第二章随机变量及其分布（概率论）

最新推荐文章于 2024-11-16 23:33:51 发布

xxatz

最新推荐文章于 2024-11-16 23:33:51 发布

阅读量319

点赞数 2

分类专栏：高数菜鸡之概率统计文章标签：概率论

本文链接：https://blog.csdn.net/xxayt/article/details/120625799

版权

高数菜鸡之概率统计专栏收录该内容

8 篇文章 0 订阅

订阅专栏

本文详细介绍了随机变量及其分布的概念，包括随机变量的定义、分布函数的构造及其性质，重点剖析了离散型随机变量的分布律、常见分布如几何、超几何、二项及泊松分布，以及连续型随机变量的密度函数、均匀分布与指数分布。还讲解了随机变量函数Y=g(X)的分布计算方法。

摘要由CSDN通过智能技术生成

文章目录

第二章随机变量及其分布

第二章随机变量及其分布

将可计算随机变量落入任意区域的概率：
$P\{X\in G \}=\begin{cases}\sum\limits_{x_k\in G}p_k\qquad 离散型 \\ \int\limits_G f(t)\;dt\qquad 连续型 \end{cases}$

2.1 随机变量及其分布函数

引入：许多试验的结果本身不是实数，考虑将样本空间投影到实数轴上

随机变量：
- 定义：对于试验样本空间 $\Omega$ 中的每一个样本点 $w$ ，规定一个实数 $X (w)$ ，定义一个定义域为 $\Omega$ 的实值函数 $\color{red}X=X(w)$ ，称 $X$ 为随机变量。
- 联系：
  - $P (A)$ 是概率， $A\in \wp$ ，值域为 $[0, 1]$
  - $X (w)$ 是随机变量， $w\in \Omega$ ，值域为 $R$ ，简写为 $r . v . X$ (random variable)
- 本质：随机函数是样本空间到实数域的映射
分布函数：
- 定义：设 $X$ 是随机变量，对任意实数 $x$ ，定义 $\color{red}F(x)=P(X\le x)\quad x\in R$ ，称 $F (x)$ 为随机变量 $X$ 的分布函数。
  $\color{red}\forall x\in R,\quad F(X)\overset{def}{=}P(X\in(-\infty,x])=P(X\le x)$
- 注意：分布函数是一个概率，刻画了随机变量 $X$ 的 统计规律性。
  
  对于任意实数 $a, b (a < b)$
  $P(a<X\le b)=F(b)-F(a)\\ P(X=a)=F(a)-\lim\limits_{x\rightarrow a^-}F(x)$
- $\color{red}Star$ 性质：设 $F (x)$ 为随机变量 $X$ 的分布函数
  
  $\color{red}\bigodot$ 1. $F (x)$ 单调不减
  $\color{red}\bigodot$ 2. $0\le F(x)\le 1$ 且 $\begin{cases}F(-\infty)=P(X\le-\infty)=\lim\limits_{x\rightarrow -\infty}F(x)=0\\F(+\infty)=P(X\le+\infty)=\lim\limits_{x\rightarrow +\infty}F(x)=1 \end{cases}$
  $\color{red}\bigodot$ 3. $F (x)$ 是 右连续(左闭右开) 的，对任意实数 $x_0$ ，有 $\color{red}F(x_0)=F(x_0+0)$
  $\color{red}\bigodot$ 4. 对任意实数 $x_0$ ，有 $F(X=x_0)=F(x_0)-F(x_0-0)$

2.2 离散型随机变量及其分布

离散型随机变量的分布函数用分布律刻画，分布律（ $n$ 个）与分布函数（ $n + 1$ 个）一一对应

2.2.1 离散型随机变量的概率分布

离散型随机变量：随机变量 $X$ 的所有可能取值和间断点的个数都是为有限个或可数无穷个。

概率分布：

定义：离散型随机变量 $X$ 的取值为 $x_1,x_2,...,x_n$ ，则称各值的概率 $\color{red}p_k=P\{X=x_k\},\quad k=1,2,...$ 为离散型随机变量 $X$ 的分布律或概率分布。

表示：

分布律

$X$	$x_1$	$x_2$	$x_3$
$P$	0.1	0.6	0.3

分布函数
$F(x)=P(X\le x)= \begin{cases}\begin{aligned}0&\quad x<x_1\\ 0.1&\quad x_1\le x<x_2\\ 0.7&\quad x_2\le x<x_3\\ 1&\quad x_3\le x\end{aligned}\end{cases}$

