《概率统计与随机过程》——笔记2

第2章 随机变量及其分布

2.1 随机变量

定义 1 设随机试验E的样本空间S={e}。若对每个试验结果e，都有确定的实数X(e)与之对应，则称实值变量X(e)为随机变量，简记为X。
引入随机变量后，随机事件就可以用随机变量的取值来表示了。

2.2 分布函数

定义 2 设X为随机变量，对于任意实数x，令

$$F(x)=P{X\le x}$$ 称F(x)为随机变量X的分布函数。
性质：
1. 取值范围：[0,1]
2. 单调不减。
3. 右连续
4. 对任意实数 $a,b (a<b)$,有 $$P\{a<X \le b\}=F(b)-F(a)$$
5. 对任意实数x，有 $$P \{ X=x\}$$

2.3 离散型随机变量及其概率分布

定义 3 若随机变量X只可能取有限个值或可列个值：$x_1,x_2,...,x_k,...$，则称X为离散型随机变量。X取各个可能值的概率

$$p_k=P\{X=x_k\},\quad k=1,2,3,...$$ 称为离散型随机变量X的概率分布（或分布律）。

2.4 常用的离散型分布

2.4.1 两点分布

若随机变量X的分布律为

$$P\{X=1\}=p,\quad P\{X=0\}=q\quad (0<q<1,p+q=1)$$ 则称X服从参数为p的两点分布，或称0-1分布。

2.4.2 二项分布

如果随机变量X以$P\{X=k\}=C_n^kp^kq^{n-k},\quad k=0,1,2,...,n$为其概率分布，则称X服从参数为n,p的二项分布，记为

$$X\sim B(n,p)$$

当n比较大，p比较小（一般$n\ge 10,p\le 0.1$）时，有

$$C_n^kp^kq^{n-k}\approx \frac{e^{-\lambda}\lambda^k}{k!}$$ 式中， $\lambda =np,k=0,1,2,...,n$

2.4.3 泊松分布

若随机变量X的分布律为

$$P\{X=k\}=\frac{e^{-\lambda}\lambda^k}{k!},\qquad k=0,1,2,...\quad(其中\lambda >0为常数)$$ 则称X服从参数为 $\lambda$的泊松分布，记为 $X\sim \Pi(\lambda)$

2.4.4 超几何分布

设一批产品中有M件正品，N件次品。从中任意取n件，则取到的次品数X是一个离散型随机变量，它的概率分布为

$$P\{X=k\}=\frac{C_N^kC_M^{n-k}}{C_{M+N}^n},\qquad k=0,1,...,l,\quad l=min(n,N)$$ 这个分布称为超几何分布。

2.5 连续性随机变量及其概率密度

定义 4设随机变量X的分布函数为F(x)，若存在非负函数f(x)，使得对任意实数x，恒有

$$F(x)=\int_{-\infty^x}f(t)dt$$ 则称X为连续型随机变量，称函数f(x)为随机变量X的概率密度（或分布密度）函数。

2.6 常用的连续型分布

2.6.1 均匀分布

若随机变量X的概率密度为

$$f(x)=\left\{ \begin{aligned} \frac1{b-a}&,&\qquad a\le x \le b\\ 0&,&\qquad 其他\\ \end{aligned} \right.$$
则称X在区间[a,b]上服从均匀分布，简记为 $X\sim U[a,b]$

2.6.2 指数分布

若随机变量X的概率密度为

$$f(x)=\left\{ \begin{array}{cc} \lambda e^{-\lambda x},&x>0\\ 0,&x\le0 \end{array} \qquad (其中\lambda>0 为常数） \right.$$
则称X服从参数为 $\lambda$的指数分布。

2.6.3 威布尔分布

设随机变量X的概率密度为

$$f(x)=\left \{ \begin{array}{cc} \frac \beta \eta \left(\frac x \eta \right)^{\beta -1}e^{-\left( \frac x \eta\right)^\beta},& x>0\\ 0,&x\le 0 \end{array} \right.$$
式中， $\eta ,\beta$均为正常数，则称X服从参数为 $\eta ,\beta$的威布尔分布，记作 $X\sim W(\eta ,\beta)$, $\eta 称为尺度参数,\beta 称为形状参数$

2.6.4 $\Gamma$分布

设随机变量X的概率密度为

$$f(x)=\left \{ \begin{array}{lc} \frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha -1}e^{-\beta x},& x>0\\ 0,&x\le 0 \end{array} \right.$$
式中， $\alpha>0,\beta>0$均为常数， $\Gamma(\alpha)=\int _0^{+\infty}t^{\alpha -1}e ^{-t}dt$,则称X服从参数为 $\alpha,\beta$的 $\Gamma$分布，记作 $X\sim\Gamma(\alpha, \beta)$。

概率统计中不少常见的重要分布只是$\Gamma$分布的特殊情形。当$\alpha=1$时，$\Gamma$分布即是参数为$\beta$的指数分布；
当$\alpha=\frac n 2,\beta=\frac 12$时，$\Gamma$分布则是统计学中十分重要的$\chi ^2(n)$分布；

2.6.5 正态分布

设随机变量X的概率密度为

$$f(x)=\frac 1{\sigma \sqrt{2\pi}} \exp \left[ -\frac{(x-\mu)^2}{2\sigma^2}\right],\qquad -\infty<x<+\infty$$
式中， $-\infty<\mu <+\infty,\sigma>0$均为常数，则称X服从参数为 $\mu,\sigma$的正态分布，记作 $X\sim N(\mu,\sigma^2)$

参数$\mu=0,\sigma=1$的正态分布，即N(0,1)，称为标准正态分布，其概率密度和分布函数分别用$\phi(x)和\Phi(x)$表示，即有

$$\phi (x)=\frac 1 {\sqrt{2\pi}}\exp \left( -\frac {x^2} 2\right)$$ $$\Phi (x)=\frac 1 {\sqrt{2\pi}}\int _{-\infty}^x \exp \left( -\frac {t^2} 2\right)dt$$
$\Phi(x)$有以下性质：
(1) $\Phi (0)=\frac 1 2$
(2) $\Phi (x)+\Phi (-0x)=1,-\infty<x<+\infty$
(3) $\Phi(x)$在区间 $(-\infty,+\infty)$上严格单调递增。
容易证明，一般正态分布 $N(\mu,\sigma^2)$的分布函数 $F(x)$与标准正态分布 $N(0,1)$之间有下列关系： $$F(x)=\Phi\left (\frac{x-\mu} \sigma\right), \qquad-\infty<x<+\infty$$

定义 5 设X是一个标准正态随机变量，给定$\alpha,0<\alpha<1$，如果

$$P\{X\le z_\alpha\}=\alpha$$ 则称 $z_\alpha$为标准正态分布的（下侧） $\alpha$分位点（或 $\alpha$分位数），简称分位点，即 $$\int _{-\infty}^{z_\alpha}\frac 1 {\sqrt{2\pi}}\exp \left(-\frac{x^2} 2\right )dx=\Phi(z_\alpha)=\alpha$$
性质 $(0<\alpha<1)$：
(1) $z_\alpha=-z_{1-\alpha}$;
(2) $P\{X>z_{1-\alpha}\}=\alpha$;
(3) $P\{|X|>z_{1-\frac \alpha 2}\}=\alpha 或P\{-z_{1-\frac \alpha 2}\le X\le z_{1-\frac \alpha 2}\}=1-\alpha$