文章目录
第一章 随机事件与概率
1. 几个基本概念
随机现象:在一定条件下可能发生也可能不发生的现象
随机试验(
E
1
,
E
2
,
⋯
E_1,E_2,\cdots
E1,E2,⋯):
(1) 可以在相同条件下重复进行
(2) 每次试验可能的结果不止一个,但事先能明确所有可能的结果
(3) 进行一次试验之前不能肯定哪一次结果会出现
样本空间(
Ω
\Omega
Ω):随机试验
E
E
E的所有可能试验结果的集合
样本点:样本空间的元素/试验结果
事件(
A
,
B
,
⋯
A,B,\cdots
A,B,⋯):样本空间的子集
事件
A
A
A发生当且仅当
A
A
A中的一个样本点出现
必然事件:
Ω
\Omega
Ω(因为试验
E
E
E必定有结果,而结果只能在
Ω
\Omega
Ω里面,所以
Ω
\Omega
Ω是必然事件)
不可能事件:
∅
\emptyset
∅
例 连续掷两个骰子,观察其点数之和,若出现首次7点或8点,则试验结束。样本空间 Ω = { ( i 1 , i 2 , ⋯ , i n ) ∣ i n ∈ { 7 , 8 } ; i 1 , i 2 , ⋯ , i n − 1 ∉ { 7 , 8 } ; n = 1 , 2 , ⋯ } \Omega=\{(i_1,i_2,\cdots,i_n)|i_n\in\{7,8\};i_1,i_2,\cdots,i_{n-1}\notin\{7,8\};n=1,2,\cdots\} Ω={(i1,i2,⋯,in)∣in∈{7,8};i1,i2,⋯,in−1∈/{7,8};n=1,2,⋯}。
2. 事件的关系与运算
A
⊂
B
A\subset B
A⊂B:
A
A
A发生必然导致
B
B
B发生
A
=
B
A=B
A=B:
A
⊂
B
A\subset B
A⊂B且
B
⊂
A
B\subset A
B⊂A
A
A
A与
B
B
B的和事件:
A
∪
B
=
{
A
,
B
中至少有一个发生
}
A\cup B=\{A,B\text{中至少有一个发生}\}
A∪B={A,B中至少有一个发生}
A
A
A与
B
B
B的积事件:
A
∩
B
=
{
A
,
B
都发生
}
A\cap B=\{A,B\text{都发生}\}
A∩B={A,B都发生}
A
A
A与
B
B
B是互斥的/互不相容的:
A
,
B
A,B
A,B不能同时发生,
A
B
=
∅
AB=\emptyset
AB=∅
A
A
A的对立事件:
A
ˉ
=
{
A
不发生
}
\bar A=\{A\text{不发生}\}
Aˉ={A不发生}
A
A
ˉ
=
∅
A\bar A=\emptyset
AAˉ=∅,
A
∪
A
ˉ
=
Ω
A\cup\bar A=\Omega
A∪Aˉ=Ω
A
A
A与
B
B
B的差事件:
A
−
B
=
{
A
发生
,
B
不发生
}
A-B=\{A\text{发生},B\text{不发生}\}
A−B={A发生,B不发生}
A
−
B
=
A
B
ˉ
A-B=A\bar B
A−B=ABˉ
事件的运算定律:
(1) 交换律
A
∪
B
=
B
∪
A
A\cup B=B\cup A
A∪B=B∪A,
A
B
=
B
A
AB=BA
AB=BA
(2) 结合律
(
A
∪
B
)
∪
C
=
A
∪
(
B
∪
C
)
(A\cup B)\cup C=A\cup(B\cup C)
(A∪B)∪C=A∪(B∪C),
(
A
B
)
C
=
A
(
B
C
)
(AB)C=A(BC)
(AB)C=A(BC)
(3) 分配律
(
A
∪
B
)
C
=
(
A
C
)
∪
(
B
C
)
(A\cup B)C=(AC)\cup(BC)
(A∪B)C=(AC)∪(BC),
(
A
B
)
∪
C
=
(
A
∪
C
)
(
B
∪
C
)
(AB)\cup C=(A\cup C)(B\cup C)
(AB)∪C=(A∪C)(B∪C)
(4) 对欧律(德·摩根律)
A
∪
B
‾
=
A
ˉ
B
ˉ
\overline{A\cup B}=\bar A\bar B
A∪B=AˉBˉ,
A
B
‾
=
A
ˉ
∪
B
ˉ
\overline{AB}=\bar A\cup\bar B
AB=Aˉ∪Bˉ
3. 概率的三种定义
(1) 古典定义
古典概型:要求试验满足
① 只有有限个试验结果
② 每次试验结果在一次试验中发生的可能性相等
则 P ( A ) = A 所包含的实验结果的个数 试验结果的总数 P(A)=\frac{A\text{所包含的实验结果的个数}}{试验结果的总数} P(A)=试验结果的总数A所包含的实验结果的个数
关键是结果个数和结果总数的计算。方法:
- 排列组合公式( A n m = n ! ( n − m ) ! A_n^m=\frac{n!}{(n-m)!} Anm=(n−m)!n!, C n m = n ! m ! ( n − m ) ! C_n^m=\frac{n!}{m!(n-m)!} Cnm=m!(n−m)!n!)
