【概率论】一维随机变量

未经同意，禁止转载

本文为本人在校学习笔记，若有疑问或谬误，欢迎探讨、指出。

【概率论】一维随机变量

• 离散型：有限个 / 可列无限多个取值
• 连续型：分布函数是由一个非负可积函数变上限积分得到的（易知是连续的）
• 混合型：不是离散也不是连续型

证明分布函数右连续：

海涅定理 + 极限

证明 P { x = a } = F ( a − 0 ) P\{x=a\} = F(a-0) P{ x=a}=F(a−0)

• 证明：连续型随机变量的分布函数一定连续

  转化为证明由可积函数（概率密度）$f(x) $ 的变上限积分 ${\int }_{-\infty }^{x}f(x)\mathrm{d}x$ 一定连续

$$\begin{array}{rl}& \underset{\delta \to 0}{\lim }{\int }_{-\infty }^{x+\delta }f(x)\mathrm{d}x\\ & \Rightarrow \underset{\delta \to 0}{\lim }({\int }_{-\infty }^{x}f(x)\mathrm{d}x+{\int }_x^{x+\delta }f(x)\mathrm{d}x)\\ & \\ & \text{only need to prove }\underset{\delta \to 0}{\lim }{\int }_x^{x+\delta }f(x)\mathrm{d}x=0\end{array}$$

$$\begin{gathered} f(x)\text{ is integrabel, so it is bounded} \\ \exists M,\text{ s.t.}-M<f(x)<M \\ \begin{array}{rl}& \because -M\delta \le {\int }_x^{x+\delta }f(x)\mathrm{d}x\le M\delta \\ & \Rightarrow \underset{\delta \to 0}{\lim }-M\delta \le \underset{\delta \to 0}{\lim }{\int }_x^{x+\delta }f(x)\mathrm{d}x\le \underset{\delta \to 0}{\lim }M\delta \\ & \Rightarrow 0\le \underset{\delta \to 0}{\lim }{\int }_x^{x+\delta }f(x)\mathrm{d}x\le 0\\ & \therefore \text{Squeeze Theorem: }\underset{\delta \to 0}{\lim }{\int }_x^{x+\delta }f(x)\mathrm{d}x=0\end{array} \end{gathered}$$

$$\begin{gathered} \underset{\delta \to 0}{\lim }{\int }_{-\infty }^{x+\delta }f(x)\mathrm{d}x={\int }_{-\infty }^{x}f(x)\mathrm{d}x, \\ {\int }_{-\infty }^{x}f(x)\mathrm{d}x\text{ is continuous} \end{gathered}$$

离散型

(0-1)分布 Bernoulli Distribution

（两点分布、伯努利分布） $X\sim B(1,p)$

可以视为仅重复一次的伯努利试验

• 随机变量
  $$X(e)=\{\begin{array}{ll}0,& \text{when }e=e_1,\\ 1,& \text{when }e=e_2,\end{array}$$

• 分布律
  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

• 数字特征

  • 数学期望
    $$E(X)=1\cdot p+0\cdot (1-p)=p$$

  • 方差
    $$\begin{gathered} D(X)=E(X^2)-E^2(X)=p-p^2 \\ \Rightarrow D(X)=p(1-p) \end{gathered}$$

二项分布 Binomial Distribution

$X\sim B(n,p)$

n重伯努利试验中 $A$ 发生 $X$ 次的概率服从二项分布

• 伯努利试验：每次实验只有两种结果（$A,\overline{A}$），则称该试验为Bernoulli试验

• 分布律

  $A$ 的成功概率为 $p$， 则有
  P { X = k } = C n k p k ( 1 − p ) n − k , k = 0 , 2 , 3 , . . . , n P\{X=k\} = C_n^k p^k (1-p)^{n-k}, \quad k=0,2,3,...,n P{ X=k}=Cnk​pk(1−p)n−k,k=0,2,3,...,n

• 趋势

  

• 数字特征

  • 数学期望
    $$E(X)=np$$
    推导：

  $$X_i=\{\begin{array}{ll}1,& \text{第i次试验成功}\\ 0,& \text{第i次试验失败}\end{array}$$

  $$X=\sum _{i=1}^n{X}_i$$

  $$\begin{gathered} E(X)=E(\sum _{i=1}^n{X}_i)=\sum _{i=1}^{n}E(X_i)=\sum _{i=1}^n{X}_i \\ \Rightarrow E(X)=np \end{gathered}$$

  • 方差
    $$D(X)=np(1-p)$$
    推导：

    各次伯努利试验之间相互独立，协方差项为0，则
    D ( X ) = D ( ∑ i = 1 n X i ) = ∑ i = 1 n D ( X i ) = n