概率论笔记（2）

笔记大部分内容来自于书《概率论与数理统计》，侵删

第二章随机变量

2.1随机变量及其分布函数

随机变量：对样本空间 $\Omega$ 的每一个元素 $e$ ，有一个实数 $X(e)$ 与之对应，这样定义在 $\Omega$ 上的实值单值函数 $X=X(e)$ 就称为随机变量

样本空间->实数轴上的值/范围，P(实数轴上的值/范围)->概率

$X$ 的分布函数： $X$ 是随机变量， $x$ 是任意实数，函数 $F(x)=P\left\{ X\leq x\right\}$ 称为X的分布函数
对任意实数 $x_{1},x_{2}(x_{1}<x_{2})$ ，有 $P\left \{ x_{1}< X\leq x_{2} \right \}= P\left \{ X\leq x_{2} \right \}-P\left \{ X\leq x_{1} \right \}=F(x_{2})-F(x_{1})$
分布函数具有的基本性质：

$F(x)$ 为单调不递减函数
$0\leq F(x)\leq 1$ ，且
$\lim_{x->+\infty }F(x)=1$ ，常记为 $F(+\infty )=1$
$\lim_{x->-\infty }F(x)=0$ ，常记为 $F(-\infty )=0$
$F(x+0)=F(x)$ ，即 $F(x)$ 为右连续

2.2离散型随机变量及其分布

离散型随机变量：随机变量的取值为有限个或可数无穷多个
离散型随机变量 $X$ 的概率分布（分布律）： $P\left\{ X=x_{k}\right\} =p_{k}, k=1,2,...$
任一离散型随机变量的分布律 $\left\{ p_{k}\right\}$ 两个基本性质

非负性（ $p_{k}\geq 0, k=1,2,...$ ）
归一性（ $\sum_{k=1}^{\infty} p_{k}=1$ ）

反过来，具有上述两个性质的数列 $\left\{ p_{k}\right\}$ ，一定可以作为某一个离散型随机变量的分布律

两点分布：
若随机变量 $X$ 只可能取 $x_{1}$ 与 $x_{2}$ 两值，它的分布律为
$P\left \{X=x_{1}\right \}=1-p, 0<p<1$
$P\left \{X=x_{2}\right \}=p$
则称 $X$ 服从参数为 $p$ 的两点分布
$X\sim (0-1)$ 分布，当 $x_{1}=0,x_{2}=1$ 时，两点分布也叫做(0-1)分布

二项分布：
若随机变量 $X$ 的分布律为 $P\left \{ X=k\right \} =C_{n}^{k} p^{k}(1-p)^{n-k}, k=0,1,...,n$
则称 $X$ 服从参数为 $n,p$ 的二项分布，记作 $X\sim b(n,p)$
二项分布可以作为描述 $n$ 重伯努利试验中事件A出现次数的数学模型
(0-1)分布是二项分布在 $n=1$ 时的特殊情形，故也可写成 $P\left \{X=k\right \}=p^{k}q^{1-k},k=1,2;q=1-p$
定理：
设 $\xi \sim B(n,p)$ ，则当 $k=ent((n+1)p)$ 时（ent是下取整）， $b(k;n,p)$ 的值最大，若 $(n+1)p$ 为整数，则 $b(k;n,p)=b(k-1;n,p)$ 同为最大值
（可以用二项分布的后一项比前一项，分析比值来证明）

泊松定理：
设 $np_{n}=\lambda$ （ $\lambda >0$ 是一常数, $n$ 是任意正整数），则对任意一固定的非负整数 $k$ ，有
$\lim_{n\rightarrow \infty}C_{n}^{k}p_{n}^{k}\left ( 1-P_{n} \right )^{n-k}= \frac{\lambda ^{k}e^{-\lambda }}{k!}$
此定理表明当 $n$ 很大 $p$ 很小时，有以下近似公式 $C_{n}^{k}p^{k}\left ( 1-P \right )^{n-k}\approx \frac{\lambda ^{k}e^{-\lambda }}{k!}$ ，其中 $\lambda =np$
二项分布的泊松公式常用于研究稀有事件

泊松分布：
若随机变量 $X$ 的分布律为
$P\left \{ X=k\right \} = \frac{ \lambda ^{k}e^{-\lambda} }{k!},k=0,1,2,...$
其中 $\lambda > 0$ 是常数，则称 $X$ 服从参数为 $\lambda$ 的泊松分布，记为 $X \sim P(\lambda )$
泊松分布可以作为描述大量试验中稀有事件出现的次数的概率分布情况的一个数学模型
$F(x)=P\left \{ X \leq x \right \} = \sum_{x_{k}\leq x}P\left \{ X = x_{k} \right \} = \sum_{x_{k} \leq x}p_{k}$

2.3连续型随机变量及其分布

讨论连续型随机变量在某点的概率是毫无意义的（总是0）
因此计算连续型随机变量的区间概率时不必考虑区间端点的情况
事件 $\left \{ X = a\right \}$ 是“零概率事件”但不是“不可能事件”

