概率论与数理统计中常见的随机变量分布律、数学期望、方差及其介绍

1 离散型随机变量

1.1 0-1分布

设随机变量X的所有可能取值为0与1两个值,其分布律为

若分布律如上所示,则称X服从以P为参数的(0-1)分布或两点分布。记作X~ B(1,p)

0-1分布的分布律利用表格法表示为:

X 0 1
P 1-P P

0-1分布的数学期望E(X) = 0 * (1 - p) + 1 * p = p

1.2 二项分布

二项分布的分布律如下所示:

其中P是事件在一次试验中发生的概率,称随机变量X服从参数为n,p 的二项分布,记作X~B(n,p)。当n=1时,X为(0-1)分布

二项分布利用表格法也可表示为:

二项分布的数学期望E(X) = np

1.3 泊松分布

设随机变量X所有可能取值是0,12,...,而取各个值的概率为

其中λ>0是常数,则称随机变量 X 服从泊松分布,记为 X ~ π(λ)

泊松分布利用表格法可表示为:


泊松分布的数学期望E(X) = λ

泊松分布的方差D(X) = λ

1.4 几何分布

记X在独立重复试验中事件A首次发生所进行试验的次数,则

我们称随机变量X服从几何分布,记作X~G§。

几何分布利用表格法也可表示为:

几何分布的数学期望E(X) = 1/p

几何分布的方差D(X) = (1-p)/(p*p)

1.5 超几何分布

设有N件产品,其中有M(MSN)件次品。从中任取n(nN)件产品,用X表示取出的n件产

品中次品的件数,则

我们称随机变量X服从参数为N、M、n的超几何分布

注意:超几何分布为不放回抽样。

2 连续性随机变量

2.1 均匀分布

2.1.1 均匀分布的密度函数

若连续型随机变量X的概率密度

则称f(x)在(a,b)上服从均匀分布,记作X~U(a,b)

2.1.2 均匀分布的分布函数及图像

均匀分布的分布函数为:

f(x)与F(x)分别如图所示:

2.1.3 均匀分布的数学期望及其方差

均匀分布的数学期望E(X) = ( a + b ) / 2

均匀分布的方差D(X) = (( b - a ) ^ 2) / 12

2.2 指数分布

2.2.1 指数分布的概率密度

若连续型随机变量X概率密度为:

其中λ>0为常数,则称X 服从参数为的指数分布。记作X~ E(λ)

2.2.2 指数分布的分布函数及图像

随机变量X的分布函数和图像为:


2.2.3 指数分布的数学期望及其方差

指数分布的数学期望E(X) = 1 / λ

指数分布的方差D(X) = 1 / (λ ^ 2)

2.3 正太分布

2.3.1 一般正太分布的密度函数、分布概率及其图像

若连续型随机变量X的概率密度和图像为:

其中μ,σ( σ > 0)为常数,则称服从参数为,的正态分布,记作X~ N(μ, σ * σ),分布函数为:

2.3.2 标准正太分布的密度函数、分布概率及其图像

当参数 u=0,σ=1时称随机变量X 服从标准正态分布,记作X~N(0,1)。其概率密度及分布函数如下所示:


概率密度图像如下所示:

其概率密度函数的图形如图 (9)所示。由(x)的图形,不难得出如下性质:

2.3.3 正太分布的数学期望及其方差

正太分布的数学期望E(X) = u

正太分布的方差D(X) = σ

3 数学期望的性质

下面给出数学期望常见的性质:

  1. 设C是常数,则有E(C)=C。
  2. 设X是一个随机变量,C为常数,则有 E(CY)=CE(Y)
  3. 设X,Y为两个随机变量,则E(X+Y)=E(Y)+E(Y)
  4. 设X,Y 为相互独立的随机变量,则 E(XY)=E(Y)·E(Y)

数学期望E(X)和方差D(X)之间的关系:

4 方差

4.1 方差的性质

  1. 设C为常数,则D©=0。

  2. @设X是随机变量,C是常数,则有 D(CX)=C^2D(X),D(X+C)=D(X)

  3. 设XY是两个随机变量,则有特别地,若X与Y相互独立,则有D(X+Y)=D(X)+D(Y),D(X-Y)=D(X)+D(Y)

  4. D(Y)=0的充分必要条件是以概率为1 取常数 E(X),即P{ X=E(X) } = 1

4.2 协方差和相关系数

协方差公式: cov(X,Y) = E(XY) - EXEY

协方差公式的几个变形:

相关系数ρxy公式如下:

相关推荐
Researcher-Du14 分钟前
随机采样之接受拒绝采样
概率论
无水先生1 天前
ML 系列:机器学习和深度学习的深层次总结( 19)— PMF、PDF、平均值、方差、标准差
概率论
无水先生1 天前
ML 系列:机器学习和深度学习的深层次总结( 20)— 离散概率分布 (Bernoulli 分布)
概率论
卡洛驰1 天前
交叉熵损失函数详解
人工智能·深度学习·算法·机器学习·ai·分类·概率论
Ricciflows3 天前
分析学大师Elias M. Stein的分析系列教材
线性代数·数学建模·矩阵·概率论·抽象代数·拓扑学·傅立叶分析
乔大将军3 天前
数理统计(第4章第2节:2元方差分析)
概率论
爱代码的小黄人6 天前
数学期望和联合概率密度
概率论
VisionX Lab6 天前
视频批量裁剪工具
音视频·概率论
无水先生6 天前
ML 系列:第 18 部 - 高级概率论:条件概率、随机变量和概率分布
概率论
AnitasCat7 天前
VAE原理及代码实现
人工智能·机器学习·概率论