概率论知识点总结
第一章:概率论的基本概念
1、样本空间:对于随机试验来说,由于可以事先明确试验所有可能的结果,因此称随机试验所有可能结果的集合为随机试验的样本空间,记为
Ω
\Omega
Ω。称随机试验中一个可能结果为一个样本点,记为
ω
\omega
ω,从而样本空间就是样本点的集合,即
Ω
=
{
ω
}
\Omega=\{ \omega \}
Ω={ω}。
2、随机事件:一般的,称随机试验的样本空间
Ω
\Omega
Ω的子集为随机试验的随机事件,简称事件。在每次实验中,当且仅当随机事件所包含的样本点重点一个样本点出现时,称为这一事件发生。特别的,有一个样本点组成的单点集,称为基本事件。
3、事件的运算与关系:
Ⅰ.事件的运算
1)和事件:称事件A与事件B中至少有一个发生的事件为事件A和B的和事件。记作
A
∪
B
A\cup B
A∪B
2)积事件:称事件A和事件B同时发生的事件为A事件与B事件的积事件。记为
A
∩
B
A\cap B
A∩B
3)差事件:称事件A发生而事件B不发生的事件为事件A和事件B的差事件。记为
A
−
B
A-B
A−B
4)运算律:
吸收律:
若
A
⊂
B
,
则
A
∪
B
=
B
,
A
B
=
A
若A\subset B,则A\cup B = B,AB = A
若A⊂B,则A∪B=B,AB=A
交换律:
若
A
∪
B
=
B
∪
A
,
A
B
=
B
A
若A\cup B=B\cup A,AB = BA
若A∪B=B∪A,AB=BA
结合律:
若
A
∪
(
B
∪
C
)
=
(
A
∪
B
)
∪
C
,
A
(
B
C
)
=
(
A
B
)
C
若A\cup (B\cup C) = (A\cup B)\cup C,A(BC) = (AB)C
若A∪(B∪C)=(A∪B)∪C,A(BC)=(AB)C
分配律:
若
A
(
B
∪
C
)
=
A
B
∪
A
C
,
A
∪
(
B
C
)
=
(
A
∪
B
)
(
A
∪
C
)
若A(B\cup C)=AB\cup AC,A\cup (BC) = (A\cup B)(A\cup C)
若A(B∪C)=AB∪AC,A∪(BC)=(A∪B)(A∪C)
对偶律:
∪
i
=
1
n
A
i
‾
=
∩
i
=
1
n
A
i
‾
,
∩
i
=
1
n
A
i
‾
=
∪
i
=
1
n
A
i
‾
\overline{\cup_{i=1}^nA_i}=\cap_{i=1}^n\overline{A_i},\overline{\cap_{i=1}^nA_i}=\cup_{i=1}^n\overline{A_i}
∪i=1nAi=∩i=1nAi,∩i=1nAi=∪i=1nAi
Ⅱ.事件的关系
1)包含关系:设A与B事件,如果A事件的发生必然导致事件B的发生则称事件B包含事件A,或称事件A是事件B的子事件,记为
A
⊂
B
A\subset B
A⊂B
2)相等关系:设A与B事件,如果
A
⊂
B
A\subset B
A⊂B且
B
⊂
A
B\subset A
B⊂A,则称事件A与事件B相等,记为
A
=
B
A = B
A=B
3)互不相容(互斥)关系:设A与B事件,如果事件A和事件B同时发生是不可能的,即
A
B
=
∅
AB = \emptyset
AB=∅,则称事件A与事件B是互不相容的
4)对立关系:设A与B事件,如果
A
∪
B
=
Ω
A\cup B=\Omega
A∪B=Ω且
A
B
=
∅
AB=\emptyset
AB=∅,则称事件A与事件B是相互对立的,称事件B是事件A的逆事件或对立事件,记为
A
‾
\overline A
A
4、概率:
P
(
∅
)
=
0
P(\emptyset)=0
P(∅)=0
P
(
∪
i
=
1
n
A
i
)
=
Σ
i
=
1
n
P
(
A
i
)
P(\cup_{i=1}^nA_i)=\Sigma_{i=1}^nP(A_i)
P(∪i=1nAi)=Σi=1nP(Ai)
P
(
B
−
A
)
=
P
(
B
)
−
P
(
A
)
P(B-A)=P(B)-P(A)
P(B−A)=P(B)−P(A)
P
(
A
)
≤
1
P(A)\leq 1
P(A)≤1
P
(
A
‾
)
=
1
−
P
(
A
)
P(\overline A)=1-P(A)
P(A)=1−P(A)
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
B
)
P(A\cup B)=P(A)+P(B)-P(AB)
P(A∪B)=P(A)+P(B)−P(AB)
lim
n
→
∞
P
(
A
n
)
=
P
(
∪
n
=
1
∞
A
n
)
\lim_{n\rightarrow \infty} P(A_n)=P(\cup_{n=1}^\infty A_n)
limn→∞P(An)=P(∪n=1∞An)
lim
n
→
∞
P
(
A
n
)
=
P
(
∩
n
=
1
∞
A
n
)
\lim_{n\rightarrow \infty} P(A_n)=P(\cap_{n=1}^\infty A_n)
limn→∞P(An)=P(∩n=1∞An)
5、古典概型(几何概率)
设随机试验的样本空间
Ω
=
{
ω
1
、
ω
2
、
ω
3
、
ω
4
⋯
ω
n
}
\Omega=\{ \omega_1、\omega_2、\omega_3、\omega_4 \cdots \omega_n\}
Ω={ω1、ω2、ω3、ω4⋯ωn},n为有限的正整数,且每个基础事件(两两互不相容的事件)
ω
i
(
i
=
1
、
2
、
3
、
4
⋯
,
n
)
{\omega_i}(i=1、2、3、4\cdots,n)
ωi(i=1、2、3、4⋯,n)发生的可能性相同,则称这种随机试验为古典概型,或称等可能概型。
计算公式:
P
(
A
)
=
k
n
=
有
利
于
事
件
A
发
生
的
基
本
事
件
数
Ω
中
基
本
事
件
的
总
数
