常见随机变量分布总结

最新推荐文章于 2022-11-06 23:41:01 发布

aa_42758768

最新推荐文章于 2022-11-06 23:41:01 发布

阅读量506

点赞数

分类专栏：主动搬运一点数学文章标签：概率论

本文链接：https://blog.csdn.net/qq_42758768/article/details/125678255

版权

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。

摘要由CSDN通过智能技术生成

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：

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

$\begin{aligned} E(X^2) &= \sum^n_{k=0} k^2 C_n^k p^k(1-p)^{n-k} \\ &=np\sum^n_{k=1} k C_{n-1}^{k-1} p^{k-1}(1-p)^{n-k} =np\sum^{n-1}_{k=0} (k+1) C_{n-1}^{k} p^k(1-p)^{n-k-1}\\ &= np\sum^{n-1}_{k=1}kC^k_{n-1}p^k(1-p)^{n-k}+np\\ &= n(n-1)p^2\sum^{n-1}_{k=1}C^{k-1}_{n-2}p^{k-1}(1-p)^{n-1-k}=n(n-1)p^2+np \\ D(X) &= E(X^2) - E^2(X)= np[(n-1)p+1] - n^2p^2= np(1-p) \end{aligned}$

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 $X\sim G(p)$

分布律为：

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

其数学期望与方差为：

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

推导<1>：

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