商务统计_3 概率论基础 2

目录

• 随机变量及分布函数
• 离散型随机变量及分布律、连续型随机变量及密度函数
• 补充：
  • 求导
  • 不定积分与微分的关系
  • 反三角函数求导
  • 常见的随机变量的数据期望与方差

---

---

3.随机变量及分布函数

• 随机变量（random variable）

  对随机试验，每次试验前都不知道会取得什么样的值，由于取值的随机性，则称这样的变量为随机变量。

  随机变量可通过随机事件来表示。

  • 离散型随机变量（discrete random variable）

    可能的取值点只有有限个或无限可列个。

  • 连续型随机变量（continuous random variable）

    可能的取值点充满一个连续区域。

• 分布函数

  对于随机变量X，我们关心它们取哪些值，但更关心它们以多大的概率取哪些值。

  定义：设随机变量X，x为任意实数，称函数F(x)=P(X<=x)为X的分布函数。也记X~F(x).

  • 性质

    • 非降性 | 单调非减性

      F(x)是一个非减函数。对任意实数x0<x1,则F(x0)<F(x1)

    • 有界性

      0<F(x)<1,F(-∞)=0,F(+∞)=1

  • 例题：设随机变量X具有概率密度
    f ( x ) = { 0   ,               x ≤ 0 K e − 3 x   ,    x > 0 f(x) = \{^{K{e^{-3x}}~, ~~x>0}_{0~,~~~~~~~~~~~~~x≤0} f(x)={0 ,             x≤0Ke−3x ,  x>0​
    1)试确定常数K;
    2)求P{X>0.1};
    3)求F(x)
    解：
    1)由${\int }_{-\infty }^{+\infty }f(x)dx=1$知，
    ${\int }_{-\infty }^{+\infty }f(x)dx$
    $={\int }_0^{+\infty }Ke{}^{-3x}dx$
    $=\frac{1}{-3}{\int }_0^{+\infty }Ke{}^{-3x}d(-3x)$ ---- (1)
    $=\frac{1}{-3}Ke{}^{-3x}{\int }_0^{+\infty }$ ---- (2)
    $=\frac{K}{3}$
    $=1$
    注：(1)e的t次幂是它本身，常数的积分是它本身；(2)e的无穷次方为0，e的0次方为1，相减为-1.
    2） P { X > 0.1 } = ∫ 0.1 + ∞ 3 e − 3 x d x = − e − 3 x ∫ 0.1 + ∞ = e − 0.3 P\{X>0.1\}= ∫^{+∞}_{0.1}3e{^{-3x}}dx= -e{^{-3x}}∫^{+∞}_{0.1}=e^{-0.3} P{X>0.1}=∫0.1+∞​3e−3xdx=−e−3x∫0.1+∞​=e−0.3

    >>> math.pow(math.e, -0.3)
    0.7408182206817179
    

    3)由定义$F(X)={\int }_{-\infty }^{x}f(x)dx$知，当x<0时，F(x)=0;当x≥0时，
    $F(X)={\int }_0^{x}f(x)dx=F(X)={\int }_0^{x}3e{}^{-3t}dt=-e{}^{-3t}{\int }_0^{+\infty }=1-e^{-3x}$
    F ( X ) = { 0 , x < 0 1 − e − 3 x , x ≥ 0 F(X)=\{^{1-e^{-3x},x≥0}_{0,x<0} F(X)={0,x<01−e−3x,x≥0​

4.离散型随机变量及分布律、连续型随机变量及概率密度

• 几种常见的离散型分布

  • 0-1分布 | 两点分布（0-1 distribution）

    如果随机变量X只能取0和1两个值。则它的分布列为P{X=1} = p, P{X=0} = 1-p{0 < p < 1}

    A	1	0
    P	p	1-p

  • 伯努力试验

    设试验E只有两种可能：事件A发生和事件A不发生，则称E为伯努力试验。P(A) = p,P(A)=1-p(0<p<1)。

    伯努力概型，或称n重伯努力试验，即将伯努力试验重复n次。

  • 二项分布

    若随机变量X只能取值0，1，2，……，n，它的分布列为：

    P { X = k } = C n k p k q n − k P\{X = k\} = C^k_np^kq^{n-k} P{X=k}=Cnk​pkqn−k

    $（k=0,1,2,\dots \dots ,n;0<p<1;q=1-p)，记作Xb(n,p)$.

    tips: 当n=1时，就是两点分布。

  • 泊松分布

    如果随机变量X所有可能的取值为0,1,2,…，它取各个值的概率为：

    P { X = k } = λ k k ! e − λ ( k = 0 , 1 , 2 , … ) ; λ 为 常 数 ， λ > 0 P\{X=k\}=\frac{λ^k}{k!}e^{-λ}(k=0,1,2,…);λ为常数，λ>0 P{X=k}=k!λk​e−λ(k=0,1,2,…);λ为常数，λ>0，称X服从参数λ的泊松分布，记X~π(λ).

    应用：某段时间内电话接到的呼叫次数、候车人数、某页书在印刷过程中错误的字数等都可以用泊松分布来描述。

    当n较大，而p较小，且np是一个大小适当的数（通常0<np≤8）,可用泊松分布替代二项分布（取λ=np）。

• 常见的连续型随机分布

  • 均匀分布
    如果随机变量的概率密度函数为
    $$f(x)=\{\begin{array}{l}\frac{1}{b-a},a\le x\le b\\ 0,其它\end{array}$$则称X服从[a,b]上的均匀分布.记X~U(a,b).
    意义：X取值于[a,b]中任意小区间的概率与该小区间的长度呈正比，与该小区间的位置无关。
    均匀分布的分布函数：$$F(x)=\{\begin{array}{l}0,x<a\\ \frac{x-a}{b-a},a\le x<b\\ 1,x\ge b\end{array}$$

  • 指数分布
    随机变量的概率密度函数：
    （λ>0），记X~Exp(λ)
    指数函数的一个重要特性是无记忆性（或遗失记忆性）。这表示如果一个随机变量呈指数分布，当s,t>0时有P(T>t+s|T>t)=P(T>s)。即，如果T是某一元件的寿命，已知元件使用了t小时，它总共使用至少s+t小时的条件概率，与从开始使用时算起它使用至少s小时的概率相等。
    
    指数分布，又称寿命分布，如电子元器件的寿命、电话通话的时间、随机服务系统的服务时间等都可近似看作是服从指数分布。

  • 正态分布
    也称常态分布、高斯分布、钟形曲线。
    若随机变量X服从一个数学期望为μ、方差为σ^2 的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
    标准正态分布表。

5.知识点补充

• 不定积分与微分的关系
  
• 反三角函数求导
  
• 常见随机变量的数学期望与方差