P(A)=\frac{k}{n}=\frac{有利于事件A发生的基本事件数}{\Omega中基本事件的总数}
P(A)=nk=Ω中基本事件的总数有利于事件A发生的基本事件数
6、条件概率和概率的三大公式
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P(B|A) = \frac{P(AB)}{P(A)}
P(B∣A)=P(A)P(AB)
1)乘法公式:
P
(
A
B
)
=
P
(
A
∣
B
)
P
(
B
)
=
P
(
B
∣
A
)
P
(
A
)
P(AB)=P(A|B)P(B)=P(B|A)P(A)
P(AB)=P(A∣B)P(B)=P(B∣A)P(A)
2)全概率公式:
P
(
A
)
=
Σ
i
=
1
n
P
(
B
i
)
P
(
A
∣
B
i
)
P(A)=\Sigma_{i=1}^nP(B_i)P(A|B_i)
P(A)=Σi=1nP(Bi)P(A∣Bi)
P
(
B
i
∣
A
)
=
P
(
B
i
)
P
(
A
∣
B
i
)
Σ
j
=
1
n
P
(
B
j
)
P
(
A
∣
B
j
)
P(B_i|A)=\frac{P(B_i)P(A|B_i)}{\Sigma_{j=1}^nP(B_j)P(A|B_j)}
P(Bi∣A)=Σj=1nP(Bj)P(A∣Bj)P(Bi)P(A∣Bi)
7、事件的独立性
1)
P
(
A
B
)
=
P
(
A
)
P
(
B
)
P(AB)=P(A)P(B)
P(AB)=P(A)P(B)
2)A,B相互独立,A的运算与B的运算也相互独立
3)A,B,C相互独立,A,B,C任意两者的运算和第三事件的运算相互独立。若事件
A
1
,
A
2
⋯
A
n
A_1,A_2\cdots A_n
A1,A2⋯An相互独立,则其两两独立,但反之不然。
4)
A
1
,
A
2
⋯
A
n
A_1,A_2\cdots A_n
A1,A2⋯An相互独立,则
①其中任意k个事件也相互独立
②将其中任意K个事件换成它们各自的对立事件,所得到的n个事件也相互独立
③将
A
1
,
A
2
,
⋯
,
A
n
A_1,A_2,\cdots,A_n
A1,A2,⋯,An任意分为k个没有相同事件的不同小组,并对每个小组中的事件施以和、积、差、逆运算后,所得到的k个事件也相互独立。
第二章:随机变量及其分布
1、随机变量的分布函数
设X是一个随机变量,称函数
F
(
x
)
=
P
(
X
≤
x
)
F(x)=P(X\leq x)
F(x)=P(X≤x)为随机变量X的分布函数。
从几何上看,如果把X看成数轴上的随机点坐标,那么分布函数F(x)就是在x处的函数值就表示X落在区间
(
−
∞
,
x
]
(-\infty,x ]
(−∞,x]上的(即随机点落在点x的左边)概率。
1)
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)
2)
0
≤
F
(
x
)
≤
1
0 \leq F(x)\leq 1
0≤F(x)≤1且
F
(
−
∞
)
=
0
,
F
(
+
∞
)
=
1
F(-\infty)=0,F(+\infty) = 1
F(−∞)=0,F(+∞)=1
3)F(x)函数是单调不递减函数
4)F(x)是右连续的,即
F
(
x
+
0
)
=
F
(
x
)
F(x+0)=F(x)
F(x+0)=F(x)
2、离散型随机变量的分布律
设X是离散型随机变量,其可能的取值为
x
1
,
x
2
,
⋯
,
x
i
⋯
x_1,x_2,\cdots,x_i\cdots
x1,x2,⋯,xi⋯,称
P
(
X
=
X
i
)
=
p
i
,
i
=
1
,
2
,
⋯
P(X = X_i) = p_i,i=1,2,\cdots
P(X=Xi)=pi,i=1,2,⋯为X的分布律。【可能值+可能值出现概率】
或表示为
X | x 1 x_1 x1 | x 2 x_2 x2 | ⋯ \cdots ⋯ | x i x_i xi | ⋯ \cdots ⋯ |
---|---|---|---|---|---|
P | p 1 p_1 p1 | p 2 p_2 p2 | ⋯ \cdots ⋯ | p i p_i pi | ⋯ \cdots ⋯ |
求离散型随机变量X的分布律,其方法是:X可能的取值便是分布函数F(x)的间断点(分界点)
x
i
(
i
=
1
,
2
,
⋯
)
x_i(i=1,2,\cdots)
xi(i=1,2,⋯),从而X的分布律为
p
i
=
P
(
X
=
x
i
)
=
F
(
x
i
+
0
)
−
F
(
x
i
−
0
)
=
F
(
x
i
)
−
F
(
x
i
−
0
)
p_i=P(X=x_i)=F(x_i+0)-F(x_i-0)=F(x_i)-F(x_i-0)
pi=P(X=xi)=F(xi+0)−F(xi−0)=F(xi)−F(xi−0)
3、几种重要的离散型随机变量
1)0-1分布
离散型随机变量X只能取0和1两个值,他的分布律为
P
(
X
=
k
)
=
p
k
(
1
−
p
)
1
−
k
,
0
<
p
<
1
,
k
=
0
,
1
P(X=k)=p^k(1-p)^{1-k},0<p<1,k = 0,1
P(X=k)=pk(1−p)1−k,0<p<1,k=0,1
2)二项分布(记为X~
B
(
n
,
p
)
B(n,p)
B(n,p))
离散型随机变量X的分布律为
P
(
X
=
k
)
=
C
n
k
p
k
q
n
−
k
,
q
=
1
−
p
,
k
=
0
,
1
,
2
,
⋯
,
n
P(X=k)=C_n^kp^kq^{n-k},q =1-p,k=0,1,2,\cdots,n
P(X=k)=Cnkpkqn−k,q=1−p,k=0,1,2,⋯,n
3)Poisson分布(记为X~
P
(
λ
)
P(\lambda)
P(λ))
离散型随机变量X的分布律为
P
(
X
=
k
)
=
λ
k
k
!