- 加法原理
- 乘法原理
- 容斥原理
- 多重集的组合( n n n个元素有 m m m种状态,处于第 1 , 2 , ⋯ , m 1,2,\cdots,m 1,2,⋯,m种状态的元素个数分别为 n 1 , n 2 , ⋯ , n m n_1,n_2,\cdots,n_m n1,n2,⋯,nm种,则组合方式有 ( n n 1 n 2 ⋯ n m ) = n ! n 1 ! n 2 ! ⋯ n m ! \binom{n}{n_1\ n_2\ \cdots n_m}=\frac{n!}{n_1!n_2!\cdots n_m!} (n1 n2 ⋯nmn)=n1!n2!⋯nm!n!种)
例
N
N
N件产品中有次品
M
M
M件,任取
n
n
n件产品,问其中恰有
m
m
m件次品的概率。
解:结果总数为所有取法的个数:
C
N
n
C_N^n
CNn。恰有
m
m
m件次品的结果总数为
C
M
m
C
N
−
M
n
−
M
C_M^mC_{N-M}^{n-M}
CMmCN−Mn−M(
M
M
M件次品中取
m
m
m件,
N
−
M
N-M
N−M件合格品中取剩下的
n
−
m
n-m
n−m件)。故恰有
m
m
m件次品的概率为
C
M
m
C
N
−
M
n
−
m
C
N
n
\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}
CNnCMmCN−Mn−m。
几何概型:设某试验的样本空间为有界区域 Ω \Omega Ω,若样本点落入 Ω \Omega Ω的任何子域中的机会与该子域的度量成正比,而与其位置及形状无关,则样本点落入子域 A ( A ⊂ Ω ) A(A\subset\Omega) A(A⊂Ω)的概率 P ( A ) P(A) P(A)被定义为 P ( A ) = A 的度量 Ω 的度量 P(A)=\frac{A\text{的度量}}{\Omega\text{的度量}} P(A)=Ω的度量A的度量,其中 Ω 的度量 > 0 \Omega\text{的度量}>0 Ω的度量>0。
(2) 统计定义
将随机试验
E
E
E在相同条件下重复进行了
n
n
n次,
事件
A
A
A发生的次数
n
A
n_A
nA——
A
A
A发生的频数,
A
A
A发生的频率:
f
n
(
A
)
=
n
A
A
f_n(A)=\frac{n_A}A
fn(A)=AnA
若当
n
n
n充分大时,
f
n
(
A
)
f_n(A)
fn(A)在常数
p
p
p附近波动——称
p
p
p为事件
A
A
A发生的概率,记作
P
(
A
)
=
p
P(A)=p
P(A)=p。
(3) 公理化定义
设:
- E E E:随机试验
- Ω \Omega Ω: E E E的样本空间
- 事件域 F \mathscr F F: Ω \Omega Ω中满足一定条件的事件
- 集合函数 P ( A ) P(A) P(A)
若
P
(
⋅
)
P(\cdot)
P(⋅)满足:
① 非负性
∀
A
∈
F
\forall A\in\mathscr F
∀A∈F,
P
(
A
)
≥
0
P(A)\ge0
P(A)≥0
② 规范性
P
(
Ω
)
=
1
P(\Omega)=1
P(Ω)=1
③ 可列可加性 设
A
i
∈
F
(
i
=
1
,
2
,
⋯
)
A_i\in\mathscr F(i=1,2,\cdots)
Ai∈F(i=1,2,⋯),且
A
i
A
j
=
∅
A_iA_j=\emptyset
AiAj=∅;
∀
i
≠
j
\forall i\ne j
∀i=j,有
P
(
A
1
∪
A
2
∪
⋯
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
P(A_1\cup A_2\cup\cdots)=P(A_1)+P(A_2)+\cdots
P(A1∪A2∪⋯)=P(A1)+P(A2)+⋯
4. 概率的性质
(1)
P
(
∅
)
=
0
P(\emptyset)=0
P(∅)=0
(2)(概率的加法定理) 若
A
1
,
A
2
,
⋯
,
A
n
A_1,A_2,\cdots,A_n
A1,A2,⋯,An两两互斥,则
P
(
A
1
∪
A
2
∪
⋯
∪
A
n
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
+
P
(
A
n
)
P(A_1\cup A_2\cup\cdots\cup A_n)=P(A_1)+P(A_2)+\cdots+P(A_n)
