m@[toc]
第二章 随机变量及其概率分布
1、随机变量
定义:设随机试验的样本空间为S={e},X=X{e}是定义在样本空间S上的实值单值函数.称X=X{e}为随机变量
常用
ξ
,
η
,
ζ
\xi,\eta,\zeta
ξ,η,ζ希腊字母或X,Y,Z表示
有离散型和连续型
若随机变量只可能取有限个或无限个值时,称之为 离散型随机变量
若随机变量取一个区间内所有实数时,称之为 连续型随机变量
随机变量取值由随机试验的结果确定
随机变量X取某个值x的事件用记号{X=x}表示,其概率即P{X=x}
一般,若L是实数集,将随机变量x在L上的取值事件记为{x
∈
\in
∈L}
其概率记为P{x
∈
\in
∈L}
P{x
∈
\in
∈L}=P{e|X(e)
∈
\in
∈L}
2、离散型随机变量及其分布律
若随机变量只可能取有限个或可数(可列)无限个值时,则称之为离散型随机变量
离散型随机变量X的所有可能取的值为
x
k
(
k
=
1
,
2
,
.
.
.
)
x_k(k=1,2,...)
xk(k=1,2,...),X取各个可能值的概率,即事件{X=
x
k
x_k
xk}的概率,为
P{X=
x
k
x_k
xk}=
p
k
p_k
pk,k=1,2,…
由概率的定义,
p
k
p_k
pk满足如下两个条件:
1.非负性,
p
k
p_k
pk
≥
\geq
≥ 0,k=1,2,…
2.规范性,
∑
k
=
1
∞
p
k
=
1
\sum_{k=1}^{\infty}p_k=1
∑k=1∞pk=1,所有概率相加为1
以下是三个重要的离散型随机变量
(一)0-1分布
定义:设随机变量X只可能取0和1两个值,它的分布律是
P{X=k}=
P
k
(
1
−
P
)
1
−
k
,
k
=
0
,
1
(
0
<
P
<
1
)
P^k(1-P)^{1-k},k=0,1(0<P<1)
Pk(1−P)1−k,k=0,1(0<P<1)
则称X服从以P为参数的(0-1)分布或两点分布
(二)伯努利试验、二项分布
设试验E只有两种可能结果:A和
A
‾
\overline{A}
A,则称E为伯努利试验,设P(A)=p(1<p<1),
此时P(
A
‾
\overline{A}
A)=1-p,将E独立重复的进行n次,则称这一串重复的独立试验为n重伯努利试验
P{X=k}=
C
n
k
p
k
(
1
−
p
)
n
−
k
,
k
=
0
,
1
,
2
,
3...
C_n^k p^k(1-p)^{n-k},k=0,1,2,3...
Cnkpk(1−p)n−k,k=0,1,2,3...
则称随机变量X服从参数为n,p的二项分布,并记为X~B(n,p)
Q
(三)泊松分布
设随机变量X所有可能取的值为0,1,2,…而取各个值的概率为
P{X=k}=
λ
k
e
−
λ
k
!
,
k
=
0
,
1
,
2
,
3...
\frac{\lambda^ke^{-\lambda}}{k!},k=0,1,2,3...
k!λke−λ,k=0,1,2,3...
其中
λ
\lambda
λ>0是常数,则称X服从参数为
λ
\lambda
λ的泊松分布,记为X~P(
λ
\lambda
λ)
泊松定理:设
λ
\lambda
λ>0是一个常数,n是任意正整数,设
n
p
n
=
λ
np_n=\lambda
npn=λ,则对于任一固定的非负整数k,有
lim
n
→
∞
C
n
k
p
n
k
(
1
−
p
n
)
n
−
k
=
λ
k
e
−
λ
k
!
