随机变量:
概率论考研笔记(二):随机变量
概念 | 释义 | 性质 |
---|---|---|
随机变量 | 若随机试验E中任意事件e都对应一个单值实函数X = X(e),则称X为随机变量 | 一般用大写字母X,Y,Z表示随机变量,以小写字母x,y,z表示其实数值 |
概率分布 | 随机变量X的各个取值与其对应事件的概率的映射描述,称为X的概率分布 | 任何一个随机变量都对应一个概率分布 |
分布函数 F ( x ) F(x) F(x) | 设X为随机变量,x是任意实数,则称函数 F ( x ) = P ( X ≤ x ) F(x) = P(X \leq x) F(x)=P(X≤x)为X的分布函数 | ①F(x)表示X在区间
(
−
∞
,
x
]
(-\infty,x]
(−∞,x]取值的概率 ⇒ \Rightarrow ⇒ 充要条件②③④: ② 0 ≤ F ( x ) ≤ 1 0 \leq F(x) \leq 1 0≤F(x)≤1 ③单调不减 ④右连续(对于连续型随机变量,应是连续函数) ⑤ P ( X > x ) = 1 − F ( x ) P(X > x) = 1 - F(x) P(X>x)=1−F(x) ⑥ P ( a < X ≤ b ) = F ( b ) − F ( a ) P(a < X \leq b) = F(b) - F(a) P(a<X≤b)=F(b)−F(a) ⑦若连续型随机变量的概率密度为偶函数,则有: F ( − a ) = 1 − F ( a ) F(-a)=1-F(a) F(−a)=1−F(a) P ( ∥ X ∥ < a ) = 2 F ( a ) − 1 P(\|X\|<a) = 2F(a)-1 P(∥X∥<a)=2F(a)−1 P ( ∥ X ∥ > a ) = 2 [ 1 − F ( a ) ] P(\|X\|>a) = 2[1-F(a)] P(∥X∥>a)=2[1−F(a)] |
离散型随机变量 | 若随机变量X的可能取值可数,则称X为离散型随机变量 | 非离散型随机变量不能按一定的顺序排列起来,不能明确指出某个取值的前或后是哪个值 |
分布律 | 若离散型随机变量X的任意取值为
x
i
x_i
xi,其概率为
p
i
p_i
pi,则称: P ( X = x i ) = p i P(X = x_i) = p_i P(X=xi)=pi,i=1,2,…为X的分布律 | ①分布律只针对离散型随机变量 ② p i ≥ 0 p_i \geq 0 pi≥0 ③ Σ p i = 1 \Sigma p_i = 1 Σpi=1 |
连续型随机变量 | 若随机变量X的分布函数F(x),若存在非负可积函数f(x), 对任意实数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是连续型随机变量 | ①X的取值不可数 ②X在任意取值的概率为0 |
概率密度函数 f ( x ) f(x) f(x) | 连续型随机变量X的定义中所存在的那个非负可积函数f(x) | ①非负性 ②对应分布函数F(x)连续 ③若f(x)在点 x 0 x_0 x0连续,则F(x)在 x 0 x_0 x0处可导,且F’( x 0 x_0 x0) = f( x 0 x_0 x0) ④ ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-\infty}^{+\infty}f(x)dx = 1 ∫−∞+∞f(x)dx=1 ⑤ P ( a < X ≤ b ) = ∫ a b f ( x ) d x P(a < X \leq b) = \int_{a}^{b}f(x)dx P(a<X≤b)=∫abf(x)dx |
依概率收敛 | 设 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn是一列随机变量,若存在随机变量X,使得对于任意 ϵ > 0 \epsilon>0 ϵ>0, lim n − > ∞ P ( ∥ X n − X ∥ < ϵ ) = 1 \lim\limits_{n->\infty}P(\|X_n-X\|< \epsilon) = 1 n−>∞limP(∥Xn−X∥<ϵ)=1,则称随机变量序列 { X n } \{X_n\} {Xn}依概率收敛于随机变量X,记为 X n → P X X_n \xrightarrow{P} X XnPX | 依概率收敛是一种概率意义上的收敛,与数学分析中的收敛有明显区别,因为它仅要求“概率”为1,实际上可能是发散的,因此它的条件“更弱” |
数字特征 | 定义 | 性质 |
---|---|---|
