概率论与数理统计-读书笔记2

第二章 随机变量及其分布

§ 1 随机变量

定义: 设随机试验的样本空间为 S = { e } S=\{e\} S={e}. $X=X(e)$是定义在样本空间上的实值单值函数.称$X=X(e)$为随机变量

§ 2 离散型随机变量及其分布律

离散型随机变量的定义: 能取的值是有限个或者可列的无限多个的随机变量

离散型随机变量X的分布律: P { X = x k } = p k , k = 1 , 2 , ⋯ P\left\{X=x_{k}\right\}=p_{k}, k=1,2, \cdots P{X=xk​}=pk​,k=1,2,⋯

$$\begin{array}{cccccc}X& x_1& x_2& \cdots & x_n& \cdots \\ p_k& p_1& p_2& \cdots & p_n& \cdots \end{array}$$

(可直观表示随机变量X取各个值得概率的规律)

三种重要的离散型随机变量

(一) (0-1)分布

定义:随机变量X只可能取0和1两个值, 其分布律为 P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 ( 0 < p < 1 ) P\{X=k\}=p^{k}(1-p)^{1-k}, k=0,1 \quad(0<p<1) P{X=k}=pk(1−p)1−k,k=0,1(0<p<1)

$$\begin{array}{ccc}X& 0& 1\\ p_k& 1-p& p\end{array}$$

(二) 伯努利试验\二项分布

伯努利试验定义: 试验E只有两个可能的结果.

n重伯努利试验:如果将E独立重复地进行n次, 则称这一串试验为n重伯努利试验

(很重要的数学模型)

其分布律:

P { X = k } = ( n k ) p k q n − k , k = 0 , 1 , 2 , ⋯   , n P\{X=k\}=\left(\begin{array}{l} n \\ k \end{array}\right) p^{k} q^{n-k}, k=0,1,2, \cdots, n P{X=k}=(nk​)pkqn−k,k=0,1,2,⋯,n

注意到 $\left(\begin{array}{l}n\\ k\end{array}\right)p^k{q}^{n-k}$ 好是二项式 $(p+q{)}^n$展开式中出现 $p^k$ 的那一项

我们称随机变量X服从参数为n,p的二项分布,并记为$X\sim b(n,p)$

(三) 泊松分布

设随机变量 X 所有可能取的值为 0，1，2，."，而取各个值的概率为

P { X = k } = λ k e − λ k ! , k = 0 , 1 , 2 , ⋯ P\{X=k\}=\frac{\lambda^{k} \mathrm{e}^{-\lambda}}{k !}, k=0,1,2, \cdots P{X=k}=k!λke−λ​,k=0,1,2,⋯

其中 $\lambda >0$ 是常数.则称 $X$ 服从参数为$\lambda$的泊松分布 $,$记为 $X\sim \pi (\lambda )$

泊松分布和二项分布的关系:

$$\underset{n\to \infty }{\lim }\left(\begin{array}{l}n\\ k\end{array}\right)p_n^k{\left(1-p_n\right)}^{n-k}=\frac{{\lambda }^k{\mathrm{e}}^{-\lambda }}{k!}$$

§ 3 随机变量的分布函数

使用分布函数的原因: 对于非离散型随机变量X, 由于无法一一描述其取值, 所以不能用分布律来描述它.

分布函数的定义: 设 X 是一个随机变量，x 是任意实数，函数 F ( x ) = P { X ⩽ x } , − ∞ < x < ∞ F(x)=P\{X \leqslant x\},-\infty<x<\infty F(x)=P{X⩽x},−∞<x<∞

成为X的分布函数.

