概率论笔记
文章目录
1. 概率论的基本概念
1.1 随机试验和随机事件
引言
确定性(必然):一定发生(不发生)
随机(偶然):可能发生,可能不发生
随机试验:
- 在相同条件下可以重复
- 结果不止一个
- 无法预测哪个结果会出现
随机事件: A、B、C
基本事件:不能再分(不必再分)——相对于实验目的
复合事件: 由基本事件复合
必然事件: 一定发生 Ω \quad \Omega Ω
不可能事件 : 一定不发生 ϕ \quad \phi ϕ
样本空间: 所有基本事件的集合 Ω \quad \Omega Ω
样本点 : 样本空间的元素 ω \quad\omega ω
运算律:
1)交换律 A ∪ B = B ∪ A A ∩ B = B ∩ A A \cup B=B \cup A \quad A \cap B=B \cap A A∪B=B∪AA∩B=B∩A
2)结合律 ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) (A \cup B) \cup C=A \cup(B \cup C) (A∪B)∪C=A∪(B∪C) ( A ∩ B ) ∩ C = A ∩ ( B ∩ C ) (A \cap B) \cap C=A \cap(B \cap C) (A∩B)∩C=A∩(B∩C)
3)分配律 ( A ∪ B ) ∩ C = ( A ∩ C ) ∪ ( B ∩ C ) (A \cup B) \cap C=(A \cap C) \cup(B \cap C) (A∪B)∩C=(A∩C)∪(B∩C) ( A ∩ B ) ∪ C = ( A ∪ C ) ∩ ( B ∪ C ) (A \cap B) \cup C=(A \cup C) \cap(B \cup C) (A∩B)∪C=(A∪C)∩(B∪C)
4)对偶 A ∪ B ‾ = A ˉ ∩ B ˉ \overline{A \cup B}=\bar{A} \cap \bar{B} A∪B=Aˉ∩Bˉ A ∩ B ‾ = A ˉ ∪ B ˉ \overline{A \cap B}=\bar{A} \cup \bar{B} A∩B=Aˉ∪Bˉ
1.2 古典概率模型
条件:
1)有限个样本点
2)等可能性
P ( A ) = A 的有利样本点 Ω 中样本点总数 = A 中包含的基本事件 基本事件总数 P(A)=\frac{A的有利样本点}{\Omega 中样本点总数}=\frac{A中包含的基本事件}{基本事件总数} P(A)=Ω中样本点总数A的有利样本点=基本事件总数A中包含的基本事件
1)不重复排列
p n m = n ( n − 1 ) ( n − 2 ) ⋯ ( n − m + 1 ) = n ! ( n − m ) ! p_{n}^{m}=n(n-1)(n-2) \cdots(n-m+1)=\frac{n !}{(n-m) !} pnm=n(n−1)(n−2)⋯(n−m+1)=(n−m)!n!
2)全排列
p n n = n ( n − 1 ) × 3 × 3 × 1 = n ! p_{n}^{n}=n(n-1) \times 3 \times 3 \times 1=n ! pnn=n(n−1)×3×3×1=n!
3)组合
C n m = P n m m ! = n ( n − 1 ) ⋯ ( n − m + 1 ) m ( m − 1 ) × 2 × 1 = n ! m ! ( n − m ) ! C_{n}^{m}=\frac{P_{n}^{m}}{m !}=\frac{n(n-1) \cdots(n-m+1)}{m(m-1) \times 2 \times 1}=\frac{n !}{m !(n-m) !} Cnm=m!Pnm=m(m−1)×2×1n(n−1)⋯(n−m+1)=m!(n−m)!n!
公理化
性质一:
P ( ϕ ) = 0 P(\phi)=0 P(ϕ)=0
性质二:
P
(
A
1
+
A
2
+
…
…
A
n
)
=
P
(
A
1
)
+
P
(
A
2
)
+
…
…
P
(
A
n
)
P(A_1+A_2+……A_n)=P(A_1)+P(A_2)+……P(A_n)
P(A1+A2+……An)=P(A1)+P(A2)+……P(An)
性质三:
P ( A ˉ ) = 1 − P ( A ) P ( A ) + P ( A ‾ ) = 1 P(\bar{A})=1-P(A) \quad P(A)+P(\overline{A})=1 P(Aˉ)=1−P(A)P(A)+P(A)=1
性质四:
P
(
A
−
B
)
=
P
(
A
)
−
P
(
A
B
)
P(A-B)=P(A)-P(A B)
P(A−B)=P(A)−P(AB)
A
⊃
B
.
