tju-概率论-第二章 随机变量及分布

2.1-随机变量及分布函数

定义2.1

设随机试验的样本空间Ω，如果对每一个w∈Ω，都有一个确定的实数X(w)与之对应，则称Ω上的实值函数X(w) 为随机变量 简写为X

所以—》随机变量X是样本点w的一个函数，它的定义域是样本空间Ω 而值域是实数域或其子集，且它的取值随试验的结果的不同而变化

e.g.2.1

一袋子 三黑球（b1，b2 ，b3） 两红球（r1，r2） 的袋中任取两球 则此试验 的 样本空间为
Ω={（b1，b2），（b1，b3），（b2，b3），（b1，r1），（b1，r2），（b2，r1），（b2，r2），（b3，r1）（b3 ，r2）（r1，r2）}
设 X（w）= 0 if w=(r1,r2)
X（w）= 1 if w=(b1,r1),(b1,r2),(b2,r1),(b2,r2)(b3,r1)(b3,r2) X（w= 2 if w=(b1,b2)(b1,b3) (b2,b3)
则X(w) 是定义在Ω 上 的一个随机变量， 值域为{0,1,2}，它表示取到的黑球数量这里我们用{X=0}表示事件 {两红},概率P{X=0}…同理1,2

定义2,2+(算P{a<x<b})

设X是随机变量 对任意给定的实数x∈（-∞，+∞）令
F（x）=P{X<=x}
则称 F(x)为随机变量X的概率分布函数，简称分布函数
分部函数F(x)是一个普通的函数，它的定义域是实数域，F(x)在x点处的函数值表示事件{X<=x}的概率 即随机变量x落在区间（-∞，x】内的分部概率
对于F(x)有以下性质：

(1):对于任意实数x，都有0<=F(x)<=1，且F（-∞）=lim(x->-∞)F(x)=0,F(+∞)=lim(x->+∞)F(x)=1
(2):F(x)是x的单调不减函数，即对任意x1<=x2,F(x1)<=F(x2)
(3):F(x)是右连续函数，即对任意实数a，有
$$\underset{x\to a+}{\lim }F(x)=F(a+0)=F(a)$$
数学上可以证明，满足上述三条性质的函数一定可以作为某个随机变量的分布函数

---

若已知随机变量X的分布函数，则可计算X落在任一区间的概率，比如对任意实数x1，x2（x1<x2）
P{x1<X≤x2}=P{X<=x2}-P{X<=x1}=F(x2)-F(x1)
P{x1<X<x2}=P{x1<X<=X2}-P{X=x2}
P{x1≤X≤x2}=P{x1<X≤x2}=P{x1<X≤x2}+P{X=x1}
P{x1≤X<x2}=F(x2)-F(x1)+P{X=x1}-P{X=x2}

---

2.2 离散型随机变量及其分布

一，离散型随机变量及其分布律

1.定义

设$x_k$(k=1,2,3…)是离散型随机变量X所取的一切可能值，称等式$P(X=x_k)=P_k$ ,K=1,2,3,…
为X的分布律或概率分布
其中 $P_k(k=1,2,\mathrm{3.....})满足$
(1)$p_k>=0,k=1,2,\mathrm{3.....}$
(2)$$\sum _{k=1}^{\infty }{p}_k=1$$

2.离散型随机变量X概率分布的表示方法

（1） 列表法：分布律可以用表格形式表$x_n^{->}$一般从小到大排列
x $x1$ $x2$ …$x_n$
$p_k$$p_1$ $P_2$…$p_n$
（2）公式法 e.g. P{X=k}=$\frac{C_3^{3-k}{C}_2^k}{C_5^3}$
3(图示法）

二 . 三种常用离散型随机变量的分布

1. 两点分布、

如果随机变量只能取 0，1两个值，其分布律为
P{X=1}=p, P{X=0}=1-p (0<p<1)
或P{x=k}=$p^k(1-p{)}^1-k,k=0,1,(0<p<1)$
则称X服从参数为p的（0-1）分部或；两点分布
（0-1）分部分部列

X  0   1

$p_k$ 1-p p
举例：可用两点分布的：新生婴儿性别 明天下不下雨 种子发不发芽

2.二项分布

伯努利试验

伯努利试验： 只有A和$\frac{}{A}$的实验
n重伯努利试验：设E为伯努利试验，将E独立的重复进行n次

n重伯努利试验

n重伯努利试验性质：（1）每次试验结果是A或者$\frac{}{A}$
(2)将E独立重复n次
(3)各次实验相互独立
(4)共进行了n次
定理：P{x=K}=$C_n^K{p}^k{q}^{n-k}$
由于这n次实验互不相容，由概率有限可加性得到：
$$\sum _{k=0}^n{C}_n^k{p}^k{q}^{n-k}=(p+q{)}^n=1$$

二项分布

定义：若离散型随机变量X的分布律为
$$PX=k=C_n^k{p}^k{q}^{n-k},k=1,2,.....n$$
其中0<p<1 ,q=1-p,则称参数为n,p的二项分布，记为
X~B(n,p).

