常见随机变量分布总结

最新推荐文章于 2024-10-11 16:29:02 发布

原创

最新推荐文章于 2024-10-11 16:29:02 发布 · 657 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#概率论

本文总结了常见的随机变量分布，包括离散型的两点分布、二项分布、几何分布、泊松分布和超几何分布，以及连续型的均匀分布、指数分布、正态分布和柯西分布。探讨了这些分布的数学期望和方差，并提供了关键的推导过程，是理解概率论中随机变量分布的良好参考资料。

更新：推导已补充

离散型分布

两点分布 $\sim B(1,p)$

随机变量X只能取值0和1，且服从参数为P的(0-1)分布，对应一次伯努利试验. (相当于随机变量取值限制的二项分布)

其分布律为：

$P\{X=k\} = p^k (1-p)^{1-k}, k=0,1; \ \ \ \ \$

其数学期望为： $E (X) = p$

方差为： $D (X) = p (1 - p)$

推导：

$1\cdot p^1(1-p)^0 = p$

$D(X) = E(x^2) - [E(x)]^2 ==(1-p)(0-p)^2+p(1-p)^2 = p - p^2$

二项分布 $\sim B(n,p)$

随机变量X的所有可能取值为： $0, 1, 2 . . ., n$ ,而各取值的概率为：

$P\{X=k\} = C_n^k p^k q^{n-k}, \;\; k = 0,1,2,...,n$

其中， 0

其数学期望为： $E (X) = n p$

方差为： $D (X) = n p (1 - p)$

推导：

$KaTeX parse error: Mismatch: \begin{aligned} matched by \end{align} at position 193: …+p)^{n-1} = np \̲e̲n̲d̲{align}$

$E(X2)=∑k=0nk2Cnkpk(1−p)n−k=np∑k=1nkCn−1k−1pk−1(1−p)n−k=np∑k=0n−1(k+1)Cn−1kpk(1−p)n−k−1=np∑k=1n−1kCn−1kpk(1−p)n−k+np=n(n−1)p2∑k=1n−1Cn−2k−1pk−1(1−p)n−1−k=n(n−1)p2+npD(X)=E(X2)−E2(X)=np[(n−1)p+1]−n2p2=np(1−p)\begin{aligned} E(X^2) &= \sum^n_{k=0} k^2 C_n^k p^k(1-p)^{n-k} \\ &=np\sum^n_{k=1} k C_{n-1}^{k-1} p^{k-1}(1-p)^{n-k} =np\sum^{n-1}_{k=0} (k+1) C_{n-1}^{k} p^k(1-p)^{n-k-1}\\ &= np\sum^{n-1}_{k=1}kC^k_{n-1}p^k(1-p)^{n-k}+np\\ &= n(n-1)p^2\sum^{n-1}_{k=1}C^{k-1}_{n-2}p^{k-1}(1-p)^{n-1-k}=n(n-1)p^2+np \\ D(X) &= E(X^2) - E^2(X)= np[(n-1)p+1] - n^2p^2= np(1-p) \end{aligned}$

由于二项分布对应n重独立的伯努利试验，相当于n个两点分布的叠加，因此有：

$E_B(X) = E_{0-1}(nX) = nE_{0-1}(X)=np$

$D_B(X) = D_{0-1}(nX)=np(1-p)$

几何分布 $X∼G(p)X\sim G(p)$

分布律为：

$X=k}=p(1−q)k−1,k=1,2,3...,p∈(0,1]P\{X=k\} = p(1-q)^{k-1}, k=1,2,3..., p\in (0,1]$

其数学期望与方差为：

$\frac1p,\ \ \ D(X) = \frac{1-p}{p^2}$

推导<1>：

$(1−p)E(X)=lim⁡n→∞∑k=1nkp(1−p)k⇒pE(X)=lim⁡n→∞[p∑k=1n[(k−1)(1−p)k−1−k(1−p)k]+p∑k=1n(1−p)k−1]E(X)=lim⁡n→∞[−n(1−p)n+(1−p)n−1(1−p)−1]=lim⁡n→∞1p[1−(1−p)n(1+np)]=1p\begin{aligned} &E(X)=\lim_{n\to \infty}\sum^n_{k=1}kp(1-p)^{k-1}, \ \ (1-p)E(X)=\lim_{n\to \infty}\sum^n_{k=1}kp(1-p)^{k }\\ &\Rightarrow pE(X)= \lim_{n\to \infty}[p\sum^n_{k=1}[(k-1)(1-p)^{k-1} -k(1-p)^k]+p\sum^n_{k=1}(1-p)^{k-1}] \\ &E(X)=\lim_{n\to \infty}[-n(1-p)^n+\frac{(1-p)^n-1}{(1-p)-1}]=\lim_{n\to \infty}\frac1p [1-(1-p)^n(1+np)] = \frac1p \end{aligned}$

求期望过程的最后一步要注意一个推导：

$$p\in (0,1], \lim_{n\to \infty}(1-p)^n(1+np)\ =\lim_{n\to \infty}e^{n\ln(1-p)+\ln(1+np)}\leq \lim_{n\to \infty}e^{n\ln(1-p)+np}= \lim_{n\to \infty}e^{n[ln(1-p)+p]}=0 \$$

虽然结果显而易见，但是这里不是无穷小极限，不能用等价洛必达求极限那一套。当然，使用级数计算过程更简单<2>： $E(X)=∑k=1∞kp(1−p)k−1=p(∑k=1∞−(1−p)k)′=p(−1−p1−(1−p))′=1pE(X)=\sum^\infty_{k=1}kp(1-p)^{k-1} = p(\sum^\infty_{k=1}-(1-p)^k)'=p(-\frac{1-p}{1-(1-p)})' = \frac1p$