P
(
A
−
B
)
=
P
(
A
)
−
P
(
B
)
⋅
且
P
(
A
)
⩾
P
(
B
)
A \supset B .\quad P(A-B)=P(A)-P(B) \cdot \quad且 P(A) \geqslant P(B)
A⊃B.P(A−B)=P(A)−P(B)⋅且P(A)⩾P(B)
性质五:
P
(
A
+
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
B
)
P(A+B)=P(A)+P(B)-P(A B)
P(A+B)=P(A)+P(B)−P(AB)
P ( A + B + C ) = P ( A ) + P ( B ) + P ( C ) − P ( A B ) − P ( A C ) − P ( B C ) + P ( A B C ) P(A+B+C) =P(A)+P(B)+P(C)-P(A B)-P(A C) -P(B C)+P(A B C) P(A+B+C)=P(A)+P(B)+P(C)−P(AB)−P(AC)−P(BC)+P(ABC)
1.3 条件概率
条件概率
定义: Ω \Omega Ω 样本空间 A . B A.B A.B 两个事件
P ( B ) > 0 P(B)>0 P(B)>0 在 B B B 已经发生的条件下 A A A 发生的概率 P ( A ∣ B ) P(A | B) P(A∣B)
(1) P ( A ∣ B ) = n A B n B \text { (1) } P(A \mid B)=\frac{n_{A B}}{n_{B}} (1) P(A∣B)=nBnAB (2) P ( A ∣ B ) = n A B / n n B / n = P ( A B ) P ( B ) \text { (2) } P(A \mid B)=\frac{n_{A B} / n}{n_{B} / n}=\frac{P(A B)}{P(B)} (2) P(A∣B)=nB/nnAB/n=P(B)P(AB)
乘法公式
P ( A ) > 0 P ( B ) > 0 P(A)>0 \quad P(B)>0 P(A)>0P(B)>0
P ( A ∣ B ) = P ( A B ) P ( B ) (1) P ( A B ) = P ( B ) P ( A ∣ B ) P(A \mid B)=\frac{P(A B)}{P(B)} \quad \text { (1) } P(A B)=P(B) P(A \mid B) P(A∣B)=P(B)P(AB) (1) P(AB)=P(B)P(A∣B) P ( B ∣ A ) = P ( A B ) P ( A ) (2) P ( A B ) = P ( A ) P ( B ∣ A ) P(B \mid A)=\frac{P(A B)}{P(A)} \quad \text { (2) } P(A B)=P(A) P(B \mid A) P(B∣A)=P(A)P(AB) (2) P(AB)=P(A)P(B∣A)
P
(
A
1
A
2
⋯
A
n
)
=
P
(
A
1
)
P
(
A
2
∣
A
1
)
P
(
A
3
∣
A
1
A
2
)
⋯
P
(
A
n
∣
A
1
⋯
A
n
−
1
)
P\left(A_{1} A_{2} \cdots A_{n}\right)=P\left(A_{1}\right) P\left(A_{2} \mid A_{1}\right) P\left(A_{3}| A_{1} A_{2}\right) \cdots P\left(A_{n} \mid A_{1} \cdots A_{n-1}\right)
P(A1A2⋯An)=P(A1)P(A2∣A1)P(A3∣A1A2)⋯P(An∣A1⋯An−1)
P
(
A
B
C
)
=
P
(
A
)
P
(
B
∣
A
)
P
(
C
∣
A
B
)
P(A B C)=P(A) P(B \mid A) P(C \mid A B)
P(ABC)=P(A)P(B∣A)P(C∣AB)
全概率事件
A 1 A 2 … … A n A_1A_2……A_n A1A2……An是 E E E 的完备事件
P ( A i ) > 0 P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P\left(A_{i}\right)>0 \quad P(B)=\sum_{i=1}^{n} P\left(A_{i}\right) P\left(B \mid A_{i}\right) P(Ai)>0P(B)=i=1∑nP(Ai)P(B∣Ai)
