【考研数学】概率论与数理统计 —— 第二章 | 一维随机变量及其分布(2,常见随机变量及其分布 | 随机变量函数的分布)
文章目录
- 引言
- 三、常见的随机变量及其分布
- 3.1 常见的离散型随机变量及其分布律
- (一)(0-1)分布
- (二)二项分布
- (三)泊松分布
- (四)几何分布
- (五)超几何分布
- 3.2 常见的连续型随机变量及其概率密度
- (一)均匀分布
- (二)指数分布
- (三)正态分布
- 四、随机变量函数的分布
- (一)离散型随机变量函数的分布
- (二)连续型随机变量函数的分布
引言
承接前文,我们继续学习第二章,一维随机变量及其分布的第二部分内容。
三、常见的随机变量及其分布
3.1 常见的离散型随机变量及其分布律
(一)(0-1)分布
设随机变量 X X X 的可能取值为 0 或 1 ,且其概率为 P P P { X = 1 X=1 X=1 } = p , =p, =p, P P P { X = 0 X=0 X=0 } = 1 − p ( 0 < p < 1 =1-p(0 < p < 1 =1−p(0<p<1 ,称 X X X 服从(0-1)分布,记为 X ∼ B ( 1 , p ) . X \sim B(1,p). X∼B(1,p).
(二)二项分布
设随机变量 X X X 的分布律为 P P P { X = k X=k X=k } = C n k p k ( 1 − p ) n − k =C_n^kp^k(1-p)^{n-k} =Cnkpk(1−p)n−k ,其中 k = 0 , 1 , 2 , … , n , 0 < p < 1 , k=0,1,2,\dots,n,0 < p < 1, k=0,1,2,…,n,0<p<1, 称随机变量 X X X 服从二项分布,记为 X ∼ B ( n , p ) . X \sim B(n,p). X∼B(n,p).
回忆一下第一章的伯努利概型,也是二项分布。
(三)泊松分布
设离散型随机变量 X X X 的分布律为 P { X = k } = λ k k ! e − λ , P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda}, P{X=k}=k!λke−λ, 其中, λ > 0 , k = 0 , 1 , 2 , … , n , \lambda > 0,k=0,1,2,\dots,n, λ>0,k=0,1,2,…,n, 称随机变量 X X X 服从参数为 λ \lambda λ 的泊松分布,记为 X ∼ P ( λ ) . X \sim P(\lambda). X∼P(λ).
(四)几何分布
设离散型随机变量 X X X 的分布律为 P { X = k } = p ( 1 − p ) k − 1 , P\{X=k\}=p(1-p)^{k-1}, P{X=k}=p(1−p)k−1, 其中, k = 1 , 2 , … , n , k=1,2,\dots,n, k=1,2,…,n, 称随机变量 X X X 服从几何分布,记为 X ∼ G ( p ) . X \sim G(p). X∼G(p).
服从几何分布的随机变量 X X X 可以这么理解:设伯努利试验中只有两种结果 A , A ‾ , P ( A ) = p A,\overline{A},P(A)=p A,A,P(A)=p ,则 X X X 表示伯努利试验中 A A A 首次发生时的试验次数。
比如, X = 2 X=2 X=2 ,表示试验做了两次才第一次发生,也就是第一次试验没发生,第二次试验发生; X = n X=n X=n ,表示前 n − 1 n-1 n−1 次试验没发生,第 n n n 次试验发生。这样就好理解了,公式也一下就记得住。
(五)超几何分布
设离散型随机变量 X X X 的分布律为 P { X = k } = C M k ⋅ C N − M n − k C N n , P\{X=k\}=\frac{C_M^k \cdot C_{N-M}^{n-k}}{C_N^n}, P{X=k}=CNnCMk⋅CN−Mn−k, 其中, M , N , k , n M,N,k,n M,N,k,n 为自然数,且 M ≤ N , m a x { N − M , 0 } ≤ k ≤ m i n { M , n } , n ≤ N M \leq N,max\{N-M,0\} \leq k \leq min\{M,n\},n \leq N M≤N,max{N−M,0}≤k≤min{M,n},n≤N , 称随机变量 X X X 服从超几何分布,记为 X ∼ H ( n , M , N ) . X \sim H(n,M,N). X∼H(n,M,N).
3.2 常见的连续型随机变量及其概率密度
(一)均匀分布
设随机变量 X X X 的概率密度为 f ( x ) = { 1 b − a , a ≤ x ≤ b 0 , e l s e , f(x) = \begin{cases} \frac{1}{b-a}, & a \leq x \leq b \\ 0, & else \\ \end{cases}, f(x)={b−a1,0,a≤x≤belse, 称随机变量 X X X 在区间 ( a , b ) (a,b) (a,b) 内服从均匀分布,记为 X ∼ U ( a , b ) . X \sim U(a,b). X∼U(a,b).
若随机变量 X ∼ U ( a , b ) X \sim U(a,b) X∼U(a,b),则其分布函数为 F ( x ) = { 0 , x < a x − a b − a , a ≤ x ≤ b 1 , x ≥ b F(x)=\begin{cases} 0, & x < a \\ \frac{x-a}{b-a}, & a \leq x \leq b \\ 1,& x \geq b\\ \end{cases} F(x)=⎩ ⎨ ⎧0,b−ax−a,1,x<aa≤x≤bx≥b
(二)指数分布