中位数 m m m | 若 P ( X ≤ m ) ≥ 1 2 P(X \leq m) \geq \frac{1}{2} P(X≤m)≥21且 P ( X ≥ m ) ≤ 1 2 P(X \geq m) \leq \frac{1}{2} P(X≥m)≤21,则称m为随机变量X的中位数 | 中位数反映随机变量X的取值的中间值 |
期望 E X EX EX | 离散型:
E
X
=
Σ
i
=
1
+
∞
x
i
p
i
EX = \Sigma_{i=1}^{+\infty}x_ip_i
EX=Σi=1+∞xipi,若其绝对收敛,否则不存在; 连续型: E X = ∫ − ∞ + ∞ x f ( x ) d x EX = \int_{-\infty}^{+\infty} xf(x)dx EX=∫−∞+∞xf(x)dx, 若其绝对收敛,否则不存在 | ①数学期望反映了随机变量X取值的平均水平; ② ∀ C , E ( C ) = C \forall C, E(C) = C ∀C,E(C)=C; ③当 X ≥ 0 X \geq 0 X≥0时, E X ≥ 0 EX \geq 0 EX≥0; |
方差 D X DX DX | 若 E X 2 < + ∞ EX^2 < +\infty EX2<+∞,则: D X = E ( X − E X ) 2 DX = E(X-EX)^2 DX=E(X−EX)2 | ①方差反映了随机变量X的取值相对于期望的分散程度; ②离散型: D X = Σ i = 1 + ∞ ( x i − E X ) 2 p i DX = \Sigma_{i=1}^{+\infty}(x_i-EX)^2p_i DX=Σi=1+∞(xi−EX)2pi 连续型: D X = ∫ − ∞ + ∞ ( x − E X ) 2 f ( x ) d x DX = \int_{-\infty}^{+\infty}(x-EX)^2f(x)dx DX=∫−∞+∞(x−EX)2f(x)dx; ③ ∀ C , D ( C ) = 0 \forall C, D(C) = 0 ∀C,D(C)=0; ④ ∀ c ≠ E X , D X < E [ ( X − c ) 2 ] \forall c\neq EX, DX < E[(X-c)^2] ∀c=EX,DX<E[(X−c)2],即随机变量关于期望的偏离程度比关于其他任何值c的偏离程度都要小 |
标准差 σ ( X ) \sigma(X) σ(X) | σ ( X ) = D X \sigma(X) = \sqrt{DX} σ(X)=DX | 标准差的效果与方差基本相同,只是用处有时不同 |
k k k阶原点矩 | 若 E ( a b s ( X ) k ) < + ∞ E(abs(X)^k) < +\infty E(abs(X)k)<+∞,则称: E X k EX^k EXk为X的k阶原点矩,简称k阶矩 | X的期望即为一阶(原点)矩 |
k k k阶中心矩 | 若 E ( a b s ( X − E X ) k ) < + ∞ E(abs(X-EX)^k) < +\infty E(abs(X−EX)k)<+∞,则称: E ( X − E X ) k E(X-EX)^k E(X−EX)k为X的k阶中心矩 | X的方差即为二阶中心矩; 三阶中心距常用于衡量分布是否有偏 (若三阶中心距为0,则分布关于期望对称); 四阶中心距常用于衡量分布在均值附近的陡峭程度; |
协方差 c o v ( X , Y ) cov(X,Y) cov(X,Y) | 若
E
(
∥
X
∥
)
,
E
(
∥
Y
∥
)
,
E
(
∥
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
∥
)
E(\|X\|),E(\|Y\|),E(\|[(X-EX)(Y-EY)]\|)
E(∥X∥),E(∥Y∥),E(∥[(X−EX)(Y−EY)]∥)均有限,则: c o v ( X , Y ) = E [ ( X − E X ) ( Y − E Y ) ] cov(X,Y) = E[(X-EX)(Y-EY)] cov(X,Y)=E[(X−EX)(Y−EY)] | ①协方差用于衡量两个变量的总体误差; ②若X,Y独立,则: c o v ( X , Y ) = 0 cov(X,Y) = 0 cov(X,Y)=0; ③ c o v ( X , X ) = D X cov(X,X) = DX cov(X,X)=DX; |
相关系数 ρ X Y \rho_{XY} ρXY | 若
D
X
>
0
,
D
Y
>
0
DX>0,DY>0
DX>0,DY>0,则: ρ X Y = c o v ( X , Y ) σ ( X ) ∗ σ ( Y ) \rho_{XY} = \frac{cov(X,Y)}{\sigma(X)*\sigma(Y)} ρXY=σ(X)∗σ(Y)cov(X,Y) | ①相关系数是X,Y的标准化随机变量
X
∗
=
X
−
E
X
σ
