概率论与数理统计第四章_几种重要的分布剖析

《概率论与数理统计》第四章 随机变量的数字特征考点33 离散型随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.设X 是离散型随机变量,概率分布为P {X =x i }=p i ,i =1,2,…。

则∑∞==1)(i i ip x X E 为X 的数学期望(或均值)。

2.常用离散型随机变量的数学期望（1）两点分布：X ∼B(1,p),0<p<1，则E(X)=p 。

（2）二项分布：X ∼B(n,p)，其中0<p<1，则E(X)=np 。

（3）泊松分布:X ∼P(λ)，其中λ>0，则E(X)=λ。

考点34 连续型随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.设X 是连续型随机变量，则称⎰∞∞-=dx x f x X E )()(为X 的数学期望。

2. 常用连续型随机变量的数学期望（1）均匀分布若X~U[a,b],即X 服从[a,b]上的均匀分布,则； 21)()(b a dx a b x dx x xf X E b a +=-==⎰⎰+∞∞- （2）指数分布若X 服从参数为λ的指数分布，则 ； /1)(0λλλ⎰+∞-==dx e x X E x 正态分布若X 服从),(2s µN ，则.)(μ=X E考点35 二维随机变量的数学期望（★★二级考点，选择、填空、计算、综合）1.二维离散型随机变量的数学期望：设二维离散型随机向量(X,Y)的概率分布为p ij ,i=1,2,⋯，j=1,2,⋯.则：.),()],([11åå¥=¥==i j ij j i p y x g Y X g E2. 二维连续型随机变量的数学期望：设二维连续型随机向量(X,Y)的密度函数为f(x,y),则:. ),(),()],([dxdy y x f y x g Y X g E òò¥¥-¥¥-=考点36 数学期望的性质（★★★一级考点，选择、填空）(1).设C 是常数，则E(C)=C;E(C)=C ×1=C(2).若k 是常数，则E(kX)=kE(X);(3).E(X+Y)=E(X)+E(Y);(4).设X,Y 相互独立，则E(XY)=E(X)E(Y);考点37 方差的概念（★★二级考点，选择、填空）1.方差的概念:设X 是一随机变量，若E [X -E (X )]2 存在,则称其为X 的方差，记成Var(X )，即Var(X )=E {[X -E (X )]2} 并称)(X Var 为X 的标准差。

概率论与数理统计中的三种重要分布摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。

因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。

关键词：二项分布；Poisson 分布；正态分布；定义；性质一、二项分布二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生这种分布的重要现实源泉是所谓的伯努利试验。

（一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布)1．泊努利试验在许多实际问题中，我们感兴趣的是某事件A 是否发生。

例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。

在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。

为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = ()q p A P =-=1。

2．泊努利分布定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数，则⎪⎪⎭⎫⎝⎛ξp q 10~，称ξ服从参数为)10(<<p p 的Bernoulli 分布或两点分布，记为：),1(~p B ξ。

（二）二项分布[Binomial distribution]把一重Bernoulli 试验E 独立地重复地进行n 次得到n 重Bernoulli 试验。

定义：在n 重Bernoulli 试验中，设(),()1P A p P A q p ===-若以ξ记事件A 发生的次数，则ξ为一随机变量，且其可能取值为n ,,2,1,0 ，其对应的概率由二项分布给出：{}k n kk n p p C k P --==)1(ξ，n k ,,3,2,1,0 =，则称ξ服从参数为)10(,<<p p n 的二项分布，记为),(~p n B ξ。

概率论与数理统计期末复习重要知识点第二章知识点：1.离散型随机变量：设X 是一个随机变量，如果它全部可能的取值只有有限个或可数无穷个，则称X 为一个离散随机变量。

2.常用离散型分布：（1）两点分布（0-1分布）：若一个随机变量X 只有两个可能取值，且其分布为12{},{}1(01)P X x p P X x pp ====-<<，则称X 服从12,x x 处参数为p 的两点分布。

两点分布的概率分布：12{},{}1(01)P X x p P X x pp ====-<<两点分布的期望：()E X p =；两点分布的方差：()(1)D X p p =-（2）二项分布：若一个随机变量X 的概率分布由式{}(1),0,1,...,.k kn k n P x k C p p k n -==-=给出，则称X 服从参数为n,p 的二项分布。

记为X~b(n,p)(或B(n,p)). 两点分布的概率分布：{}(1),0,1,...,.k kn k n P x k C p p k n -==-=二项分布的期望：()E X np =；二项分布的方差：()(1)D X np p =-（3）泊松分布：若一个随机变量X 的概率分布为{},0,0,1,2,...!kP X k ek k λλλ-==>=，则称X 服从参数为λ的泊松分布，记为X~P (λ)泊松分布的概率分布：{},0,0,1,2,...!kP X k ek k λλλ-==>=泊松分布的期望：()E X λ=；泊松分布的方差：()D X λ=4.连续型随机变量：如果对随机变量X 的分布函数F(x)，存在非负可积函数()f x ，使得对于任意实数x ，有(){}()xF x P X x f t dt-∞=≤=⎰，则称X 为连续型随机变量，称()f x 为X 的概率密度函数，简称为概率密度函数。