设随机变量 X X X 的概率密度为 f ( x ) = { λ e − λ x x > 0 0 , x ≤ 0 ( λ > 0 ) f(x) = \begin{cases} \lambda e^{-\lambda x} & x > 0 \\ 0, & x \leq 0 \\ \end{cases}(\lambda > 0) f(x)={λe−λx0,x>0x≤0(λ>0) 称随机变量 X X X 服从参数为 λ \lambda λ 的指数分布,记为 X ∼ E ( λ ) . X \sim E(\lambda). X∼E(λ).
若随机变量 X ∼ E ( λ ) X \sim E(\lambda) X∼E(λ),则其分布函数为 F ( x ) = { 1 − e − λ x , x ≥ 0 0 , x < 0 F(x)=\begin{cases} 1-e^{-\lambda x}, & x \geq 0 \\ 0,& x < 0\\ \end{cases} F(x)={1−e−λx,0,x≥0x<0
(三)正态分布
设随机变量 X X X 的概率密度为 f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 ( − ∞ < x < + ∞ ) , f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}(-\infty < x < +\infty), f(x)=2πσ1e−2σ2(x−μ)2(−∞<x<+∞), 称随机变量 X X X 服从正态分布,记为 X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma^2) X∼N(μ,σ2),其概率密度函数如下图所示:
特别地,若 μ = 0 , σ = 1 \mu =0,\sigma=1 μ=0,σ=1 ,称随机变量 X X X 服从标准正态分布,记为 X ∼ N ( 0 , 1 ) X \sim N(0,1) X∼N(0,1) ,其概率密度为 φ ( x ) = 1 2 π e − x 2 2 ( − ∞ < x < + ∞ ) , \varphi(x)= \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}(-\infty < x < +\infty), φ(x)=2π1e−2x2(−∞<x<+∞), 其概率密度函数如下图所示:
分布函数为 Φ ( x ) = ∫ − ∞ x φ ( t ) d t . \varPhi(x)=\int_{-\infty}^x\varphi(t)dt. Φ(x)=∫−∞xφ(t)dt. 正态分布具有如下性质:
(1)若 X ∼ N ( 0 , 1 ) X \sim N(0,1) X∼N(0,1) ,则其概率密度函数 φ ( x ) \varphi(x) φ(x) 为偶函数,且 P { X ≤ 0 } = Φ ( 0 ) = 0.5 , P\{X \leq 0 \}=\varPhi(0)=0.5, P{X≤0}=Φ(0)=0.5, P { X ≤ − a } = Φ ( − a ) = P { X > a } = 1 − Φ ( a ) . P\{X \leq-a\}=\varPhi(-a)=P\{X > a\}=1-\varPhi(a). P{X≤−a}=Φ(−a)=P{X>a}=1−Φ(a). (2)若随机变量 X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma^2) X∼N(μ,σ2) ,则 P { X ≤ μ } = P { X > μ } = 0.5 , P\{X \leq \mu\}=P\{X > \mu\}=0.5, P{X≤μ}=P{X>μ}=0.5, 即正态分布的密度函数的图像关于 x = μ x=\mu x=μ 对称。
(3)若随机变量 X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma^2) X∼N(μ,σ2) ,则 X − μ σ ∼ N ( 0 , 1 ) . \frac{X-\mu}{\sigma} \sim N(0,1). σX−μ∼N(0,1).
(4)若随机变量 X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma^2) X∼N(μ,σ2) ,则 P { a < X ≤ b } = F ( b ) − F ( a ) = Φ ( b − μ σ ) − Φ ( a − μ σ ) . P\{a < X \leq b\}=F(b)-F(a)=\varPhi(\frac{b-\mu}{\sigma})-\varPhi(\frac{a-\mu}{\sigma}). P{a<X≤b}=F(b)−F(a)=Φ(σb−μ)−Φ(σa−μ). (5) Φ ( a ) + Φ ( b ) = { < 1 , a + b < 0 = 1 , a + b = 0 > 1 , a + b > 0 \varPhi(a)+\varPhi(b)=\begin{cases} <1, & a+b< 0 \\ =1,& a+b= 0\\ \ >1 ,& a+b> 0\\ \end{cases} Φ(a)+Φ(b)=⎩ ⎨ ⎧<1,=1, >1,a+b<0a+b=0a+b>0
四、随机变量函数的分布
设 X X X 为随机变量,其分布已知,称 Y = φ ( X ) Y=\varphi(X) Y=φ(X) 为随机变量 X X X 的函数,研究随机变量 Y Y Y 的分布及随机变量函数的分布。
(一)离散型随机变量函数的分布
设 X X X 为随机变量, Y = φ ( X ) Y=\varphi(X) Y=φ(X) ,只要根据 X X X 的可能取值及概率求出 Y Y Y 的可能取值及概率,即可得到 Y Y Y 的分布律。
(二)连续型随机变量函数的分布
设 X X X 为连续型随机变量,其概率密度为 f ( x ) f(x) f(x) ,又 Y = φ ( x ) Y=\varphi(x) Y=φ(x) ,求随机变量 Y Y Y 的分布时,先求 Y Y Y 的分布函数 P { Y ≤ y } = P { φ ( X ) ≤ y } , P\{Y \leq y\}=P\{\varphi(X) \leq y\}, P{Y≤y}=P{φ(X)≤y}, 再通过 X X X 的分布求出 Y Y Y 的分布。
相关文章:

