概率论数理统计
随机变量及其分布
随机变量的概念
定义:在随机试验E中,Ω是相应的样本空间,如果对样本空间中每一个样本点ω,有唯一的一个实数X与之对应,那么就把定义域为Ω的单值实值函数X = X(ω)称为随机变量。随机变量是样本点的函数,定义域为样本空间,一个随机变量取值可以对应一个样本点,也可以对应多个样本点
随机变量一般用大写字母表示,随机变量的取值一般用对应的小写字母表示。
离散型随机变量:随机变量能取到的值有限可列。
连续型随机变量是最常见的非离散型随机变量。
随机变量的分布函数
{a<X<=b} = {X<=b} - {X<=a}
{X>c} = Ω - {X<=c}
所以对于任意实数x,只要知道{X<=x}的概率即可,我们用F(x)表示P{X<=x}这个概率值。
分布函数定义:设X是一个随机变量,对于任意实数x,称函数F(x) = P(X<=x),-∞<x<+∞ 为随机变量X的分布函数。
则对任意的两个实数-∞<a<b<+∞,有P(a<X<=b) = F(b) - F(a)
- 分布函数是定义在(-∞,+∞)上,取值在[0,1]上的函数
- 任意一个随机变量X都有且仅有一个分布函数
-
古典概型的问题求分布函数,先算出随机变量取值各自对应的概率,定义分布函数的定义为F(x)=P(X<=x)
,分别求出x<x1,x1<=x<x2…的概率,然后得到各个区间的分布函数。
-
对于任意实数x,有0<=F(x)<=1,limF(-∞) = 0, limF(+∞) = 1
-
F(x)单调不减,当x1<x2时,有F(x1)<=F(x2)
-
F(x)是x的右连续函数,limF(x—>x0+) = F(x0)
离散随机变量及其分布律
定义:若一维离散型随机变量X的取值为x1,x2,…,xn,…,称相应的概率P(X=xi) = pi,i = 1,2,… 为离散型随机变量X的分布律(分布列,概率函数)
判断某一数列能否成为分布律的充要条件:1.概率都大于0;2.概率之和为1
可以通过分布律求分布函数,也可以通过分布函数求分布律。
连续型随机变量及其密度函数
连续型随机变量的取值区间有无穷不可列个数,所以用概率密度函数代替分布律。
定义:E是随机试验,Ω是相应的样本空间,X是随机变量,F(x)是X的分布函数,若存在f(x)使得
则称X为一维连续型随机变量,f(x)称为 X的概率密度函数,满足1.f(x)>=0; 2.
P(a<=X<=b) = P(a<X<=b) = P(a<=X<b) = P(a< X <b)
若非离散型随机变量不存在离散的点,概率不为0,则该随机变量为连续性随机变量
常用离散型随机变量
二项分布
对一随机试验E,只关心 某一事件A是否发生,即随机试验只有两种结果,A和非A,则称这样的随机试验为伯努利试验。将伯努利试验独立重复进行n次,则称这n次试验叫n重伯努利试验。在n次中特定的k次A事件发生,概率为pk(1-p)(n-k) ,同时乘上在n中挑选k个的不同方法的概率。称随机变量X服从参数为n,p的二项分布,记为X~B(n,p)
n=1时,称随机变量X服从参数为p的0-1分布(伯努利分布,两点分布),
泊松分布
设随机变量X的取值为0,1,2,3,…,n,…,相应的分布律为
称随机变量X服从参数λ的泊松分布,记为X~P(λ)
泊松定理 :在n重伯努利试验中,记A事件在一次试验中发生的概率为pn,如果当n—>+∞时,有npn—>λ
则
超几何分布
设有N件产品,其中有M(M≤N)件是不合格品.若从中不放回地抽取n(n≤N)件,设其中含有的不合格品的件数为X,则X的分布律为
称X服从参数为N、M和n的超几何分布,记为XH(N,M,nÿ