设S是某随机试验的样本空间,如果对于每个e∈S,都有一个实数X(e)与其对应,则称X=X(e)为随机变量
注:随机变量用大写字母X,Y,Z表示
[eg]检验商品,抽取到的次品数
[eg]电视机寿命
X | x1 | x2 | … | xn | … |
---|---|---|---|---|---|
P | p1 | p2 | … | pn | … |
注:
( 1 ) p i ≥ 0 ( 2 ) ∑ i p i = 1 (1)p_i≥0\\ (2)\sum_ip_i=1 (1)pi≥0(2)i∑pi=1
X | 0 | 1 |
---|---|---|
P | 1-p | p |
注:记为
X ∼ ( 0 − 1 ) , 或 X ∼ B ( 1 , p ) X\sim(0-1),或X\sim B(1,p) X∼(0−1),或X∼B(1,p)
若随机变量X有分布列: P{ X=k}=Cnkpkqn−k,0<p<1,q=1−p,k=0,1,...,n
P { X = k } = C n k p k q n − k , 0 < p < 1 , q = 1 − p , k = 0 , 1 , . . . , n P\left\{X=k \right\}=C_n^kp^kq^{n-k},\qquad0
称X服从参数为n,p的二项分布,X~B(n,p)
在重复独立试验中,事件A发生的概率为p,设X为直到A发生为止所进行的试验次数,则X的分布列为
P { X = k } = q k − 1 p , k = 1 , 2 , . . . P\left\{X=k\right\}=q^{k-1}p,\qquad k=1,2,... P{ X=k}=qk−1p,k=1,2,...
则称X服从参数为p的几何分布,X~G§
若随机变量X的分布列为
P { X = k } = λ k k ! e − λ , k = 0 , 1... P\left\{X=k\right\}=\frac{\lambda^k}{k!}e^{-\lambda},\qquad k=0,1... P{ X=k}=k!λke−λ,k=0,1...
则称X服从参数为λ的泊松分布,X~P(λ)
设X是一个随机变量,x是任意实数,称函数
F ( x ) = P { X ≤ x } F(x)=P\left\{X≤x\right\} F(x)=P{ X≤x}
为X的分布函数
P { x 1 < X ≤ x 2 } = P { X ≤ x 2 } − P { X ≤ x 1 } = F ( x 2 ) − F ( x 1 ) P\left\{x_1
0 ≤ F ( x ) ≤ 1 , − ∞ < x < ∞ 0\leq F(x)\leq1,-\infty
若 x 1 < x 2 , 则 F ( x 1 ) ≤ F ( x 2 ) , 即 F ( x ) 是 单 调 非 减 的 若x_1
F ( − ∞ ) = 0 , F ( + ∞ ) = 1 F(-\infty)=0,\quad F(+\infty)=1 F(−∞)=0,F(+∞)=1
F ( x ) 右 连 续 , 即 F ( x + 0 ) = F ( x ) F(x)右连续,即F(x+0)=F(x) F(x)右连续,即F(x+0)=F(x)
设离散型随机变量X的分布列为:
P ( X = x k ) = p k , k = 1 , 2 , . . . P(X=x_k)=p_k,\quad k=1,2,... P(X=xk)=pk,k=1,2,...
则X的分布函数为
F ( X ) = P ( X ≤ x ) = ∑ x k ≤ x P ( X = x k ) F(X)=P(X\leq x)=\sum_{x_k\leq x}P(X=x_k) F(X)=P(X≤x)=xk≤x∑P(X=xk)
设F(X)是随机变量X的分布函数,如果存在非负函数f(x),
F ( x ) = ∫ − ∞ x f ( t ) d t , F(x)=\int^x_{-\infty}f(t)dt, F(x)=∫−∞xf(t)dt,
称X为连续型随机变量,f(x)为X的概率密度函数
注:
( 1 ) f ( x ) ≥ 0 ( 2 ) ∫ − ∞ + ∞ f ( x ) d x = 1 (1)f(x)\geq0 \qquad (2)\int^{+\infty}_{-\infty}f(x)dx=1 (1)f(x)≥0(2)∫−∞+∞f(x)dx=1
注:
令 x 1 → x 2 , 得 到 P { X = x 2 } = 0 令x_1\rightarrow x_2,得到P\left\{X=x_2\right\}=0 令x1→x2,得到P{ X=x2}=0
(一点处概率为0,概率为0的不一定是不可能事件,不可能事件概率一定为0)
若连续型随机变量X具有概率密度
f ( x ) = { 1 b − a , a ≤ x ≤ b , 0 , o t h e r w i s e f(x)=\left\{\begin{matrix}\frac{1}{b-a},\quad a\leq x\leq b , \\ 0,\qquad otherwise \end{matrix}\right. f(x)={ b−a1,a≤x≤b,0,otherwise