【考研数学】概率论与数理统计 —— 第二章 | 一维随机变量及其分布(2,常见随机变量及其分布 | 随机变量函数的分布)
文章目录 引言三、常见的随机变量及其分布3.1 常见的离散型随机变量及其分布律(一)(0-1)分布(二)二项分布(三)泊松分布(四)几何分布(五࿰…...

【2023中国算力大会】《中国综合算力指数(2023年)》出炉,宁夏“资源环境”位列全国第1,“算力”跃入Top10
2023年8月18日-19日,2023中国算力大会在宁夏银川举行,本届大会以“算领新产业潮流 力赋高质量发展”为主题,打造“主题论坛、成果展示、产业推介、先锋引领”四大核心内容,全面展示算力产业发展最新成果,为产业各方搭建…...

自动设置服务器全教程
亲爱的爬虫探险家!在网络爬虫的世界里,自动设置代理服务器是一个非常有用的技巧。今天,作为一家代理服务器供应商,我将为你呈上一份轻松实用的教程,帮助你轻松搞定爬虫自动设置代理服务器。 一、为什么需要自动设置代…...

Mysql--技术文档--B树-数据结构的认知
阿丹解读: B树(B tree)和B树(B-tree)都是常见的自平衡搜索树数据结构,用于在存储和检索大量数据时提供高效的操作。 基本概念-B树/B树 B树(B-tree)和B树(B tree&#x…...

go gin 自定义验证
我们上一篇已经提到了gin中binding时候可以指定json字段大小等限制,但是那个错误却是英文的,现在想搞成中文的,以便前端可读,demo如下 package mainimport ("net/http""reflect""github.com/gin-gonic/…...

掉了无数头发成地中海后,我整理出了这套40+的大屏模板,快收藏!
最近又有不少粉丝后台问我接不接做可视化大屏,看来可视化大屏是越来越火啦,但老李还是要说一下,老李本身工作就很忙,实在是顾不过来,但老李会在自己体验过后为大家挑选合适的工具和模板,提升大家做大屏的效…...

