x2一x1
P(x^X园x2)-21。
b—a
指数分布
X”0,
f(x)=q0
10,XfO,
其中卜0,则称随机变量X服从参数为凰的指数分布。
X的分布函数为
「一斟Jo
F(x)冷'
0
1u,x<0。
记住积分公式:
*xne」dx=n!
0
正态分布
设随机变量X的密度函数为
彳Z2
f(x)=—e衍,Xgg,
寸2ttct
其中冒、岂〉0为常数,则称随机变量X服从参数为冒、
2
的正态分布或咼斯(Gauss)分布,记为X~N(‘,°)。
f(X)具有如下性质:
1°f(x)的图形是关于对称的;
2°当X=A时,f雇)为最大值;
若x~w乂,则x2的分布函数为
F(X)=*^诂dt
参数’0、。
-1时的正态分布称为标准正态分布,记为
X~N(0,1)G其密度函数记为
■(X)十e2
寸2竈,x
分布函数为
1X上
①(x)-一Me2dt。
(x)是不可求积函数,其函数值,已编制成表可供查用。
①(-x)=1-①(x)且①(0)=丄。
如果X~N^CT2),则N(0,1)。
P(X10x||x2)=①!
2-唱—①卜-。
(6)分位数
下分位表:
P(X^^)=国;上分位表:
P(X〉勵屉。
(7)函数分布
离散型
已知X的分布列为
X,X2,凰xn,园
P1,P,凰pn,
丫二g(X)的分布列(yi=g(xj互不相等)如下:
p(Y=yi)?
若有某些g(xf相等,^^则应将对应的?
pj相加作为g(xi)的概率。
连续型
先利用X的概率密度fx(x)写出Y的分布函数FY(y)=P(g(X)<
y),再利用变上下限积分的求导公式求出fY(y)。
第三章二维随机变量及其分布
(1)联合离散型分布
如果二维随机向量■(X,Y)的所有可能取值为至多可列个有序对(x,y),则称R为离散型随机量。
设.=(X,Y)的所有可能取值为(x「yj)(i,j=12上),
且事件{=(Xi,yj)}的概率为pj,,称
P{(X,Y)=(x「yj)}二pj,j=1,2」)
为=(X,Y)的分布律或称为X和Y的联合分布律。
联合分
布有时也用下面的概率分布表来表示:
\^Y
X^\
y1
y2
yj
X1
pn
卩12
p1j
X2
p21
P22
P2
M
A-I
M
Xi
pi1
Pij
M
A-l
M
A!
M
这里pj具有下面两个性质:
连续型
对于二维随机向量0=(X,Y),如果存在非负函数
f(x,y)^^S,使对任意一个其邻边
分别平行于坐标轴的矩形区域D,即D-{(X,Y)|a有
P{(X,Y)eD}=|f(x,y)dxdy,
D
则称R为连续型随机向量;并称f(x,y)为呂=(X,Y)的分布
密度或称为X和Y的联合分布密度。
分布密度f(x,y)具有下面两个性质:
(1)f(x,y)>O;
(2)金屢Hf(x,y)dxdy=1.
(2)二维
随机变量
普(X=x,Y=
y)屮(X=xIY=y)
的本质
(3)联合
设(X,Y)为二维随机变量,对于任意实数x,y,二元函数
分布函数
F(x,y)=P{X冒x,Y0y}
称为二维随机向量(X,Y)的分布函数,或称为随机变量X和Y的联合分布函数。
分布函
数是一个以全平面为其定义域,以事件
{(昌凰)I團膚x,丫凰)Ey}的概率为函数值的一个实值函
数。
分布函数
F(x,y)具有以下的基本性质:
(1)O^F(x,y)』;
(2)F(x,y)
分别对x和y是非减的,即
当X2>X1时,有
F(X2,y)>F(X1,y);当护屮时,有F(x,y2)>F(x,y1);
(3)F(x,y)
分别对x和y是右连续的,即
F(x,y)=F(x”O,y),F(x,y)=F(x,y』O);
(4)F^9
S=fy)=f(xB9=o,f=1.