3.泊松分布

P{x=k}=$\frac{{\lambda }^k{e}^{-\lambda }}{k!}$,k=0,1,2…,
其中λ是常数，则称X服从参数为λ的泊松分布
记为
X~P(λ)

二项分布和泊松分布关系

我们把每次实验中出现概率很小的时间成为稀有事件
由泊松定理
即λ=np
$$C_n^p{p}^k(1-p{)}^{n-k}=\frac{{\lambda }^k{e}^{-\lambda }}{k!}$$

几何分布

定义：在伯努利试验中，记实验中事件A发生概率为p，如果X为事件A首次发生时实验次数，X=1,2…
则称X为服从参数p的几何分布
概率分布为：
$$Px=k=(1-p{)}^{k-1}p$$k=1,2…

定理：几何分布的无记忆性

设X服从参数为p的几何分布，则对任意正整数m,n,
P { X > m + n ∣ X > m } = P { X > n } P\{X>m+n|X>m \}=P \{ X>n \} P{X>m+n∣X>m}=P{X>n}

超几何分布

从N物品中(其中M件不合格)抽出n个产品（不放回），其中不合格产品X服从超几何分布
$$Px=k=\frac{C_M^K{C}_{N-M}^{n-k}}{C_N^n}$$
当n<<N时，每次抽取对不合格率p=M/N改变很小，可近似看为放回抽样，
这时，超几何分布可近似为二项分布：
$$\frac{C_M^k{C}_{N-M}^{n-k}}{C_M^n}=C_n^k{p}^k(1-p{)}^{n-k}，其中p=\frac{M}{N}。$$

2.3-随机变量分布函数

一, 概念

需要知道X在任意有限区间(a,b)内取值的概率
例如：求随机变量X落在区间(x1,x2]内的概率
P { x 1 < x < = x 2 } = P { X < = x 2 } − P { X < = x 1 } = F ( x 2 ) − F ( x 1 ) P\{x_1<x<=x_2\}=P\{X<=x_2\}-P\{X<=x_1\}=F(x_2)-F(x_1) P{x1​<x<=x2​}=P{X<=x2​}−P{X<=x1​}=F(x2​)−F(x1​)

二.定义

设X是随机变量，x为任意实数，称函数
F(x)=P{X<=x}（-∞<x<+∞）
为x的分布函数
X分布函数是F(x)基座X~F(x)或者$F_X(x)$
表示X落在（-∞，x】的概率

三：分布函数的性质

1.单调不减 即 若$x_1<x_2$则F(x_1)<=F(x_2);
2.非负有界
0<=F(x)<=1(-∞<x<+∞),
且
$\underset{x->-\infty }{\lim }F(x)=F(-\infty )=0,$
$\underset{x->+\infty }{\lim }F(x)=F(+\infty )=1$
3.右连续 F(x+0)=F(x)
性质1–3是鉴别一个函数是否时某随机变量的分布函数的充分必要条件

离散型分布函数特点

F ( x ) = P { X < = x } = ∑ x k < = x P { X = x k } = ∑ x k < = x P k F(x)=P\{X<=x\}=\sum_{x_k<=x}P\{X=x_k\}=\sum_{x_k<=x}P_k F(x)=P{X<=x}=xk​<=x∑​P{X=xk​}=xk​<=x∑​Pk​
其中 P { X = x k } = p k , k = 1 , 2... P\{X=x_k\}=p_k,k=1,2... P{X=xk​}=pk​,k=1,2...
离散型随机变量的分布函数的图形特点
1.它的图形是一条有连续的阶梯型曲线
2.在随机变量的每一个可能取值点$x=x_k$,该图形都有一个跳跃 跳跃高速为$p_k$

2.4 连续型随机变量机器概率密度

连续型随机变量

1 .定义

定义：随机变量所取的可能值可以连续地充满某个区间，叫做连续型随机变量

概率密度的概念与性质

（1）f（x）>=0
（2）${\int }_{-\infty }^{+\infty }f(x)dx=1$;
(3) P { x 1 < X < = x 2 } = F ( x 2 ) − F ( x 1 ) = ∫ x 1 x 2 f ( x ) d x P\{x_1<X<=x_2\}=F(x_2)-F(x_1)=\int_{x_1}^{x_2}f(x)dx P{x1​<X<=x2​}=F(x2​)−F(x1​)=∫x1​x2​​f(x)dx
几何意义：x落在区间（$x_1,x_2$】的概率P{$x_1<x<=x_2$}，等于区间（$x_1,x_2$】上y=f(x)之下的曲边梯形面积。
可得计算公式
P{X<=a}=F(a)=${\int }_{-\infty }^{a}f(x)dx$
P{x>a}=1-P{x<=a}=1-F(a)
(4)若f(x)在点x处连续则有$F^{’}(x)=f(x)$
因为F(x)=${\int }_{-\infty }^{x}f(t)dt$当f(x)连续时，F(x)可导，所以f(x)的连续点处，$F^{‘}(x)=f(x)$
注：(1)在F（x）不可导的点x处，f(x)在x的函数值可任意给出
(2)对于任意值a,连续型随机变量取a的概率等于0，即P{X=a}=0;

