一维随机变量及其分布

随机变量及其分布

离散化

将任意样本空间$\Omega$的元素离散化，用实数$x_1,x_2...,x_n$代表这个n元素${\omega }_1,{\omega }_{，}...,{\omega }_n$，其中$x_i=X({\omega }_i)$，$X$为样本空间到实数域的单质实值函数
$$X:\Omega \to \mathbb{N}$$
$X=X(\omega )$即为随机变量

为什么引入随机变量这个概念?
我的理解:
设人群为$\Omega$,任意${\omega }_0\in \Omega$表示人群中的任意一个人${\omega }_0$,人群可能有很多属性值得研究,比如收入问题,年龄问题,但是现在只对人群的身高问题感兴趣,那么对每个人,多富多胖我都不关心,我只看他的身高,记$X=X(\omega )$为对$\omega$这个人取身高的函数.$X_1=X({\omega }_1)$即表示第一个人的身高,以后的研究就 { X n } \{X_n\} {Xn​}这个集合上展开了

本章就建立在此之上

随机变量分布函数

定义$F(x)=P(X\le x),x\in \mathbb{R}$

一群人中随机挑选一个,求其身高在$180cm$以下的概率:
设人群为$\Omega$,任意$\omega \in \Omega$表示人群中的任意一个人$\omega$,记$X=X(\omega )$为对$\omega$这个人取身高的函数
设样本空间为 Ω = { ω 1 , ω 2 , . . . , ω n } \Omega=\{\omega_1,\omega_2,...,\omega_n\} Ω={ω1​,ω2​,...,ωn​}通过取身高函数$X$映射为 { X 1 , X 2 , . . . , X n } \{X_1,X_2,...,X_n\} {X1​,X2​,...,Xn​},问题转化为 { X 1 , X 2 , . . . , X n } \{X_1,X_2,...,X_n\} {X1​,X2​,...,Xn​}集合中小于180的个数占总个数n的比例

性质:

$P(x_1<X\le x_2)=F(x_2)-F(x_1)$

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

$F(x)$单调不减

$F(x)$右连续

离散型随机变量及其分布律

离散型随机变量:有限或者可列无限

随机变量$X$有有限多个或者可列无限多个时称为离散型随机变量

可列就是这个集合可以找到与自然数集N的双射函数。//可列
自然数集有无穷个元素，所以如果一个集合可以与N一一对应，自然也有无穷个元素。//无穷

研究离散型随机变量$X$的统计规律就是要掌握$X$所有可能的取值以及对应的概率

分布律$P(X=x_i)=p_i$

分布律的两种表示:
1.表达式形式$P(X=x_i)=p_i,i=1,2,...$
2.表格形式

$X$	$x_1$	$x_2$	…
$P$	$p_1$	$p_2$	…

性质:

$\forall p_i\ge 0,i=1,2,...$

${\sum }_i{p}_i=1$

分布函数$F(x)={\sum }_{x_i\le x}P(X=x_i)$

$$F(x)=P(X\le x)=\sum _{x_i\le x}P(X=x_i)$$

分布模型

1.两点分布$P(X=k)=p^k(1-p{)}^{1-k},k=0,1$

$X\sim B(1,p):$离散型随机变量X服从参数为p的两点分布

$X$取值要么0要么1只有这两种情况,取值为1的概率为p,由$\sum p_i=1$知取值为0的概率为1-p

2.二项分布$P(X=k)=C_n^k{p}^k{q}^{n-k},q+p=1,k=0,1,2,...$

$X\sim B(n,p):$离散型随机变量X服从参数为n,p的二项分布

当n=1时退化为两点分布$X\sim B(1,p)$

参数意义:
$n:$n次独立重复试验
$p:$每次的成功概率都是p
分布律意义:n次试验中有k次试验是成功的概率

3.泊松分布

泊松定理${\lim }_{n\to \infty }{C}_n^k{p}^k(1-p{)}^{n-k}=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$

泊松定理在n很大时具有很好的拟合效果
设$\lambda >0$是一常数,$n$为任意正整数,满足$np=\lambda$,对任意非负常数$k$,有:
$$\underset{n\to \infty }{\lim }{C}_n^k{p}^k(1-p{)}^{n-k}=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$$

$$\begin{array}{rl}左侧& =\underset{n\to \infty }{\lim }\frac{n(n-1)(n-2)...(n-k+1)}{k!}(\frac{\lambda }{n}{)}^k(1-\frac{\lambda }{n}{)}^n(1-\frac{\lambda }{n}{)}^{-k}\\ & =\underset{n\to \infty }{\lim }\frac{n^{k}1(1-\frac{1}{n})(1-\frac{2}{n})...(1-\frac{k-1}{n})}{k!}(\frac{\lambda }{n}{)}^k(1-\frac{\lambda }{n}{)}^{-\frac{n}{\lambda }\times (-\lambda )}(1-\frac{\lambda }{n}{)}^{-k}\\ & =\underset{n\to \infty }{\lim }\frac{{\lambda }^k}{k!}{e}^{-\lambda }\\ & =右侧\end{array}$$

泊松分布$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },\lambda >0,k=0,1,2,...$

根据泊松定理的形式,泊松分布可以看做二项分布时试验次数无穷大时的情形
$X\sim P(\lambda ):$离散型随机变量X服从参数为$\lambda$的泊松分布