(5)对于x1
F(X2,y2)-
FMyj—F(X1,y2).F(X1,yJ^O.
(4)离散
=y)圖P(x凰X凰x丹dx,圍yRdy)屠f(x,y)dxdy
型与连续
P(X=x,Y
型的关系
(5)边缘分布
离散型
X的边缘分布为
R?
=P(X=Xi)*卩皿日瘪;
j
Y的边缘分布为
P?
j=P(Y=yj)李Pj(i,j=1,2H)。
i
连续型
X的边缘分布密度为
fx(x)(X,y)dy;
Y的边缘分布密度为
fY(y)(x,y)dx.
(6)条件分布
离散型
在已知X=x的条件下,Y取值的条件分布为
Pij
P(Y=yj|X=xj=丄;
Pi?
在已知Y=y的条件下,X取值的条件分布为
Pij
P(X二人|丫二yj)=」,
P?
j
连续型
在已知Y=y的条件下,X的条件分布密度为
「1、f(x,y)
f(X1y)—「、;
fY(y)
在已知X=x的条件下,Y的条件分布密度为
f(y|x)严
fx(X)
(7)独立性
一般型
F(X,Y)=Fx(x)FY(y)
离散型
Pj二Pi?
P?
j
有零不独立
连续型
f(x,y)=fx(x)f丫(y)
直接判断,充要条件:
1可分离变量
2正概率密度区间为矩形
二维正态分布
f(xy)1「(區卜歯曲
f(x,y):
7e,
p=o
随机变量的
函数
若Xi,X2,…XmXm+i,…X相互独立,h,g为连续函数,则:
h(Xi,X2,…Xm)和g(Xm+1,…Xn)相互独立。
特例:
若X与Y独立,则:
h(X)和g(Y)独立。
例如:
若X与Y独立,则:
3X+1和5Y-2独立。
(9)二维正态分布
设随机向量(X,Y的分布密度函数为
12喝|團丄
f(xy)_1。
比耐肓丿_—
其中P』<TiaO,6》°,申怎1是5个参数,则称(X,Y服从二维正态分
布,
记为(X,Y)〜N(P凰時迂卜
由边缘密度的计算公式,可以推出二维正态分布的两个边缘分布仍为正态分
布,
即X〜N層,包2),丫~N*2.).
但是若X〜N(片E;),Y~N(P2@;),(X,Y)未必是二维正态分布。
(10)函数
分布
Z=X+Y
根据定义计算:
FZ(z)=P(zRz)=P(X卜歆)
对于连续型,fz(z)=凰f(x,z-x)dx
两个独立的正态分布的和仍为正态分布(P刚HRct;)。
n个相互独立的正态分布的线性组合,仍服从正态分布。
H=Hc||,宀Rci2—2
ii
Z=max,min(
X1,X2,…Xn)
若X1,xQXn相互独立,其分布函数分别为Fx1(x),Fx2(x^|Fxn(x),则Z=max,min(X1,X2,…Xn)的分布函数为:
Fmax(X)=Fx1(X)?
Fx2(X)PFxn(x)
Fmin(X)=1-[1-Fx1(x)]?
