随机变量及概率分布

本文主要包含四个部分的内容：一维随机变量及其概率分布、二维随机变量及其概率分布、条件分布、随机变量的相互独立性。

1. 一维随机变量

1.1 随机变量与分布函数

- 分布函数：
设X是一个随机变量，记

F(x)=P{X<x},x∈(−∞,+∞)

称 F(x) 为随机变量 X 的分布函数。

- 性质(充要条件)：

• F(x) 非降
• F(x) 取值在0-1之间
• F(x) 右连续

1.2 离散型随机变量

- 分布律/概率函数：
设X为离散型随机哦变量，其所有可能的取值为 x1,x2,... ，则

pi=P{X=xi}

称为随机变量X的分布律/概率函数。

- 分布函数：

F(x)=P{X≤x}=∑xi≤xP{X=xi}=∑xi≤xpi

- 单点分布：
分布律为 P{x=a}=1 ，称X服从单点分布，记 X∼(a1)

- 两点分布：
分布律为 P(X=a0)=1−p ， P(X=a1)=p ，或统一表示为 P{X=ai}=pi(1−p)1−i(i=0,1) ，其中 0<p<1 。

0-1分布(伯努利分布)：
当 a0=0,a1=1 时的两点分布，记 X∼B(1,p)

- 二项分布：
分布律为 P{X=i}=(ni)pi(1−p)n−i,i=0,1,2,...,n ，其中 0<p<1 ，则称X服从参数为 n,p 的二项分布，记 X∼B(n,p)

- 泊松分布：
分布律 P{X=k}=λke−λk!,k=0,1,2,... ，其中 λ>0 为常数，则称X服从参数为 λ 的泊松分布。泊松分布是二项分布的极限分布。

- 泊松定理：
随机变量X服从二项分布 B(n,pn)(n=1,2,...) ，其中 pn 与 n 有关且满足 limn→∞npn=λ>0 ，则

limn→∞(nk)pkn(1−pn)n−k=λkk!e−λ

当n很大(指 n≥ 10)且p较小(指 p≤0.1 )时，可以用泊松定理近似计算二项分布的概率。

1.3 连续型随机变量

- 概率密度：
随机变量 X 的分布函数为 F(x) ，若存在非负可积函数 f(x) ，使对于任意实数 x ，有

F(x)=∫x−∞f(t)dt

则称 X 为连续型随机变量，并称 f(x) 为 X 的概率密度。

- 性质：

• f(x) 非负
• ∫+∞−∞f(x)d(x)=1
• P{a<x≤b}=F(b)−F(a)=∫baf(x)dx ，其中 a≤b
• 若 f(x) 在 x 点处连续，则有 F′(x)=f(x)
• 连续型随机变量的分布函数 F(x) 必为连续函数
• 连续型随机变量取任意实数的概率等于零： P{X=x}=0

- 正态分布：
连续型随机变量 X 的概率密度为

f(x)=12π−−√σe−(x−μ)22σ2(−∞<x<+∞)

其中 μ,σ(σ>0) 位常数，则称 X 服从参数为 μ,σ 的正态分布，记 X∼N(μ,σ)

- 标准正态分布：
当 μ=0,σ=1 时称 X 服从标准正态分布，其概率密度、分布函数分别用 φ(x),Φ(x) 来表示。

φ(x)=12π−−√e−x22Φ(x)=∫x−∞12π−−√e−t22

命题 若 X∼N(μ,σ2)，则Z=X−μσ∼N(0,1)
可利用该命题结合 Φ 函数值表，进行任何正态分布的概率计算。

- 均匀分布

- 指数分布

2. 二维随机变量

2.1 二维随机变量与联合分布函数

- 联合分布函数：
设 (X,Y) 是二维随机变量，对任意实数 x 、 y ，二元函数

F(x,y)=P{X≤x,Y≤y}

称为二维随机变量 (X,Y) 的联合分布函数。（直观理解就是随机点落入点(x,y)的左下方的无穷矩形内的概率）

- 性质：

• F(x,y) 对每个变元是非降函数
• F(x,y) 对每个变元是右连续的
• F(−∞,y)=F(x,−∞)=F(−∞,−∞)
• Px1<X≤x2,y2<Y≤y2=F(x2,y2)−F(x2,y1)−F(x1,y2)+F(x1,y1)