则称X在区间[a,b]上服从均匀分布,X~U[a,b]
若连续型随机变量X具有概率密度
f ( x ) = { 0 , x ≤ 0 β e − β x , x > 0 f(x)=\left\{\begin{matrix}0,\qquad \qquad x\leq0\\ \beta e^{-\beta x},\qquad x>0 \end{matrix}\right. f(x)={ 0,x≤0βe−βx,x>0
称X服从参数为β的指数分布,X~E(β)
若连续型随机变量X具有概率密度
f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , σ > 0 , − ∞ < x < ∞ f(x)=\frac {1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-μ)^2}{2\sigma^2}} ,\quad\sigma>0,\quad -\infty
称X服从参数为μ,σ2的正态分布,X~N(μ,σ2)
(Normal distribution)
F ( x ) = ∫ − ∞ x f ( t ) d t = 1 2 π σ ∫ − ∞ x e − ( x − μ ) 2 2 σ 2 d t F(x)=\int_{-\infty}^xf(t)dt=\frac{1}{\sqrt{2\pi}\sigma}\int^x_{-\infty}e^{-\frac{(x-μ)^2}{2\sigma^2}}dt F(x)=∫−∞xf(t)dt=2πσ1∫−∞xe−2σ2(x−μ)2dt
(Ⅰ)概率密度f(x)关于x=μ对称,当x=μ时,f(x)取得最大值
f ( μ ) = 1 2 π σ f(μ)=\frac {1}{\sqrt{2\pi}\sigma} f(μ)=2πσ1
正态分布函数F(x)关于(μ,0.5)对称
(Ⅱ)固定σ,改变μ:图像沿Ox轴平移,形状不变
固定μ,改变σ:σ变大时,p(μ)变小,曲线平缓;σ变小时,p(μ)变大,曲线陡峭
当μ=0,σ2=1时,称X服从标准正态分布:X~N(0,1)
概率密度函数:
φ ( x ) = 1 2 π e − x 2 2 \varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}} φ(x)=2π1e−2x2
分布函数:
Φ ( x ) = 1 2 π ∫ − ∞ x e − x 2 2 d t \Phi(x)=\frac{1}{\sqrt{2\pi}}\int ^x_{-\infty}e^{-\frac{x^2}{2}}dt Φ(x)=2π1∫−∞xe−2x2dt
**注:**φ(x)是偶函数,由对称性:
φ ( − x ) = φ ( x ) , Φ ( − x ) = 1 − Φ ( x ) \varphi(-x)=\varphi(x),\qquad \Phi(-x)=1-\Phi(x) φ(−x)=φ(x),Φ(−x)=1−Φ(x)
若X~N(μ,σ2),则分布函数
F ( x ) = Φ ( x − μ σ ) F(x)=\Phi(\frac{x-\mu}{\sigma}) F(x)=Φ(σx−μ)
P { x 1 < X ≤ x 2 } = F ( x 2 ) − F ( x 1 ) = Φ ( x 2 − μ σ ) − Φ ( x 1 − μ σ ) P\left\{x_1
(已知X的分布,求函数Y=f(X)的分布)
对于一个随机变量X,如果函数Y=f(X)随X的变化而变化,则称Y为X的函数
设离散型随机变量X的分布列为
X | x1 | x2 | … | xn | … |
---|---|---|---|---|---|
P | p1 | p2 | … | pn | … |
则Y=g(X)也是离散型随机变量,分布列为:
Y | g(x1) | g(x2) | … | g(xn) | … |
---|---|---|---|---|---|
P | p1 | p2 | … | pn | … |
如果有相同的g(xi),则把相同的值分别合并,并根据概率的可加性把对应的概率相加即可
设连续型随机变量X的概率密度为fX(x),若y=g(x)严格单调,反函数x=h(y)有连续导数,则Y=g(X)也是连续型随机变量,概率密度
f Y ( y ) = f X ( h ( y ) ) ⋅ ∣ h ′ ( y ) ∣ f_Y(y)=f_X(h(y))\cdot|h'(y)| fY(y)=fX(h(y))⋅∣h′(y)∣
设连续型随机变量X的概率密度为fX(x),若y=g(x)是分段单调的连续函数,在互不重叠的区间I1,I2,…上对应的反函数h1(y),h2(y),…有连续导数,则Y=g(X)也是连续型随机变量,概率密度
f Y ( y ) = ∑ i f X ( h i ( y ) ) ⋅ ∣ h ′ ( y ) ∣ f_Y(y)=\sum_if_X(h_i(y))\cdot|h'(y)| fY(y)=i∑fX(hi(y))⋅∣h′(y)∣