[1-Fx2(X)]|j1-Fxn(x)]
2分布
设n个随机变量Xi,X2,上,Xn相互独立,且服从标准正态分
布,可以证明它们的平方和
我们称随机变量W服从自由度为n的2分布,记为Wf-2(n),
其中
所谓自由度是指独立正态随机变量的个数,它是随机变量分布中的一个重要参数。
2分布满足可加性:
设
丫-2(nJ,
则
k
Z八Y~2(njn2上nk)•
i吕
t分布
设X,Y是两个相互独立的随机变量,且
X~N(0,1),Y~2(n),
可以证明函数
X
、Y/n
的概率密度为
我们称随机变量T服从自由度为n的t分布,记为T〜t(n)
ti_:
.(n)--r.(n)
第四章随机变量的数字特征
(1)
离散型
连续型
一维
期望
设X是离散型随机变量,其分布1
设X是连续型随机变量,其概率密
随机
期望就是平均值
度为f(x),
律为P(X=Xk)=pk,
变量
的数
k=1,2,…,n,
E(X)=0xf(x)dx
字特
n
征
E(X)暑XkPk
(要求绝对收敛)
k吕
(要求绝对收敛)
函数的期望
Y=g(X)
Y=g(X)
n
E(Y)=Wg(Xk)Pk
E(Y)=0g(x)f(x)dx
k=1
-X
方差
2
D(X)=E[X-E(X)],
D(X)*[Xk—E(X)]2pk
D(X)』[x-E(X)]2f(x)dx
标准差
k
矩
①对于正整数k,称随机变量X
①对于正整数
k,称随机变量X的
的k次幕的数学期望为X的k
k次幕的数学期望为X的k阶原点
阶原点矩,记为Vk,即
矩,记为Vk,
即
Vk=E(Xk)^HXikPi,
i
vk=E(Xk)=mjxkf(x)dx,
k=1,2,…
k=1,2,…
②对于正整数k,称随机变量X
②对于正整数
k,称随机变量X与
与E(X)差的k次幕的数学期
E(X)差的k次幕的数学期望为X
望为X的k阶中心矩,记为四,
的k阶中心矩,记为©k,即
即
E=E(X-
-E(X))k
k
■二E(X—E(X))
=』(人-E(X))kpi,
i
=Jjx—E(X))f(x)dx,
k=1,2,…
k=1,2,…
切比雪夫不等式
设随机变量X具有数学期望E(X)=□,方差
D(X)=/,则对于
任意正数&,有下列切比雪夫不等式
2
P(|x—H樹膚笃
切比雪夫不等式给出了在未知X的分布的情况下,对概率
P(|x
rtytftxr,、-/•、一r*Li~t、人r,,—.—m—-•、、「,\
-層)
的一种估计,它在理论上有里要意乂。
(2)
(1)
E(C)=C
期
望
(2)
E(CX)=CE(X)
的
性
nn
质
(3)
E(X+Y)=E(X)+E(Y)
E(送GXi)电CiE(Xi)
i=1i=1
(4)
E(XY)=E(X)E(Y),
充分条件:
X和Y独立;充要条件:
X和Y不相关。
(3)
(1)
D(C)=0;E(C)=C
方
差
(2)
2
D(aX)=aD(X);E(aX)=aE(X)
的
性
(3)
2
D(aX+b)=aD(X);
E(aX+b)=aE(X)+b
质
(4)
22
D(X)=E(X)-E(X)
(5)
D(X±Y)=D(X)+D(Y),充分条件:
X和Y独立;
充要条件:
X和Y不相关。
D(X
:
±Y)=D(X)+D(Y)±2E[(X-E(X))(Y-E(Y))],无条件成立。
而E(X+Y)=E(X)+E(Y),无条件成立。
(4)
期望
方差
常分
见
布
0-1
分布B(1,p)
P
P(1-P)
的期望和
二项分布B(n,p)
np
nP(1-p)
方差
泊松分布pH)
几何分布G(p)
1
1-P
2
P
p
超几何分布H(n,M,N)
nM
nM1m[Hn—nlj^B
N
N
均匀分布U(a,b)
aRb
(b-a)2
2
12
指数分布e©
1
1
-2
/.
正态分布N霽2)
M
分布
n
2n
t分布
0
n,c、
(n>2)
n-2
(5)
期望
n
二维
E(X)^XiPi?
E(X)二^xfx(x)dx
随机
i=1
变量
n
的数
E(Y)羽yjP?
j
E(Y)=JyfY(y)dy
字特
j壬
二
征
函数的期望
E[G(X,Y)]=
E[G(X,Y)]=
送送G(Xi,yj)Pij
ij
^■fG(x,y)f(x,y)dxdy
方差
D(X)冒[人—E(X)]2pi?