P(A1∪A2∪⋯∪An)=P(A1)+P(A2)+⋯+P(An)
推广:
P
(
⋃
i
=
1
n
A
i
)
=
∑
i
=
1
n
P
(
A
i
)
−
∑
1
≤
i
<
j
≤
n
P
(
A
i
A
j
)
+
⋯
+
(
−
1
)
n
P
(
A
1
A
2
⋯
A
n
)
P\left(\bigcup\limits_{i=1}^nA_i\right)=\sum\limits_{i=1}^nP(A_i)-\sum\limits_{1\le i<j\le n}P(A_iA_j)+\cdots+(-1)^nP(A_1A_2\cdots A_n)
P(i=1⋃nAi)=i=1∑nP(Ai)−1≤i<j≤n∑P(AiAj)+⋯+(−1)nP(A1A2⋯An)(规律:加奇减偶)
(3) 若
A
⊂
B
A\subset B
A⊂B,则
P
(
B
−
A
)
=
P
(
B
)
−
P
(
A
)
P(B-A)=P(B)-P(A)
P(B−A)=P(B)−P(A),且
P
(
B
)
≥
P
(
A
)
P(B)\ge P(A)
P(B)≥P(A)
(4)
P
(
A
ˉ
)
=
1
−
P
(
A
)
P(\bar A)=1-P(A)
P(Aˉ)=1−P(A)
(5)
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
∩
B
)
P(A\cup B)=P(A)+P(B)-P(A\cap B)
P(A∪B)=P(A)+P(B)−P(A∩B)
(6)(概率的连续性) 设
{
A
n
,
n
=
1
,
2
,
⋯
}
\{A_n,n=1,2,\cdots\}
{An,n=1,2,⋯}为事件列,若
A
n
⊂
A
n
+
1
,
n
=
1
,
2
,
⋯
A_n\subset A_{n+1},n=1,2,\cdots
An⊂An+1,n=1,2,⋯,令
A
=
⋃
i
=
1
∞
A
i
A=\bigcup\limits_{i=1}^\infty A_i
A=i=1⋃∞Ai,则
P
(
A
)
=
lim
n
→
∞
P
(
A
n
)
P(A)=\lim\limits_{n\to\infty}P(A_n)
P(A)=n→∞limP(An)。
5. 条件概率、事件的相互独立性
条件概率:设 A , B A,B A,B为两个事件, P ( B ) ≠ 0 P(B)\ne0 P(B)=0,事件 B B B发生的条件下事件 A A A发生的条件概率 P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
乘法公式:
- 若 P ( B ) > 0 P(B)>0 P(B)>0,则 P ( A B ) = P ( B ) P ( A ∣ B ) P(AB)=P(B)P(A|B) P(AB)=P(B)P(A∣B)
- 若 P ( A B ) ≥ 0 P(AB)\ge0 P(AB)≥0,则 P ( A B C ) = P ( A ) P ( B ∣ A ) P ( C ∣ A B ) P(ABC)=P(A)P(B|A)P(C|AB) P(ABC)=P(A)P(B∣A)P(C∣AB)
互斥完备事件群/互不相容完备事件组:若事件
B
1
,
B
2
,
⋯
,
B
n
,
⋯
B_1,B_2,\cdots,B_n,\cdots
B1,B2,⋯,Bn,⋯满足
(1)
B
i
B
j
≠
∅
B_iB_j\ne\emptyset
BiBj=∅(
i
≠
j
i\ne j
i=j,
i
,
j
=
1
,
2
,
⋯
i,j=1,2,\cdots
i,j=1,2,⋯)
(2)
B
1
∪
B
2
∪
⋯
∪
B
n
∪
⋯
=
Ω
B_1\cup B_2\cup\cdots\cup B_n\cup\cdots=\Omega
B1∪B2∪⋯∪Bn∪⋯=Ω
全概率公式:设 B 1 , B 2 , ⋯ , B n , ⋯ B_1,B_2,\cdots,B_n,\cdots B1,B2,⋯,Bn,⋯是互斥完备事件群,且 P ( B i ) > 0 P(B_i)>0 P(Bi)>0( i = 1 , 2 , ⋯ i=1,2,\cdots i=1,2,⋯), A A A为任意事件,则 P ( A ) = ∑ j P ( B j ) P ( A ∣ B j ) P(A)=\sum\limits_jP(B_j)P(A|B_j) P(A)=j∑P(Bj)P(A∣Bj)
贝叶斯公式:(条件同上)若还有
P
(
