一维随机变量及其概率分布

Posted 2020-08-13 夕月一弯

1. 随机变量的概念

顾名思义，随机变量就是“其值随机会而定”的变量。随机变量的反面是“确定性变量”，即其值遵循某种严格的规律的变量，比如从北京到上海的距离。但是从绝对意义上讲，许多通常视为确定性变量的量，本质上都有随机性，只是由于随机性干扰不大，以至在所要求的精度之内，不妨把经作为确定性变量来处理。

根据随机变量其可能取的值的全体的性质，可以把随机变量分为2大类，一类是离散型随机变量，比如检验100件产品中的次品个数；一类是连续型随机变量，比如一个灯泡的寿命。但是连续型变量这个概念只是数学上的抽象，因为任何量都有单位，都只能在该单位下量到一定的精度，所以也一定是离散的，比如灯泡的寿命如果只精确到秒，那它的寿命也是可以离散表示的。

研究随机变量的根本原因是，我们需要研究一些事物身上表现出来的会变动的因子，这些因子的值随机而定，但可能存在某种规律（比如总是取到某些特殊的值），我们需要研究这些规律（比如分布规律），而对这些因子做预测。

2. 离散型随机变量的分布

我们研究随机变量，并不是只关心它能取到哪些值，往往也关心的是它取到某些值的频率如何，即取到该值的概率。这个特性，我们称之为分布。

定义2.1

设X为离散型随机变量，其全部的可能值为{a1,a2,…}，则

 

pi=P(X=ai),i=1,2,…

 

称为X的概率函数。且有下面的性质：

 

pi⩾0,p1+p2+⋯=1

 

X的概率函数给出了：全部概率1是如何在其可能的值之间分配的，所以也把它称为随机变量X的“概率分布”。 因为离散型的随机变量的概率分布通常以一个表的形式给出，所以有时把它称为X的分布表。

 

可能值概率a1p1a2p2……aipi……

 

定义2.2

设X为一随机变量，则函数

 

P(X≤x)=F(x),−∞<x<∞

 

称为X的分布函数。

对离散型随机变量而言，概率函数与分布函数在下述意义下是等价的。

 

F(x)=P(X≤x)=∑{i:ai≤x}pi

 

由pi求F(x)是显然的，而由F(x)求pi，只需注意：

 

F(i)=P(X≤i)=P(X≤i−1)+P(X=i)

 

对于任何随机变量X，其分布函数F(x)具有下面的一般性质：

1）F(x)是单降非降的：当(x1<x2)时，有F(x1)≤F(x2)；

2）当x→∞时，F(x)→1；当x→–∞时，F(x)→0；

研究分布函数的直接原因是可以根据分布函数求概率，另一个原因我觉得是针对于连续型随机变量，因为它研究取某个值的概率没有意义，所以更多的关心的一个范围，比哪灯光寿命1万小时-1.2万小时的可能性大小，像这样范围内的概率用分布函数更容易求得。

3. 几个常见的离散型分布

3.1. 二项分布

某事件A在一次试验中发生的概率为p。现在把这个试验独立重复n次，以X记A在这n次试验中发生的次数，则n可能的取值为0,1,…,n，我们称随机变量X服从二项分布，记为：X∼B(n,p)，同时这种试验称为伯努利试验。

 

pi=b(i;n,p)=(ni)pi(1−p)n−i,i=0,1,…,n

 

X=k表示n次试验中，事件A恰好发生了k次，那么一共有(nk)种途径，而且每种途径发生的概率都为pk(1−p)n−k（加法公式）。

在研究连续型随机变量分布后，我们发现二项分布概率分布与高斯分布密度函数曲线一致。

3.2. 泊松分布

若随机变量X可能的取值为0,1,2,…，且概率分布为

 

P(X=i)=e−λλi/i!

 

则称X服从泊松分布，记为X∼P(λ)，此处λ>0是一常数。

Poisson分布是用来描述稀有事件的概率的，比如：一定时间内红绿灯口发生事故的次数和总机接到电话的次数。

Poisson分布实际上是在n很大，p很小时，二项分布的一个近似：

当p很小时，(1−p)∼e−p[泰勒展开，取前2项]，所以(1−p)n−k∼e−p(n−k)∼e−pn=e−λ

当n很大时，bn,k=n(n−1)…(n−k+1)k!pk(1−p)n−k≈nkpkk!(1−p)n−k=λkk!e−λ

3.3. 超几何分布

设有N个产品，其中有M个不合格品，若从中不放回地随机抽取n个，则其中含有的不合格品的个数X服从超几何分布，记为X∼h(n,N,M)，超几何分布的概率分布列为：

 

P(X=k)=(Mk)(N−Mn−k)(Nn),k=0,1,…,r

 

其中r=min{M,n}，且M≤N,n≤N,n,N,M均为正整数

当n≫N时，即抽取个数n远小于产品总数N时，每次抽取后体中的不合格率p=M/N改变甚微，所以不放回抽样，可以近似地看成回抽样，这里超几何分布可以用二项分布近似。

 

(Mk)(N−Mn−k)(Nn)≅(nk)pk(1−p)n−k，其中p=MN

 

3.4. 几何分布

在伯努利试验序列中，记每次试验中事件A发生的概率为p，如果X为事件A首次出现时的试验次数，则X可能取值为1,2,…，称X服从几何分布，记为X∼Ge(p)，其分布列为：

 

P(X=k)=(1−p)k−1p,k=1,2,…

 

几何分布的无记忆性：设X∼Ge(p)，则对任意正整数m与n有

 

P(X>m+n|X>m)=P(X>n)

 

上面这个公式表明在一系列的事件中，若前m次实验中事件A没有出现，则接下来的n次试验中A仍未出现的概率只与n有关，似乎忘记了前m次试验结果。

3.5. 负二项分布

在伯努利试验序列中，记每次试验中事件A发生的概率为p，如果X为事件A第r次出现时的试验次数，则X可能的取值为r,r+1,…,r+m,…，称X服从负二项分布或巴斯卡分布，记为X∼Nb(r,p)，概率分布为：

 

P(X=k)=(k−1r−1)pr(1−p)k−r,k=r,r+1,…

 

4. 连续型随机变量分布

对于连续型变量的概率分布，不能用像离散型变量那种方法去描述。原因在于，这种变量的取值充满一个区间，无法一一排出。若指定一个值a，则变量X恰好是a一丝不差，事实上不可能，即，对于连续型随机变量X而言，在区间内任意一点的概率P(X=xi)=0，但是你要注意虽然概率为0，但是并不是说事件X=xi是不可能事件。

刻画连续型随机变量的概率分布的一个方法是利用概率分布函数，但是在理论和实用上更方便因则更常用的方法，是使用所谓“概率密度函数”或简称密度函数。

定义4.1

设连续性随机变量X有概率分布函数F(x)，则F(x)的层数f(x)=F′(x),称为X的概率密度函数。

连续型随机变量X的密度函数f(x)都具有以下三条基本性质：

1）f(x)≥0

2）∫∞−∞f(x)dx=1

3）对任何常数a<b有P(a≤X≤b)=F(b)−F(a)=∫ba(x)dx以上是关于一维随机变量及其概率分布的主要内容，如果未能解决你的问题，请参考以下文章

一维随机变量及其概率分布

概率论与数理统计

chap2随机变量及其分布

第三部分 概率_2 一维随机变量的分布

matlab一维概率分布和均匀分布的区别

概率：一维随机变量函数的分布