概率补充培训教案.pptVIP

(1) 定义: 设每次试验出现 k个可能结果A1,….,Ak之一，且出现 Ai 的概率为pi。在n次独立试验中，令Yi 表示第i个结果出现的次数， Y=(Y1,…,Yk)，则 Y 服从多项分布，即 (4). 多项分布 ----- k＝2对应二项分布 X 的概率密度为 其期望和方差分别为 (5). 随机变量 X 在区间(a,b)上服从均匀分布U(a,b) 均匀分布U(0,1)在 随机模拟中起着特殊的作用. 若Y有严格单调上升的分布函数F(y),令X=F(Y), 则X~U(0,1) 若Z~U(0,1), F为任一严格单调上升的分布函数, F-1为其反函数,令W=F-1(Z), 则W的分布函数为F(w) 利用上述关系,可以产生各种常见分布的随机数. 在Bayes统计中，均匀分布常用做无先验信息时未知参数先验分布. X 的概率密度为 其期望和方差分别为 (6). 随机变量 X 服从指数分布E(?) X 的概率密度为 其期望和方差分别为 (7). 随机变量 X 服从正态分布N(?, ?2) (8). Cauchy分布 (1) 定义: 具有下列概率密度的随机变量称为Cauchy分布， 注：上述Cauchy分布关于m是对称的，但它不存 在均值和方差。Cauchy分布也因此而闻名。 则 X 的分布称为k 维正态分布，记为Nk(?, ? )，此时k 阶方阵 ? 为正定矩阵，并有 (1)定义: 对于 k 维随机变量 X=(X1,…, Xk )T，若其具有如下概率密度： (9). 多维正态分布 多元正态分布的性质 多元正态分布的随机变量的线性组合服从正态分布，即若X~ Nk(?, ? ) , A为k?k的矩阵，则AX~Nk(A?, A?AT ); 它的边缘分布仍为正态分布； 该随机变量可以通过正交变换得到新的变量，该变量的各个分量是相互独立的，即A?AT 为对角矩阵。 (10). Gamma分布 (1)定义: 具有下列概率密度的随机变量称为服从 Gamma 分布，记为X~? (?, ?). 来定义. 其中Gamma函数 ? (?)通过积分 (2) 性质 ? (1, ?)即为参数是?的指数分布; E(X)= ? /?, D(X)= ? /?2, E(Xk)= ?(?+k)/[?k?(?)]; 可加性：关于参数 ? 可加，即 Gamma分布也可以? =1/?为分布参数，这时对应的概率密度为 11. Beta分布 来定义. 其中Beta函数B (a, b)通过积分 (1) 定义: 具有下列概率密度的随机变量称为服从Beta 分布，记为 X~? (a, b) (2) 性质 ? (1, 1) 即为是（0, 1）上的均匀分布 若 X ~ ?(a, b)，则 二项分布的分布函数可用Beta分布的分布函数表示 令B(x , n , p )表示二项分布B(n , p)的分布函数 Ix(a , b)表示? (a, b)的分布函数, 则有B(x , n , p)=1- I p([x]+1,n-[x]) 概率知识补充 0 随机变量分布函数的定义 对随机变量X, 称 x 的函数 为 X 的概率分布函数, 简称为分布函数 定义 设X是离散型随机变量，它的分布律为: P(X=xk)=pk , k=1,2,… 如果 绝对收敛，则称它为X的数学期望 或均值，记为E(X), 即 若 发散，则称X 的数学期望不存在。 1 离散型随机变量的数学期望 定义 设X是离散型随机变量，它的分布律为: P(X=xk)=pk , k=1,2,… 如果 绝对收敛， 则g(X)的数学期望存在，且 注：数学期望是一个实数，体现了随机变量取 值的概率平均（即数学期望是平均值） 设二维离散型随机变量(X, Y)的联合分布律为 绝对收敛 若 则g(X,Y)的数学期望存在，而且有 定义 设X是连续型随机变量，其密度函数为 f (x), 如果 有限, 定义X的数学期望为 若 则称 X 的数学期望不存在 2 连续型随机变量的数学期望 定义 设X是连续型随机变量，其密度函数为 f (x), 绝对收敛 则g(X)的数学期望存在，且 如果 设二维连续型随机变量(X, Y)的联合密度为 f (x, y), 且Z= g(X,Y)也是连续型随机变量， 绝对收敛 则 Z 的数学期望存在，而且有 若 3. 方差 定义 设随机变量X的数学期望为E(X), 若E(X-E(X))2存在, 则称它为