性质：
1. 非负性： $p_k\ge 0,k=1,2,...$
2. 和为一： $\sum\limits_{k=1}^\infty p_k=1$
3. $P\{a<X\le b\}=\sum\limits_{a<x_k\le b}p_k$
离散型随机变量的概率分布与分布函数是相互确定的：
- $F(x)=\sum\limits_{x_k\le x}p_k$
- $p_k=P(X=x_k)$ 为 $F (x)$ 在 $x_k$ 处的跃度。

2.2.2 常见离散型分布

几何分布 (Geometric)：
- 解释：可列伯努利实验( $n$ 重伯努利试验一直重复下去， $n\rightarrow \infty$ )中，**首次“成功”**的概率。
- 成功出现在第 $k$ 次： $\color{red}p_k=p(X=k)=pq^{k-1},\qquad k=1,2,...$
- 表示： $\color{blue}X\sim G(p)$
超几何分布 (Hypergeometric)：
- 解释：古典概型中，N个球的不放回摸球试验，其中有m个红球，取n个，取到红球的个数的概率。
- 取球 $k$ 次： $\color{red}p_k=p(X=k)=\dfrac{C_m^kC_{N-m}^{n-k}}{C_N^n}\qquad k=0,1,...n$
- 表示： $\color{blue}X\sim H(n,m,N)$
二项分布 (Binomial)：
- 解释： $n$ 重伯努利试验中“成功”的次数
- 成功 $k$ 次： $\color{red}p_k=p(X=k)=C_n^kp^kq^{n-k}\qquad k=0,1,...n$
- 表示： $\color{blue}X\sim B(n,p)$
  
  当 $n = 1$ 时， $B (1, p)$ 为 0-1分布，即 $X\sim\left(\begin{matrix}0&1\\q&p \end{matrix} \right)$
泊松分布 (Poisson)：
- 解释：二项分布中 $n$ 很大( $n\ge50$ )时，满足 ${\color{red}{\lambda=np}},0<p<1$ 。
- 二项分布的极限分布： $\color{red}p(X=k)=\dfrac{\lambda^k}{k!}e^{-\lambda} \qquad k=0,1,...$
  
  证明：
  $\begin{aligned} \lim\limits_{n\rightarrow\infty}P(X=k) &=\lim\limits_{n\rightarrow\infty} C_n^kp^k(1-p)^{n-k}\\ &=\lim\limits_{n\rightarrow\infty}\dfrac{1}{k!}\cdot n(n-1)...(n-k+1)\cdot\left(\dfrac{\lambda}{n} \right)^k\cdot\left(1-\dfrac{\lambda}{n} \right)^{n-k}\\ &= \lim\limits_{n\rightarrow\infty}\dfrac{\lambda^k}{k!}\cdot\dfrac{n(n-1)...(n-k+1)}{n^k}\cdot \left(1-\dfrac{\lambda}{n} \right)^n\cdot \left(1-\dfrac{\lambda}{n} \right)^{-k}\\ &= \lim\limits_{n\rightarrow\infty}\dfrac{\lambda^k}{k!}\cdot1\cdot \left(1-\dfrac{\lambda}{n} \right)^{{n\over\lambda}\cdot\lambda}\cdot 1\\ &= \dfrac{\lambda^k}{k!}e^{-\lambda} \end{aligned}$
- 表示： $\color{blue}X\sim P(\lambda)$
- $\color{White}\colorbox{Fuchsia}{例题}$ ：某网吧有 $300$ 台电脑,每台电脑的上网人因各种原因需要网管帮助的概率为 $0.01$ ，现在有两种方式配备网管：
  
  $A$ ：配备 $10$ 名网管，每人负责 $30$ 台电脑； $B$ ：配备 $8$ 名网管,共同负责 $300$ 台电脑。
  1. 证明：方式 $B$ 比方式 $A$ 效果好
    
    解：
    $设p_1,p_2分别为A,B方式下有人得不到帮助的概率.\\ \begin{aligned} &A方式下，X_1\sim B(30,0.01):\\ &\qquad p_1=1-(P(X=0)+P(X=1))^{10}=1-(C_{30}^0\cdot0.01^0\cdot0.99^{30}+C_{30}^1\cdot0.01^1\cdot0.99^{29})^{10}=0.3077\\ &B方式下，X_2\sim B(300,0.01),X_2\sim P(3):\\ &\qquad p_2=P(X_2>8)=P(X_2\ge 9)=0.0038 \end{aligned}\\ \therefore p_2<p1$
  2. 若只需要方式 $B$ 下有上网人得不到及时帮助的概率小于 $0.02$ ，则 $8$ 名网管可减少至几名？
    
