【无标题】

#! https://zhuanlan.zhihu.com/p/497974257

随机变量及其分布

一、随机变量

定义1

若变量$X、Y和Z$都可以看成是定义在随机试验$E$的样本空间为$S=e$.上的单值实值函数$X=X(e)、Y=Y(e)和Z=Z(e)$,我们称其为随机变量.

二、离散型随机变量和其分布

1. 离散型随机变量

如果随机变量$X$的所有可能取值是有限个或可列无限多个，则称$X$为离散型随机变量

• 可列无限多个，比如某地铁站后天的售票数量$X$,我市110报警中心明天一昼夜收到的呼唤次数$Z$;

2. 分布律

设离散型随机变量X的所有可能的取值为$X_k(k=1,2,\cdots )$,并设$X$取各个可能值的概率为 P { X = x k } = p k , k = 1 , 2 , ⋯ P{\left\{X=x_{k}\right\}}=p_{k}, \quad k=1,2, \cdots P{X=xk​}=pk​,k=1,2,⋯则称上式为离散型随机变量$X$的分布律(也称概率分布),也可用如下表格表示。

3.常见的离散型随机变量的分布

分布	介绍	分布律	记号
$0-1$分布	$X$只可能取$01$	P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 , P\{X=k\}=p^{k}(1-p)^{1-k}, \quad k=0,1, P{X=k}=pk(1−p)1−k,k=0,1,	称$X$服从参数为$p$的$(0-1)$ 分布，简记为随机变量$X\sim b(1,p)$
二项分布	$X $表示 $n$ 重伯努利试验中事件 $A$ 发生的次数	P { X = k } = C n k p k ( 1 − p ) n − k , k = 0 , 1 , ⋯   , n , P\{X=k\}=\mathrm{C}_{n}^{k} p^{k}(1-p)^{n-k}, \quad k=0,1, \cdots, n, P{X=k}=Cnk​pk(1−p)n−k,k=0,1,⋯,n,	则称随机变量$X$服从参数为$n,p$的二项分布，记为$X\sim b(n,p)$
超几何分布	$N$ 件，其中$M$件是次品，无放回抽取$n$件产品进行检验以$X$表示抽取的$n$件产品中次品的件数。	P { X = k } = C M k C N − M n − k C N n , k = m i n { n , M } , P\{X=k\}=\frac{\mathrm{C}_{M}^{k} \mathrm{C}_{N-M}^{n-k}}{\mathrm{C}_{N}^{n}}, \quad k=min \{n,M\}, P{X=k}=CNn​CMk​CN−Mn−k​​,k=min{n,M},	称随机变量X服从超几何分布
泊松分布	$X$ 的所有可能取值为 $0,1,2\cdots$而取各个值的概率为 P { X = k } P\{X=k\} P{X=k}	P { X = k } = λ k k ! e − λ , ( k = 0 , 1 , 2 , ⋯   ; λ > 0 ) P\{X=k\}=\frac{\lambda^{k}}{k !} e^{-\lambda},(k=0,1,2, \cdots ; \lambda>0) P{X=k}=k!λk​e−λ,(k=0,1,2,⋯;λ>0)	则称$ X$ 服从参数为$\lambda$的泊松分布记为 $X\sim P(\lambda )$或 $X\sim \pi (\lambda )$

伯努利试验

设随机试验$E$只有两个可能的结果，$A$及$\bar{A}$,并且$P(A)=p,P(A)=1-p=q$, $(0<p<1)$将随机试验E独立地重复进行$n$次，称这一-串重复的独立试验为$n$重伯努利试验.

二项分布

∑ k = 0 n P { X = k } = ∑ k = 0 n C n k p k q n − k = ( p + q ) n = 1 \sum_{k=0}^{n} P\{X=k\}=\sum_{k=0}^{n} C_{n}^{k} p^{k} q^{n-k}=(p+q)^{n}=1 k=0∑n​P{X=k}=k=0∑n​Cnk​pkqn−k=(p+q)n=1

$$\frac{p_k}{p_{k-1}}=\frac{C_n^k{p}^k{q}^{n-k}}{C_n^{k-1}{p}^{k-1}{q}^{n-k+1}}=1+\frac{(n+1)p-k}{k(1-p)},$$

$$So当k<(n+1)p时p_k递增；当k>(n+1)p时p_k递减.$$

泊松分布，泊松定理

 (2)  ∑ k = 0 + ∞ P { X = k } = ∑ k = 0 + ∞ λ k e − λ k ! = e − λ ∑ k = 0 + ∞ λ k k ! = e − λ e λ = 1 .  \text { (2) } \sum_{k=0}^{+\infty} P\{X=k\}=\sum_{k=0}^{+\infty} \frac{\lambda^{k} e^{-\lambda}}{k !}=e^{-\lambda} \sum_{k=0}^{+\infty} \frac{\lambda^{k}}{k !}=e^{-\lambda} e^{\lambda}=1 \text {. }  (2) k=0∑+∞​P{X=k}=k=0∑+∞​k!λke−λ​=e−λk=0∑+∞​k!λk​=e−λeλ=1.