证明泊松分布满足离散型随机变量分布律的性质:
1.显然$\frac{{\lambda }^k}{k!}{e}^{-\lambda }>0$
2.
$$\sum _{k=0}^{\infty }\frac{{\lambda }^k}{k!}{e}^{-\lambda }=e^{-\lambda }\sum _{k=0}^{\infty }\frac{{\lambda }^k}{k!}$$
令
$$g_k(x)=\sum _{k=1}\frac{x^k}{k!},x>0,k\in N$$
恰好为$e^x$的麦克劳林展开式
$$g_k(x)=\sum _{k=1}\frac{x^k}{k!}=e^x$$
$$g_k(\lambda )=e^{\lambda }$$
$$\sum _{k=0}^{\infty }\frac{{\lambda }^k}{k!}{e}^{-\lambda }=e^{-\lambda }\sum _{k=0}^{\infty }\frac{{\lambda }^k}{k!}=e^{-\lambda }{e}^{\lambda }=1$$

4.几何分布$P(X=k)=(1-p{)}^{k-1}p(k=1,2,...)$

$X\sim GE(p):$离散型随机变量X服从参数为p的几何分布

参数意义:
独立重复试验的成功概率为p,恰好在第k次试验成功,前k-1次均失败的概率

5.超几何分布$P(X=k)=\frac{C_M^k{C}_{N-M}^{n-k}}{C_N^n},k=0,1,...,min(M,n)$

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

参数意义:
一共有N件产品,其中有M件次品,从中任取n件取到次品数为X的概率为:
$$\frac{从M个次品中挑出k个的组合数\times 从N-M个正品中挑出n-k个的组合数}{从N个物品总任意挑出n个的组合数}$$

超几何分布与二项分布的关系:

超几何分布实际上可以看做如下情形:

N个大小形状一模一样的球,其中有M个红球,N-M个黑球,从中任意不放回摸出n个球,求摸到的红球个数为k的概率

二项分布可以看做如下情形:

N个大小形状一模一样的球,其中有M个红球,N-M个黑球,从中任意放回摸出n个球,求摸到的红球个数为k的概率

两者的区别在于放回与否
如果不放回则每次试验相互独立,成功概率相同
如果放回则上一次试验一定会影响下一次试验的概率

因此分布律公式给出的时候二项分布的参数直接写的是固定的概率,
而超几何分布给出的是个数(没有固定概率)

但是当N趋向于无穷大时,也就是摸出来的n个球对于总数N来说稀松时,可以认为两种分布是等价的

在求取出的红球数的数学期望的时候两种分布情况的相同的:
将所有N个球不管颜色都打成粉末,摇匀,
二项分布模型每次取出一勺记下勺子中红黑粉量之后将这勺"球"倒回去
超几何分布模型每次取出一勺记下勺子中红黑粉量之后将这勺"球"吃了
显然已经摇匀的球粉倒不倒回去不会影响下一勺中红黑粉末的比重
那么摸出k个球相当于舀出k勺,其中红球数量的期望就是$k\times \frac{M}{N}$,黑球数量的期望就是$k\times \frac{N-M}{N}$

连续型随机变量及其概率密度

连续型随机变量

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

其中$f(t)$为$(-\infty ,\infty )$上的非负可积函数,称为X的概率密度函数,简称概率密度

概率密度的性质:

设$f(x)$为连续型随机变量$X$的概率密度

1.非负

2.${\int }_{-\infty }^{+\infty }f(t)dt=1$

3.$P(a<x\le b)={\int }_a^{b}f(t)dt$

4.$f(x)$的连续点处有$F^{\prime }(x)=f(x)$

5.有概率密度的离散型随机变量的分布函数一定连续

6.单点处概率为0,$P(x=x_0)={\int }_{x_0}^{x_0}f(t)dt=0$

不可能事件概率一定为0,但是概率为0的不一定是不可能事件

分布模型

1.均匀分布$X\sim U(a,b)$

$$概率密度f(x)=\{\begin{array}{l}\frac{1}{b-a},a<x\le b\\ 0,x\le a或x>b\end{array}$$
$$分布函数F(x)=\int f(x)dx=\{\begin{array}{l}0,x<a\\ \frac{x-a}{b-a},a<x\le b\\ 1,x>b\end{array}$$

2.正态分布$X\sim N(\mu ,{\sigma }^2)$

$$概率密度f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty$$
$$分布函数F(x)=\int f(x)dx$$

标准正态分布$X\sim N(0,1)$

$$概率密度\varphi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$
$$分布函数\Phi (x)=\int \varphi (x)dx$$

$\Phi (-x)=1-\Phi (x)$

标准化$Z=\frac{X-\mu }{\sigma }$

正态分布转化为标准正态分布:
设$X\sim N(\mu ,\sigma )$,
则$Z=\frac{X-\mu }{\sigma }\sim N(0,1)$称Z为X的标准化

3$\sigma$规则

X范围	概率
$(\mu -\sigma ,\mu +\sigma )$	0.6526
$(\mu -2\sigma ,\mu +2\sigma )$	0.9544
$(\mu -3\sigma ,\mu +3\sigma )$	0.9974

3.指数分布$X\sim E(\lambda )$

$$概率密度f(x)=\{\begin{array}{l}\lambda e^{-\lambda x},x\ge 0\\ 0,x<0\end{array}$$
$$分布函数F(x)=\int f(x)dx=\{\begin{array}{l}1-e^{-\lambda x},x\ge 0\\ 0,x<0\end{array}$$

无记忆性$P(X>(s+t)|X>s)=P(X>t)$