【从零开始学习JAVA | 第四十六篇】处理请求参数
前言: 在我们之前的学习中,我们已经基本学习完了JAVA的基础内容,从今天开始我们就逐渐进入到JAVA的时间,在这一大篇章,我们将对前后端有一个基本的认识,并要学习如何成为一名合格的后端工程师。今天我们介绍…...

k8s的交付与部署案例操作
一 k8s的概念 1.1 k8s k8s是一个轻量级的,用于管理容器化应用和服务的平台。通过k8s能够进行应用的自动化部署和扩容缩容。 1.2 k8s核心部分 1.prod: 最小的部署单元;一组容器的集合;共享网络;生命周期是短暂的; …...

LVS集群 (四十四)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 目录 前言 一、集群概述 1. 负载均衡技术类型 2. 负载均衡实现方式 二、LVS结构 三、LVS工作模式 四、LVS负载均衡算法 1. 静态负载均衡 2. 动态负载均衡 五、ipvsadm命令详…...

stm32之DS18B20
DS18B20与stm32之间也是通过单总线进行数据的传输的。单总线协议在DHT11中已经介绍过。虽说这两者外设都是单总线,但时序电路却很不一样,DS18B20是更为麻烦一点的。 DS18B20 举例(原码补码反码转换_原码反码补码转换_王小小鸭的博客-CSDN博客…...

Redis的数据结构与单线程架构
"飞吧,去寻觅红色的流星" Redis中的五种数据结构和编码 Redis是一种通过键值对关系存储数据的软件,在前一篇中,我们可以使用type命令实际返回当前键所对应的数据结构类型,例如: String\list\hash\set等等。 但…...

c# modbus CRC计算器(查表法)
一、简介: 本案例为crc计算器,通过查表法计算出结果 1.窗体后台源代码 using Crc; using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text…...

2023.08.27 学习周报
文章目录 摘要文献阅读1.题目2.重点3.引言4.方法5.实验结果6.结论 深度学习Majorization-Minimization算法1.基本思想2.要求3.示意图 总结 摘要 This week, I read a computer science on the prediction of atmospheric pollutants in urban environments based on coupled d…...

css元素定位:通过元素的标签或者元素的id、class属性定位,还不明白的伙计,看这个就行了!
前言 大部分人在使用selenium定位元素时,用的是xpath元素定位方式,因为xpath元素定位方式基本能解决定位的需求。xpath元素定位方式更直观,更好理解一些。 css元素定位方式往往被忽略掉了,其实css元素定位方式也有它的价值&…...

基于Spring实现博客项目
访问地址:用户登录 代码获取:基于Spring实现博客项目: Spring项目写博客项目 一.项目开发 1.项目开发阶段 需求评审,需求分析项目设计(接口设计,DB设计等,比较大的需求,需要设计流程图,用例图,UML, model中的字段)开发+自测提测(提交测试…...

数据库第十七课-------ETL任务调度系统的安装和使用
作者前言 🎂 ✨✨✨✨✨✨🍧🍧🍧🍧🍧🍧🍧🎂 🎂 作者介绍: 🎂🎂 🎂 🎉🎉🎉…...
Qt 动态中英文切换
背景: 需要界面实现动态国际化,一键点击切换中英文或其他语言。 前提: 已经完成了整个界面的翻译,拿到匹配的ts翻译文件,注意:要保证界面切换后,翻译的全覆盖,要保证任何需要反应的地方,都用到了tr("")包含,不然Linguist会捕捉不到。.ts文件的生成参考下文…...

hdfs操作
hadoop fs [generic options] [-appendToFile … ] [-cat [-ignoreCrc] …] [-checksum …] [-chgrp [-R] GROUP PATH…] [-chmod [-R] <MODE[,MODE]… | OCTALMODE> PATH…] [-chown [-R] [OWNER][:[GROUP]] PATH…] [-copyFromLocal [-f] [-p] [-l] [-d] … ] [-copyTo…...

h5分享页适配手机电脑
实现思路 通过media媒体查询结合rem继承html文字大小来实现。 快捷插件配置 这里使用了VSCode的px to rem插件。 先在插件市场搜索cssrem下载插件; 配置插件 页面编写流程及适配详情 配置meta h5常用配置信息:<meta name"viewport" content&quo…...
崭新商业理念:循环购模式的价值引领-微三云门门
尊敬的创业者们,我是微三云门门,今天我将为您详细探讨一种具有颠覆性的商业模式——循环购模式。这套私域流量裂变策略在实际应用中取得了巨大的成功,某些企业在短短6个月内迅速积累了400万用户! 循环购商业模式的核心聚焦于三个…...

