当前位置: 首页 > news >正文

【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(1,基本概念与随机变量常见类型)

文章目录

  • 引言
  • 一、一维随机变量及其分布
    • 1.1 随机变量
    • 1.2 分布函数
  • 二、随机变量常见类型及分布
    • 2.1 离散型随机变量
    • 2.2 连续型随机变量及概率密度函数
  • 写在最后


引言

暑假接近尾声了,争取赶一点概率论部分的进度。


一、一维随机变量及其分布

1.1 随机变量

设随机试验 E E E 的样本空间为 Ω \Omega Ω X X X 为定义于样本空间 Ω \Omega Ω 上的函数,对于任意 w ∈ Ω w \in \Omega wΩ ,总存在唯一确定的 X ( w ) X(w) X(w) 与之对应,称 X ( w ) X(w) X(w) 为随机变量,一般记为 X X X

随机变量一定的取值范围本质上就是随机事件,若随机变量某个范围内取不到任何值,本质上为不可能事件,若某个范围包含了随机变量所有可能的取值,本质上就是必然事件。

1.2 分布函数

X X X 为随机变量,对任意的实数 x x x ,称函数 F ( x ) = P F(x)=P F(x)=P { X ≤ x X \leq x Xx } 为随机变量 X X X 的分布函数。

其有如下四个性质:

(1) 0 ≤ F ( x ) ≤ 1 ; 0 \leq F(x) \leq 1; 0F(x)1;

(2) F ( x ) F(x) F(x) x x x 的单调不减函数;

(3) F ( x ) F(x) F(x) 关于 x x x 右连续;

(4) F ( − ∞ ) = 0 , F ( + ∞ ) = 1. F(-\infty)=0,F(+\infty)=1. F()=0,F(+)=1.

若有一个函数满足以上四个条件,可称其为某个随机变量的分布函数。如 F ( 3 x − 1 ) F(3x-1) F(3x1) 仍为分布函数,但 F ( 1 − 3 x ) F(1-3x) F(13x) 不是分布函数,当 x → + ∞ x \to +\infty x+ F ( 1 − 3 x ) F(1-3x) F(13x) 极限为 0 不为 1 ; F ( x 2 ) F(x^2) F(x2) 也不是分布函数,因为当 x → + ∞ x \to +\infty x+ F ( x 2 ) F(x^2) F(x2) 极限为 1 不为 0 。

设随机变量 X X X 的分布函数为 F ( x ) F(x) F(x) ,则
(1) P P P { X < a X < a X<a } = F ( a − 0 ) ; =F(a - 0); =F(a0);
(2) P P P { a < X ≤ b a < X\leq b a<Xb } = F ( b ) − F ( a ) ; =F(b)-F(a); =F(b)F(a);
(3) P P P { a ≤ X < b a \leq X < b aX<b } = F ( b − 0 ) − F ( a − 0 ) ; =F(b - 0)-F(a-0); =F(b0)F(a0);
(4) P P P { a ≤ X ≤ b a \leq X \leq b aXb } = F ( b ) − F ( a − 0 ) ; =F(b)-F(a-0); =F(b)F(a0);
(5) P P P { a < X < b a < X < b a<X<b } = F ( b − 0 ) − F ( a ) ; =F(b - 0)-F(a); =F(b0)F(a);
(6) P P P { X = a X =a X=a } = F ( a ) − F ( a − 0 ) ; =F(a)-F(a-0); =F(a)F(a0);


二、随机变量常见类型及分布

2.1 离散型随机变量

X X X 为随机变量,若 X X X 的可能取值是有限个或可列个,称 X X X 为离散型随机变量。

设离散型随机变量 X X X 的可能取值为 x i ( i = 1 , 2 , … ) x_i(i=1,2,\dots) xi(i=1,2,) ,其对应的概率为 P P P { X = x i X=x_i X=xi } = p i =p_i =pi ,称 P P P { X = x i X=x_i X=xi } = p i =p_i =pi 或下表