两个基本性质:

1. **F(x)**是一个不减函数

2. $0⩽F(x)⩽1$, 且

   $\begin{array}{rl}F(-\infty )& =\underset{x\to -\infty }{\lim }F(x)=0\\ F(\infty )& =\underset{x\to \infty }{\lim }F(x)=1\end{array}$

3. $F(x+0)=F(x),$ 即 $F(x)$ 是右连续的

§ 4 连续性随机变量及其概率密度

概率密度的定义: 如果对于随机变量 X 的分布函数$F(x)$,存在非负函数 $f(x),$ 使对于任意实数 $x$ 有
$$F(x)={\int }_{-\infty }^{x}f(t)\mathrm{d}t$$
则称 X 为连续型随机变量，其中函数 $f(x)$ 称为 $X$ 的概率密度函数, 简称概率密度

概率密度的四大性质:

1. $f(x)⩾0$
2. ${\int }_{-\infty }^{\infty }f(x)\mathrm{d}x=1$
3. 对于任意实数 $x_1,x_2\left(x_1\le x_2\right)$, P { x 1 < X ⩽ x 2 } = F ( x 2 ) − F ( x 1 ) = ∫ − ∞ x 2 f ( x ) d x P\left\{x_{1}<X \leqslant x_{2}\right\}=F\left(x_{2}\right)-F\left(x_{1}\right)=\int_{-\infty}^{x_{2}} f(x) \mathrm{d} x P{x1​<X⩽x2​}=F(x2​)−F(x1​)=∫−∞x2​​f(x)dx
4. $f(x)$ 在点 $x$ 处连续,则有 $F^{\prime }(x)=f(x)$

三种重要的连续型随机变量

(一) 均匀分布

均匀分布的定义: 若连续型随机变量 X 具有概率密度

$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a<x<b\\ 0,& \text{ 其他 }\end{array}$

则称 X 在区间 (a,b)上服从均匀分布.记为 $X\sim U(a,b)$

(二) 指数分布

指数分布的定义: 若连续型随机变量 X 的概率密度为
$$f(x)=\{\begin{array}{ll}\frac{1}{\theta }{\mathrm{e}}^{-x/\theta },& x>0\\ 0,& \text{ 其他 }\end{array}$$
其中 $\theta >0$ 为常数，则称 X 服从参数为 $\theta$ 的指数分布

(三) 正态分布

若连续型随机变量 X 的概率密度为

$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{\mathrm{e}}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<\infty$$

其中 $\mu ,\sigma (\sigma >0)$ 为常数，则称 $X$ 服从参数为 $\mu ,\sigma$ 的正 态分布或 高斯 (Gauss) 分 布，记为 $X\sim N\left(\mu ,{\sigma }^2\right)$

特别,当 $\mu =0,\sigma =1$ 时称随机变量 $X$ 服从标准正态分布

正态分布的两个性质:

1. 曲线关于 $x=\mu$ 对称 $.$ 这表明对于任意 $h>0$ 有
   P { μ − h < X ⩽ μ } = P { μ < X ⩽ μ + h } P\{\mu-h<X \leqslant \mu\}=P\{\mu<X \leqslant \mu+h\} P{μ−h<X⩽μ}=P{μ<X⩽μ+h}

2. 当 $x=\mu$ 时取到敬大值

$$f(\mu )=\frac{1}{\sqrt{2\pi }\sigma }$$

§ 5 随机变量的函数的分布

定理: 设随机变量 X 具.有概率密度 $f_x(x),-\infty <x<\infty ,$ 又设函数 $g(x)$处处可导且恒有 $g^{\prime }(x)>0$ (或桓有 $g^{\prime }(x)<0$ ),则 $Y=g(X)$ 是连续型随机变量, 其概率密度为
$$f_Y(y)=\{\begin{array}{ll}{f}_X[h(y)]\left|h^{\prime }(y)\right|,& \alpha <y<\beta \\ 0,& \text{ 其他 }\end{array}$$
其中 α = min ⁡ { g ( − ∞ ) , g ( ∞ ) } , β = max ⁡ { g ( − ∞ ) , g ( ∞ ) } , h ( y ) \alpha=\min \{g(-\infty), g(\infty)\}, \beta=\max \{g(-\infty), g(\infty)\}, h(y) α=min{g(−∞),g(∞)},β=max{g(−∞),g(∞)},h(y) 是 $g(x)$ 的反函数。