贝叶斯公式
P ( A k ∣ B ) = P ( A k ) P ( B ∣ A k ) ∑ i = 1 n P ( A i ) P ( B ∣ A i ) = P ( A k B ) P ( B ) P\left(A_{k} \mid B\right)=\frac{P\left(A_{k}\right) P\left(B \mid A_{k}\right)}{\sum_{i=1}^{n} P\left(A_{i}\right) P\left(B \mid A_{i}\right)}=\frac{P\left(A_{k} B\right)}{P(B)} P(Ak∣B)=∑i=1nP(Ai)P(B∣Ai)P(Ak)P(B∣Ak)=P(B)P(AkB)
1.4 事件的独立性
定义: A的概率不受B发生与否影响
P ( A ∣ B ) = P ( A ) P\left(A\mid B\right)=P\left(A\right) P(A∣B)=P(A)
定理: P ( A ) > 0 P ( B ) > 0 P(A)>0 \quad P(B)>0 P(A)>0P(B)>0
A、B 独立 <=> P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
-
Φ Ω \Phi \quad \Omega ΦΩ 与任意事件A独立
-
A、B互不相容, P ( A B ) = 0 P(AB)=0 P(AB)=0 P ( A + B ) = P ( A ) + P ( B ) − P ( A B ) = P ( A ) + P ( B ) \quad P(A+B)=P(A)+P(B)-P(AB)=P(A)+P(B) P(A+B)=P(A)+P(B)−P(AB)=P(A)+P(B)
-
A、B独立, P ( A + B ) = P ( A ) + P ( B ) − P ( A B ) = P ( A ) + P ( B ) − P ( A ) P ( B ) P(A+B)=P(A)+P(B)-P(AB)=P(A)+P(B)-P(A)P(B) P(A+B)=P(A)+P(B)−P(AB)=P(A)+P(B)−P(A)P(B)
伯努利模型
p n ( k ) = C n k p k ( 1 − p ) n − k = C n k p k q n − k q = 1 − p p_{n}(k)=C_{n}^{k} p^{k}(1-p)^{n-k}=C_{n}^{k} p^{k} q^{n-k} \quad q=1-p pn(k)=Cnkpk(1−p)n−k=Cnkpkqn−kq=1−p
2. 随机变量及其分布
离散型: 有限个、无限个可列
非离散型: 连续型
(1) p k ⩾ 0 ( 2 ) ∑ p k = 1 \text { (1) } p_{k} \geqslant 0 \text \quad\quad{ (2) } \sum p_{k}=1 (1) pk⩾0(2)∑pk=1
2.1 概率密度函数
定义: 非负可积
f
(
x
)
.
f
(
x
)
>
=
0
a
<
=
b
∫
−
∞
+
∞
f
(
x
)
=
1
f(x). f(x)>= 0 \quad a <= b \quad \int_{-\infty}^{+\infty} f(x)=1
f(x).f(x)>=0a<=b∫−∞+∞f(x)=1
P
{
a
<
x
⩽
b
}
=
∫
a
b
f
(
x
)
d
x
P\{a<x \leqslant b\}=\int_{a}^{b} f(x) d x
P{a<x⩽b}=∫abf(x)dx
连续变量取个别值的概率是0
x x x: 连续, f ( x ) f(x) f(x):概率密度分布函数
lim
Δ
x
→
0
p
{
x
<
x
<
x
+
Δ
x
}
Δ
x
=
l
i
m
Δ
x
→
0
∫
x
x
+
Δ
x
f
(
x
)
d
x
Δ
x
=
f
(
x
)
\lim _{\Delta x \rightarrow 0} \frac{p\{x<x<x+\Delta x\}}{\Delta x}=lim_{\Delta x \rightarrow 0} \frac{\int_{x}^{x+\Delta x} f(x) d x}{\Delta x}=f(x)
Δx→0limΔxp{x<x<x+Δx}=limΔx→0Δx∫xx+Δxf(x)dx=f(x)
2.2 分布函数
F
(
x
)
=
P
(
X
≤
x
)
F(x)=P(X \leq x)
F(x)=P(X≤x)
x
∈
(
−
∞
,
+
∞
)
F
(
x
)
∈
[