在这里插入图片描述
为随机变量 X X X 的分布律。

离散型随机变量 X X X 的分布律满足:
(1) p i ≥ 0 ( i = 1 , 2 , … ) . p_i \geq 0(i=1,2,\dots). pi0(i=1,2,).
(2) ∑ i = 1 + ∞ p i = 1. \sum_{i=1}^{+\infty}p_i=1. i=1+pi=1.
(3)分布函数 F ( x ) = P F(x)=P F(x)=P { X ≤ x X \leq x Xx } 为阶梯函数,且 F ( x ) F(x) F(x) 的间断点即为随机变量 X X X 的可能取值。

什么是阶梯函数呢,就是图像是像台阶那样的。举个例子,记随机变量 X X X 为投掷一枚均匀的骰子朝上的点数,则 X X X 可取 1 , 2 , 3 , 4 , 5 , 6 1,2,3,4,5,6 1,2,3,4,5,6 ,且 P P P { X = i X=i X=i } = 1 6 ( i = 1 , 2 , … , 6 ) =\frac{1}{6}(i=1,2,\dots,6) =61(i=1,2,,6) ,其分布律如下表所示:

在这里插入图片描述

分布函数图像为:
在这里插入图片描述
注意,阶梯是先右再上的阶梯,因为是离散的取值,所以在两个取值之间的分布函数值应为前一个取值所对应函数值。

2.2 连续型随机变量及概率密度函数

设随机变量 X X X 的分布函数为 F ( x ) F(x) F(x) ,若存在非负、可积的函数 f ( x ) f(x) f(x) ,使得对任意实数 x x x ,有 F ( x ) = ∫ − ∞ x f ( t ) d t , F(x)=\int_{-\infty}^xf(t)dt, F(x)=xf(t)dt, X X X 为连续型随机变量,函数 f ( x ) f(x) f(x) 为随机变量 X X X 的概率密度函数或概率密度。

连续型随机变量概率密度有如下结论:

(1) f ( x ) ≥ 0 ; f(x) \geq 0; f(x)0;

(2) ∫ − ∞ + ∞ f ( t ) d t = 1 ; \int_{-\infty}^{+\infty}f(t)dt=1; +f(t)dt=1;

(3)分布函数 F ( x ) F(x) F(x) 为连续函数,但不一定可导;

(4) P P P { X = a X=a X=a } = F ( a ) − F ( a − 0 ) = 0 =F(a)-F(a-0)=0 =F(a)F(a0)=0 ,故连续型随机变量在任意一点处的概率为 0 。

(5)设分布函数为 F ( x ) F(x) F(x) ,则概率密度函数为 f ( x ) = { F ′ ( x ) , x 为 F ( x ) 的可导点 0 , x 为 F ( x ) 的不可导点 f(x) = \begin{cases} F'(x), & x \text{为} F(x) 的可导点 \\ 0, & x为F(x) 的不可导点\\ \end{cases} f(x)={F(x),0,xF(x)的可导点xF(x)的不可导点 (6)存在既不是离散型又不是连续型的随机变量,如随机变量 X X X 的分布函数表达式为 F ( x ) = { 0 , if  x < 0 x 2 , if  0 ≤ x < 1 1 if  x ≥ 1 F(x) = \begin{cases} 0, & \text{if } x < 0 \\ \frac{x}{2}, & \text{if } 0 \leq x < 1 \\ 1 & \text{if } x \geq1 \end{cases} F(x)= 0,2x,1if x<0if 0x<1if x1 显然 F ( x ) F(x) F(x) 满足分布函数的四个特性,但其不是阶梯函数,所以 X X X 非离散型随机变量。又因为 F ( x ) F(x) F(x) 存在间断点,所以 X X X 也非连续型随机变量,其图像如下图所示。
在这里插入图片描述


写在最后

下一篇我们将介绍一些常见的随机变量分布。

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(1,基本概念与随机变量常见类型)

文章目录 引言一、一维随机变量及其分布1.1 随机变量1.2 分布函数 二、随机变量常见类型及分布2.1 离散型随机变量2.2 连续型随机变量及概率密度函数 写在最后 引言 暑假接近尾声了&#xff0c;争取赶一点概率论部分的进度。 一、一维随机变量及其分布 1.1 随机变量 设随机试…...

