1 基本概念
1.1 随机变量\(X\)与分布函数\(F(X)\)
随机变量
定义在\(\Omega={\omega}\)上,取值在实数轴上的变量(这里只讨论实数域内,但随机变量可以取到复数)
$$X=X(\omega), \omega\in\Omega$$
分布函数
$$F(x)\triangleq{P}{X\leqslant{x}}, -\infty<x<+\infty$$
1.2 离散型随机变量
定义:\(X\)取有限个或无穷可列个值
分布律:$$X\thicksim\begin{bmatrix}x_1&x_2&…&x_n&…\\p_1&p_2&…&p_n&…\end{bmatrix}$$
分布函数:阶梯型函数,左闭右开,\(F(-\infty)=0, F(+\infty)=1\)
$$F(x)\triangleq{P}{X\leqslant{x}}, -\infty<x<+\infty$$
1.3 连续型随机变量
定义:若存在非负可积函数\(f(x)\),使得\(\forall{x}\in(-\infty,+\infty)\),有
$$F(X)=\int_{-\infty}^{x}f(t)dt$$
则称\(X\)为连续型随机变量,\(f(x)\)叫作\(X\)的概率密度
连续型随机变量无集中概率,任何一点概率为0,分布函数连续
1.4 分布函数、概率及概率密度的性质
分布函数性质:
1.单调不减
2.\(F(-\infty)=0, F(+\infty)=1\)
3.右连续
离散型随机变量分布律\({p_i}\)的性质:
1.\(p_i\geqslant{0}\)
2.\(\sum_ip_i=1\)
连续型随机变量概率密度函数\(f(x)\)的性质:
1.\(f(x)\geqslant{0}\)
2.\(\int_{-\infty}^{+\infty}f(x)dx=1\)
2 八个分布
2.1 0-1分布-伯努利一次试验
$$X\thicksim\begin{bmatrix}1&0\\p&1-p\end{bmatrix}$$
非黑即白的试验,\(X\)称为伯努利计数度量
2.2 二项分布-伯努利\(N\)次试验
条件:
1.每次试验独立
2.每次试验\(A\)发生的概率为\(p,P(A)=p\)
3.非黑即白的试验,只有\(A,A_bar\)发生
记\(X\)为\(A\)发生的次数,则:
$$P(X=k)=C_n^kp^k(1-p)^{n-k},k=0,1,2,…,n$$
$$X\thicksim{B(n,p)}$$
2.3 几何分布-无穷多次伯努利试验,首中即停止试验
记\(X\)为试验的次数,则:
$$P(X=k)=p(1-p)^{k-1},k=1,2,…$$
第\(k\)次概率为\(p\),前\(k-1\)次概率为\(1-p\)
$$X\thicksim{Ge(p)}$$
几何分布和几何没什么关系
2.4 超几何分布
\(N\)件产品,\(M\)件正品,无放回取\(n\)次,则取到\(k\)个正品的概率:
$$P(X=k)={{C_M^kC_{N-M}^{n-k}}\over{C_N^n}},k=0,1,2,…,n$$
$$X\thicksim{H(N,M,n)}$$
超几何分布和几何没什么关系
2.5 泊松分布
某时间段,某场合下源源不断地质点来流地个数
如:某景区黄金周游客人数
$$P(X=k)={{\lambda^k}\over{k!}}e^{-\lambda},k=0,1,2,…$$
$$\lambda:强度, EX=\lambda (期望)$$
$$X\thicksim{P(\lambda)}$$
2.6 均匀分布-“几何概型”
若
$$X\thicksim{f}(x)=\left\{ \begin{aligned}&{1\over{b-a}}&,a\leqslant{x}\leqslant{b}\\&0&,others\end{aligned} \right. $$
则
$$X\thicksim{U(a,b)}或U[a,b]$$
\(X\)在\(I\)上的任一子区间取值地概率与该子区间地长度成正比,这个是均匀分布
2.7 指数分布
零件寿命
若
$$X\thicksim{f}(x)=\left\{ \begin{aligned}&\lambda e^{-\lambda x}&,x>0\\&0&,x\leqslant0\end{aligned} \right. $$
$$\lambda:失效率, EX={1\over\lambda} (期望)$$
则
$$X\thicksim{E(\lambda)},\lambda>0$$
2.8 正态分布(高斯分布)
若
$$X\thicksim{f}(x)={1\over{\sqrt{2\pi}\sigma}}e^{-{{(x-\mu)^2}\over{2\sigma^2}}}$$
则
$$X\thicksim{N(\mu,\sigma^2)}$$
标准正态分布
$$X\thicksim{N(0,1)}$$