0
,
1
]
x \in(-\infty,+\infty) \quad F(x) \in[0,1]
x∈(−∞,+∞)F(x)∈[0,1]
- 0 ⩽ F ( x ) ≤ 1. x ∈ ( − ∞ , + ∞ ) 0 \leqslant F(x) \leq 1 . \quad x \in(-\infty,+\infty) 0⩽F(x)≤1.x∈(−∞,+∞)
- F ( x ) 不减 x 1 < x 2 . F ( x 1 ) ⩽ F ( x 2 ) F(x) 不减 \quad x_{1}<x_{2} . \quad F\left(x_{1}\right) \leqslant F\left(x_{2}\right) F(x)不减x1<x2.F(x1)⩽F(x2)
- lim x → + ∞ F ( x ) = F ( + ∞ ) = 1 \lim _{x \rightarrow+\infty} F(x)=F(+\infty)=1 limx→+∞F(x)=F(+∞)=1
- lim x → − ∞ F ( x ) = F ( − ∞ ) = 0 \lim _{x \rightarrow-\infty} F(x)=F(-\infty)=0 limx→−∞F(x)=F(−∞)=0
F ( X ) F(X) F(X)右连续
- 离散型——右连续
- 连续型——连续
公式:
- P { x ⩽ a } = F ( a ) P\{x \leqslant a\}=F(a) P{x⩽a}=F(a)
- P { x > a } = 1 − P { x ⩽ a } = 1 − F ( a ) P\{x>a\}=1-P\{x \leqslant a\}=1-F(a) P{x>a}=1−P{x⩽a}=1−F(a)
- P { a < x ⩽ b } = P { x ⩽ b } − P { x ⩽ a } P\{a<x \leqslant b\}=P\{x \leqslant b\}-P\{x \leqslant a\} P{a<x⩽b}=P{x⩽b}−P{x⩽a}
右连续: lim x → a + F ( x ) = F ( a ) \lim _{x \rightarrow a^{+}} F(x)=F(a) limx→a+F(x)=F(a)
左连续: lim x → a − F ( x ) = F ( a ) \lim _{x \rightarrow a^{-}} F(x)=F(a) limx→a−F(x)=F(a)
连续: lim x → a F ( x ) = F ( a ) \lim _{x \rightarrow a} F(x)=F(a) limx→aF(x)=F(a)
连续型的分布函数:
F ( x ) = P { X ⩽ x } = ∫ − ∞ x f ( t ) d t F(x)=P\{X \leqslant x\}=\int_{-\infty}^{x} f(t) d t F(x)=P{X⩽x}=∫−∞xf(t)dt
连续: F ′ ( x ) = f ( x ) F^{\prime}(x)=f(x) F′(x)=f(x)
2.3 常见随机变量的分布
2.3.1 离散型分布
0-1分布
p { x = k } = p k ( 1 − p ) 1 − k k = 0 , p\{x=k\}=p^{k}(1-p)^{1-k} \quad k=0, p{x=k}=pk(1−p)1−kk=0,
有两种结果,试验只做一次
几何分布
P ( A ) = p P(A)=p P(A)=p
第 k k k 次首次发生,前 k − 1 k-1 k−1次未发生
p { x = k } = ( 1 − p ) k − 1 p p\{x=k\}=(1-p)^{k-1} p p{x=k}=(1−p)k−1p
二项分布
P ( A ) = p P(A)=p P(A)=p
n n n次实验,发生了 k k k次
P { x = k } = C n k p k ( 1 − p ) n − k k = 0 , 1 , 2 , ⋯ , n P\{x=k\}=C_{n}^{k} p^{k}(1-p)^{n-k} \quad k=0,1,2, \cdots, n P{x=k}=Cnkpk(1−p)n−kk=0,1,2,⋯,n X ∼ B ( n , p ) X \sim B(n, p) X∼B(n,p)
最可能值:
- ( n + 1 ) p (n+1)p (n+1)p不为整数 ( n + 1 ) p (n+1)p (n+1)p 达到最大值