三种重要的连续型随机变量

1.均匀分布 X~U（a，b）

设连续随机变量X具有概率密度
f ( x ) = { 0 , ( 其他 ) 1 b − a , ( a < x < b ) f(x)=\{_{0,(其他)}^{{1\over b-a},(a<x<b)} f(x)={0,(其他)b−a1​,(a<x<b)​
则称X在区间（a,b）上服从均匀分布，记为X~U(a,b)

2.指数分布（无记忆性）X~EXP($\lambda$)

若随机变量X的概率密度
$f(x)=\{\begin{array}{l}\lambda e^{-\lambda x},x>=0\\ 0,x<0\end{array}$
$\lambda$为常数且大于0，则称X服从$\lambda$的指数分布
显然 f(x)>=0且${\int }_{-\infty }^{+\infty }f(x)dx=1$
X的分布函数为
$F(x)=\{\begin{array}{l}1-e^{-\lambda x},x>=0\\ 0,x<0\end{array}$
注：指数分布无记忆性：若随机变量X对任意的s>0,t>0有
P{X>s+t|X>s}=P{x>t}则称X的分布有无记忆性，指数分布具有无记忆性

3.正态分布X~N($\mu ,{\sigma }^2$)

正态分布性质

$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty$$
其中$\mu ,\sigma (\sigma >0)$为常数，则称X服从参数为$\mu ,\sigma$的正态分布，记为X~N($\mu ,{\sigma }^2$)
正态分布的概率密度函数f(x)的性质

(3)当x=$\mu \pm \sigma$处曲线有拐点，且以x轴为渐近线；
(4)对固定的$\sigma$,改变$\mu$的值，图形沿着Ox轴平移
(5)对固定的$\mu ,改变\sigma ,\sigma 越小，图形越尖$
正态分布的分布函数:
$$F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt$$

标准正态分布

当$\mu =0,\sigma =1$时，称X服从标准正态分布
记作X~N(0,1).其概率密度和分布函数分别用$\varphi (x),\Phi (x)$表示，即

$\varphi (x)和\Phi (x)$的性质

(1)$\varphi (x)是偶函数，即\varphi (x)=\varphi (-x)$
(2)当x=0时，$\varphi (x)取最大值\frac{1}{\sqrt{2\pi }}，\Phi (0)=\frac{1}{2}$
(3)$\Phi (-x)=1-\Phi (x)$;
（为便于计算$\Phi$的函数表已被画出，可查阅书）

X~N($\mu ,{\sigma }^2$的计算（化为标准正态分布）

1.设X~N($\mu ,{\sigma }^2$，则Z=$\frac{X-\mu }{\sigma }$~N(0,1)
2. 若X~N($\mu ,{\sigma }^2$),则F(x)=$\Phi (\frac{x-\mu }{\sigma })$
3. P { x 1 < X < = x 2 } = Φ ( x 2 − μ σ ) − Φ ( x 1 − μ σ ) P\{x_1<X<=x_2\}=\Phi({x_2-\mu\over\sigma})-\Phi({x_1-\mu\over\sigma}) P{x1​<X<=x2​}=Φ(σx2​−μ​)−Φ(σx1​−μ​)

3$\sigma$准则

X~N(0,1)时
x取值几乎全集中在【-3,3】
推广到一般正态分布
Y~N（$\mu ,{\sigma }^2$）时
X在【$\mu -3\sigma ,\mu +3\sigma$】概率为0.9974，成为3$\sigma$准则

2.5-随机变量的函数的分布

一. 离散型随机变量函数的分布律

设X是离散型随机变量，则Y=g(X)一般也是离散型随机变量
此时，由X求Y分布律几颗
e.g.

二.连续型随机变量函数的概率密度

设随机变量X的概率密度为$f_X(x)$,求随机变量Y=g(x)（g连续）的概率密度

1.一般方法–分布函数法

第一步：求出Y的分布函数$F_Y(y)$的表达式:
F Y ( y ) = P { Y < = y } = P { g ( X ) < = y } = ∫ g ( x ) < = y f X ( x ) d x F_Y(y) = {P\{Y<=y\}=P\{g(X)<=y\}}=\int_{g(x)<=y}f_X(x)dx FY​(y)=P{Y<=y}=P{g(X)<=y}=∫g(x)<=y​fX​(x)dx
第二步：$f_Y(y)=F_Y^{‘}(y)$

2.公式法

定理 设随机变量 X的具有概率密度$f_X(x),其中
$-\infty <x<+\infty$
设g(x)为$（-\infty ，+\infty ）$严格单调可导函数
则Y=g(x)是连续型随机变量 其概率密度为
$f_Y(y)=\{\begin{array}{l}{f}_X[h(y)]|h^{‘}(y)|，a<y<b\\ 0,其他\end{array}$
其中a=min(g(-$\infty$),g(+$\infty$)),b=max(g(-$\infty$),g(+$\infty$))
h(y)是g(x)的反函数
**

若g(x)不是单调函数不能用此定理.

**