CSS判断手机暗黑模式

手机有个功能到了晚上会自动变成深色也就是暗黑模式.这种情况下网页会自动变颜色.如果想自由控制暗黑模式下的html样式的话,可以用如下方式: media (prefers-color-scheme: dark) {/*html, body {*//*filter: invert(1) hue-rotate(180deg);*//*}*/.maill{margin-left: 0;marg…...

【java中的Set集合】HashSet、LinkedHashSet、TreeSet(最通俗易懂版!!)

目录 一、HashSet集合 1.HashSet集合的特点 2.HashSet常用方法 二、LinkedHashSet集合 LinkedHashSet集合的特点 三、TreeSet集合 1.TreeSet集合的特点 2.TreeSet的基本使用 四、HashSet、LinkedHashSet、TreeSet的使用场景 五、list和set集合的区别 一、HashSet集合 …...

python中的文件操作

我们平常对文件的基本操作&#xff0c;大概可以分为三个步骤&#xff08;简称文件操作三步走&#xff09;&#xff1a; ① 打开文件 ② 读写文件 ③ 关闭文件 【注意事项】 注意&#xff1a;可以只打开和关闭文件&#xff0c;不进行任何读写 文件打开 open函数&#xff…...

spark支持深度学习批量推理

背景 在数据量较大的业务场景中&#xff0c;spark在数据处理、传统机器学习训练、 深度学习相关业务&#xff0c;能取得较明显的效率提升。 本篇围绕spark大数据背景下的推理&#xff0c;介绍一些优雅的使用方式。 spark适用场景 大数据量自定义方法处理、类sql处理传统机器…...

代码随想录打卡—day52—【子序列问题】— 8.31 最大子序列

共性 做完下面三题&#xff0c;发现三个的dp数组中i都是以 i 为结束的字串。 1 300. 最长递增子序列 300. 最长递增子序列 AC&#xff1a; class Solution { public:int dp[10010]; // 表示以i结束的子序列最大的长度/*if(nums[j] > nums[i])dp[j] max(dp[j],dp[i] …...

gcc4.8.5升级到gcc4.9.2

第1步&#xff1a;获取repo [rootlocalhost SPECS]# wget --no-check-certificate https://copr.fedoraproject.org/coprs/rhscl/devtoolset-3/repo/epel-6/rhscl-devtoolset-3-epel-6.repo -O /etc/yum.repos.d/devtoolset-3.repo --2021-12-07 20:53:26-- https://copr.fedo…...

Golang 中的 archive/zip 包详解(三):常用函数

Golang 中的 archive/zip 包用于处理 ZIP 格式的压缩文件&#xff0c;提供了一系列用于创建、读取和解压缩 ZIP 格式文件的函数和类型&#xff0c;使用起来非常方便&#xff0c;本文讲解下常用函数。 zip.OpenReader 定义如下&#xff1a; func OpenReader(name string) (*R…...

微服务架构七种模式

微服务架构七种模式 目录概述需求&#xff1a; 设计思路实现思路分析 参考资料和推荐阅读 Survive by day and develop by night. talk for import biz , show your perfect code,full busy&#xff0c;skip hardness,make a better result,wait for change,challenge Survive.…...

关于CICD流水线的前端项目运行错误,npm项目环境配置时出现报错:Not Found - GET https://registry.npm...

关于CICD流水线的前端项目运行错误&#xff0c;npm项目环境配置时出现报错&#xff1a;Not Found - GET https://registry.npm… 原因应该是某些jar包缓存中没有需要改变镜像将包拉下来 npm config set registry http://registry.npm.taobao.org npm install npm run build...

element-plus的周选择器 一周从周一开始

1、代码 1&#xff09;、template中 <el-date-picker v-model"value1" type"week" format"[Week] ww" placeholder"巡访周" change"change"value-format"YYYY-MM-DD" /> 2&#xff09;、方法中 import…...