e
−
λ
,
λ
>
0
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\lambda>0,k=0,1,2,\cdots
P(X=k)=k!λke−λ,λ>0,k=0,1,2,⋯
[Poisson定理]:设
λ
>
0
\lambda>0
λ>0是一个常数,n是任意的正整数,
n
p
=
λ
np=\lambda
np=λ,则对任意固定的非负整数k,有
lim
n
→
∞
C
n
k
p
k
(
1
−
p
)
n
−
k
=
λ
k
k
!
e
−
λ
\lim_{n\rightarrow\infty C_n^kp^k(1-p)^{n-k}}=\frac{\lambda^k}{k!}e^{-\lambda}
limn→∞Cnkpk(1−p)n−k=k!λke−λ
4)几何分布
离散型随机变量X的分布律为
P
(
X
=
k
)
=
q
k
−
1
p
,
k
=
1
,
2
,
⋯
,
0
<
p
<
1
,
q
=
1
−
p
P(X=k)=q^{k-1}p,k=1,2,\cdots,0<p<1,q=1-p
P(X=k)=qk−1p,k=1,2,⋯,0<p<1,q=1−p
5)超几何分布(记为X~
h
(
N
,
n
,
k
)
h(N,n,k)
h(N,n,k))
若从N件产品,其中有M件次品中,任取n件,则随机变量X的分布律为
P
(
X
=
k
)
=
C
M
k
C
N
−
M
n
−
k
C
M
k
,
k
=
0
,
1
,
2
,
⋯
,
m
i
n
{
M
,
n
}
P(X=k)=\frac{C_M^kC_{N-M}^{n-k}}{C^k_M},k = 0,1,2,\cdots,min\{M,n\}
P(X=k)=CMkCMkCN−Mn−k,k=0,1,2,⋯,min{M,n}
当
N
→
∞
N\rightarrow\infty
N→∞时,
M
N
→
p
\frac{M}{N}\rightarrow p
NM→p,则
lim
N
→
∞
C
M
k
C
N
−
M
n
−
k
C
N
n
=
lim
N
→
∞
P
(
X
=
k
)
=
C
n
k
p
k
q
n
−
k
\lim_{N\rightarrow\infty}\frac{C_M^kC_{N-M}^{n-k}}{C_N^n}=\lim_{N\rightarrow\infty}P(X=k)=C_n^kp^kq^{n-k}
limN→∞CNnCMkCN−Mn−k=limN→∞P(X=k)=Cnkpkqn−k
4、连续性随机变量的概率密度
设X是随机变量,其分布函数为F(x),如果存在非负可积函数f(x),使得
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
,
−
∞
<
x
<
+
∞
F(x)=\int_{-\infty}^xf(t)dt,-\infty<x<+\infty
F(x)=∫−∞xf(t)dt,−∞<x<+∞则称X为连续型随机变量,称f(x)为X的概率密度函数,简称概率密度。
f
(
x
)
>
=
0
f(x)>=0
f(x)>=0
∫
−
∞
+
∞
f
(
x
)
d
x
=
1
\int_{-\infty}^{+\infty}f(x)dx=1
∫−∞+∞f(x)dx=1
P
(
a
<
X
≤
b
)
=
∫
a
b
f
(
x
)
d
x
=
1
P(a<X\leq b)=\int_a^bf(x)dx=1
P(a<X≤b)=∫abf(x)dx=1
在f(x)的连续点x处,有
F
′
(
x
)
=
f
(
x
)
F'(x)=f(x)
F′(x)=f(x)
[不可能事件的概率是零,但概率是零的事件未必是不可能事件]
5、几种重要的连续型随机变量
1)均匀分布
若连续型随机变量X的概率密度为
f
(
x
)
=
1
b
−
a
,
a
<
x
<
b
;
0
,
其
他
f(x) = \frac{1}{b-a},a<x<b;0,其他
f(x)=b−a1,a<x<b;0,其他
则称X在区间(a,b)上服从均匀分布,记为X~U(a,b)
2)正态分布
若连续型随机变量X的概率密度为
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}
f(x)=2πσ1e−2σ2(x−μ)2
其中,
μ
、
σ
\mu、\sigma
μ、σ为常数,则称X服从参数为
μ
、
σ
2
\mu、\sigma^2
μ、σ2的正态分布或高斯分布Gauss,记为X~
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2)
把X~N(0,1)称作标准正态分布,即
f
(
x
)
=
1
2
π
e
−
x
2
2
f(x) =\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}
f(x)=2π1e−2x2
若X~N(
μ
,
σ
2
\mu,\sigma^2
μ,σ2)把
Z
=
X
−
μ
σ
Z =\frac{X-\mu}{\sigma}
Z=σX−μ~N(0,1),称作Z为X的标准化
对于X~N(
μ
,
σ
2
\mu,\sigma^2
μ,σ2),则
F
(
x
)
=
Φ
(
x
−
μ
σ
)
F(x) = \Phi(\frac{x-\mu}{\sigma})
F(x)=Φ(σx−μ)
∀
x
1
<
x
2
,
P
(
x
1
<
X
≤
x
2
)
=
Φ
(
x
2
−
μ
σ
)
−
Φ
(
x
1
−
μ
σ
)
\forall x_1<x_2,P(x_1<X\leq x_2) = \Phi(\frac{x_2-\mu}{\sigma}) - \Phi(\frac{x_1-\mu}{\sigma})