(
X
)
,
Y
∗
=
Y
−
E
Y
σ
(
Y
)
X^* = \frac{X-EX}{\sigma(X)},Y^* = \frac{Y-EY}{\sigma(Y)}
X∗=σ(X)X−EX,Y∗=σ(Y)Y−EY的协方差; ② − 1 ≤ ρ X Y ≤ 1 -1 \leq \rho_{XY} \leq 1 −1≤ρXY≤1; ③当 ρ X Y > 0 \rho_{XY} >0 ρXY>0时,X,Y呈正相关,特殊地:当 ρ X Y = 1 \rho_{XY} = 1 ρXY=1时,X,Y呈线性正相关,即: Y = a X + b ( a > 0 ) Y = aX+b(a>0) Y=aX+b(a>0); ④当 ρ X Y < 0 \rho_{XY} <0 ρXY<0时,X,Y呈负相关,特殊地:当 ρ X Y = − 1 \rho_{XY} = -1 ρXY=−1时,X,Y呈线性负相关,即: Y = a X + b ( a < 0 ) Y = aX+b(a<0) Y=aX+b(a<0); ⑤当 ∥ ρ X Y ∥ → 0 \|\rho_{XY}\|\rightarrow 0 ∥ρXY∥→0时,X,Y的线性相关性越弱,特殊地:当 ρ X Y = 0 \rho_{XY} =0 ρXY=0时,X,Y线性无关/不相关 (注:不相关仅代表线性无关,但并非一定无关,即不一定独立) |
-
随机变量数学特征的相关公式:
- E ( a X + b Y ) = a E ( X ) + b E ( Y ) E(aX + bY) = aE(X) + bE(Y) E(aX+bY)=aE(X)+bE(Y)
- 若X,Y相互独立,则: E [ X Y ] = E X × E Y E[XY] = EX\times EY E[XY]=EX×EY
- 全期望公式:
- 离散型: E X = Σ j = 1 + ∞ E ( X ∥ Y = y j ) P ( Y = y j ) EX = \Sigma_{j=1}^{+\infty} E(X\|Y = y_j)P(Y = y_j) EX=Σj=1+∞E(X∥Y=yj)P(Y=yj)
- 连续型:
E
X
=
∫
−
∞
+
∞
E
(
X
∥
Y
=
y
j
)
f
Y
(
y
)
d
y
EX = \int_{-\infty}^{+\infty}E(X\|Y=y_j)f_Y(y)dy
EX=∫−∞+∞E(X∥Y=yj)fY(y)dy;
其中: E ( X ∥ Y = y j ) E(X\|Y=y_j) E(X∥Y=yj)称在给定 Y = y j Y=y_j Y=yj的条件下X的条件期望,有:- 离散型定义: E ( X ∥ Y = y j ) = ∑ i = 1 + ∞ x i P ( X = x i ∥ Y = y j ) = ∑ i = 1 + ∞ x i p i j / p ⋅ j E(X\|Y=y_j) = \sum\limits_{i=1}^{+\infty} x_iP(X=x_i\|Y = y_j) = \sum\limits_{i=1}^{+\infty} x_i p_{ij} / p_{\cdot j} E(X∥Y=yj)=i=1∑+∞xiP(X=xi∥Y=yj)=i=1∑+∞xipij/p⋅j
- 连续型定义: E ( X ∥ Y = y j ) = ∫ − ∞ + ∞ x f X ∥ Y = y j ( x ) d x = ∫ − ∞ + ∞ x f ( x , y ) / f Y ( y j ) d x E(X\|Y=y_j) = \int_{-\infty}^{+\infty} xf_{X\|Y=y_j}(x)dx = \int_{-\infty}^{+\infty} x f(x,y) / f_Y(y_j)dx E(X∥Y=yj)=∫−∞+∞xfX∥Y=yj(x)dx=∫−∞+∞xf(x,y)/fY(yj)dx
- D X = E X 2 − E 2 X DX = EX^2 - E^2X DX=EX2−E2X
- D ( a X + b ) = a 2 D X D(aX+b) = a^2DX D(aX+b)=a2DX
-
D
(
X
+
‾
Y
)
=
D
X
+
D
Y
+
‾
2
c
o
v
(
X
,
Y
)
D(X \underline+Y) = DX+DY\underline+ 2cov(X,Y)
D(X+Y)=DX+DY+2cov(X,Y)
特别地,当X,Y相互独立时,有:- D ( X + ‾ Y ) = D X + D Y D(X \underline+Y) = DX+DY D(X+Y)=DX+DY
- D ( X Y ) = D ( X ) D ( Y ) + E 2 X D Y + E 2 Y D X D(XY)=D(X)D(Y)+E^2XDY+E^2YDX D(XY)=D(X)D(Y)+E2XDY+E2YDX