Android 9.0 pms获取应用列表时过滤掉某些app功能实现

1.前言 在9.0的系统rom定制化开发中,对系统定制的功能也是很多的,在一次产品开发中,要求在第三方app获取应用列表的时候,需要过滤掉某些app,就是不显示在app应用列表中,这就需要在pms查询app列表时过滤掉这些app就可以了,接下来就实现这些功能 2.pms获取应用列表时过滤掉…...

HTML <thead> 标签

实例 带有 thead、tbody 以及 tfoot 元素的 HTML 表格: <table border="1"><thead><tr><th>Month</th><th>Savings</th></tr></thead><tfoot><tr><td>Sum</td><td>$180<…...

谷歌发布Gemini以5倍速击败GPT-4

在Covid疫情爆发之前&#xff0c;谷歌发布了MEENA模型&#xff0c;短时间内成为世界上最好的大型语言模型。谷歌发布的博客和论文非常可爱&#xff0c;因为它特别与OpenAI进行了比较。 相比于现有的最先进生成模型OpenAI GPT-2&#xff0c;MEENA的模型容量增加了1.7倍&#xf…...

力扣92. 局部反转链表

92. 反转链表 II 给你单链表的头指针 head 和两个整数 left 和 right &#xff0c;其中 left < right 。请你反转从位置 left 到位置 right 的链表节点&#xff0c;返回 反转后的链表 。 示例 1&#xff1a; 输入&#xff1a;head [1,2,3,4,5], left 2, right 4 输出&am…...

九、适配器模式

一、什么是适配器模式 适配器模式&#xff08;Adapter&#xff09;的定义如下&#xff1a;将一个类的接口转换成客户希望的另外一个接口&#xff0c;使得原本由于接口不兼容而不能一起工作的那些类能一起工作。 适配器模式&#xff08;Adapter&#xff09;包含以下主要角色&…...

使用spring自带的发布订阅来实现发布订阅

背景 公司的项目以前代码里面有存在使用spring自带发布订阅的代码&#xff0c;因此稍微学习一下如何使用&#xff0c;并了解一下这种实现方式的优缺点。 优点 实现方便&#xff0c;代码方面基本只需要定义消息体和消费者&#xff0c;适用于小型应用程序。不依赖外部中间件&a…...

Walmart电商促销活动即将开始,如何做促销活动?需要注意什么?

近日&#xff0c;沃尔玛官宣Baby Days优惠活动将于9月1日正式开始&#xff01;卖家可以把握机会&#xff0c;通过设置促销定价&#xff0c;以最优惠的婴儿相关产品价格吸引消费者&#xff0c;包括汽车座椅、婴儿车、尿布袋、家具、床上用品、消耗品、婴儿服装、孕妇装等。注意本…...

Matlab(画图进阶)

目录 大纲 1.特殊的Plots 1.1 loglog(双对数刻度图) ​1.3 plotyy(创建具有两个y轴的图形) 1.4yyaxis(创建具有两个y轴的图) 1.5 bar 3D条形图(bar3) 1.6 pie(饼图) 3D饼图 1.7 polar 2.Stairs And Ste阶梯图 3.Boxplot 箱型图和Error Bar误差条形图 3.1 boxplot 3.2 …...

人生的回忆

回忆是人类宝贵的精神财富&#xff0c;它们像一串串珍珠&#xff0c;串联起我们生活中的每一个片段。 回忆是时间的见证者&#xff0c;它们承载着我们成长、经历、悲欢离合的点点滴滴。 回忆让我们重温过去的欢笑与眼泪&#xff0c;感受那些已经逝去的时光。它们就像一本翻开的…...