∀x1<x2,P(x1<X≤x2)=Φ(σx2−μ)−Φ(σx1−μ)
3)指数分布
若连续型随机变量X的概率密度为
f
(
x
)
=
λ
e
−
λ
x
,
x
>
0
;
0
,
x
≤
0
f(x) = \lambda e^{-\lambda x},x>0;0,x\leq 0
f(x)=λe−λx,x>0;0,x≤0
其中,
λ
>
0
\lambda>0
λ>0为常数,则称X服从参数为
λ
\lambda
λ的指数分布,记为X~E(
λ
\lambda
λ)
指数分布具有无记忆性,即
P
(
X
>
s
+
t
∣
X
>
s
)
=
P
(
X
>
t
)
P(X>s+t|X>s) = P(X>t)
P(X>s+t∣X>s)=P(X>t)
6、随机变量函数及其分布
离散型随即变量的函数的分布按照
x
i
x_i
xi依次列写
连续性随机变量的函数其概率密度求法:
1、分布函数法
即
y
=
2
x
+
1
y = 2x+1
y=2x+1 →
x
=
y
−
1
2
x = \frac{y-1}{2}
x=2y−1,然后积分
2、公式法
f
y
(
y
)
=
f
x
(
h
(
y
)
)
∣
h
′
(
y
)
∣
,
y
⊆
I
;
0
,
其
他
f_y(y) = f_x(h(y))|h^{'}(y)|,y \subseteq I;0,其他
fy(y)=fx(h(y))∣h′(y)∣,y⊆I;0,其他
其中:x=h(y)是y=g(x)的反函数;I是使得
f
x
(
h
(
y
)
)
>
0
f_x(h(y))>0
fx(h(y))>0,
h
(
y
)
和
h
′
(
y
)
h(y)和h^{'}(y)
h(y)和h′(y)有意义的y的集合
第三章 多维随机变量及其分布
1、联合分布函数及其性质
设(X,Y)是二维随机变量,称二元函数
F
(
x
,
y
)
=
P
(
X
≤
x
,
Y
≤
y
)
,
x
、
y
⊆
R
F(x,y) = P(X\leq x,Y\leq y),x、y \subseteq R
F(x,y)=P(X≤x,Y≤y),x、y⊆R
为二维随机变量(X,Y)的联合分布函数
性质:
对于二维随机变量(X,Y)的联合分布函数,则
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
)
P(x_1<X\leq x_2,y_1<Y\leq y_2) = F(x2,y2)-F(x1,y2)-F(x2,y1)+F(x1,y1)
P(x1<X≤x2,y1<Y≤y2)=F(x2,y2)−F(x1,y2)−F(x2,y1)+F(x1,y1)
类比一维(线)到二维(面)的长度(面积)计算推广形式
F
(
−
∞
,
y
)
=
F
(
x
,
−
∞
)
=
F
(
−
∞
,
∞
)
=
0
F(-\infty,y) = F(x,-\infty) = F(-\infty,\infty) = 0
F(−∞,y)=F(x,−∞)=F(−∞,∞)=0
F
(
+
∞
,
+
∞
)
=
1
F(+\infty,+\infty) = 1
F(+∞,+∞)=1
固
定
y
,
F
(
x
+
0
,
y
)
=
F
(
x
,
y
)
;
固
定
x
,
F
(
x
,
y
+
0
)
=
F
(
x
,
y
)
固定y,F(x+0,y) = F(x,y);固定x,F(x,y+0) = F(x,y)
固定y,F(x+0,y)=F(x,y);固定x,F(x,y+0)=F(x,y)
2、二维离散型随机变量的联合分布律
表示为
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⋯
或
x / y x /y x/y | y 1 y_1 y1 | y 2 y_2 y2 | ⋯ \cdots ⋯ | y j y_j yj | ⋯ \cdots ⋯ |
---|---|---|---|---|---|
x 1 x_1 x1 | p 11 p_{11} p11 | p 12 p_{12} p12 | ⋯ \cdots ⋯ | p 1 j p_{1j} p1j | ⋯ \cdots ⋯ |
x 2 x_2 x2 | p 21 p_{21} p21 | p 22 p_{22} p22 | ⋯ \cdots ⋯ | p 2 j p_{2j} p2j | ⋯ \cdots ⋯ |
⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ |
x i x_i xi | p i 1 p_{i1} pi1 | p i 2 p_{i2} pi2 | ⋯ \cdots ⋯ | p i j p_{ij} pij | ⋯ \cdots ⋯ |
⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ | ⋯ \cdots ⋯ |
3、二维连续型随机变量及其联合概率密度
设(X,Y)是二维随机变量,其联合分布函数为F(x,y),如果存在非负可积函数f(x,y),使得
F
(
x
,
y
)
=
∫
−
∞
x
∫
∞
y
f
(
u
,
v
)
d
u
d
v
,
x
,
y
⊆
R
F(x,y) = \int_{-\infty}^{x}\int_{_\infty}^{y} f(u,v)dudv,x,y \subseteq R
F(x,y)=∫−∞x∫∞yf(u,v)dudv,x,y⊆R
则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的联合概率密度函数,简称联合概率密度
性质:
F
(
x
,
y
⊆
G
)
=
∬
G
f
(
x
,
y
)
d
x
d
y
F(x,y\subseteq G) = \iint_G f(x,y)dxdy