连续型随机变量及其概率密度函数（概率密度/密度函数）：
若对随机变量 $X$ 的分布函数 $F(x)$ ，存在非负函数 $f(x)$ ，使对于任意实数 $x$ ，有
$F(x)=\int_{-\infty }^{\infty }f(t)dt$
则称 $X$ 为连续型随机变量， $f(x)$ 称为 $X$ 的概率密度函数

概率密度函数的性质：

$f(x)\geq 0$
$\int_{-\infty }^{\infty}f(x)dx=1$
$P\left \{ x_{1} < X \leq x_{2}\right \} = F(x_{2})-F(x_{1}) = \int_{x_{1}}^{x_{2}}f(x)dx$
若 $f(x)$ 在 $x$ 点连续，则有 $F'(x)=f(x)$

反过来，任一满足以上1、2两个性质的函数 $f(x)$ ，一定可以作为某个连续型随机变量的密度函数

3种常见的连续型随机变量：均匀分布、指数分布、正态分布

均匀分布
若连续型随机变量 $X$ 具有概率密度
$f(x)=\left\{\begin{matrix}\frac{1}{b-a}, & a<x<b\\ 0, & 其它\end{matrix}\right.$
则称 $X$ 在区间 $(a,b)$ 上服从均匀分布，记作 $X\sim U(a,b)$
其分布函数为
$F(x)=\left\{\begin{matrix}0, & x<a\\ \frac{x-a}{b-a}, & a\leq x< b\\ 1, & x\geq b\end{matrix}\right.$
指数分布
若随机变量 $X$ 的密度函数为
$f(x)=\left\{\begin{matrix}\lambda e^{-\lambda x}, &X>0 \\ 0, &x\leq 0 \end{matrix}\right.$
其中 $\lambda >0$ 为常数，则称 $X$ 服从参数为 $\lambda$ 的指数分布，记作 $X\sim E(\lambda ).$
对应的分布函数为
$F(x)=\left\{\begin{matrix}1-e^{-\lambda x}, &x>0, \\ 0, &x\leq 0. \end{matrix}\right.$
指数分布常见于寿命分布，因为其具有无记忆性
对任意 $s,t>0$ 有
$P\left \{ X> s+t | X>s\right \}=P\left \{ X>t \right \}.$
正态分布
若连续型随机变量 $X$ 的密度函数为
$f(x)=\frac{1}{\sqrt{2\pi }\sigma }e^{-\frac{(x-e)^{2}}{2\sigma ^{2}}},-\infty < x<+\infty$
其中 $\mu ,\sigma (\sigma >0)$ 为常数，则称 $X$ 服从参数为 $\mu ,\sigma$ 的正太分布，记为 $X\sim N(\mu ,\sigma ^{2})$
关于 $\int_{-\infty}^{+\infty}f(x)dx=1$ 证略
（令 $I=\int_{-\infty}^{+\infty}e^{-\frac{t^{2}}{2}}dt$ ，极坐标积分变换算出 $I^{2}=2\pi$ ， $\int_{-\infty}^{+\infty}f(x)dx=\frac{1}{\sqrt{2\pi }}I=1$ ）
实际问题中大量的随机变量服从或近似服从正态分布
正太分布的性质：

曲线关于 $x=\mu$ 对称
曲线在 $x=\mu$ 处取最大值，离 $\mu$ 越远 $f(x)$ 值越小
曲线在 $\mu\pm \sigma$ 出有拐点
曲线以 $x$ 轴为渐进线
$\sigma$ 为精度参数， $\mu$ 为位置参数。固定 $\mu$ ， $\sigma$ 越小图形越尖陡；固定 $\sigma$ ， $\mu$ 变化则沿x轴平移。

当 $\mu =0,\sigma =1$ 时，称 $X$ 服从标准正太分布 $N(0,1)$ ，其密度函数表示为 $\varphi (x)$ ，分布函数表示为 $\Phi (x)$
（ $\Phi (-x) = 1-\Phi (x)$ ）
若 $X\sim N(\mu ,\sigma ^{2})$ ，则有 $\frac {X-\mu }{\sigma}\sim N(0,1)$ （证略）
待续。。

最后编辑于：2021.03.24 21:58:00

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 219,753评论 6赞 508
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 93,668评论 3赞 396
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 166,090评论 0赞 356
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 59,010评论 1赞 295
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 68,054评论 6赞 395
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 51,806评论 1赞 308
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 40,484评论 3赞 420
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 39,380评论 0赞 276
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 45,873评论 1赞 319
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 38,021评论 3赞 338
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 40,158评论 1赞 352
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,838评论 5赞 346
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 41,499评论 3赞 331
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 32,044评论 0赞 22
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 33,159评论 1赞 272
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 48,449评论 3赞 374
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 45,136评论 2赞 356

概率论笔记（2）

第二章随机变量

2.1随机变量及其分布函数

2.2离散型随机变量及其分布

2.3连续型随机变量及其分布

推荐阅读更多精彩内容