A
)
>
0
P(A)>0
P(A)>0,则
P
(
B
i
∣
A
)
=
P
(
B
i
)
P
(
A
∣
B
i
)
P
(
A
)
=
P
(
B
i
)
P
(
A
∣
B
i
)
∑
j
P
(
B
j
)
P
(
A
∣
B
j
)
P(B_i|A)=\frac{P(B_i)P(A|B_i)}{P(A)}=\frac{P(B_i)P(A|B_i)}{\sum\limits_jP(B_j)P(A|B_j)}
P(Bi∣A)=P(A)P(Bi)P(A∣Bi)=j∑P(Bj)P(A∣Bj)P(Bi)P(A∣Bi)
其中
P
(
B
i
)
P(B_i)
P(Bi)称为先验概率,
P
(
B
i
∣
A
)
P(B_i|A)
P(Bi∣A)称为后验概率
事件 A , B A,B A,B独立: P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
若四对事件 { A , B } , { A , B ˉ } , { A ˉ , B } , { A ˉ , B ˉ } \{A,B\},\{A,\bar B\},\{\bar A, B\},\{\bar A,\bar B\} {A,B},{A,Bˉ},{Aˉ,B},{Aˉ,Bˉ}中有一对是相互独立的,则另外三对也是相互独立的
n n n个事件相互独立:设 A 1 , A 2 , ⋯ , A n A_1,A_2,\cdots,A_n A1,A2,⋯,An是 n n n个事件,若从中任选 k k k个事件 A i 1 , A i 2 , ⋯ , A i k A_{i_1},A_{i_2},\cdots,A_{i_k} Ai1,Ai2,⋯,Aik都有 P ( A i 1 A i 2 ⋯ A i k ) = P ( A i 1 ) P ( A i 2 ) ⋯ P ( A i k ) P(A_{i_1}A_{i_2}\cdots A_{i_k})=P(A_{i_1})P(A_{i_2})\cdots P(A_{i_k}) P(Ai1Ai2⋯Aik)=P(Ai1)P(Ai2)⋯P(Aik)成立,则称事件 A 1 , A 2 , ⋯ , A n A_1,A_2,\cdots,A_n A1,A2,⋯,An相互独立
设 n n n个事件相互独立,把其中任意 m m m个事件换成其对立事件,所得的 n n n个事件仍相互独立
若 A 1 , A 2 , ⋯ , A n A_1,A_2,\cdots,A_n A1,A2,⋯,An相互独立,则 P ( A 1 A 2 ⋯ A n ) = P ( A 1 ) P ( A 2 ) ⋯ P ( A n ) P(A_1A_2\cdots A_n)=P(A_1)P(A_2)\cdots P(A_n) P(A1A2⋯An)=P(A1)P(A2)⋯P(An), P ( A 1 ∪ A 2 ∪ ⋯ ∪ A n ) = 1 − P ( A 1 ˉ A 2 ˉ ⋯ A n ˉ ) = 1 − P ( A 1 ˉ ) P ( A 2 ˉ ) ⋯ P ( A n ˉ ) P(A_1\cup A_2\cup\cdots\cup A_n)=1-P(\bar{A_1}\bar{A_2}\cdots\bar{A_n})=1-P(\bar{A_1})P(\bar{A_2})\cdots P(\bar{A_n}) P(A1∪A2∪⋯∪An)=1−P(A1ˉA2ˉ⋯Anˉ)=1−P(A1ˉ)P(A2ˉ)⋯P(Anˉ)
第二章 随机变量及其概率分布
1. 随机变量及其分布函数
随机变量 X X X:设 E E E为一随机试验, Ω \Omega Ω为其样本空间,若:
- X = X ( ω ) X=X(\omega) X=X(ω), ω ∈ Ω \omega\in\Omega ω∈Ω为一单值实函数
- ∀ x ∈ R \forall x\in\mathbb R ∀x∈R,集合 { ω ∣ X ( ω ) ≤ x } \{\omega|X(\omega)\le x\} {ω∣X(ω)≤x}都是随机事件,则称 X X X为随机变量。
随机变量 X X X的分布函数:设 X X X是一随机变量,称 F ( x ) = P { X ≤ x } , x ∈ R F(x)=P\{X\le x\},x\in\mathbb R F(x)=P{X≤x},x∈R为随机变量 X X X的分布函数。 P { x ∈ ( a , b ] } = P ( a < x ≤ b ) = F ( b ) − F ( a ) P\{x\in(a,b]\}=P(a<x\le b)=F(b)-F(a) P{x∈(a,b]}=P(a<x≤b)=F(b)−F(a)。
