学习笔记——概率论与数理统计（第二章）

学习来源：https://www.bilibili.com/video/av36206436/

第二章

2.1 随机变量的概念

定义：$\Omega$ 是样本空间，$X=X(\omega )$是该样本空间上的实值函数（定义域是样本空间），X 称为随机变量，一般用$X，Y，Z，\xi ，\eta ，\varsigma$表示

{ ω ∣ X ( ω ) = a } 事件： { X = a } 事件 \{\omega|X(\omega)=a\}事件：\{X=a\}事件 {ω∣X(ω)=a}事件：{X=a}事件

• 离散型：有限个/无限可列个
• 非离散型：主要研究连续型

2.2

2.2.1 离散型随机变量及其概率分布

X的所有取值 $x_k(k=1,2,\cdots )$（可列个）
$P(X=x_k)=P_k$ 概率函数/概率分布
概率分布表：
$$\begin{array}{ccc}X& 1& 0\\ P& \frac{1}{2}& \frac{1}{2}\end{array}$$

• $P_k\ge 0$
• $\sum P_k=1$

连续型随机变量及其概率密度函数

1. 每个小长方形的面积等于该组的频率
2. 所有小长方形的面积之和等于1
3. 介于 x=a 和 x=b 之间的面积近似等于 ( a , b ] 之间的频率

定义：非负可积函数 $f(x)，f(x)\ge 0，a\le b$
$P(a<x\le b)={\int }_a^{b}f(x)dx$
x：连续型随机变量
f ( x ) ：x 的概率分布密度函数
记作$X\sim f(x)$
性质：

• $f(x)\ge 0$
• ${\int }_{-\infty }^{+\infty }f(x)=1$
• 连续型随机变量取个别值的概率为0

连续型 不考虑端点
$P(a\le x\le b)=P(a<x\le b)=P(a\le x<b)=P(a<x<b)$

概率为0的事件未必是不可能事件
概率为1的事件未必是必然事件

X取 x 附近值的概率大小
$\underset{\Delta x\to 0}{\lim }\frac{P(x<X<x+\Delta x)}{\Delta x}=\frac{{\int }_x^{x+\Delta x}f(x)dx}{\Delta x}$
$P(x<X<x+\Delta x)\approx f(x)\Delta x$

2.2.2 分布函数的定义

定义：$F(x)=P(X\le x)$（普通的实函数）
X 取值不超过 x 的概率
$x\in (-\infty ,+\infty )，F(x)\in [0,1]$

离散型的分布函数

性质：

1. $0\le F(x)\le 1，x\in (-\infty ,+\infty )$
2. F ( x ) 不减：$\forall x_1<x_2,F(x_1)\le F(x_2)$ $\underset{x\to +\infty }{\lim }F(x)=F(+\infty )=1$ $\underset{x\to -\infty }{\lim }F(x)=F(-\infty )=0$
3. F ( x ) 是右连续的，至多有可列个间断点 $\underset{x\to a^{+}}{\lim }F(x)=F(a)$

公式：
$P(X\le a)=F(a)$
$P(X>a)=1-F(a)$
$P(a<X\le b)=P(X\le b)-P(X\le a)=F(b)-F(a)$
$P(X=a)=F(a)-F(a-0)$
$P(a\le X\le b)=F(b)-F(a-0)$
$P(X<a)=F(a-0)$
$P(X\ge a)=1-F(a-0)$

连续型的分布函数

$F(x)=P(X\ge x)={\int }_{-\infty }^{x}f(t)dt$

2.2.3 常见的分布

离散型常见分布

0-1分布
$$\begin{array}{ccc}X& 1& 0\\ P& p& 1-p\end{array}$$ $P(X=k)=p^k(1-p{)}^{1-k}$（二项分布的特例）

1. 有两种结果
2. 试验只做一次

几何分布
P ( A ) = p
第 k 次首次发生，前 k − 1 次未发生
$P(X=k)=(1-p{)}^{k-1}{p}^k,k=0,1,2,\cdots$
$X\sim G(p)$

二项分布
P(A)=p
n 次试验，发生了 k 次
$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k},k=0,1,2,\cdots ,n$
$X\sim B(n,p)$
n = 1 时，$P(X=k)=C_1^k{p}^k(1-p{)}^{1-k},k=0,1$（0-1分布）
最可能值：

1. ( n + 1 ) p 不为整数，[(n + 1)p]达到最大值
2. ( n + 1 ) p 为整数，( n + 1 ) p 和( n + 1 ) p + 1都是最大值

泊松分布
$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }，k=1,2,3,\cdots$
$\lambda >0$
$X\sim P(\lambda )$
电台收到的呼叫次数，公用设施（候车，收银台，一员挂号处）
计算方式：查表
二项分布可以用泊松分布近似
条件：n 较大，p 较小，np 适中（$n\ge 100,np\le 10$）