D(X)二J[x—E(X)]2fx(x)dx
i
二
D(Y)韦[Xj-E(Y)]2p?
j
j
D(丫)=[|y-E(Y)]2fY(y)dy
协方差
对于随机变量X与Y,称它们的二阶混合中心矩昌1为X与Y的协方
差或相关矩,记为・XY
或cov(X,Y),即
Rxy=E[(X-E(X))(Y-E(Y))].
与记号dxy相对应,X与Y的方差D(X)与D(Y)也可分别记为xx
与JCyy。
相关系数
对于随机变量X与丫,如果D(X)>0,D(Y)>0,则称
口XY
Jd(x)Jd(y)
为X与Y的相关系数,记作[丫(有时可简记为层)。
I©Iw1,当1圉=1
时,称X与Y完全相关:
P(X=aY0b)=1
完全相关丿
'正相关,当}=1时(a》0),涣相关,当卜-1时(a]o).
而当层=0时,称X与Y不相关。
以下五个命题是等价的:
①PXY=0;
2cov(X,Y)=0;
3E(XY)=E(X)E(Y);
4D(X+Y)=D(X)+D(Y);
5D(X-Y)=D(X)+D(Y).
协方差矩阵
■PyxaYY^^^l
混合矩
对于随机变量X与Y,
如果有E(XkYl)存在,则称之为X与Y的
k+l阶混合原点矩,记为
Bi;k+l阶混合中心矩记为:
kl
Ukl=E[(X-E(X))(Y-E(Y))].
(6)
(i)
cov(X,Y)=cov(Y,X);
协方
(ii)
cov(aX,bY)=abcov(X,Y);
差的
(iii)
cov(X1+X2,Y)=cov(X
1,Y)+cov(X2,Y);
性质
(iv)
cov(X,Y)=E(XY)-E(X)E(Y).
若随机变量X与Y相互独立,则:
\Y=0;反之不真。
若(X,Y)〜N(・打宀W"),
则X与Y相互独立的充要条件是X和Y不相关。
第五章大数定律和中心极限定理
特殊情形:
若X,X2,…具有相同的数学期望E(X)=卩,则上式成为
伯努利大数定律
设卩是n次独立试验中事件A发生的次数,p是事件A在每次试验中发生的概率,则对于任意的正数「有
limP
n>:
:
伯努利大数定律说明,当试验次数n很大时,事件A发生
的频率与概率有较大判别的可能性很小,艮卩
辛钦大
数定律
这就以严格的数学形式描述了频率的稳定性。
设Xi,X2,…,Xn,…是相互独立同分布的随机变量序列,且(%)=□,则对于任意的正数&有
(2)
中心极限定
列维—
设随机变量Xi,X2,…相互独立,服从同一分布,且具有
理
林德伯
相同的数
学期望
和方差:
a2
格定理
E(XQ=卜%)=
),则随机变量
XT
N(耳一)
n
n
Xk_
Yk£
n_用I
的分布函数Fn(x)对任意的实数X,有
1
團Xk—
■
limFn(x)=limPE
心L汰
1-_Ite2dt
fT^|
n_jpa
IVn此定理也称为独立同分布的中心极限定理。
棣莫弗
—拉普
设随机变量Xn为具有参数n,p(0
的二项分布,则对于
拉斯定
任意实数X,有
理
JXn-np
t2
1.X_
2dt.
二xf_—e
卡j/np(1—p)
(3)
二项定理
若当
M
Nt圍卵寸,一tp(n,k不变),则
n
qkqn—k
CmCn_jmkk
nTCnP
(1一p)n*(Nt园.
Cn
超几何分布的极限分布为二项分布。
(4)
泊松定理
若当
nt羁时,npt闕〉0
,则
kkn_k
CnP(1-P)-
Bkt—e^'
(nTB.
k!
其中k=0,1,2,…,n,…。
二项分布的极限分布为泊松分布。