- c o v ( a X + c , b Y + d ) = a b c o v ( X , Y ) cov(aX+c,bY+d) = ab\space cov(X,Y) cov(aX+c,bY+d)=ab cov(X,Y)
- c o v ( X 1 + X 2 , Y ) = c o v ( X 1 , Y ) + c o v ( X 2 , Y ) cov(X_1+X_2,Y) = cov(X_1,Y)+cov(X_2,Y) cov(X1+X2,Y)=cov(X1,Y)+cov(X2,Y)
- c o v ( X , Y ) = E ( X Y ) − E X E Y cov(X,Y) = E(XY) - EXEY cov(X,Y)=E(XY)−EXEY
- c o v ( X + Y , X − Y ) = D ( X ) − D Y cov(X+Y,X-Y) = D(X) - DY cov(X+Y,X−Y)=D(X)−DY
- 切比雪夫不等式:若随机变量
X
X
X的期望和方差均存在,则有:
∀ ϵ > 0 , P ( ∣ X − E X ∣ ≥ ϵ ) ≤ D X ϵ 2 \forall \epsilon >0, P(|X-EX| \geq \epsilon) \leq \cfrac{DX}{\epsilon^2} ∀ϵ>0,P(∣X−EX∣≥ϵ)≤ϵ2DX - 柯西-施瓦兹不等式:
E 2 ( X Y ) ≤ E X 2 E Y 2 E^2(XY)\le EX^2EY^2 E2(XY)≤EX2EY2, [ c o v ( X , Y ) ] 2 ≤ D X D Y [cov(X,Y)]^2 \leq DXDY [cov(X,Y)]2≤DXDY
分布名称 | 参数 | 分布律 | 期望EX | 方差DX | 随机试验模型 / 性质 |
---|---|---|---|---|---|
0-1分布 / 两点分布 | p p p | P ( X = 1 ) = p P(X = 1) = p P(X=1)=p, P ( X = 0 ) = 1 − p P(X = 0) = 1-p P(X=0)=1−p | p p p | p ( 1 − p ) p(1-p) p(1−p) | X只有0,1两个取值,即对应随机试验只有两种结果 |
泊松分布 P P P | λ \lambda λ | P ( X = k ) = λ k k ! e − λ P(X = k) = \frac{\lambda^k}{k!}e^{-\lambda} P(X=k)=k!λke−λ | λ \lambda λ | λ \lambda λ | 泊松分布一般是大量试验中稀有事件出现频数对应随机变量X服从的分布,即
X
~
P
(
λ
)
X~P(\lambda)
X~P(λ),例如:单位时间内电话总机接到的呼叫数; 每天高速公路发生的交通事故; 每页印刷品出现的印刷错误数 |
二项分布 B B B | n , p n,p n,p | P ( X = k ) = C n k p k ( 1 − p ) n − k P(X = k) = C_n^kp^k(1-p)^{n-k} P(X=k)=Cnkpk(1−p)n−k | n p np np | n p ( 1 − p ) np(1-p) np(1−p) | 二项分布是n重伯努利试验的随机变量X所服从的分布,即
X
~
B
(
n
,
p
)
X~B(n,p)
X~B(n,p); 泊松定理:若极限 lim n → ∞ n p = λ \lim\limits_{n \rightarrow \infty} np = \lambda n→∞limnp=λ存在,且 X ~ B ( n , p ) X~B(n,p) X~B(n,p),则X近似服从 P ( λ ) P(\lambda) P(λ) |
几何分布 G G G | p p p | P ( X = k ) = ( 1 − p ) k − 1 p P(X = k) = (1-p)^{k-1}p P(X=k)=(1−p)k−1p | 1 p \frac{1}{p} p1 | 1 − p p 2 \frac{1-p}{p^2} p21−p | 若n重伯努利试验每次结果只有
A
A
A和
A
‾
\overline A
A, 且
P
(
A
)
=
p
P(A) = p
P(A)=p,则将试验进行到A首次出现为止的试验次数对应的随机变量X服从几何分布,即
X
~
G
(
p
)
X~G(p)
X~G(p); 几何分布具有无记忆性,即满足: P ( X = s + t ∥ X > t ) = P ( X = s ) P(X = s+t \| X > t) = P(X = s) P(X=s+t∥X>t)=P(X=s) |
