随机变量
Ω \Omega Ω为随机实验 E E E的样本空间,若 ∀ ω ∈ Ω , ∃ \forall \omega\in\Omega,\exist ∀ω∈Ω,∃唯一 X ( ω ) ∈ R X(\omega)\in R X(ω)∈R与 Ω \Omega Ω对应,则称 X = X ( ω ) X=X(\omega) X=X(ω)为随机变量
离散型随机变量及分布律
1.离散型随机变量
Ω
\Omega
Ω为随机实验
E
E
E的样本空间,
X
X
X为
Ω
\Omega
Ω上的随机变量,若
X
X
X的可能取值为有限个或者可列个,称
X
X
X为离散型随机变量
连续型随机变量及密度函数
Ω \Omega Ω为随机实验 E E E的样本空间, X X X为 Ω \Omega Ω上的随机变量, F ( x ) = p { X ≤ x } F(x)=p\{X\le x\} F(x)=p{X≤x},若 ∃ f ( x ) ≥ 0 \exists f(x)\ge0 ∃f(x)≥0使 ∫ − ∞ x f ( t ) d t = F ( x ) \int_{-\infty}^{x}f(t)dt=F(x) ∫−∞xf(t)dt=F(x)则称 X X X为连续型随机变量, f ( x ) f(x) f(x)称为 X X X的随机密度
常见的离散型随机变量
1.
n
n
n重贝努利实验,
E
E
E为随机变量,若:
(1)每次实验只有两个实验结果
A
,
A
ˉ
A,\bar A
A,Aˉ
(2)每次实验
A
A
A或
A
ˉ
\bar A
Aˉ发生的可能性不变
(3)实验
n
n
n次
称符合上述条件的实验为贝努利实验
P
(
A
k
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
P(A_k)=C_{n}^k p^k(1-p)^{n-k}
P(Ak)=Cnkpk(1−p)n−k
2.泊松分布
设
X
X
X为离散型随机变量,
X
X
X的可能取值为
1
,
2
,
3...
,
n
,
.
.
.
1,2,3...,n,...
1,2,3...,n,...其分布律为
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...)
P{X=k}=k!λke−λ(λ>0,k=0,1,2...)称
X
X
X服从泊松分布,记为
X
∼
Π
(
λ
)
X \sim \Pi(\lambda)
X∼Π(λ)
3.几何分布
每次实验可能的结果为
A
,
A
ˉ
A,\bar A
A,Aˉ,
X
X
X表示首次出现实验
A
A
A的次数
P
{
X
=
k
}
=
p
(
1
−
p
)
k
−
1
P\{X=k\}=p(1-p)^{k-1}
P{X=k}=p(1−p)k−1
称
X
X
X服从几何分布,记为
X
∼
G
(
p
)
X\sim G(p)
X∼G(p)
常见连续型随机变量
1.均匀分布
X
X
X为连续型随机变量,若其密度函数为
f ( x ) = { 1 b − a , a < x < b 0 , 其 他 ( a , b ∈ R 且 a < b ) f(x)=\left\{ \begin{array}{l} \frac 1 {b-a} ,a<x<b \\ 0,其他 \end{array} \right.(a,b\in R且a<b) f(x)={b−a1,a<x<b0,其他(a,b∈R且a<b)
称
X
X
X服从
(
a
,
b
)
(a,b)
(a,b)均匀分布,记
X
∼
U
(
a
,
b
)
X\sim U(a,b)
X∼U(a,b)
设
X
∼
U
(
a
,
b
)
X\sim U(a,b)
X∼U(a,b)
F ( x ) = ∫ − ∞ x f ( t ) d t F(x)=\int_{-\infty}^{x}f(t)dt F(x)=∫−∞xf(t)dt
f
(
x
)
=
{
0
,
x
<
a
x
−
a
b
−
a
,
a
≤
x
<
b
1
,
x
≥
b
f(x)=\left\{ \begin{array}{l} 0,x < a \\ \frac {x-a} {b-a} ,a\le x<b \\ 1,x\ge b \end{array} \right.
f(x)=⎩⎨⎧0,x<ab−ax−a,a≤x<b1,x≥b
2.指数分布
X
X
X为连续型随机变量,若
X
X
X的密度函数为
f
(
x
)
=
{
λ
e
−
λ
x
,
x
>
0
0
,
x
≤
0
(
λ
>
0
)
f(x)=\left\{ \begin{array}{l} \lambda e^{-\lambda x},x>0 \\0,x\le 0 \end{array} \right.(\lambda>0)
f(x)={λe−λx,x>00,x≤0(λ>0)
称
X
X
X服从参数为
λ
\lambda
λ的指数分布,记
X
∼
E
(
λ
)
X\sim E(\lambda)
X∼E(λ)
设
X
∼
E
(
λ
)
(
λ
>
0
)
X\sim E(\lambda) (\lambda>0)
X∼E(λ)(λ>0)
F ( x ) = ∫ − ∞ x f ( x ) d x F(x)=\int_{-\infty}^{x}f(x)dx F(x)=∫−∞xf(x)dx
f
(
x
)
=
{
0
,
x
<
0
1
−
e
−
λ
x
,
x
≥
0
f(x)=\left\{ \begin{array}{l} 0,x<0 \\1-e^{-\lambda x},x\ge 0 \end{array} \right.
f(x)={0,x<01−e−λx,x≥0
3.正态分布
X
X
X为随机变量,若
X
X
X的密度函数为
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
(
μ
为
常
数
,
σ
为
正
常
数
)
f(x)=\frac 1 {\sqrt{2\pi} \sigma}e^{-\frac {({x-\mu})^2} {2\sigma^2}}(\mu 为常数,\sigma为正常数)
f(x)=2πσ1e−2σ2(x−μ)2(μ为常数,σ为正常数)
称
X
X
X服从参数为
μ
,
σ
2
\mu,\sigma^2
μ,σ2的正态分布,记
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2)
结论:
(1)
X
∼
N
(
μ
,
σ
2
)
,
则
F
(
x
)
=
Φ
(
x
−
μ
σ
)
X\sim N(\mu,\sigma^2),则F(x)=\Phi(\frac {x-\mu}{\sigma})
X∼N(μ,σ2),则F(x)=Φ(σx−μ)
(2)
X
∼
N
(
μ
,
σ
2
)
,
则
P
{
a
<
x
≤
b
}
=
F
(
b
)
−
F
(
a
)
=
Φ
(
b
−
μ
σ
)
−
Φ
(
a
−
μ
σ
)
X\sim N(\mu,\sigma^2),则P\{a<x\le b\}=F(b)-F(a)=\Phi(\frac {b-\mu}{\sigma})-\Phi(\frac {a-\mu}{\sigma})
X∼N(μ,σ2),则P{a<x≤b}=F(b)−F(a)=Φ(σb−μ)−Φ(σa−μ)
(3)
X
∼
N
(
μ
,
σ
2
)
,
则
x
−
μ
σ
∼
N
(
0
,
1
)
X\sim N(\mu,\sigma^2),则\frac {x-\mu}{\sigma}\sim N(0,1)
X∼N(μ,σ2),则σx−μ∼N(0,1)