分布函数的基本性质:
(1) 单调增;
(2) 右连续;
(3)
∀
x
∈
R
\forall x\in\mathbb R
∀x∈R,
0
≤
F
(
x
)
≤
1
0\le F(x)\le 1
0≤F(x)≤1;
F
(
−
∞
)
=
lim
x
→
−
∞
F
(
x
)
=
0
,
F
(
+
∞
)
=
lim
x
→
+
∞
F
(
x
)
=
1
F(-\infty)=\lim\limits_{x\to-\infty}F(x)=0,F(+\infty)=\lim\limits_{x\to+\infty}F(x)=1
F(−∞)=x→−∞limF(x)=0,F(+∞)=x→+∞limF(x)=1。
一个函数满足以上性质
⟹
\implies
⟹该函数是某个随机变量的分布函数。
2. 离散型随机变量及其分布律
离散型随机变量 X X X: X X X的所有可能取值为有限个或可数个(可数个就是说可能取值的集合的势为 ℵ 0 \aleph_0 ℵ0)
离散型随机变量
X
X
X的分布律/概率函数:
p
k
=
P
{
X
=
x
k
}
,
k
=
1
,
2
,
⋯
p_k=P\{X=x_k\},k=1,2,\cdots
pk=P{X=xk},k=1,2,⋯
写作:
X
~
(
x
1
x
2
⋯
x
n
⋯
p
1
p
2
⋯
p
n
⋯
)
X\text{\large\textasciitilde}\left(\begin{array}{l}x_1&x_2&\cdots&x_n&\cdots\\p_1&p_2&\cdots &p_n&\cdots\end{array}\right)
X~(x1p1x2p2⋯⋯xnpn⋯⋯)
分布律的性质:(1)
p
k
≥
0
,
k
=
1
,
2
,
⋯
p_k\ge0,k=1,2,\cdots
pk≥0,k=1,2,⋯;(2)
∑
k
=
1
∞
p
k
=
1
\sum\limits_{k=1}^\infty p_k=1
k=1∑∞pk=1
离散型随机变量的分布函数: F ( x ) = P { X ≤ x } = ∑ x k ≤ x P { X = x k } = ∑ x k ≤ x p k F(x)=P\{X\le x\}=\sum\limits_{x_k\le x}P\{X=x_k\}=\sum\limits_{x_k\le x}p_k F(x)=P{X≤x}=xk≤x∑P{X=xk}=xk≤x∑pk
常见的几种离散型随机变量及其分布律:
(1) 单点分布 ( a 1 ) \binom a1 (1a): P { X = a } = 1 P\{X=a\}=1 P{X=a}=1
(2) 两点分布: P { X = a 0 } = { 1 − p , x = a 0 p , x = a 1 = p i ( 1 − p ) 1 − i , i = 0 , 1 P\{X=a_0\}=\begin{cases}1-p,&x=a_0\\p,&x=a_1\end{cases}=p^i(1-p)^{1-i},i=0,1 P{X=a0}={1−p,p,x=a0x=a1=pi(1−p)1−i,i=0,1
- (0-1)分布: a 0 = 0 , a 1 = 1 a_0=0,a_1=1 a0=0,a1=1,记作 X ~ B ( 1 , p ) X\text{\large\textasciitilde}B(1,p) X~B(1,p)或 X ~ ( 0 1 1 − p p ) X\text{\large\textasciitilde}\left(\begin{array}{l}0&1\\1-p&p\end{array}\right) X~(01−p1p)
(3) 二项分布 B ( n , p ) B(n,p) B(n,p): P { X = k } = C n k p k ( 1 − p ) 1 − k , k = 0 , 1 , 2 , ⋯ , n P\{X=k\}=C_n^kp^k(1-p)^{1-k},k=0,1,2,\cdots,n P{X=k}=Cnkpk(1−p)1−k,k=0,1,2,⋯,n,表示:若某事件 A A A在一次试验中发生的概率为 p p p,将此试验独立地重复进行 n n n次(称为 n n n重伯努利试验), X X X——事件 A A A发生的次数的分布律
