数理统计基础知识1

1. 随机变量

简单的来说，随机变量是将一个随机性的事件的可能发生结果映射为数值的一种方式，先看下面这个例子：

例子：在抛硬币这个随机事件中，可能得到的结果为正面和反面（假设立起来的情况不存在）。所以在这个随机事件中，可能的结果构成的集合为{ 正面，反面}。为了方便我们研究这个随机事件，可将正面表示为 1， 反面表示为0，因此可能的结果可表示为Ω={1, 0}（称样本空间）。

随机变量：随机变量X是定义在样本空间Ω上的一个实值单值函数，即对于随机事件的所有结果，都可以通过随机变量X映射到样本空间S中的唯一的实值。

随机变量的要求：①实值单值函数　②函数是可测的

随机变量按照取值是否连续可分为离散型随机变量和连续型随机变量。

例如：灯泡的使用寿命为连续型随机变量，掷硬币的结果为离散型随机变量

2. 概率与分布

离散型随机变量概率分布

对于离散型随机变量来说，样本空间中的每一个值都对应的确切的概率，我们把离散型随机变量的概率分布称为分布律，也称概率分布、概率函数、分布等。
定义1：设离散型随机变量X所有可能取的值为x_k(k=1, 2, …)，事件X=x_k的概率为
P { X = x k } = p k ， k = 1 , 2 , . . . P\{X=x_k\}=p_k，k=1, 2,... P{ X=xk​}=pk​，k=1,2,...
称为离散型随机变量X的分布律。
注：∑p_k=1

定义2：可定义分布函数为：
F ( x ) = P { X ≤ x } = ∑ x k ≤ x p k ， k = 1 , 2 , . . . F(x)=P\{X≤x\}=\sum_{x_k≤x}p_k ， k=1, 2, ...\quad F(x)=P{ X≤x}=xk​≤x∑​pk​，k=1,2,...
分布函数F(x)表示随机变量X小于给定值x的概率。

连续随机变量概率分布

对于连续型随机变量来说，由于样本空间的值是连续的，因此讨论某一个值对应的概率是没有意义的，也可以说概率为0。

例如：灯泡的使用寿命为0到∞小时，则灯泡寿命正好为1000小时的概率趋于0。

描述连续型随机变量的概率分布规律可以采用概率密度的概念。
定义3：设X为随机变量，F(x)为X的分布函数，若存在非负函数p(x)，使对于任意实数x有：
$$F(x)={\int }_{-\infty }^{x}p(x)dx$$
则X为连续型随机变量，其中p(x)为X的概率密度函数，简称概率密度。
注：① ∫p(x)=1 ②F’(x)=p(x)

3. 期望与方差

在概率论中，为了研究分布的一些性质，我们引入了期望与方差两个概念。其中，期望表示分布的平均情况，而方差表示分布的分散情况。

上图中是期望与方差不同的三个正态分布的密度函数，其中，随机变量$X_1$与$X_2$的期望相同而方差不同，故$X_2$看起来更加的平坦；$X_1$与$X_3$的方差相同而期望不同，因此$X_1$与$X_3$的中心位置不同。下面给出期望和方差的定义：

期望

离散型随机变量的分布是离散的，因此期望与方差的形式为求和的形式：
定义1：设离散型随机变量X的分布律为：
P { X = x k } = p k ， k = 1 , 2 , . . . P\{X=x_k\}=p_k，k=1, 2,... P{ X=xk​}=pk​，k=1,2,...
且级数$\sum _k{x}_k{p}_k$收敛，则称$\sum _k{x}_k{p}_k$为随机变量X的数学期望，简称期望。记作：
$$E(X)=\sum _k{x}_k$$