Spring之依赖注入源码解析

Spring之依赖注入源码解析 Spring依赖注入的方式 手动注入 在XML中定义Bean时&#xff0c;即为手动注入&#xff0c;因为是程序员手动给某个属性指定了值。 通过set方式进行注入 <bean name"userService" class"com.luban.service.UserService">…...

5G NR:RACH流程-- Msg1之生成PRACH Preamble

随机接入流程中的Msg1&#xff0c;即在PRACH信道上发送random access preamble。涉及到两个问题&#xff1a; 一个是如何产生preamble&#xff1f;一个是如何选择正确的PRACH时频资源发送所选的preamble? 一、PRACH Preamble是什么 PRACH Preamble从数学上来讲是一个长度为…...

高基数类别特征预处理:平均数编码 | 京东云技术团队

一 前言 对于一个类别特征&#xff0c;如果这个特征的取值非常多&#xff0c;则称它为高基数&#xff08;high-cardinality&#xff09;类别特征。在深度学习场景中&#xff0c;对于类别特征我们一般采用Embedding的方式&#xff0c;通过预训练或直接训练的方式将类别特征值编…...

高效利用隧道代理实现无阻塞数据采集

在当今信息时代&#xff0c;大量的有价值数据分散于各个网站和平台。然而&#xff0c;许多网站对爬虫程序进行限制或封禁&#xff0c;使得传统方式下的数据采集变得困难重重。本文将向您介绍如何通过使用隧道代理来解决这一问题&#xff0c;并帮助您成为一名高效、顺畅的数据采…...

图论岛屿问题DFS+BFS

leetcode 200 岛屿问题 class Solution {//定义对应的方向boolean [][] visited;int dir[][]{{0,1},{1,0},{-1,0},{0,-1}};public int numIslands(char[][] grid) {//对应的二维数组int count0;visitednew boolean[grid.length][grid[0].length];for (int i 0; i < grid.l…...

Cypress web自动化windows环境npm安装Cypress

前言 web技术已经进化了&#xff0c;web的测试技术最终还是跟上了脚步&#xff0c;新一代的web自动化技术出现了&#xff1f; Cypress可以对在浏览器中运行的任何东西进行快速、简单和可靠的测试。 官方地址https://www.cypress.io/,详细的文档介绍https://docs.cypress.io/g…...

CentOS7.9设置ntp时间同步

文章目录 应用场景基础知识操作步骤 应用场景 我们公司是做智慧交通的&#xff0c;主要卖交通相关的硬件和软件。硬件包括信号机、雷达、雷视、边缘盒子等&#xff0c;软件包括信控平台、管控平台等信号机设备、雷达设备、边缘计算单元等&#xff0c;还有一些第三方的卡口设备…...

36、springboot --- 对 tomcat服务器 和 undertow服务器 配置访客日志

springboot 配置访客日志 ★ 配置访客日志&#xff1a; 访客日志&#xff1a; Web服务器可以将所有访问用户的记录都以日志的形式记录下来&#xff0c;主要就是记录来自哪个IP的用户、在哪个时间点、访问了哪个资源。 Web服务器可将所有访问记录以日志形式记录下来&#xff…...

MySQL表的增删改查

文章目录 MySQL表的增删改查1. Create1.1 单行数据插入1.2 多行数据插入1.3 插入否则更新1.4 替换 2. Retrieve2.1 SELECT 列2.1.1 全列查询2.1.2 指定列查询2.1.3 查询字段为表达式2.1.4 为查询结果指定别名2.1.5 结果去重 2.2 WHERE 条件2.2.1 英语不及格的同学及英语成绩(&l…...

yolov3

yolov1 传统的算法 最主要的是先猜很多候选框&#xff0c;然后使用特征工程来提取特征&#xff08;特征向量&#xff09;,最后使用传统的机器学习工具进行训练。然而复杂的过程可能会导致引入大量的噪声&#xff0c;丢失很多信息。 从传统的可以总结出目标检测可以分为两个阶…...