超几何分布
定义：N 个元素，$N_1$ 个属于第一类，$N_2$ 个属于第二类，取 n 个，X：n 个中属于第一类的个数
P ( X = k ) = C N 1 k C N 2 n − k C N n , k = 0 , 1 , 2 , ⋯   , min ⁡ { n , N 1 } \displaystyle P(X=k)=\frac{C_{N_1}^kC_{N_2}^{n-k}}{C_N^n},k=0,1,2,\cdots,\min\{n,N_1\} P(X=k)=CNn​CN1​k​CN2​n−k​​,k=0,1,2,⋯,min{n,N1​}
超几何分布可以用来描述不放回抽样的实验
当 N 很大，n 相对 N 很小时，$p=\frac{M}{N}$ 改变甚微，不放回抽样可以看作放回抽样
$P(X=k)=\frac{C_M^k{C}_{N-M}^{n-k}}{C_N^n}\approx C_n^k{p}^k(1-p{)}^{n-k}$

连续型常见分布

均匀分布
$f(x)=\{\begin{array}{ll}\frac{1}{b-a}& \text{a ≤ x ≤ b}\\ 0& \text{else}\end{array}$

$X\sim U[a,b]$

分布函数：

$F(x)={\int }_{-\infty }^{x}f(t)dt=\{\begin{array}{ll}1& \text{x < a}\\ \frac{x-a}{b-a}& \text{a ≤ x < b}\\ 1& \text{x ≤ b}\end{array}$

$X\sim [a,b],[c,d]\subset [a,b]$
$P(c\le x\le d)={\int }_c^d\frac{1}{b-a}dt=\frac{d-c}{b-a}$

落在[a, b]上任意子区间的概率与子区间的长度成正比，与子区间的位置无关

指数分布
$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x}& \text{x > 0}\\ 0& \text{x ≤ 0}\end{array}$

$\lambda >0,X\sim E_{xp}(\lambda )$

$F(x)=\{\begin{array}{ll}1-e^{-\lambda x}& \text{x > 0}\\ 0& \text{x ≤ 0}\end{array}$

服务系统的服务时间，电话的通话时间，消耗性产品的寿命

正态分布
密度函数：
$\varphi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty$

记作 $X\sim N(\mu ,{\sigma }^2)$

已知${\int }_{-\infty }^{+\infty }{e}^{-x^2}dx$（高数知识）

则有：

$$\begin{gathered} {\int }_{-\infty }^{+\infty }\Phi (x)dx \\ ={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx \\ =\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^{+\infty }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx \\ =\frac{\sqrt{2}\sigma }{\sqrt{2\pi }\sigma }{\int }_{-\infty }^{+\infty }{e}^{-(\frac{x-\mu }{\sqrt{2}\sigma }{)}^2}d(\frac{x-\mu }{\sqrt{2}\sigma }) \\ =\frac{1}{\sqrt{\pi }}\sqrt{\pi } \\ =1 \end{gathered}$$

分布函数：

$\Phi (x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dt$

性质：

1. $y=\varphi (x)$ 以 $x=\mu$ 为对称轴
2. $x=\mu$ 时，$\varphi (x)$ 取最大值 $\frac{1}{\sqrt{2\pi }\sigma }$
3. $y=\varphi (x)$ 以 x 轴为渐近线，$x=\mu \pm \sigma$ 时有拐点
4. $\sigma \sigma$ 固定，$\mu$ 变化：图像左右移动
5. $\mu$ 固定，$\sigma$ 变化：$\sigma$变小，最高点上移（变陡）；$\sigma$ 变大，最高点下移（变缓）

标准正态分布：
$\mu =0,\sigma =1$
${\varphi }_0(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}},-\infty <x<+\infty$
${\Phi }_0(x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt$

性质：

y 轴为对称轴（偶函数）
${\varphi }_0(x)={\varphi }_0(-x)$
${\Phi }_0(-x)=1-{\Phi }_0(x)$

如果一个指标的影响因素有很多，每个因素起的作用都不太大，则这个指标服从正态分布

一般正态分布向标准正态分布转化：

$\varphi (x)=\frac{1}{\sigma }{\varphi }_0(\frac{x-\mu }{\sigma })$
$\Phi (x)={\Phi }_0(\frac{x-\mu }{\sigma })$
$X\sim N(\mu ,{\sigma }^2)$
$P(|X-\mu |<\sigma )=0.6826$
$P(|X-\mu |<2\sigma )=0.9544$
$P(|X-\mu |<3\sigma )=0.9974$

3σ准则：
如果一个系统设计时服从正态分布，在检验时不符合 3$\sigma$ 准则，则不合格

X∼(0,1)，给定 $\alpha (0<\alpha <1)$，找到 $u_{\alpha }$ 满足 $P(X>u_{\alpha })=\alpha$，$u_{\alpha }$ 称为上 $\alpha$ 分位数
$u_{0.05}=1.645$
$u_{0.025}=1.96$
$u_{0.01}=2.33$

2.3

2.3.1 随机变量函数的分布

已知 X 是某分布，求Y = f ( X ) 是什么分布

离散型

例
已知：
$$\begin{array}{ccccc}X& 7& 8& 9& 10\\ P& 0.1& 0.3& 0.4& 0.2\end{array}$$
Y = 4X
则有：
$$\begin{array}{ccccc}Y& 28& 32& 36& 40\\ P& 0.1& 0.3& 0.4& 0.2\end{array}$$

连续型

设 X 的密度函数是$f_X(x),y=g(x),Y=g(X)$

1. $F_Y(x)\to F_X(x)$
2. 两边求导：$f_Y(x)\leftarrow f_X(x)$