概率与数理统计-3-随机变量的分布函数.pptxVIP

概率与数理统计-3-随机变量的分布函数汇报人：AA2024-01-20

随机变量及其分布函数概念常见离散型随机变量分布常见连续型随机变量分布随机变量函数的分布多维随机变量及其分布大数定律与中心极限定理简介

随机变量及其分布函数概念01

随机变量定义与性质定义随机变量是定义在样本空间上的实值函数，它将样本空间中的每一个样本点映射到一个实数。性质随机变量具有可测性，即对于任意实数x，随机变量的取值小于等于x的事件是一个可测事件。

定义分布函数是描述随机变量取值概率的函数，对于任意实数x，分布函数F(x)表示随机变量取值小于等于x的概率。性质分布函数具有单调不减性、右连续性以及取值范围在0和1之间等性质。分布函数定义及性质

离散型随机变量：取值可数的随机变量称为离散型随机变量，如投掷一枚骰子得到的点数。连续型随机变量：取值充满某个区间的随机变量称为连续型随机变量，如测量某物体的长度得到的数值。区别与联系：离散型随机变量和连续型随机变量的主要区别在于取值方式的不同，离散型随机变量取值可数，而连续型随机变量取值充满某个区间。在实际应用中，离散型随机变量和连续型随机变量往往可以相互转化。例如，当测量精度足够高时，连续型随机变量可以近似看作离散型随机变量；反之，当离散型随机变量的取值范围足够大且分布均匀时，也可以近似看作连续型随机变量。离散型与连续型随机变量

常见离散型随机变量分布02

分布律$P{X=k}=p^k(1-p)^{1-k},k=0,1$期望$E(X)=p$方差$D(X)=p(1-p)$0-1分布

03方差$D(X)=np(1-p)$01分布律$P{X=k}=C_n^kp^k(1-p)^{n-k},k=0,1,2,...,n$02期望$E(X)=np$二项分布

期望$E(X)=lambda$方差$D(X)=lambda$分布律$P{X=k}=frac{lambda^k}{k!}e^{-lambda},k=0,1,2,...$泊松分布

$P{X=k}=(1-p)^{k-1}p,k=1,2,...$分布律$E(X)=frac{1}{p}$期望几何分布与超几何分布

方差：$D(X)=\frac{1-p}{p^2}$几何分布与超几何分布

超几何分布分布律：$P{X=k}=frac{C_M^kC_{N-M}^{n-k}}{C_N^n},k=max{0,n+M-N},...,min{n,M}$几何分布与超几何分布

几何分布与超几何分布$E(X)=frac{nM}{N}$期望$D(X)=frac{nM}{N}left(1-frac{M}{N}right)left(1-frac{n}{N}right)$方差

常见连续型随机变量分布03

定义性质应用均匀分布在区间[a,b]内，若随机变量X的概率密度函数为f(x)=1/(b-a)，则称X服从[a,b]上的均匀分布，记为X~U[a,b]。均匀分布具有等可能性，即每个子区间上的概率只与子区间的长度有关，而与子区间在[a,b]中的位置无关。常用于描述在某一区间内等可能出现的随机现象，如掷骰子、抽签等。

指数分布常用于描述等待时间、寿命等连续型随机变量，如电子元件的寿命、电话通话时间等。应用若随机变量X的概率密度函数为f(x)=λe^(-λx)，x0，其中λ0为常数，则称X服从参数为λ的指数分布，记为X~E(λ)。定义指数分布具有无记忆性，即无论过去多长时间，未来某一时刻发生事件的概率只与从现在到那一刻的时间间隔有关。性质

定义若随机变量X的概率密度函数为f(x)=(1/√(2πσ^2))e^[-(x-μ)^2/(2σ^2)]，其中μ和σ^2分别为X的均值和方差，则称X服从参数为μ和σ^2的正态分布，记为X~N(μ,σ^2)。性质正态分布具有对称性、集中性和可加性。其图形呈钟形曲线，关于直线x=μ对称；当σ较小时，曲线较为陡峭；当σ较大时，曲线较为平缓。应用正态分布是概率论与数理统计中最重要的连续型分布之一。在自然现象和社会现象中，大量随机变量都服从或近似服从正态分布。例如测量误差、产品质量、人的身高和体重等。正态分布

β分布在区间[0,1]内定义的一种连续型分布，常用于描述比例数据的分布情况。γ分布具有两个参数的连续型分布，常用于描述等待时间、服务时间等随机变量的分布情况。Weibull分布具有三个参数的连续型分布，可描述多种不同类型的寿命数据分布情况。其他连续型分布030201

随机变量函数的分布04

通过变换法则或概率加法定理，可以求出离散型随机变量函数的分布律。分布律的求法如二项分布、泊松分布等，它们的函数分布可以通过组合数学或概率生成函数等方法求得。常见离散型随机变量的分布离散型随机变量函数的分布具有一些重要性质，如无记忆性、可加性等。分布的性质离散型随机变量函数的分布

常见连续型随机