    解：
    $查表得，使P(X_2>n)=P(X_2\ge n+1)<0.02时的最小的n为 n=7$

2.3 连续型随机变量及其分布

连续型随机变量的分布函数，在 $x_0$ 处左极限与右极限相等

2.3.1 连续型随机变量的概率分布

密度函数 Density Function：看作标准化后的直方图 Histogram
- 定义：对于分布函数 $F (x)$ ，若存在非负函数 $f (x)$ 使得 $\color{red}F(x)=P(X\in\left(-\infty,x\right] ) =\int_{-\infty}^xf(t)dt\quad x\in R$ ，则称 $X$ 为 连续型随机变量， $f (x)$ 为 $X$ 的 概率密度函数，记为 $X\sim f(x)$ 。
- 意义：密度函数不表示概率
  1. 密度函数表示某点附近 概率的疏密程度。
  2. 密度函数 下方面积 表示概率。
- 性质：
  1. $f(x)\ge 0,\quad x\in(-\infty,+\infty)$
  2. ${\color{red}Star:} \int_{-\infty}^{+\infty}f(x)\;dx=1$
- 结论：
  1. 区间概率：对 $\forall a<b,\quad \color{red}P(a<X\le b)=\int_a^bf(x)\;dx$
  2. 在 $f (x)$ 的连续点处，有 $\color{red}F'(x)=f(x)$ ；且 $F (x)$ 是连续函数
  3. 对 $\forall C,\quad P(X=C)=\int_C^C f(x)\;dx=0$
- 注意：对密度函数积分计算概率时，大部分是对分段函数的积分。
- $\color{White}\colorbox{Fuchsia}{例题}$ ：设 $X$ 的概率密度 $f(x)=\begin{cases}\dfrac{a}{x^3},x>1\\x,0\le x\le1 \\0,others \end{cases}$
  1. 求 $a$
    $1=\int_{-\infty}^{+\infty}f(x)\;dx=\int_0^1xdx+\int_1^{+\infty}\dfrac{a}{x^3}=\dfrac{1+a}{2}\\ \therefore a=1$
  2. 求 $F (x)$
    $\begin{aligned} &当x\le0时，F(x)=0\\ &当0< x\le1时，F(x)=\int_0^x x\;dx=\dfrac{x^2}{2}\\ &当1< x时，F(x)=0+\dfrac{1}{2}+\int_1^x \dfrac{1}{x^3}\;dx=1-\dfrac{1}{2x^2} \end{aligned}$
  3. 求 $P (X > 0.5)$ .
    $P(X>0.5)=1-F(0.5)=1-\dfrac{1}{8}=\dfrac{7}{8}$

2.3.2 常见连续型分布

均匀分布 Uniform Distribution：密度函数是常数
- 定义：密度函数 $\color{red} f(x)=\begin{cases}\begin{aligned}&\dfrac{1}{b-a},&a\le x\le b\\&0,&others \end{aligned} \end{cases}$
- 记为： $\color{blue}X\sim U(a,b)$
- 分布函数： $F(x)=\begin{cases}\begin{aligned}&0,&x<a\\&\dfrac{x-a}{b-a},&a\le x\le b\\&1,&b<x \end{aligned}\end{cases}$
指数分布 Exponential Distribution：密度函数是指数（ $\lambda>0$ ）
- 定义：密度函数 $\color{red} f(x)=\begin{cases}\begin{aligned}&\lambda e^{-\lambda x},&x>0 \\&0,&x\le 0\end{aligned} \end{cases}$
- 记为： $\color{blue}X\sim e(\lambda)$
- 分布函数： $F(x)=\begin{cases}\begin{aligned}&1-e^{-\lambda x},&x>0 \\ &0,&x\le 0\end{aligned}\end{cases}$
- 由于指数非负，指数分布常用于描述寿命
- 无记忆性： $P(X\ge s+t|X\ge s)=P(X\ge t)$ 与 $s$ 无关，只与 $t$ 有关。
$\Gamma$ 分布 Gamma Distribution：密度函数是指数（ $\lambda>0$ ）
- $\Gamma$ 函数： $\alpha>0$
  - 定义： $\color{red}\Gamma(\alpha)=\int_0^{+\infty}x^{\alpha-1}e^{-x}\;dx$
  - 性质：
    1. $\Gamma(\alpha+1)=\alpha \Gamma(\alpha),\alpha>0$
    2. $\Gamma(2)=\Gamma(1)=1,\Gamma(\dfrac{1}{2})=\sqrt{\pi}$
    3. 若 $x\in N^*$ ， $\Gamma(n)=(n-1)!$
  - $\color{White}\colorbox{Fuchsia}{例题}$ ：计算
    1. $\int_0^{+\infty}x^2e^{-3x}\;dx$
      $换元:令y=3x,原式=\dfrac{1}{9} \int_0^{+\infty}x^2e^{-y}\;\dfrac{1}{3} dy=\dfrac{1}{27}\Gamma(3)=\dfrac{2}{27}$
    2. $\int_0^{+\infty}x^{3\over2}e^{-x}\;dx$
      $原式=\Gamma(\dfrac{5}{2})=\dfrac{3}{4}\sqrt{\pi}.$
- 定义：密度函数 $\color{red} f(x)=\begin{cases}\begin{aligned}&\dfrac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}, &x>0 \\&0,&x\le 0\end{aligned} \end{cases}$
- 记为： $\color{blue}X\sim \Gamma(\alpha,\beta)$
  