工业安全零事故的智能守护者:一体化AI智能安防平台
前言: 通过AI视觉技术,为船厂提供全面的安全监控解决方案,涵盖交通违规检测、起重机轨道安全、非法入侵检测、盗窃防范、安全规范执行监控等多个方面,能够实现对应负责人反馈机制,并最终实现数据的统计报表。提升船厂…...

MongoDB学习和应用(高效的非关系型数据库)
一丶 MongoDB简介 对于社交类软件的功能,我们需要对它的功能特点进行分析: 数据量会随着用户数增大而增大读多写少价值较低非好友看不到其动态信息地理位置的查询… 针对以上特点进行分析各大存储工具: mysql:关系型数据库&am…...
pam_env.so模块配置解析
在PAM(Pluggable Authentication Modules)配置中, /etc/pam.d/su 文件相关配置含义如下: 配置解析 auth required pam_env.so1. 字段分解 字段值说明模块类型auth认证类模块,负责验证用户身份&am…...
MySQL中【正则表达式】用法
MySQL 中正则表达式通过 REGEXP 或 RLIKE 操作符实现(两者等价),用于在 WHERE 子句中进行复杂的字符串模式匹配。以下是核心用法和示例: 一、基础语法 SELECT column_name FROM table_name WHERE column_name REGEXP pattern; …...
【C++从零实现Json-Rpc框架】第六弹 —— 服务端模块划分
一、项目背景回顾 前五弹完成了Json-Rpc协议解析、请求处理、客户端调用等基础模块搭建。 本弹重点聚焦于服务端的模块划分与架构设计,提升代码结构的可维护性与扩展性。 二、服务端模块设计目标 高内聚低耦合:各模块职责清晰,便于独立开发…...
JVM暂停(Stop-The-World,STW)的原因分类及对应排查方案
JVM暂停(Stop-The-World,STW)的完整原因分类及对应排查方案,结合JVM运行机制和常见故障场景整理而成: 一、GC相关暂停 1. 安全点(Safepoint)阻塞 现象:JVM暂停但无GC日志,日志显示No GCs detected。原因:JVM等待所有线程进入安全点(如…...

tree 树组件大数据卡顿问题优化
问题背景 项目中有用到树组件用来做文件目录,但是由于这个树组件的节点越来越多,导致页面在滚动这个树组件的时候浏览器就很容易卡死。这种问题基本上都是因为dom节点太多,导致的浏览器卡顿,这里很明显就需要用到虚拟列表的技术&…...

深度学习水论文:mamba+图像增强
🧀当前视觉领域对高效长序列建模需求激增,对Mamba图像增强这方向的研究自然也逐渐火热。原因在于其高效长程建模,以及动态计算优势,在图像质量提升和细节恢复方面有难以替代的作用。 🧀因此短时间内,就有不…...

莫兰迪高级灰总结计划简约商务通用PPT模版
莫兰迪高级灰总结计划简约商务通用PPT模版,莫兰迪调色板清新简约工作汇报PPT模版,莫兰迪时尚风极简设计PPT模版,大学生毕业论文答辩PPT模版,莫兰迪配色总结计划简约商务通用PPT模版,莫兰迪商务汇报PPT模版,…...

大模型——基于Docker+DeepSeek+Dify :搭建企业级本地私有化知识库超详细教程
基于Docker+DeepSeek+Dify :搭建企业级本地私有化知识库超详细教程 下载安装Docker Docker官网:https://www.docker.com/ 自定义Docker安装路径 Docker默认安装在C盘,大小大概2.9G,做这行最忌讳的就是安装软件全装C盘,所以我调整了下安装路径。 新建安装目录:E:\MyS…...