F(x,y⊆G)=∬Gf(x,y)dxdy
在f(x,y)的连续点上,
∂
2
F
(
x
,
y
)
∂
x
∂
y
=
∂
2
F
(
x
,
y
)
∂
y
∂
x
=
f
(
x
,
y
)
\frac{\partial^2 F(x,y)}{\partial x\partial y} = \frac{\partial^2 F(x,y)}{\partial y\partial x} = f(x,y)
∂x∂y∂2F(x,y)=∂y∂x∂2F(x,y)=f(x,y)
4、几种重要的二维连续型随机变量
二维均匀分布
若二维连续型随机变量(X,Y)的联合概率密度为
f
(
x
,
y
)
=
1
A
,
(
x
,
y
)
⊆
G
;
0
,
其
他
f(x,y) = \frac{1}{A},(x,y)\subseteq G;0,其他
f(x,y)=A1,(x,y)⊆G;0,其他
其中,A为区域G的面积,则称(X,Y)在G区域上均匀分布,记为(X,Y)~U(G)
这种分布等价于平面区域上的几何概率
二维正态分布
若连续型随机变量(X,Y)的联合概率密度为
f
(
x
,
y
)
=
1
2
π
σ
1
σ
2
1
−
ρ
2
e
−
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
]
f(x,y) = \frac{1}{2\pi\sigma_1\sigma_2\sqrt{}1-\rho^2}e^{-\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}]}
f(x,y)=2πσ1σ21−ρ21e−2(1−ρ2)1[σ12(x−μ1)2−2ρσ1σ2(x−μ1)(y−μ2)+σ22(y−μ2)2]
记为(X,Y)~N(
μ
1
,
μ
2
;
σ
1
2
,
σ
2
2
;
ρ
\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho
μ1,μ2;σ12,σ22;ρ)
5、边缘分布
设(X,Y)是二维随机变量,称
F
X
(
x
)
=
P
(
X
≤
x
)
F_X(x) = P(X\leq x)
FX(x)=P(X≤x)
F
Y
(
y
)
=
P
(
Y
≤
y
)
F_Y(y) = P(Y\leq y)
FY(y)=P(Y≤y)
分别为(X,Y)关于X,Y的边缘分布函数
性质:
F
X
(
x
)
=
F
(
x
,
+
∞
)
,
x
⊆
R
F_X(x) = F(x,+\infty),x\subseteq R
FX(x)=F(x,+∞),x⊆R
F
Y
(
y
)
=
F
(
+
∞
,
y
)
,
y
⊆
R
F_Y(y) = F(+\infty,y),y\subseteq R
FY(y)=F(+∞,y),y⊆R
F
X
(
x
)
=
∫
R
f
(
x
,
y
)
d
y
,
x
⊆
R
F_X(x) = \int_Rf(x,y)dy,x\subseteq R
FX(x)=∫Rf(x,y)dy,x⊆R
F
Y
(
y
)
=
∫
R
f
(
x
,
y
)
d
x
,
y
⊆
R
F_Y(y) = \int_Rf(x,y)dx,y\subseteq R
FY(y)=∫Rf(x,y)dx,y⊆R
对于不同的二维联合分布,可能对应相同的边缘分布,故不能由边缘分布推出二位联合分布(如果变量独立那么允许唯一推出),反之可以。且对于二维正态分布,边缘分布均为正态分布的情况下,也不一定是二维正态分布。
6、条件概率
离散型随机变量的条件概率
对于固定的j:
P
(
X
=
x
i
∣
Y
=
y
j
)
=
p
i
j
p
⋅
j
,
i
=
1
,
2
,
3
⋯
P(X=x_i|Y=y_j) = \frac{p_{ij}}{p_{\cdot j}},i = 1,2,3\cdots
P(X=xi∣Y=yj)=p⋅jpij,i=1,2,3⋯
对于固定的i:
P
(
Y
=
y
j
∣
X
=
x
i
)
=
p
i
j
p
i
⋅
,
i
=
1
,
2
,
3
⋯
P(Y=y_j|X=x_i) = \frac{p_{ij}}{p_{i\cdot}},i = 1,2,3\cdots
P(Y=yj∣X=xi)=pi⋅pij,i=1,2,3⋯
连续型随机变量的条件概率
对于固定的y:
f
X
∣
Y
(
x
∣
y
)
=
f
(
x
,
y
)
f
Y
(
y
)
f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}
fX∣Y(x∣y)=fY(y)f(x,y)
对于固定的x:
f
Y
∣
X
(
y
∣
x
)
=
f
(
x
,
y
)
f
X
(
x
)
f_{Y|X}(y|x) = \frac{f(x,y)}{f_X(x)}
fY∣X(y∣x)=fX(x)f(x,y)
7、二维随机变量函数及其分布
总结1:常见的随机变量分布
1)0-1分布
P
(
X
=
k
)
=
p
k
(
1
−
p
)
1
−
k
,
0
<
p
<
1
,
k
=
0
,
1
P(X=k)=p^k(1-p)^{1-k},0<p<1,k = 0,1
P(X=k)=pk(1−p)1−k,0<p<1,k=0,1
2)二项分布(记为X~
B
(
n
,
p
)
B(n,p)
B(n,p))
P
(
X
=
k
)
=
C
n
k
p
k
q
n
−
k
,
q
=
1
−
p
,
k
=
0
,
1
,
2
,
⋯
,
n
P(X=k)=C_n^kp^kq^{n-k},q =1-p,k=0,1,2,\cdots,n
P(X=k)=Cnkpkqn−k,q=1−p,k=0,1,2,⋯,n
3)Poisson分布(记为X~
P
(
λ
)
P(\lambda)
P(λ))
P
(
X
=
k
)
=
λ
k
k
!