(4) 泊松分布 P ( λ ) P(\lambda) P(λ): P { X = k } = λ k e − λ k ! , k = 0 , 1 , 2 , ⋯ P\{X=k\}=\frac{\lambda^k e^{-\lambda}}{k!},k=0,1,2,\cdots P{X=k}=k!λke−λ,k=0,1,2,⋯
- 泊松定理:设随机变量 X n X_n Xn服从二项分布 B ( n , p n ) ( n = 1 , 2 , ⋯ ) B(n,p_n)(n=1,2,\cdots) B(n,pn)(n=1,2,⋯),令 λ = lim n → ∞ n p n \lambda=\lim\limits_{n\to\infty}np_n λ=n→∞limnpn,则 lim n → ∞ C n k p n k ( 1 − p n ) n − k = λ k e − λ k ! \lim\limits_{n\to\infty}C_n^kp_n^k(1-p_n)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!} n→∞limCnkpnk(1−pn)n−k=k!λke−λ。即当 n n n足够大时 C n k p n k ( 1 − p n ) n − k ≈ λ k e − λ k ! C_n^kp_n^k(1-p_n)^{n-k}\approx\frac{\lambda^ke^{-\lambda}}{k!} Cnkpnk(1−pn)n−k≈k!λke−λ
(5) 几何分布 G e ( p ) Ge(p) Ge(p): P { X = k } = ( 1 − p ) k − 1 p , k = 1 , 2 , 3 , ⋯ P\{X=k\}=(1-p)^{k-1}p,k=1,2,3,\cdots P{X=k}=(1−p)k−1p,k=1,2,3,⋯,表示 n n n重伯努利试验中事件 A A A首次发生所需的试验次数的分布律
3. 连续型随机变量及其分布
连续型随机变量、概率密度:设 X X X为随机变量,若存在非负可积函数 f ( x ) f(x) f(x),使得对任意区间 A ⊂ R A\subset R A⊂R,都有 P { X ∈ A } = ∫ A f ( x ) d x P\{X\in A\}=\int_A{f(x)\text{d}x} P{X∈A}=∫Af(x)dx,则称 X X X为连续型随机变量,并称 f ( x ) f(x) f(x)为 X X X的概率密度
概率密度的基本性质:(1) ∀ x ∈ R , f ( x ) ≥ 0 \forall x\in\mathbb R,f(x)\ge0 ∀x∈R,f(x)≥0;(2) ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-\infty}^{+\infty}f(x)\text{d}x=1 ∫−∞+∞f(x)dx=1
连续型随机变量的分布函数:
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
F(x)=\int_{-\infty}^xf(t)\text{d}t
F(x)=∫−∞xf(t)dt
若
f
(
x
)
f(x)
f(x)在点
x
x
x处连续,则有
F
′
(
x
)
=
f
(
x
)
F'(x)=f(x)
F′(x)=f(x)
连续型随机变量取任何实数的概率都是 0 0 0
常见的几种连续型随机变量及其分布律:
(1) 正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2): f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , x ∈ R f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},x\in\mathbb R f(x)=2πσ1e−2σ2(x−μ)2,x∈R X X X服从参数为 μ , σ \mu,\sigma μ,σ的正态分布 ⟹ \implies ⟹ X ~ N ( μ , σ 2 ) X\text{\large\textasciitilde}N(\mu,\sigma^2) X~N(μ,σ2)(称 X X X为正态变量)