给定二维随机变量 (X,Y) 的联合概率分布函数 F(x,y) ，则它的两个分量 X ， Y 的分布函数 FX(x) ， FY(y) 也随之确定，反之不成立：

• FX(x)=F(x,+∞)
• FY(y)=F(+∞,y)

FX(x),FY(y) 称为关于X、Y的边缘分布函数。

2.2 二维离散型随机变量

若二维随机变量 (X,Y) 的所有可能取的值是有限对或无穷可列对 (xi,yi)(i,j=1,2,...) ，则称 (X,Y) 是二维随机变量。

联合分布律为： P{X=xi,Y=yi}=pij(i,j=1,2,...) 。

联合分布函数为： F(x,y)=∑xi≤x∑yi≤ypij 。

边缘分布率为： pi⋅=P{X=xi}=∑∞j=1pij,p⋅j=P{Y=yj}=∑∞i=1pij(i,j=1,2,...)

2.3 二维连续型随机变量

设 F(x,y) 为二维随机变量 (X,Y) 的联合分布函数，若存在一个非负函数 f(x,y)(−∞<x<+∞,−∞<y<+∞) ，使对任意实数 x,y 都有

F(x,y)=∫y−∞∫x−∞f(u,v)dudv

则称 (X,Y) 为二维连续型随机变量，并称 f(x,y) 为 (X,Y) 的 联合概率密度，简称概率密度。

- 性质：

• f(x,y)≥0
• ∫+∞−∞∫+∞−∞f(u,v)dudv=1
• 若 f(x,y) 在点 (x,y) 处连续，则 ∂2F(x,y)∂x∂y=f(x,y)
• P{(X,Y)落在区域G中的} = ∫∫Gf(x,y)dxdy

- 边缘概率密度：

fX(x)=∫+∞−∞f(x,y)dyfY(y)=∫+∞−∞f(x,y)dx

- 二维正态分布

- 二维均匀分布

3. 条件分布

设 (X,Y) 是二维离散型随机变量，其联合分布律以及 (X,Y) 关于 X 和 Y 的边缘分布律分别由以下几个式子给出：

联合分布律：

P{X=xi,Y=yj}=pij(i,j=1,2,...)

边缘分布率：

P{X=xi}=pi⋅=∑j=1∞pij(i=1,2,...)P{Y=yj}=p⋅j=∑i=1∞pij(j=1,2,...)

对于固定的 j ，若 P{Y=yj}>0 ，则称

P{X=xi|Y=yj}=pijp⋅j(i=1,2,...)

为在 Y=yj 的条件下随机变量 X 的 条件分布率。

条件分布函数/条件概率密度：
设二维连续型随机变量 (X,Y) 的概率密度为 f(x,y),(X,Y) 关于 Y 的边缘概率密度为 fY(y) 。若对于固定的 y ， fY(y)>0 ，则定义给定 Y=y 时 X 的条件分布函数为

FX|Y(x|y)=P{X≤x|Y≤y}=∫x−∞fX|Y(u|y)du

其中 fX|Y(x|y)=f(x,y)/fY(y) 称为 Y=y 的条件下 X 的条件概率密度。

一个有用的等式：

f(x,y)=fX(x)fY|X(y|x)=fY(y)fX|Y(x|y)

4. 随机变量的相互独立性

设 (X,Y) 是二维随机变量， F(x,y) 及 FX(x),FY(y) 分别是 (X,Y) 的联合分布函数及概率分布函数，若对于任意实数 x,y 恒有

P{X≤x,Y≤y}=P{X≤x}P{Y≤y}

即：

F(x,y)=FX(x)FY(y)

则称随机变量 X 和 Y 是 相互独立的。

离散型随机变量：
对于 (X,Y) 的所有可能取值 (xi,yi)(i,j=1,2,...) 都有：

P{X=xi,Y=yi}=P{X=xi}P{Y=yi}(i,j=1,2,...)

连续型随机变量：
设 f(x,y),fX(x),fY(y) 分别是 (X,Y) 的联合概率密度及边缘概率密度，则 X 与 Y 相互独立的条件等价于：

f(x,y)=fX(x)fY(y)

几乎处处成立。