e
−
λ
,
λ
>
0
,
k
=
0
,
1
,
2
,
⋯
P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\lambda>0,k=0,1,2,\cdots
P(X=k)=k!λke−λ,λ>0,k=0,1,2,⋯
4)几何分布
P
(
X
=
k
)
=
q
k
−
1
p
,
k
=
1
,
2
,
⋯
,
0
<
p
<
1
,
q
=
1
−
p
P(X=k)=q^{k-1}p,k=1,2,\cdots,0<p<1,q=1-p
P(X=k)=qk−1p,k=1,2,⋯,0<p<1,q=1−p
5)超几何分布(记为X~
h
(
N
,
M
,
n
)
h(N,M,n)
h(N,M,n))
P
(
X
=
k
)
=
C
M
k
C
N
−
M
n
−
k
C
M
k
,
k
=
0
,
1
,
2
,
⋯
,
m
i
n
{
M
,
n
}
P(X=k)=\frac{C_M^kC_{N-M}^{n-k}}{C^k_M},k = 0,1,2,\cdots,min\{M,n\}
P(X=k)=CMkCMkCN−Mn−k,k=0,1,2,⋯,min{M,n}
6)均匀分布(X~U(a,b))
f
(
x
)
=
1
b
−
a
,
a
<
x
<
b
;
0
,
其
他
f(x) = \frac{1}{b-a},a<x<b;0,其他
f(x)=b−a1,a<x<b;0,其他
7)正态分布(X~N(
μ
,
σ
2
\mu,\sigma^2
μ,σ2))
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}
f(x)=2πσ1e−2σ2(x−μ)2
8)指数分布(X~E(
λ
\lambda
λ))
f
(
x
)
=
λ
e
−
λ
x
,
x
>
0
;
0
,
x
≤
0
f(x) = \lambda e^{-\lambda x},x>0;0,x\leq 0
f(x)=λe−λx,x>0;0,x≤0
9)二维均匀分布(X~U(G))
f
(
x
,
y
)
=
1
A
,
(
x
,
y
)
⊆
G
;
0
,
其
他
f(x,y) = \frac{1}{A},(x,y)\subseteq G;0,其他
f(x,y)=A1,(x,y)⊆G;0,其他
10)二维正态分布((X,Y)~N(
μ
1
,
μ
2
;
σ
1
2
,
σ
2
2
;
ρ
\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho
μ1,μ2;σ12,σ22;ρ))
f
(
x
,
y
)
=
1
2
π
σ
1
σ
2
1
−
ρ
2
e
−
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
]
f(x,y) = \frac{1}{2\pi\sigma_1\sigma_2\sqrt{}1-\rho^2}e^{-\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}]}
f(x,y)=2πσ1σ21−ρ21e−2(1−ρ2)1[σ12(x−μ1)2−2ρσ1σ2(x−μ1)(y−μ2)+σ22(y−μ2)2]
第四章:随机变量的数字特征
1、期望
E
X
=
Σ
x
i
p
i
(
离
散
型
)
EX = \Sigma x_ip_i(离散型)
EX=Σxipi(离散型)
E X = ∫ − ∞ ∞ x f ( x ) d x ( 连 续 型 ) EX = \int_{-\infty}^\infty xf(x)dx(连续型) EX=∫−∞∞xf(x)dx(连续型)
E Y = E g ( x ) = Σ g ( x i ) p i ( 离 散 型 随 机 变 量 函 数 ) EY = Eg(x) = \Sigma g(x_i)p_i(离散型随机变量函数) EY=Eg(x)=Σg(xi)pi(离散型随机变量函数)
E Y = E g ( x ) = ∫ − ∞ ∞ g ( x ) f ( x ) d x ( 连 续 型 随 机 变 量 函 数 ) EY = Eg(x) = \int_{-\infty}^\infty g(x)f(x)dx(连续型随机变量函数) EY=Eg(x)=∫−∞∞g(x)f(x)dx(连续型随机变量函数)
E Z = E g ( X , Y ) = Σ Σ g ( x i , y i ) p i j ( 离 散 型 二 维 随 机 变 量 ) EZ = Eg(X,Y) = \Sigma\Sigma g(x_i,y_i)p_{ij}(离散型二维随机变量) EZ=Eg(X,Y)=ΣΣg(xi,yi)pij(离散型二维随机变量)
E
Z
=
∫
−
∞
∞
∫
−
∞
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
(
连
续
型
二
维
随
机
变
量
)
EZ = \int_{-\infty}^\infty\int_{-\infty}^\infty g(x,y)f(x,y)dxdy(连续型二维随机变量)
EZ=∫−∞∞∫−∞∞g(x,y)f(x,y)dxdy(连续型二维随机变量)
2、期望的性质
E
C
=
C
EC = C
EC=C
E C X = C E X ECX = CEX ECX=CEX
E X + Y = E X + E Y EX+Y = EX+EY EX+Y=EX+EY
E
X
Y
=
E
X
⋅
E
Y
EXY = EX\cdot EY
EXY=EX⋅EY
3、方差
D
X
=
E
(
X
−
E
X
)
2
DX = E(X - EX)^2
DX=E(X−EX)2
D
X
=
E
X
2
−
(
E
X
)
2
DX = EX^2 - (EX)^2
DX=EX2−(EX)2
4、方差的性质
D
C
=
0
DC = 0
DC=0
D ( X + C ) = D X D(X+C) = DX D(X+C)=DX
D X + Y = D X + D Y ( X , Y 要 求 相 互 独 立 ) DX+Y = DX+DY(X,Y要求相互独立) DX+Y=DX+DY(X,Y要求相互独立)
D
X
=
0
的
充
要
条
件
是
P
(
X
=
E
X
)
=
1
DX=0的充要条件是P(X=EX) = 1
DX=0的充要条件是P(X=EX)=1
5、协方差和相关系数
c
o
v
(
X
,
Y
)
=
E
(
X
−
E
X
)
(
Y
−
E
Y
)