- ( n + 1 ) p (n+1)p (n+1)p为整数 ( n + 1 ) p (n+1)p (n+1)p 和 ( n + 1 ) p − 1 (n+1)p-1 (n+1)p−1 达到最大值
泊松分布
P { x = k } = λ k k ! e − λ k = 0 , 1 , 2 , 3 , . P\{x=k\}=\frac{\lambda^{k}}{k !} e^{-\lambda} \quad k=0,1,2 , 3, . P{x=k}=k!λke−λk=0,1,2,3,. λ > 0. x ∼ p ( λ ) \lambda>0 . \quad x \sim p(\lambda) λ>0.x∼p(λ)
λ 背上背了一个 k , λ 摔了一跤, e 了一声,变成了 − λ , k 表示很震惊 \lambda背上背了一个k, \lambda摔了一跤,e了一声,变成了-\lambda,k表示很震惊 λ背上背了一个k,λ摔了一跤,e了一声,变成了−λ,k表示很震惊
什么时候适合用泊松分布??(用泊松分布近似计算二项分布)
-
n n n 比较大, p p p 比较小, n p np np 适中
-
n > = 100 n>=100 n>=100 n p < = 10 np<=10 np<=10
-
此时将 n p np np 看作为 λ \lambda λ
超几何分布
N N N个元素, N 1 N_1 N1属于第一类, N 2 N_2 N2属于第二类
取 n n n个, x x x: n n 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 P\{x=k\}=\frac{C_{N_{1}}^{k} C_{N_{2}}^{n-k}}{C_{N}^{n}} P{x=k}=CNnCN1kCN2n−k k = 0 , 1 , 2 , ⋯ , m i n { n , N 1 } k=0,1,2, \cdots, min\left\{n, N_{1}\right\} k=0,1,2,⋯,min{n,N1}
- 超几何分布可以表示不放回抽样试验
- 当 N N N很大, n n n很小时,不放回抽样可以近似看作放回抽样,用二项分布计算超几何分布,再用泊松分布近似超几何分布。 p { x = k } = C M k C N − M n − k C N n ≈ C n k p k ( 1 − p ) n − k 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} p{x=k}=CNnCMkCN−Mn−k≈Cnkpk(1−p)n−k
2.3.2 连续型分布
均匀分布
f ( x ) = { 1 b − a a ≤ x ≤ b 0 else f(x)=\left\{\begin{array}{cl} \frac{1}{b-a} & a \leq x \leq b \\ 0 & \text { else } \end{array}\right. f(x)={b−a10a≤x≤b else X ∼ ∪ [ a , b ] X \sim \cup[a, b] X∼∪[a,b]
- 分布函数
F ( x ) = { 0 x < a . x − a b − a a ⩽ x < b F(x)=\left\{\begin{array}{cc} 0 & x<a . \\ \frac{x-a}{b-a} & a \leqslant x<b \end{array}\right. F(x)={0b−ax−ax<a.a⩽x<b
指数分布
f ( x ) = { λ e − λ x x > 0 0 x ⩽ 0 f(x)=\left\{\begin{array}{cc} \lambda e^{-\lambda x} & x>0 \\ 0 & x \leqslant 0 \end{array}\right. f(x)={λe−λx0x>0x⩽0 λ > 0. x ∼ Exp ( λ ) \lambda>0 . \quad x \sim \operatorname{Exp}(\lambda) λ>0.x∼Exp(λ)
- 分布函数
F ( x ) = { 1 − e − λ x x > 0 0 x ≤ 0 F(x)=\left\{\begin{array}{cc} 1-e^{-\lambda x} & x>0 \\ 0 & x \leq 0 \end{array}\right. F(x)={1−e−λx0x>0x≤0
- 无记忆性
s > 0 t > 0 s>0 \quad t>0 s>0t>0 p { x > s + t ∣ x > s } = p { x > t } p\{x>s+t \mid x>s\}=p\{x>t\} p{x>s+t∣x>s}=p{x>t}
