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

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

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
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。

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

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👆

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

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

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

称X在(a,b)服从均匀分布，X~U(a,b)，分布函数为：

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

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

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。