cov(X,Y) = E(X-EX)(Y-EY)
cov(X,Y)=E(X−EX)(Y−EY)
c o v ( X , Y ) = E ( X Y ) − E X ⋅ E Y cov(X,Y) = E(XY)-EX\cdot EY cov(X,Y)=E(XY)−EX⋅EY
ρ
X
Y
=
c
o
v
(
X
,
Y
)
D
X
D
Y
\rho_{XY} = \frac{cov(X,Y)}{\sqrt{DX}\sqrt{DY}}
ρXY=DXDYcov(X,Y)
6、协方差和相关系数的性质
c
o
v
(
X
,
X
)
=
D
X
cov(X,X) = DX
cov(X,X)=DX
c o v ( X , Y ) = c o v ( Y , X ) cov(X,Y) = cov(Y,X) cov(X,Y)=cov(Y,X)
c o v ( a X + b , c Y + d ) = a c ⋅ c o v ( X , Y ) cov(aX+b,cY+d) = ac\cdot cov(X,Y) cov(aX+b,cY+d)=ac⋅cov(X,Y)
c o v ( X 1 + X 2 , Y ) = c o v ( X 1 , Y ) + c o v ( X 2 , Y ) cov(X_1+X_2,Y) = cov(X_1,Y)+cov(X_2,Y) cov(X1+X2,Y)=cov(X1,Y)+cov(X2,Y)
D ( X ± Y ) = D X + D Y ± 2 c o v ( X , Y ) D(X\pm Y) = DX+DY\pm 2cov(X,Y) D(X±Y)=DX+DY±2cov(X,Y)
若 E X 和 E Y < ∞ , 则 [ E ( X Y ) ] 2 ≤ E X 2 E Y 2 若EX和EY<\infty,则[E(XY)]^2\leq EX^2EY^2 若EX和EY<∞,则[E(XY)]2≤EX2EY2
∣ ρ X Y ∣ ≤ 1 |\rho_{XY}|\leq 1 ∣ρXY∣≤1
若 X , Y 相 互 独 立 且 方 差 均 大 于 零 , 则 ρ X Y = 0 若X,Y相互独立且方差均大于零,则\rho_{XY} = 0 若X,Y相互独立且方差均大于零,则ρXY=0
∣ ρ X Y = 1 ∣ 的 充 要 条 件 为 存 在 常 数 a 与 b , 使 得 P ( Y = a X + b ) = 1 |\rho_{XY} = 1|的充要条件为存在常数a与b,使得P(Y=aX+b)=1 ∣ρXY=1∣的充要条件为存在常数a与b,使得P(Y=aX+b)=1
X , Y 不 相 关 的 充 要 条 件 为 c o v ( X , Y ) = 0 , E ( X Y ) = E X ⋅ E Y , D ( X ± Y ) = D X + D Y , D ( X + Y ) = D ( X − Y ) X,Y不相关的充要条件为cov(X,Y)=0,E(XY) = EX\cdot EY,D(X\pm Y)=DX+DY,D(X+Y) = D(X-Y) X,Y不相关的充要条件为cov(X,Y)=0,E(XY)=EX⋅EY,D(X±Y)=DX+DY,D(X+Y)=D(X−Y)
7、矩
E
X
k
叫
做
X
的
k
阶
原
点
距
EX^k叫做X的k阶原点距
EXk叫做X的k阶原点距
E ( X − E X ) k 叫 做 X 的 k 阶 中 心 矩 E(X-EX)^k叫做X的k阶中心矩 E(X−EX)k叫做X的k阶中心矩
E X k Y l 叫 做 X Y 的 k + l 阶 混 合 原 点 距 EX^kY^l叫做XY的k+l阶混合原点距 EXkYl叫做XY的k+l阶混合原点距
E ( X − E X ) k ( Y − E Y ) l 叫 做 X Y 的 k + l 阶 混 合 中 心 矩 E(X-EX)^k(Y-EY)^l叫做XY的k+l阶混合中心矩 E(X−EX)k(Y−EY)l叫做XY的k+l阶混合中心矩
第五章:大数定理及中心极限定理
1、切比雪夫不等式Chebyshev
P
(
∣
X
−
E
X
∣
≥
ε
)
≤
X
ε
2
P(|X-EX|\geq \varepsilon)\leq\frac{X}{\varepsilon^2}
P(∣X−EX∣≥ε)≤ε2X
P
(
∣
X
−
E
X
∣
<
ε
)
≥
1
−
X
ε
2
P(|X-EX| < \varepsilon)\geq 1 - \frac{X}{\varepsilon^2}
P(∣X−EX∣<ε)≥1−ε2X
2、Chebyshev大数定理
设
X
1
,
X
2
,
⋯
X
n
是
相
互
独
立
的
,
具
有
相
同
的
数
学
期
望
和
方
差
,
即
E
X
i
=
μ
,
D
X
i
=
σ
2
,
则
任
取
ε
>
0
,
有
l
i
m
n
−
>
∞
P
(
∣
1
n
Σ
X
i
−
μ
∣
≥
ε
)
=
0
设X_1,X_2,\cdots X_n是相互独立的,具有相同的数学期望和方差,即EX_i=\mu,DX_i =\sigma^2,则任取\varepsilon>0,有lim_{n->\infty}P(|\frac{1}{n}\Sigma X_i - \mu|\geq\varepsilon) = 0
设X1,X2,⋯Xn是相互独立的,具有相同的数学期望和方差,即EXi=μ,DXi=σ2,则任取ε>0,有limn−>∞P(∣n1ΣXi−μ∣≥ε)=0
更一般都形式:
设
X
1
,
X
2
,
⋯
X
n
是
相
互
独
立
的
,
具
有
相
同
的
数
学
期
望
,
即
E
X
i
=
μ
,
若
存
在
C
>
0
,
使
D
X
i
≤
C
,
则
任
取
ε
>
0
,
有
l
i
m
n
−
>
∞
P
(
∣
1
n
Σ
X
i
−
μ
∣
≥
ε
)
=
0
设X_1,X_2,\cdots X_n是相互独立的,具有相同的数学期望,即EX_i=\mu,若存在C>0,使DX_i\leq C,则任取\varepsilon>0,有lim_{n->\infty}P(|\frac{1}{n}\Sigma X_i - \mu|\geq\varepsilon) = 0
设X1,X2,⋯Xn是相互独立的,具有相同的数学期望,即EXi=μ,若存在C>0,使DXi≤C,则任取ε>0,有limn−>∞P(∣n1ΣXi−μ∣≥ε)=0
3、Markov大数定理
设
X
1
,
X
2
,
⋯
X
n
是
随
机
变
量
序
列
,
且
l
i
m
n
−
>
∞
1
n
2
D
Σ
X
i
=
0
,
则
任
取
ε
>
0