超几何分布 H H H | n , M , N n,M,N n,M,N | P ( X = k ) = C M k C N − M n − k C N n P(X = k) = \frac{C_M^kC_{N-M}^{n-k}}{C_N^n} P(X=k)=CNnCMkCN−Mn−k | n M N \frac{nM}{N} NnM |
g
(
n
M
N
)
+
g
(
n
)
g
(
M
)
g
(
N
)
g(\frac{nM}{N})+\frac{g(n)g(M)}{g(N)}
g(NnM)+g(N)g(n)g(M), 其中 g ( x ) = x ( x − 1 ) g(x) = x(x-1) g(x)=x(x−1) | 在N件产品(其中有M件次品)中抽出n件进行合格检验,并检验出的次品数对应的随机变量X服从超几何分布,即
X
~
H
(
n
,
M
,
N
)
X~H(n,M,N)
X~H(n,M,N); 若极限 lim N → ∞ n M N = p \lim\limits_{N \rightarrow \infty}\frac{nM}{N}=p N→∞limNnM=p存在,且 X ~ H ( n , M , N ) X~H(n,M,N) X~H(n,M,N),则X近似服从 B ( N , p ) B(N,p) B(N,p) |
分布名称 | 参数 | 概率密度 | 期望EX | 方差DX | 随机试验模型 / 性质 |
---|---|---|---|---|---|
均匀分布 U U U | a , b a,b a,b | f ( x ) = { 1 b − a a < x < b 0 o t h e r s f(x)=\begin{cases}\cfrac{1}{b-a} & a<x<b\\0 & others \end{cases} f(x)=⎩⎨⎧b−a10a<x<bothers | a + b 2 \frac{a+b}{2} 2a+b | ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2 | 在[a,b]内随机投点的落点坐标等以长度为度量的几何概型对应的随机变量X服从均匀分布,即
X
~
U
(
a
,
b
)
X~U(a,b)
X~U(a,b); 均匀性:几何分布的概率只和子区间的长度有关,与位置无关 |
指数分布 E E E | λ \lambda λ | f ( x ) = { λ e − λ x x ≥ 0 0 o t h e r s f(x)=\begin{cases}\lambda e^{-\lambda x} & x\ge 0 \\0 & others\end{cases} f(x)={λe−λx0x≥0others | 1 λ \frac{1}{\lambda} λ1 | 1 λ 2 \frac{1}{\lambda^2} λ21 | 一般各种物体的寿命对应的随机变量X服从指数分布,即
X
~
E
(
λ
)
X~E(\lambda)
X~E(λ); 例如:电子设备的寿命、高能粒子的寿命、生物体的寿命; 指数分布具有无记忆性 |
正态分布 N N N | μ \mu μ, σ 2 \sigma^2 σ2 | f ( x ) = 1 2 π σ exp ( − ( x − μ ) 2 2 σ 2 ) , x ∈ R f(x) = \cfrac{1}{\sqrt{2\pi}\sigma}\exp(-\cfrac{(x-\mu)^2}{2\sigma^2}),x\in R f(x)=2πσ1exp(−2σ2(x−μ)2),x∈R | μ \mu μ | σ 2 \sigma^2 σ2 | 很多自然和社会现象中的随机变量X都服从正态分布,即
X
~
N
(
μ
,
σ
2
)
X~N(\mu,\sigma^2)
X~N(μ,σ2); 例如:某地区成年男子的身高、一批工件的直径、测量误差等; ①标准正态分布: N ( 0 , 1 ) N(0,1) N(0,1),其概率密度记为 Φ ( x ) \Phi(x) Φ(x); ②标准化:若 X ~ N ( μ , σ 2 ) X~N(\mu,\sigma^2) X~N(μ,σ2),则 Z = X − μ σ ~ N ( 0 , 1 ) Z = \frac{X - \mu}{\sigma}~N(0,1) Z=σX−μ~N(0,1); ③ F ( x ) F(x) F(x)非初等,故一般正态分布的概率计算通过标准化后查表得到; ④ f ( x ) f(x) f(x)图像呈钟形,且关于 μ \mu μ轴对称, σ \sigma σ与钟形的陡峭程度呈负相关; ⑤ f ( x ) f(x) f(x)的最大值为 1 2 π σ \frac{1}{\sqrt{2\pi }\sigma} 2πσ1; ⑥ 常用的 Φ ( x ) \Phi(x) Φ(x): Φ ( 1.96 ) = 0.975 \Phi(1.96)=0.975 Φ(1.96)=0.975, Φ ( 2.58 ) = 0.995 \Phi(2.58)=0.995 Φ(2.58)=0.995, Φ ( 1.64 ) = 0.95 \Phi(1.64)=0.95 Φ(1.64)=0.95; ⑦ 3 σ 3\sigma 3σ准则: P ( ∥ x − μ ∥ < σ ) = 0.6826 P(\|x-\mu\|<\sigma) = 0.6826 P(∥x−μ∥<σ)=0.6826, P ( ∥ x − μ ∥ < 2 σ ) = 0.9544 P(\|x-\mu\|<2\sigma) = 0.9544 P(∥x−μ∥<2σ)=0.9544, P ( ∥ x − μ ∥ < 3 σ ) = 0.9974 P(\|x-\mu\|<3\sigma )= 0.9974 P(∥x−μ∥<3σ)=0.9974; ⑧若 X ~ N ( 0 , 1 ) X~N(0,1) X~N(0,1),则: E X 2 n − 1 = 0 EX^{2n-1} = 0 EX2n−1=0, E X 2 n = ( 2 n − 1 ) ! ! EX^{2n} = (2n-1)!! EX2n=(2n−1)!! |
若X是离散型随机变量,且有分布律 / 期望:
X X X | x 1 x_1 x1 | x 2 x_2 x2 | … | x n x_n xn | … | EX |
---|---|---|---|---|---|---|
P P P | p 1 p_1 p1 | p 2 p_2 p2 | … | p n p_n pn | … | Σ i = 1 + ∞ x i p i \Sigma_{i=1}^{+\infty}x_ip_i Σi=1+∞xipi |
则若Y = g(X) 也是离散型随机变量,则Y的分布律 / 期望:
Y Y Y | g ( x 1 ) g(x_1) g(x1) | g ( x 2 ) g(x_2) g(x2) | … | g ( x n ) g(x_n) g(xn) | … | EY |
---|---|---|---|---|---|---|
P P P | p 1 p_1 p1 | p 2 p_2 p2 | … | p n p_n pn | … | Σ i = 1 + ∞ g ( x i ) p i \Sigma_{i=1}^{+\infty}g(x_i)p_i Σi=1+∞g(xi)pi |
注:若存在
g
(
x
i
)
=
g
(
x
j
)
=
.
.
.
=
y
k
g(x_i) = g(x_j) =...= y_k
g(xi)=g(xj)=...=yk, 则:
P
(
Y
=
y
k
)
=
P
(
X
=
x
i
)
+
P
(
X
=
x
j
)
+
.
.
.
P(Y = y_k) = P(X = x_i) + P(X = x_j) + ...
P(Y=yk)=P(X=xi)+P(X=xj)+...,即将同像取值的概率相加;
若X是连续型随机变量,且有概率密度: f X ( x ) f_X(x) fX(x),则Y = g(X)也为连续型随机变量(g(x)为某连续实函数),且有:
-
概率密度: f Y ( y ) = F Y ′ ( y ) = [ P ( Y ≤ y ) ] ′ = [ P ( g ( X ) ≤ y ) ] ′ = d d y ∫ D : g ( x ) ≤ y f X ( x ) d x f_Y(y) = F_Y'(y) = [P(Y\leq y)]' = [P(g(X)\leq y)]' = \frac{d}{dy} \int\limits_{D: g(x) \leq y} f_X(x)dx fY(y)=FY′(y)=[P(Y≤y)]′=[P(g(X)≤y)]′=dydD:g(x)≤y∫fX(x)dx,
特殊地,当 g ( X ) g(X) g(X)为单调可导函数,且导数不为零时,有公式:
f Y ( y ) = { f X [ g − 1 ( y ) ] ∣ g − 1 ( y ) ′ ∣ , α < y < β 0 , o t h e r s f_Y(y) = \begin{cases} f_X[g^{-1}(y)]|g^{-1}(y)'|, &\alpha < y < \beta\\ 0, & others \end{cases} fY(y)={fX[g−1(y)]∣g−1(y)′∣,0,α<y<βothers -
期望: E Y = E [ g ( X ) ] = ∫ − ∞ + ∞ g ( x ) f ( x ) d x EY = E[g(X)] = \int_{-\infty}^{+\infty}g(x)f(x)dx EY=E[g(X)]=∫−∞+∞g(x)f(x)dx