标准正态分布: μ = 0 , σ = 1 \mu=0,\sigma=1 μ=0,σ=1,记作 N ( 0 , 1 ) N(0,1) N(0,1),概率密度 ϕ ( x ) = 1 2 π e − x 2 2 , x ∈ R \phi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}},x\in\mathbb R ϕ(x)=2π1e−2x2,x∈R;分布函数 Φ ( x ) = ∫ − ∞ x 1 2 π e − t 2 2 d t \Phi(x)=\int_{-\infty}^x\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}\text{d}t Φ(x)=∫−∞x2π1e−2t2dt
Φ
(
−
x
)
=
1
−
Φ
(
x
)
\Phi(-x)=1-\Phi(x)
Φ(−x)=1−Φ(x)
Φ
(
0
)
=
1
2
\Phi(0)=\frac12
Φ(0)=21
若
X
~
N
(
0
,
1
)
X\text{\large\textasciitilde}N(0,1)
X~N(0,1),则
P
{
X
≥
x
}
=
Φ
(
−
x
)
P\{X\ge x\}=\Phi(-x)
P{X≥x}=Φ(−x)
若 X ~ N ( μ , σ 2 ) X\text{\large\textasciitilde}N(\mu,\sigma^2) X~N(μ,σ2),则 Z = X − μ σ ~ N ( 0 , 1 ) Z=\frac{X-\mu}{\sigma}\text{\large\textasciitilde}N(0,1) Z=σX−μ~N(0,1)
由此可得一些积分的值:
∫
−
∞
+
∞
e
−
(
x
−
μ
)
2
2
σ
2
d
x
=
2
π
σ
\int_{-\infty}^{+\infty}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\text{d}x=\sqrt{2\pi}\sigma
∫−∞+∞e−2σ2(x−μ)2dx=2πσ
∫
μ
+
∞
e
−
(
x
−
μ
)
2
2
σ
2
d
x
=
π
2
σ
\int_{\mu}^{+\infty}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\text{d}x=\sqrt{\frac\pi2}\sigma
∫μ+∞e−2σ2(x−μ)2dx=2πσ
特别地,
∫
−
∞
+
∞
e
−
x
2
2
d
x
=
2
π
\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}\text{d}x=\sqrt{2\pi}
∫−∞+∞e−2x2dx=2π
∫
0
+
∞
e
−
x
2
2
d
x
=
π
2
\int_{0}^{+\infty}e^{-\frac{x^2}{2}}\text{d}x=\sqrt{\frac\pi2}
∫0+∞e−2x2dx=2π
X ~ N ( μ , σ 2 ) ⟹ Y = k X + b ~ N ( k μ + b , k 2 σ 2 ) X\text{\large\textasciitilde}N(\mu,\sigma^2)\implies Y=kX+b\text{\large\textasciitilde}N(k\mu+b,k^2\sigma^2) X~N(μ,σ2)⟹Y=kX+b~N(kμ+b,k2σ2)(其中 k ≠ 0 k\ne0 k=0)
(2) 均匀分布 U ( a , b ) ( a < b ) U(a,b)(a<b) U(a,b)(a<b): f ( x ) = { 1 b − a , a ≤ x ≤ b 0 , 其他 f(x)=\begin{cases}\frac{1}{b-a},&a\le x\le b\\0,&\text{其他}\end{cases} f(x)={b−a1,0,a≤x≤b其他,分布函数 F ( x ) = { 0 , x < a x − a b − a , a ≤ x < b 1 , x ≥ b F(x)=\begin{cases}0,&x<a\\\frac{x-a}{b-a},&a\le x<b\\1,&x\ge b\end{cases} F(x)=⎩ ⎨ ⎧0,b−ax−a,1,x<aa≤x<bx≥b