  当 $\alpha=1$ 时， $\Gamma(1,\beta)$ 为 $e(\beta)$ .
- 分布函数： $F(x)=\begin{cases}\begin{aligned}&1-e^{-\lambda x},&x>0 \\ &0,&x\le 0\end{aligned}\end{cases}$

2.4 随机变量函数 Y=g(X) 的分布

离散型：若 $Y = g (X)$ ，只需要计算对应 $P (Y) = P (g (X))$ 时的概率。
连续型：
- 已知连续型 $r . v X$ 有密度函数 $f_X(x)$ ，求 $Y$ 的密度函数 $f_Y(y)$ 的一般方法：先求分布，再求密度
  
  $\color{red}\bigodot$ 1. 由 $Y = g (X)$ 确定 $Y$ 的值域 $R (Y)$ ；
  
  $\color{red}\bigodot$ 2. 对任意 $y\in R(Y)$ ，先求 $Y$ 的分布函数
  $\color{red}F_Y(y)=P(Y\le y)=P(g(X)\le y)=P(X\in G(y))=\int\limits_{G(x)\bigcap D(x)}f_X(x)\;dx$
  
  $\color{red}\bigodot$ 3. 再求密度 $f_Y(y)=\begin{cases}\begin{aligned}&\color{red}F_Y'(y),&y\in R(Y)\\ &0,&y\notin R(Y) \end{aligned}\end{cases}$
- $\color{White}\colorbox{Fuchsia}{例题}$ ：设随机变量 $X$ 的密度函数为 $f(x)=\begin{cases}\begin{aligned}&\dfrac{1}{4}|x| &-2\le x\le0\\&x,&0\le x\le1 \\&0,&others\end{aligned} \end{cases}$ ， $Y=X^2$ ，求 $Y$ 的密度函数。
  
  解：
  $\begin{aligned}&易得R(Y)=[0,4];&&对于\forall y\in[0,4], 有F_Y(y)=P(X^2\le y)=P(-\sqrt{y}\le X\le\sqrt{y}).\\ &当y\in[0,1]时, &&F_Y(y)=\int_{-\sqrt{y}}^{\sqrt{y}}f_X(x)\;dx=\int_{-\sqrt{y}}^0 \dfrac{1}{4}(-x) \;dx+\int_0^{\sqrt{y}} x\;dx=\dfrac{5}{8}y ;\\ &当y\in(1,4]时, &&F_Y(y)=\int_{-\sqrt{y}}^{\sqrt{y}}f_X(x)\;dx=\int_{-\sqrt{y}}^{\color{red}1} f_X(x) \;dx =\int_{-\sqrt{y}}^0 \dfrac{1}{4}(-x) \;dx+\int_0^1 x\;dx=\dfrac{y}{8}+\dfrac{1}{2} ;\\ &当y\in(4,+\infty)时, &&F_Y(y)= 1;\\ &当y\in(-\infty,1)时, &&F_Y(y)= 0.\\ \end{aligned}\\ 从而f_Y(x)=F_Y'(x) =\begin{cases}\dfrac{5}{8},0\le y\le1 \\ \dfrac{1}{8},1<y\le 4\\0,others \end{cases}$
- $\color{White}\colorbox{Fuchsia}{例题}$ ： $X$ 有连续且严格增加的分布函数 $F (x)$ ， $Y=-2\ln{F(X)}$ ，求 $Y$ 的密度函数 $f_Y(y)$ .
  
  解：
  $易得R(Y)=[0,+\infty);\\ \begin{aligned} 对于\forall y\in[0,+\infty), 有F_Y(y)&=P(-2\ln{F(X)}\le y)\\ &=P(F(X)\ge e^{-{y\over2}})\\ &=P(X\ge F^{-1}(e^{-{y\over2}}))\\ &=1-F(F^{-1}(e^{-{y\over2}}))\\ &=1-e^{-{y\over2}}; \end{aligned}\\ 当y\le0,显然F_Y(y)=0. \\ 从而f_Y(x)=F_Y'(x) =\begin{cases}\dfrac{1}{2}e^{-{y\over2}},y>1 \\ 0,y\le 0 \end{cases}$