随机变量及其分布之一维随机变量

1.一维随机变量

​ 首先需要介绍，分布函数和密度函数的概念，离散型和连续型都有分布函数，定义为：
$$P(X\le k)=F(x)$$
称$F(x)$为分布函数，简写为$df$。

对于连续型随机变量而言，F(x)还可以写成如下形式：
$$F(x)={\int }_{-\infty }^{x}f(x)dx$$
其中$f(x)$称为连续型随机变量的概率密度函数，简写为$pf$.

而对于离散性随机变量，$F(x)$也可写成；
$$F(x)={\Sigma }_{x=1}^{k}P(X=k)$$
其中$P(X=k)$称为离散型随机变量的密度函数。

分布函数的性质

单调非降  
在某一点的概率为0

1.1离散型随机变量

1.1.1常见的离散分布

（1）均匀分布
（2）二项分布
（3）0-1分布
（4）泊松分布（poisson）
$$P(X=k)=e^{-\lambda }\ast \frac{{\lambda }^k}{k!}$$
泊松分布中，参数$\lambda$的含义是单位时间内事件发生的次数，记为$X\sim P(\lambda )$,泊松分布的用途——可以用来进行稀有事件的计算，同时也可以在$n$比较大，$p$比较小时作为二项分布的一种近似。此时，参数$\lambda =n\ast p$
（5）几何分布
几何分布定义为，在$n$次独立伯努利实验中，事件第$k$次发生的概率
$$P(X=k)=p\times (1-p{)}^{k-1}$$
注意，几何分布不具有记忆性，即：
$$P(X=t+s|X=t)=P(X=t)$$
（6）超几何分布（不放回抽样）

1.2连续型随机变量

（1）均匀分布——uniform df
其密度函数为
$$f(x)=\{\begin{array}{rlr}& \frac{1}{b-a}a<x<b& \\ & 0x\le aorx\ge b& \end{array}$$
若定义示性函数为
$$I_{(a,b)}^x=\{\begin{array}{rlr}& 1a<x<b& \\ & 0x\le aorx\ge b& \end{array}$$
则均匀分布的密度函数可写为
$$f(x)=\frac{1}{b-a}\times I_{(a,b)}^x$$

(2)指数分布
密度函数为
$$f(x)=\lambda \times e^{-\lambda x}\times I_{(0,\infty )}^x$$
分布函数为
$$F(x)=(1-e^{-\lambda x})\times I_{(0,\infty )}^x$$
注意：指数分布也无记忆性
（3）正态分布 normal
其密度函数为
$$f(x)=\frac{1}{\sqrt{2\pi }\times \sigma }\times e^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$
记为$X\sim N(\mu ,{\sigma }^2)$

特别的，当$\mu =0,\sigma =1$时，称为标准正态分布
三倍标准差原则

正态分布可以变为标准正态分布，只需要做一个简单替换：
$$y=\frac{x-\mu }{\sigma }$$
那么，变换后的$y$是服从于标准正态的

1.3随机变量函数的分布——牢记定义

当$X$是随机变量时，那么$Y=g(X)$的分布称为随机变量函数的分布 ，那么由定义，要求$Y$分布，即
$$P(Y\le y)=F(y)$$
那么根据定义，我们求解的过程为：
$$\begin{gathered} F(y)=P(Y\le y) \\ =P(g(X)\le y) \\ ={\int }_{g(x)\le y}f(x)dx \end{gathered}$$

以上是连续型随机变量函数分布求法
定理
假设$X$是连续型随机变量，假设$Y=g(X)$定义为单调函数（必须是严格单调），那么$Y$的密度函数为
$$f_y(x)=f(h(y))\times |h^{{}^{\prime }}(y)|其中f_y(y)代表Y的密度函数，h(y)是g(x)的反函数$$

1.4 补充知识点

1.4.1

标准正态分布的性质
$$\varphi (x)+\varphi (-x)=1其中\varphi 为标准正态分布的分布函数$$

1.4.2

$$若X\sim N(\mu ,{\sigma }^2),Y=ax+b,那么Y\sim N(a\mu +b,{\mu }^2{\sigma }^2)$$