5.常用的连续型分布：（1）均匀分布：若连续型随机变量X 的概率密度为⎪⎩⎪⎨⎧<<-=其它,0,1)(bx a a b x f ，则称X 在区间（a,b ）上服从均匀分布，记为X~U(a,b)均匀分布的概率密度：⎪⎩⎪⎨⎧<<-=其它,0,1)(b x a a b x f 均匀分布的期望：()2a bE X +=；均匀分布的方差：2()()12b a D X -= （2）指数分布：若连续型随机变量X 的概率密度为00()0xe xf x λλλ-⎧>>=⎨⎩，则称X 服从参数为λ的指数分布，记为X~e (λ)指数分布的概率密度：00()0xe xf x λλλ-⎧>>=⎨⎩指数分布的期望：1()E X λ=；指数分布的方差：21()D X λ=（3）正态分布：若连续型随机变量X的概率密度为22()2()x f x x μσ--=-∞<<+∞则称X 服从参数为μ和2σ的正态分布，记为X~N(μ,2σ)正态分布的概率密度：22()2()x f x x μσ--=-∞<<+∞正态分布的期望：()E X μ=；正态分布的方差：2()D X σ=（4）标准正态分布：20,1μσ==，2222()()x t xx x e dtϕφ---∞=⎰标准正态分布表的使用： （1）()1()x x x φφ<=--（2）~(0,1){}{}{}{}()()X N P a x b P a x b P a x b P a x b b a φφ<≤=≤≤=≤<=<<=-（3）2~(,),~(0,1),X X N Y N μμσσ-=故(){}{}()X x x F x P X x P μμμφσσσ---=≤=≤={}{}()()a b b a P a X b P Y μμμμφφσσσσ----<≤=≤≤=-定理1： 设X~N(μ,2σ),则~(0,1)X Y N μσ-=6.随机变量的分布函数： 设X 是一个随机变量，称(){}F x P X x =≤为X 的分布函数。

概率论与数理统计总结之第四章第四章概率论与数理统计总结第四章是概率论与数理统计中的重要章节，主要介绍了概率分布以及随机变量的性质和应用。

本章内容相对较为复杂，需要掌握一定的数学基础知识，但是只要我们认真学习并进行实践，就能够掌握其中的核心概念和方法。

本章的重点内容包括：离散型随机变量及其概率分布、连续型随机变量及其概率密度函数、随机变量的函数分布、两个随机变量的联合分布、随机变量的独立性等。

首先，我们需要了解离散型随机变量及其概率分布。

离散型随机变量是一种取有限或可数个数值的随机变量，其概率分布可以通过概率分布列或概率质量函数进行描述。

常见的离散型随机变量有二项分布、泊松分布等。

我们需要掌握这些分布的定义、性质以及应用，能够计算其均值、方差以及分布函数等。

接着，我们学习了连续型随机变量及其概率密度函数。

连续型随机变量是一种取连续数值的随机变量，其概率分布可以通过概率密度函数进行描述。

常见的连续型随机变量有均匀分布、正态分布等。

我们需要了解这些分布的定义、性质以及应用，能够计算其期望、方差以及分位数等。

随后，我们学习了随机变量的函数分布。

通过对随机变量进行函数变换，可以得到新的随机变量，其概率分布可以通过原始随机变量的概率分布进行推导。

我们需要了解函数分布的计算方法，能够根据随机变量的分布函数和概率密度函数计算新的随机变量的分布函数和概率密度函数。

然后，我们学习了两个随机变量的联合分布。

对于两个随机变量，我们可以通过联合分布来描述它们的联合概率分布。

对于离散型随机变量，我们可以通过联合分布列来描述；对于连续型随机变量，我们可以通过联合概率密度函数来描述。

我们需要掌握联合概率分布的计算方法，能够计算两个随机变量的联合概率、边缘概率以及条件概率等。

最后，我们学习了随机变量的独立性。

当两个随机变量的联合概率分布可以通过各自的边缘概率分布表示时，我们称它们是独立的。

我们需要了解独立性的定义和性质，能够判断两个随机变量是否独立，并能够计算独立随机变量的联合概率分布。

四大分布简述一、正态分布1. 概述正态分布又名常态分布。

高斯在研究误差理论时曾用它来刻画误差，故很多文献中亦称之为高斯分布。

正态分布是概率论中最重要的分布，并有极其广泛的实际背景，很多随机变量的概率分布都可以近似地用正态分布来描述。

统计学中的三大分布（2χ分布、t分布和F分布）均是由它导出的。

2. 定义如果随机变量X的概率密度为()222(),xμσφx x--=-∞<<+∞则称X服从正态分布，记作2~(,)X Nμσ，其中，μ为随机变量X的数学期望，σ为随机变量X的标准差。

特别地，当0μ=，1σ=时，有22(),xφx x-=-∞<<+∞相应的正态分布(0,1)N称为标准正态分布。

标准正态分布的重要性在于，任何一个普通的正态分布都可以通过线性变换转化为标准正态分布。

标准化过程为若2~(,)X Nμσ，则(0,1)XμZ~Nσ-=。

3. 性质和特点1)正态分布的概率密度函数的图像为钟形，关于xμ=对称。

2)标准差σ决定正态曲线的陡峭或扁平程度。

σ越小，曲线越高狭；σ越大，曲线越低阔。

3)普遍性：一个变量如果收到大量的独立因素的影响（无主导因素），则它一般服从正态分布。

4. 应用1) 估计频数分布。

2) 制定参考值范围。

3) 质量控制：3σ准则。

4) 二项分布、t 分布等的正态近似计算。

5) 正态分布是许多统计方法的理论基础。

检验、方差分析、相关和回归分析等多种统计方法均要求分析的指标服从正态分布。

二、2χ分布1. 概述2χ分布是由海尔默特（Hermert ）和皮尔逊（Pearson ）分别于1875年和1900年推导出来的。

2. 定义设随机变量12,,,n X X X 相互独立，且()1,2,,=i X i n 服从标准正态分布(0,1)N ，则它们的平方和21=∑n i i X 服从自由度为n 的2χ分布，记作2()χn 。

3. 性质和特点1) 2χ分布的密度函数在第一象限内呈正偏态（右偏态）。