正态分布
ϕ ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 − ∞ < x < + ∞ \phi(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}}-\infty<x<+\infty ϕ(x)=2πσ1e−2σ2(x−μ)2−∞<x<+∞ X ∼ N ( μ , σ 2 ) X \sim N\left(\mu, \sigma^{2}\right) X∼N(μ,σ2)
- 分布函数
Φ ( x ) = 1 2 π σ ∫ − ∞ x e − ( t − μ ) 2 2 σ 2 d t \Phi(x)=\frac{1}{\sqrt{2 \pi} \sigma} \int_{-\infty}^{x} e^{-\frac{(t-\mu)^{2}}{2 \sigma^{2}}} d t Φ(x)=2πσ1∫−∞xe−2σ2(t−μ)2dt
-
∫ − ∞ + ∞ e − x 2 d x = π \int_{-\infty}^{+\infty} e^{-x^{2}} d x=\sqrt{\pi} ∫−∞+∞e−x2dx=π
-
性质一: y = φ ( x ) y=\varphi(x) y=φ(x) 以 x = μ x=\mu x=μ 为对称轴,此时有最大值
-
性质二: y = φ ( x ) y=\varphi(x) y=φ(x) 以 x x x 轴为渐近线, x = u ± σ x=u \pm \sigma x=u±σ 为拐点
-
性质三: σ \sigma σ固定, μ \mu μ变化,左右移动; μ \mu μ固定, σ \sigma σ变小,最高点上移, σ \sigma σ变大, σ \sigma σ 下移
标准正态分布:
μ = 0 \mu=0 μ=0, σ = 1 \sigma=1 σ=1
ϕ 0 ( x ) = 1 2 π e − x 2 2 − ∞ < x < + ∞ \phi_{0}(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^{2}}{2}}-\infty<x<+\infty ϕ0(x)=2π1e−2x2−∞<x<+∞
Φ
0
(
x
)
=
Φ
0
(
−
x
)
Φ
0
(
−
x
)
=
1
−
Φ
0
(
x
)
\Phi_{0}(x)=\Phi_{0}(-x)\quad {\Phi}_{0}(-x)=1-\Phi_{0}(x)
Φ0(x)=Φ0(−x)Φ0(−x)=1−Φ0(x)
- 一般正态分布化为标准正态分布
ϕ ( x ) = 1 σ ϕ 0 ( x − μ σ ) \phi(x)=\frac{1}{\sigma} \phi_{0}\left(\frac{x-\mu}{\sigma}\right) ϕ(x)=σ1ϕ0(σx−μ) Φ ( x ) = Φ 0 ( x − μ σ ) \Phi(x)=\Phi_{0}\left(\frac{x-\mu}{\sigma}\right) Φ(x)=Φ0(σx−μ)
- 上分位点
X ∼ N ( 0 , 1 ) X \sim N\left(0, 1\right) X∼N(0,1), 给定 α ( 0 < α < 1 ) \alpha(0<\alpha<1) α(0<α<1),找出 μ α \mu_{\alpha} μα, 使 P { x > μ α } = α P\{x>\mu_{\alpha}\}=\alpha P{x>μα}=α
2.4 随机变量函数的分布
1) X X X的密度函数 f X ( x ) f_{X}(x) fX(x), Y = k x + b ( k ≠ 0 ) Y=kx+b(k\neq0) Y=kx+b(k=0)
k
>
0
k>0
k>0 时:
F
Y
(
x
)
=
P
{
Y
⩽
x
}
=
P
{
k
X
+
b
≤
x
}
=
P
{
X
⩽
x
−
b
k
}
.
F_{Y}(x)=P\{Y \leqslant x\}=P\{k X+b \leq x\}=P\left\{X \leqslant \frac{x-b}{k}\right\} .
FY(x)=P{Y⩽x}=P{kX+b≤x}=P{X⩽kx−b}.
k
<
0
k<0
k<0 时:
F
Y
(
x
)
=
P
{
Y
⩽
x
}
=
P
{
k
X
+
b
≤
x
}
=
P
{
X
⩾
x
−
b
k
}
=
1
−
P
{
X
⩽
x
−
b
k
}
.