\lim\limits_{n\rightarrow \infty} C_n^k p_n^k(1-p_n)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!}
n→∞limCnkpnk(1−pn)n−k=k!λke−λ
也就是说以n,p为参数的二项分布的概率值可以由参数为
λ
=
n
p
\lambda=np
λ=np的泊松分布的概率值近似
3、随机变量的分布函数
定义:设X是一个随机变量,x是任意实数,函数
F(x)=P{X
≤
\leq
≤x},-
∞
\infty
∞<x<
∞
\infty
∞
称为X的分布函数
对于任意实数
x
1
x_1
x1,
x
2
x_2
x2(
x
1
x_1
x1<
x
2
x_2
x2),有
P{
x
1
x_1
x1<X
≤
\leq
≤
x
2
x_2
x2}=P{X
≤
\leq
≤
x
2
x_2
x2}-P{X
≤
\leq
≤
x
1
x_1
x1}=F(
x
2
x_2
x2)-F(
x
1
x_1
x1)
分布函数F(x)有以下的基本性质:
1、F(x)是一个不减函数
2、0
≤
\leq
≤F(x)
≤
\leq
≤ 1,且
F
(
−
∞
)
=
lim
x
→
−
∞
F
(
x
)
=
0
F(-\infty)=\lim\limits_{x\rightarrow -\infty}F(x)=0
F(−∞)=x→−∞limF(x)=0
F ( ∞ ) = lim x → ∞ F ( x ) = 1 F(\infty)=\lim\limits_{x\rightarrow \infty}F(x)=1 F(∞)=x→∞limF(x)=1
4、连续随机变量及其概率密度
如果对于随机变量X的分布函数F(x),存在非负函数f(x),使对于任意实数x有
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
F(x)=\int_{-\infty}^{x} f(t)dt
F(x)=∫−∞xf(t)dt
则称X为连续型随机变量,其中函数f(x)称为X的概率密度函数,简称概率密度
概率密度f(x)具有以下性质:
1、f(x)
≥
\geq
≥ 0
2、
∫
−
∞
∞
f
(
x
)
d
x
=
1
\int_{-\infty}^{\infty} f(x)dx=1
∫−∞∞f(x)dx=1
3、对于任意实数
x
1
x_1
x1,
x
2
x_2
x2(
x
1
x_1
x1
≤
\leq
≤
x
2
x_2
x2),
P{
x
1
x_1
x1<X
≤
\leq
≤
x
2
x_2
x2}=F(
x
2
x_2
x2)-F(
x
1
x_1
x1)=
∫
x
1
x
2
f
(
x
)
d
x
\int_{x_1}^{x_2}f(x)dx
∫x1x2f(x)dx
4、若f(x)在点x处连续,则有F
′
\prime
′(x)=f(x)
对于连续型随机变量X来说,它取任意指定实数值a的概率均为0,即P{X=a}=0
(一)均匀分布
定义:若连续型随机变量X具有概率密度
f
(
x
)
=
{
1
b
−
a
,
x
∈
(
a
,
b
)
0
,
其
他
f(x)=\begin{cases} {\frac{1}{b-a},x\in(a,b)}\\ {0,其他}\end{cases}
f(x)={b−a1,x∈(a,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)
易知f(x)
≥
\geq
≥ 0 ,且
∫
−
∞
∞
f
(
x
)
d
x
=
1
\int_{-\infty}^{\infty} f(x)dx=1
∫−∞∞f(x)dx=1
性质:均匀分布具有等可能性
即对任一长度
l
l
l的子区间(c,c+
l
l
l),a
≤
\leq
≤c<c+
l
l
l
≤
\leq
≤b,有
P{c<X
≤
\leq
≤c+
l
l
l}=
∫
c
c
+
l
f
(
x
)
d
x
=
∫
c
c
+
l
1
b
−
a
d
x
=
l
b
−
a
\int_{c}^{c+l}f(x)dx=\int_{c}^{c+l}\frac{1}{b-a}dx=\frac{l}{b-a}
∫cc+lf(x)dx=∫cc+lb−a1dx=b−al
即,服从U(a,b)上的均匀分布的随机变量X落入(a,b)中的任意子区间上的概率只与其区间长度有关,与区间位置无关
即,X落入(a,b)中的等长度的任意子区间上是等可能的
X的分布函数为
F(x)=
{
0
,
x
<
a
x
−
a
b
−
a
,
a
≤
x
<
b
1
,
x
≥
b
\begin{cases} {0,x<a}\\ {\frac{x-a}{b-a},a\leq x<b}\\{1,x\geq b}\end{cases}
⎩⎪⎨⎪⎧0,x<ab−ax−a,a≤x<b1,x≥b
(二)指数分布
若连续型堆积变量X的概率密度为
f
(
x
)
=
{
1
θ
e
−
x
/
θ
,
x
>
0
0
,
其
他
f(x)=\begin{cases} {\frac{1}{ \theta }e^{-x/\theta},x>0}\\ {0,其他}\end{cases}
f(x)={θ1e−x/θ,x>00,其他
其中
θ
\theta
θ>0为常数,则称X服从参数为
θ
\theta
θ的指数分布,记为X~E(
λ
\lambda
λ)
易知f(x)
≥
\geq
≥ 0 ,且
∫
−
∞
∞
f
(
x
)
d
x
=
1
\int_{-\infty}^{\infty} f(x)dx=1
∫−∞∞f(x)dx=1
分布函数为
F(x)=
{
1
−
e
−
x
/
θ
,
x
>
0
0
,
其
他
\begin{cases} {1-e^{-x/\theta},x>0}\\ {0,其他}\end{cases}
{1−e−x/θ,x>00,其他
性质:指数分布具有无记忆性
对于s,t>0,有
P(X>s+t|X>s)=P{X>t}
(三)正态分布
性质:
1.f(x)关于x=
μ
\mu
μ对称
2.当x
≤
\leq
≤
μ
\mu
μ时,f(x)是严格单调递增函数
3.f(max)=f(
μ
\mu
μ)=
1
2
π
σ
\frac{1}{2\sqrt{\pi}\sigma}
2πσ1
4.
lim
∣
x
−
μ
∣
→
∞
f
(
x
)
=
0
\lim\limits_{|x-\mu|\rightarrow \infty}f(x)=0
∣x−μ∣→∞limf(x)=0
μ
\mu
μ为位置参数
σ
\sigma
σ为尺度参数,
σ
\sigma
σ越小,图形越高越瘦,
σ
\sigma
σ越大,图形越矮越胖
标准正态分布
当
μ
\mu
μ=0,
σ
\sigma
σ=1时
概率密度用
φ
\varphi
φ(x)表示,分布函数用
ϕ
\phi
ϕ(x)表示
5、随机变量的函数的分布