第2章 随机变量及概率分布

# 第2章 随机变量及概率分布
[TOC]

2.1 一维随机变量

2.1.1 随机变量的概念

随机变量就是“其值随机会而定”的变量。
用随机变量加限制的方法，可以表示一个事件。
按取值全体的性质，随机变量分为两大类：
- 离散型随机变量
- 连续型随机变量

“连续型随机变量”这个概念只是一个数学上的抽象。

2.1.2 离散型随机变量的分布及重要例子

设X为离散型随机变量，其全部可能值为$\{a_1, a_2,\cdots\}$，则

$$p_i=P(X+=a_i) \quad (i=1,2,\cdots)$$

称为X的概率函数。

设X为离散型随机变量，则函数

$$P(X\leq x)=F(x) \quad (-\infty \lt x \lt \infty)$$

称为X的分布函数。

因此可知：

$$F(i)=F(i-1) + P(X=i)$$

$$p_i=P(X=i)=F(i)-F(i-1)$$

对于任何随机变量X，其分布函数F(x)具有以下一般性质：
1.F(x)是单调非降的。
2.当$x\rightarrow \infty$时，$F(x)\rightarrow 1$，当$x\rightarrow -\infty$时，$F(x)\rightarrow 0$。

下面是几个重要的离散型随机变量的例子：

• 二项分布：
  已知A的概率p，X记为n次试验中A出现的次数。记为$X \sim B(n,p)$

$$p_i=b(i;n,p)={n\choose i}p^i(1-p)^{n-i} \quad (i=0,1,\cdots ,n)$$

二项分布有两个条件：一是各次试验的条件是稳定的，这保证了p不变。二是各次试验的独立性。

• 泊松分布：
  当X表示在一段时间或空间内出现的事件个数。记为$X \sim P(\lambda )$

$$P(X=i)=\frac {e^{-\lambda} \lambda ^i}{i!}$$

二项分布中，当n很大，p很小，$np=\lambda$ 不太大时，X的这个二项分布接近于泊松分布$P(\lambda )$。因此有时可以用泊松分布来计算二项分布。

在设计到抽样的问题中常用。N个产品中有M个废品，以X记从N个产品中随机抽出n个里面所含有的废品数。

$$P(X=m)={M\choose m}{{N-M}\choose {n-m}}/{N\choose n}$$

• 负二项分布：
  一批产品废品率p。逐一抽取直到抽到r个废品，X记为此时合格品的个数。

$$P(X=i)={i+r-1\choose r-1}p^r(1-p)^i \quad (i=0,1,2,\cdots)$$

• 几何分布：
  负二项分布中，当抽到1个废品就停止，即令r=1。

$$P(X=i)=p(1-p)^i \quad (i=0,1,2,\cdots)$$

2.1.3 连续型随机变量的分布及重要例子

设连续型随机变量X有概率分布函数F(x)，则F(x)的导数$f(x)=F^{'}(x)$称为X的概率密度函数。其具有以下三条性质：
1.$f(x)\ge 0$；
2.$\int_{-\infty}^{\infty}f(x)dx=1$；
3.对任何常数$a\lt b$有：

$$P(a\le X\le b)=F(b)-F(a)=\int_{a}^{b}f(x)dx$$

重要的例子们有：

• 正态分布：
  记为$X\sim N(\mu, \sigma ^2)$，关于 μ点对称，而后往两个方向衰减。

$$f(x)=(\sqrt{2\pi}\sigma)^{-1}e^{-\frac{(x-\mu)^2}{2\sigma ^2}}$$

$N(0,1)$称为标准正态分布，之所以重要，是因为可以用标准正态分布去计算正态分布。因为：

$$若X\sim N(\mu,\sigma ^2)，则Y=(X-\mu)/\sigma \sim N(0,1)$$

• 指数分布：
  常用于寿命分布。X取的意义类似于“可以撑过多久”。这里并不考虑老化的问题，即失效率是不随x变化的。

$$f(x)=\left\{ \begin{array}{ll} \lambda e^{-\lambda x} ,当x\gt 0时\\ 0，当x\le 0时 \end{array} \right.$$

• 威布尔分布：
  常用于寿命分布。X取的意义类似于“可以撑过多久”。考虑老化的问题。$\lambda$与x有关。
  要解下面的微分方程（以$\lambda=\lambda x^m$为例）：

$$F^{'}/[1-F(x)]=\lambda x^m$$

• 均匀分布：

$$f(x)=\left\{ \begin{array}{ll} 1/(b-a) ,当a\le x\le b时\\ 0，其他 \end{array} \right. \\ F(x)=\left\{ \begin{array}{ll} 0，当x \le a时\\ (x-a)/(b-a) ,当a\lt x\lt b时\\ 1，x\ge b时 \end{array} \right.$$

2.2 多维随机变量（随机向量）

2.2.1 离散型随机向量的分布

设$X=(X_1,X_2,\cdots,X_n)$为一个N维向量， X1,X2,⋯,X