,
有
l
i
m
n
−
>
∞
P
(
∣
1
n
Σ
X
i
−
1
n
Σ
E
X
i
∣
≥
ε
)
=
0
设X_1,X_2,\cdots X_n是随机变量序列,且lim_{n->\infty}\frac{1}{n^2}D\Sigma X_i = 0,则任取\varepsilon>0,有lim_{n->\infty}P(|\frac{1}{n}\Sigma X_i - \frac{1}{n}\Sigma EX_i|\geq\varepsilon) = 0
设X1,X2,⋯Xn是随机变量序列,且limn−>∞n21DΣXi=0,则任取ε>0,有limn−>∞P(∣n1ΣXi−n1ΣEXi∣≥ε)=0
4、Khintchine大数定理
设
X
1
,
X
2
,
⋯
X
n
是
相
互
独
立
且
同
分
布
的
随
机
变
量
,
具
有
有
限
的
数
学
期
望
,
即
E
X
i
=
μ
,
则
任
取
ε
>
0
,
有
l
i
m
n
−
>
∞
P
(
∣
1
n
Σ
X
i
−
μ
∣
≥
ε
)
=
0
设X_1,X_2,\cdots X_n是相互独立且同分布的随机变量,具有有限的数学期望,即EX_i=\mu,则任取\varepsilon>0,有lim_{n->\infty}P(|\frac{1}{n}\Sigma X_i - \mu|\geq\varepsilon) = 0
设X1,X2,⋯Xn是相互独立且同分布的随机变量,具有有限的数学期望,即EXi=μ,则任取ε>0,有limn−>∞P(∣n1ΣXi−μ∣≥ε)=0
5、Bernoulli大数定理
设
n
A
表
示
n
重
伯
努
利
试
验
中
事
件
A
的
发
生
次
数
,
p
是
事
件
A
在
一
次
试
验
中
发
生
地
概
率
,
即
P
(
A
)
=
p
,
则
任
取
ε
>
0
,
有
l
i
m
n
−
>
∞
P
(
∣
n
A
n
−
p
∣
≥
ε
)
=
0
设n_A表示n重伯努利试验中事件A的发生次数,p是事件A在一次试验中发生地概率,即P(A) = p,则任取\varepsilon>0,有lim_{n->\infty}P(|\frac{n_A}{n}-p|\geq\varepsilon) = 0
设nA表示n重伯努利试验中事件A的发生次数,p是事件A在一次试验中发生地概率,即P(A)=p,则任取ε>0,有limn−>∞P(∣nnA−p∣≥ε)=0
6、独立同分布中心极限定理Lindeberg-Levy
设
X
1
,
X
2
,
⋯
X
n
是
相
互
独
立
且
同
分
布
的
随
机
变
量
,
E
X
i
=
μ
,
D
X
i
=
σ
2
,
当
n
充
分
大
时
,
Σ
X
i
近
似
服
从
以
它
的
均
值
为
均
值
,
它
的
方
差
为
方
差
的
正
态
分
布
,
即
N
(
n
μ
,
n
σ
2
)
,
故
可
以
有
P
(
a
<
Σ
X
i
<
b
)
=
ϕ
(
b
−
n
μ
n
σ
)
−
ϕ
(
a
−
n
μ
n
σ
)
设X_1,X_2,\cdots X_n是相互独立且同分布的随机变量,EX_i = \mu,DX_i = \sigma^2,当n充分大时,\Sigma X_i近似服从以它的均值为均值,它的方差为方差的正态分布,即N(n\mu,n\sigma^2),故可以有P(a<\Sigma X_i<b) = \phi(\frac{b-n\mu}{\sqrt{n}\sigma})-\phi(\frac{a-n\mu}{\sqrt{n}\sigma})
设X1,X2,⋯Xn是相互独立且同分布的随机变量,EXi=μ,DXi=σ2,当n充分大时,ΣXi近似服从以它的均值为均值,它的方差为方差的正态分布,即N(nμ,nσ2),故可以有P(a<ΣXi<b)=ϕ(nσb−nμ)−ϕ(nσa−nμ)
7、Lyapunov中心极限定理
设
X
1
,
X
2
,
⋯
X
n
是
相
互
独
立
的
随
机
变
量
,
E
X
i
=
μ
i
,
D
X
i
=
σ
i
2
,
当
n
充
分
大
时
,
Σ
X
i
近
似
服
从
以
它
的
均
值
为
均
值
,
它
的
方
差
为
方
差
的
正
态
分
布
,
即
N
(
Σ
μ
i
,
Σ
σ
i
2
)
,
故
可
以
有
P
(
a
<
Σ
X
i
<
b
)
=
ϕ
(
b
−
Σ
μ
i
Σ
σ
i
2
)
−
ϕ
(
a
−
Σ
μ
i
Σ
σ
i
2
)
)
设X_1,X_2,\cdots X_n是相互独立的随机变量,EX_i = \mu_i,DX_i = \sigma_i^2,当n充分大时,\Sigma X_i近似服从以它的均值为均值,它的方差为方差的正态分布,即N(\Sigma \mu_i,\Sigma \sigma_i^2),故可以有P(a<\Sigma X_i<b) = \phi(\frac{b-\Sigma \mu_i}{\sqrt{\Sigma \sigma_i^2}})-\phi(\frac{a-\Sigma \mu_i}{\sqrt{\Sigma \sigma_i^2}}))
设X1,X2,⋯Xn是相互独立的随机变量,EXi=μi,DXi=σi2,当n充分大时,ΣXi近似服从以它的均值为均值,它的方差为方差的正态分布,即N(Σμi,Σσi2),故可以有P(a<ΣXi<b)=ϕ(Σσi2b−Σμi)−ϕ(Σσi2a−Σμi))
8、De Moivre-Laplace(狄莫弗-拉普拉斯)中心极限定理
若
X
服
从
B
(
n
,
p
)
,
当
n
充
分
大
时
,
X
近
似
服
从
以
它
的
均
值
为
均
值
,
它
的
方
差
为
方
差
的
正
态
分
布
,
即
N
(
n
p
,
n
p
(
1
−
p
)
)
,
故
可
以
有
P
(
a
<
X
<
b
)
=
ϕ
(
b
−
n
p
n
p
(
1
−
p
)
)
−
ϕ
(
a
−
n
p
n
p
(
1
−
p
)
)
)
若X服从B(n,p),当n充分大时,X近似服从以它的均值为均值,它的方差为方差的正态分布,即N(np,np(1-p)),故可以有P(a<X<b) = \phi(\frac{b-np}{\sqrt{np(1-p)}})-\phi(\frac{a-np}{\sqrt{np(1-p)}}))
若X服从B(n,p),当n充分大时,X近似服从以它的均值为均值,它的方差为方差的正态分布,即N(np,np(1−p)),故可以有P(a<X<b)=ϕ(np(1−p)b−np)−ϕ(np(1−p)a−np))