概率论与数理统计总复习(二)一维随机变量及分布

分布函数

随机变量:通俗说,随机变量就是一次随机试验产生的结果。这个结果在实验前我们不知道是什么,之后在试验后才之后,所以称为随机,因为大多数试验的结果是多个,所以称为变量,综上所述是我个人理解的随机变量。
分布函数:设X为随机变量,x是任意实数,则函数F(x)=P{X≤x}(-∞<x<∞)为随机变量X的分布函数。
在一个样本空间中,不同的随机变量取值的概率是不同的,假如随机变量取值是有限的,分布函数F(a)就是将随机变量X取值小于a的概率相加。如果随机变量取值是无限的,那分布函数F(a)则是在概率密度图像上x=a直线左边曲线与x轴的面积。什么是概率密度?下面我们在讨论。

性质

1.单调不减
由于概率是大于等于0的,分布函数实质上是概率的求和,假如我们实数a越大,包含的实验结果就越多,相加的概率值就越大,所以是单调不减的
2.有界
因为一个随机试验所有结果的概率和为1,所以当我们实数a趋于+∞,这时候已经能包含我们所有的实验结果了,所以F(+∞)=1;同理,当a趋于-∞,这时候a不能涵盖我们任何的实验结果,所以F(-∞)=0。
3.右连续
在这里插入图片描述
我们在看一边分布函数定义式:F(a)=P{X≤a}(-∞<a<∞),X≤a说明F(a)的取值需要加上a的概率,从左无限趋近于a但始终没有取到a,所以F(a-0)+P{X = a} = F(a);从右无限趋近于a,这时已经取到了a,所以F(a+0)=F(a)。

常见随机变量及其分布

离散型

定义:若随机变量X的可能取值为有限个或者可列无限个,称X为离散型随机变量。

可列无限个是指取值时无限个,但每个取值可以用函数表示出来。如:
X = n+1,0<n<∞

分布律

在这里插入图片描述
考试的时候让你写分布律,就是要这样画表格,上面是随机变量取值,下面是对于每个随机变量的概率。
离散型随机变量的分布函数:就是将X≤a的那些概率加起来即可,很简单。

该分布函数的特征有
1.阶梯状
2.F(x)间断点即可能取值点,间断点左极限与右极限之差即随机变量取该点的概率

常见离散型随机变量分布

0-1分布

若随机变量的实验结果只有0,1两个值,设离散型随机变量的分布律为在这里插入图片描述
其中k=0,1。p为k=1时的概率(0<p<1),则称X服从0-1分布,0-1分布又叫 两点分布,记为:X~B(x,p)

二项分布

n次独立重复试验(每次试验的结果只有0和1,而且试验之间没有影响)。
设每次试验中事件A发生的概率为p。用X表示n次独立重复试验中事件A发生的次数,则X的可能取值为0,1,…,n,且对每一个k(0≤k≤n),事件{X=k}即为“n次试验中事件A恰好发生k次”,随机变量X的离散概率分布即为二项分布。
在这里插入图片描述
从组合数学的角度理解这个公式:n次独立重复试验,有k次成功,则有n-k次失败,所以要从n次试验中选出k次成功的试验的可能数
在这里插入图片描述
然后再乘以p的k次方和(1-p)的n-k次方。

泊松分布

啥也不说了,直接上公式,同上👆
在这里插入图片描述

注意:当二项分布的n很大而p很小时,泊松分布可作为二项分布的近似,其中λ为np。通常当n≥20,p≤0.05时,就可以用泊松公式近似得计算。(考试中可能会出类似的题目哦)

连续型

定义:对于随机变量X,若存在一个非负的可积函数f(x),使得对任意实数x,有
在这里插入图片描述
则称X为连续性随机变量。其中f(x)为X的概率密度函数

性质

1.若f(x)在点x连续,则有F’(x)=f(x)
2.f(x)是可积,则它的原函数F(x)连续;
3.若x1<x2,都有
在这里插入图片描述

f(x)不代表X=x的概率值,而为0。所以连续型概率密度函数区间闭区间或者开区间无所谓,因为区间端点处的概率密度函数值为0。

常见连续型随机变量分布

均匀分布

若X的密度函数
在这里插入图片描述

称X在(a,b)服从均匀分布,X~U(a,b),分布函数为:
在这里插入图片描述

随机变量X在区间(a,b)内的概率与其位置无关,只与区间的长度有关。

指数分布

若X的密度函数为
在这里插入图片描述
称X服从参数λ>0的指数分布,X~E(λ),分布函数为:

指数分布有无记忆性。
假设灯泡的寿命服从指数分布,假如一个灯泡已经使用了10年,那么这个灯泡再使用10年的概率与另外一个未使用的灯泡使用20年的概率相等,不存在说是灯泡在使用了10年的条件下使用20年的概率大于新灯泡使用20年的概率。

正态分布

若随机变量X服从一个参数为μ、σ^2的概率分布,且其概率密度函数为
在这里插入图片描述
称X的分布服从正态分布,X~N(μ,σ^2)。
为了便于描述和应用,常将正态变量作数据转换。将一般正态分布转化成标准正态分布。
在这里插入图片描述
在中学我们都学过正态分布,从上述概率密度可以看出,σ越大,图像越矮胖σ越小,图像越高瘦。同时还关于μ对称。正态分布是连续型随机变量中十分重要,在之后的数字特征和大数定律以及样本内容中经常出现。
由于正态分布是关于x=μ的偶函数,所以在求概率的时候我们可以根据图像转换来计算。
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值