概率论：一维随机变量及其分布

随机变量

$\Omega$为随机实验$E$的样本空间，若$\forall \omega \in \Omega ,\exists$唯一$X(\omega )\in R$与$\Omega$对应，则称$X=X(\omega )$为随机变量

离散型随机变量及分布律

1.离散型随机变量
$\Omega$为随机实验$E$的样本空间，$X$为$\Omega$上的随机变量，若$X$的可能取值为有限个或者可列个，称$X$为离散型随机变量

连续型随机变量及密度函数

$\Omega$为随机实验$E$的样本空间，$X$为$\Omega$上的随机变量， F ( x ) = p { X ≤ x } F(x)=p\{X\le x\} F(x)=p{X≤x}，若$\exists f(x)\ge 0$使${\int }_{-\infty }^{x}f(t)dt=F(x)$则称$X$为连续型随机变量，$f(x)$称为$X$的随机密度

常见的离散型随机变量

1.$n$重贝努利实验，$E$为随机变量，若：
（1）每次实验只有两个实验结果$A,\bar{A}$
（2）每次实验$A$或$\bar{A}$发生的可能性不变
（3）实验$n$次
称符合上述条件的实验为贝努利实验
$P(A_k)=C_n^k{p}^k(1-p{)}^{n-k}$
2.泊松分布
设$X$为离散型随机变量，$X$的可能取值为$1,2,3...,n,...$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!λk​e−λ(λ>0,k=0,1,2...)称$X$服从泊松分布，记为$X\sim \Pi (\lambda )$
3.几何分布
每次实验可能的结果为$A,\bar{A}$，$X$表示首次出现实验$A$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$X$服从几何分布，记为$X\sim G(p)$

常见连续型随机变量

1.均匀分布
$X$为连续型随机变量，若其密度函数为

$f(x)=\{\begin{array}{l}\frac{1}{b-a},a<x<b\\ 0,其他\end{array}(a,b\in R且a<b)$

称$X$服从$(a,b)$均匀分布，记$X\sim U(a,b)$
设$X\sim U(a,b)$

$F(x)={\int }_{-\infty }^{x}f(t)dt$

$f(x)=\{\begin{array}{l}0,x<a\\ \frac{x-a}{b-a},a\le x<b\\ 1,x\ge b\end{array}$
2.指数分布
$X$为连续型随机变量，若$X$的密度函数为
$$f(x)=\{\begin{array}{l}\lambda e^{-\lambda x},x>0\\ 0,x\le 0\end{array}(\lambda >0)$$
称$X$服从参数为$\lambda$的指数分布，记$X\sim E(\lambda )$
设$X\sim E(\lambda )(\lambda >0)$

$F(x)={\int }_{-\infty }^{x}f(x)dx$

$f(x)=\{\begin{array}{l}0,x<0\\ 1-e^{-\lambda x},x\ge 0\end{array}$
3.正态分布
$X$为随机变量，若$X$的密度函数为
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}(\mu 为常数，\sigma 为正常数)$$
称$X$服从参数为$\mu ,{\sigma }^2$的正态分布，记$X\sim N(\mu ,{\sigma }^2)$
结论：
（1）$X\sim N(\mu ,{\sigma }^2)，则F(x)=\Phi (\frac{x-\mu }{\sigma })$
（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）$X\sim N(\mu ,{\sigma }^2)，则\frac{x-\mu }{\sigma }\sim N(0,1)$