(3) 指数分布 E x p ( λ ) Exp(\lambda) Exp(λ): f ( x ) = { λ e − λ x , x ≥ 0 0 , x < 0 f(x)=\begin{cases}\lambda e^{-\lambda x},&x\ge0\\0,&x<0\end{cases} f(x)={λe−λx,0,x≥0x<0,分布函数 F ( x ) = { 1 − e − λ x , x ≥ 0 0 , x < 0 F(x)=\begin{cases}1-e^{-\lambda x},&x\ge 0\\0,&x<0\end{cases} F(x)={1−e−λx,0,x≥0x<0
X
~
E
x
p
(
λ
)
⟹
∀
s
>
0
,
t
>
0
,
P
{
X
>
s
+
t
∣
X
>
s
}
=
P
{
X
>
t
}
X\text{\large\textasciitilde}Exp(\lambda)\implies\forall s>0,t>0,P\{X>s+t|X>s\}=P\{X>t\}
X~Exp(λ)⟹∀s>0,t>0,P{X>s+t∣X>s}=P{X>t}
(指数分布的无记忆性:出生时能活
t
t
t年和
s
s
s岁时再活
t
t
t年概率相同)
4. 随机变量的函数及其概率分布
设 X X X为随机变量, g ( x ) g(x) g(x)为单值实函数(假设其为连续函数/单调函数/分段单调函数),则 Y = g ( X ) Y=g(X) Y=g(X)仍为随机变量
-
X X X为离散型随机变量 ⟹ \implies ⟹ Y Y Y也是离散型随机变量
- 分布律求法:
- 设 X ~ ( x 1 x 2 ⋯ x n ⋯ p 1 p 2 ⋯ p n ⋯ ) X\text{\large\textasciitilde}\left(\begin{matrix}x_1&x_2&\cdots&x_n&\cdots\\p_1&p_2&\cdots&p_n&\cdots\end{matrix}\right) X~(x1p1x2p2⋯⋯xnpn⋯⋯)
- 求出所有 x k ( k = 1 , 2 , ⋯ , n , ⋯ ) x_k(k=1,2,\cdots,n,\cdots) xk(k=1,2,⋯,n,⋯)对应的 g ( x k ) g(x_k) g(xk),每个 g ( x k ) g(x_k) g(xk)对应的概率为 p k p_k pk
- 合并相同的 g ( x k ) g(x_k) g(xk),将对应的 p k p_k pk相加
- 分布律求法:
-
X X X为连续型随机变量 ⟹ \implies ⟹ Y Y Y可能连续也可能离散
- 若 Y Y Y离散,求其分布律
- 若
Y
Y
Y不离散,求其分布函数:
F
Y
(
y
)
=
P
{
Y
≤
y
}
=
P
{
g
(
X
)
≤
y
}
=
∫
g
(
x
)
≤
y
f
X
(
x
)
d
x
F_Y(y)=P\{Y\le y\}=P\{g(X)\le y\}=\int_{g(x)\le y}f_X(x)\text{d}x
FY(y)=P{Y≤y}=P{g(X)≤y}=∫g(x)≤yfX(x)dx(若概率密度存在,对
F
Y
(
y
)
F_Y(y)
FY(y)求导即得概率密度
f
Y
(
y
)
=
F
Y
′
(
y
)
f_Y(y)=F'_Y(y)
fY(y)=FY′(y))
- 若
Y
Y
Y连续,可求其概率密度
- 设随机变量 X X X具有概率密度 f X ( x ) f_X(x) fX(x),若 g ( x ) g(x) g(x)为 R \mathbb R R上的可导函数,并且恒有 g ′ ( x ) > 0 g'(x)>0 g′(x)>0或 g ′ ( x ) < 0 g'(x)<0 g′(x)<0。记 h ( y ) h(y) h(y)为 g g g的反函数,则 Y = g ( X ) Y=g(X) Y=g(X)是连续型随机变量,其概率密度为 f Y ( y ) = { f X ( h ( y ) ) ∣ h ′ ( y ) ∣ , y ∈ g ( R ) 0 , 其他 f_Y(y)=\begin{cases}f_X(h(y))|h'(y)|,&y\in g(\mathbb R)\\0,&\text{其他}\end{cases} fY(y)={fX(h(y))∣h′(y)∣,0,y∈g(R)其他,其中 g ( R ) g(\mathbb R) g(R)为 g g g的值域
- 若 f X ( x ) f_X(x) fX(x)在区间 [ a , b ] [a,b] [a,b]外恒为 0 0 0,则把 R \mathbb R R换成 [ a , b ] [a,b] [a,b]依然成立
- 若
Y
Y
Y连续,可求其概率密度
参考书目
《概率论与数理统计》施雨等编