5, P{X=k}=C5k​(32​)k(31​)5−k，k=0，1，2，3,4,5,
因此X的分布律为

$X$	0	1	2	3	4	5
$p_k$	$\frac{1}{243}$	$\frac{10}{243}$	$\frac{40}{243}$	$\frac{80}{243}$	$\frac{80}{243}$	$\frac{32}{243}$

(2)随机变量$X$服从超几何分布,故
P { X = k } = C 4 k ⋅ C 6 − 4 5 − k C 6 5 , k = 3 , 4 P\{X=k\}=\frac {C_4^k·C_{6-4}^{5-k}}{C _{6}^{5}},k=3,4 P{X=k}=C65​C4k​⋅C6−45−k​​,k=3,4
因此$X$的分布律为

$X$	3	4
$p_k$	$\frac{2}{3}$	$\frac{1}{3}$

几何分布

一房间有3扇同样大小的窗子,其中只有一扇是打开的，有一只鸟自开着的窗子飞入房间，它只能从开着的窗子飞出去。鸟在房子里飞来飞去,试图飞出房间。鸟飞向各扇窗子都是随机的。
(1)假定鸟是没有记忆的，以X表示鸟为了飞出房间试飞的次数,求X的分布律;
(2)户主称,他养的鸟是有记忆的,它飞向任一窗子的尝试不多于一次，以Y表示这只聪明的鸟为了飞出房间试飞的次数，如户主所说是确实的，试求Y的分布律.
解：

(1) X服从几何分布,每次只能从开着的窗子飞出去，飞出去的概率为$\frac{1}{3}，$因此$X$的分布律为
P { X = k } = ( 2 3 ) k − 1 1 3 ( k = 1 , 2 , ⋯   ) . P \{ X = k \} = (\frac{2}{3})^{k-1}\frac{1}{3}(k = 1,2,\cdots). P{X=k}=(32​)k−131​(k=1,2,⋯).
(2)当鸟是有记忆的时,由题意,Y的可能取值为1,2.3.
Y=1,表明鸟从3扇窗子中选对了1扇,因对鸟面言.3扇窗是等可能的 , P { Y = 1 } = 1 3 ,P\{Y=1\}=\frac{1}{3} ,P{Y=1}=31​
Y=2,表明鸟第1次试飞失败概率为$\frac{2}{3},$第二次，鸟舍弃已飞过的那扇窗，而从余下的一开一关两扇窗中选一，成功机会为$\frac{1}{2}$,故 P { Y = 2 } = 2 3 × 1 2 = 1 3 P\{Y=2\}=\frac{2}{3}\times\frac{1}{2}=\frac{1}{3} P{Y=2}=32​×21​=31​
Y=3,表明鸟第1次试飞失败概率为$\frac{2}{3},$第二次，鸟舍弃已飞过的那扇窗，而从余下的一开一关两扇窗中选一，失败机会为$\frac{1}{2}$,第三次从剩下的唯开着的窗子飞出，成功的概率为1.故 P { Y = 3 } = 2 3 × 1 2 × 1 = 1 3 P\{Y=3\}=\frac{2}{3}\times\frac{1}{2}\times1=\frac{1}{3} P{Y=3}=32​×21​×1=31​
因此Y的分布律为

Y	1	2	3
$p_k$	$\frac{1}{3}$	$\frac{1}{3}$	$\frac{1}{3}$

泊松分布

由商店过去的销售记录知道，某商品每月的销售数可以用参数λ=10的泊松分布来描述，为了以95%以上的把握保证不脱销，问商店在上一个月底至少应进某种商品多少件?
解：

设该商店每月销售某种商品X件,X服从参数λ= 10的泊松分布,故

P { X = k } = 1 0 k e k k ! , k = 0 , 1 , 2 , ⋯   , P\{X=k\}=\frac {10 ^ke^k}{k!},k=0,1,2,\cdots, P{X=k}=k!10kek​,k=0,1,2,⋯,
设月底的进货为a件，则当$X\le a$时就不会脱销,因而按题意要求为 P { X ≤ a } ≥ 0.95 , P\{X\leq a\}\geq 0.95, P{X≤a}≥0.95,
即
$$\sum _{k=0}^a\frac{10^k{e}^{-10}}{k!}>0.95,$$
由泊松分布表可得
$$\begin{gathered} \sum _{k=0}^{14}\frac{10^k{e}^{-10}}{k!}\approx 0.9166<0.95, \\ \sum _{k=0}^{15}\frac{10^k{e}^{-10}}{k!}\approx 0.9513>0.95. \end{gathered}$$
于是,这家商店只要在月底进货某种商品15件(假定上个月没存货),就可以95%以上的把握保证这种商品在下个月内不脱销.

一维连续型随机变量的计算

均匀分布

设X在[2,5]上服从均匀分布，求X的取值小于3的概率。

总长度：3

小于3的长度：1

$P_{(X的取值小于3)}$=$\frac{1}{3}$

指数分布

某种电子元件的使用寿命X (单位:小时)服从$\lambda =1/2000$的指数分布。
求：(1)一个元件能正常使用1000小时以上的概率；
(2)一个元件能正常使用1000小时到2000小时之间的概率。

正态分布

一维随机变量函数的分布

公式法

分布函数法