F_{Y}(x)=P\{Y \leqslant x\}=P\{k X+b \leq x\}=P\left\{X \geqslant \frac{x-b}{k}\right\}=1-P\left\{X \leqslant \frac{x-b}{k}\right\} .
FY(x)=P{Y⩽x}=P{kX+b≤x}=P{X⩾kx−b}=1−P{X⩽kx−b}.
两边求导得:
f Y ( x ) = 1 ∣ k ∣ f X ( x − b k ) f_{Y}(x)=\frac{1}{|k|} f_{X}\left(\frac{x-b}{k}\right) fY(x)=∣k∣1fX(kx−b)
2) X ∼ N ( u , σ 2 ) Y = a X + b Y ∼ N ( a u + b , a 2 σ 2 ) X \sim N\left(u, \sigma^{2}\right) \quad Y=a X+b\quad Y \sim N\left(au+b, a^2\sigma^{2}\right) X∼N(u,σ2)Y=aX+bY∼N(au+b,a2σ2)
3. 二维随机变量
3.1 二维随机变量及其分布函数
分布函数: F ( x , y ) = P { X ⩽ x , Y ⩽ y } F(x , y)=P\{X \leqslant x , Y \leqslant y\} F(x,y)=P{X⩽x,Y⩽y} 联合分布
-
x
1
<
x
2
y
1
<
y
2
x_{1}<x_{2} \quad y_{1}<y_{2}
x1<x2y1<y2时:
P { x 1 < x ⩽ x 2 . y 1 < Y ⩽ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) \begin{array}{l} \\ P\left\{x_{1}<x \leqslant x_{2} . y_{1}<Y \leqslant y_{2}\right\} \\\\ =F\left(x_{2}, y_{2}\right)-F\left(x_{2}, y_{1}\right)-F\left(x_{1}, y_{2}\right)+F\left(x_{1}, y_{1}\right) \end{array} P{x1<x⩽x2.y1<Y⩽y2}=F(x2,y2)−F(x2,y1)−F(x1,y2)+F(x1,y1) - 边缘分布
F X ( x ) = P { X ≤ x } = F ( x , + ∞ ) = P { X ≤ x . Y < + ∞ } F Y ( y ) = P { Y ≤ y } = F ( + ∞ , y ) = P { X < + ∞ , Y ≤ y } \begin{array}{l} F_{X}(x)=P\{X \leq x\}=F(x,+\infty)=P\{X \leq x . Y<+\infty\} \\ \\F_{Y}(y)=P\{Y \leq y\}=F(+\infty, y)=P\{X<+\infty, Y \leq y\} \end{array} FX(x)=P{X≤x}=F(x,+∞)=P{X≤x.Y<+∞}FY(y)=P{Y≤y}=F(+∞,y)=P{X<+∞,Y≤y}
3.1 二维离散型的联合分布及其边缘分布
X、Y 取离散值
F
(
x
,
y
)
=
P
{
X
≤
x
,
Y
≤
y
}
=
∑
∑
x
i
≤
x
y
i
≤
y
P
i
j
F
(
−
1
,
−
2
)
=
{
{
X
≤
−
1
,
Y
≤
−
2
}
=
0
F
(
1
,
2
)
=
P
{
X
≤
1
,
Y
≤
2
}
=
1
2
F
(
4
,
5
)
=
P
{
X
≤
4
,
Y
≤
5
}
=
1
\begin{array}{l} F(x, y)=P\{X \leq x, Y \leq y\}=\sum \sum_{x_{i} \leq x \quad y_i \leq y} P_{i j} \\\\ F(-1,-2)=\{\{X \leq-1, Y \leq-2\}=0 \\\\ F(1,2)=P\{X \leq 1, Y \leq 2\}=\frac{1}{2} \\\\ F(4,5)=P\{X \leq 4, Y \leq 5\}=1 \end{array}
F(x,y)=P{X≤x,Y≤y}=∑∑xi≤xyi≤yPijF(−1,−2)={{X≤−1,Y≤−2}=0F(1,2)=P{X≤1,Y≤2}=21F(4,5)=P{X≤4,Y≤5}=1