成考（专升本）高数（二）常见随机变量分布

成考（专升本）高数（二）常见随机变量分布目录CONTENTS01随机变量分布概述03连续型随机变量分布02离散型随机变量分布04随机变量的联合分布01随机变量分布概述随机变量的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个结果映射到一个实数随机变量的取值是不确定的，具有概率性质随机变量的分类随机变量分为离散型和连续型离散型随机变量取值为可数个连续型随机变量取值为不可数个随机变量的性质随机变量的取值具有随机性随机变量的概率分布是完全可知的随机变量的期望和方差是确定的随机变量的应用在统计学中用于描述数据分布在概率论中用于构建数学模型在实际应用中用于风险评估和决策随机变量的概念累积分布函数累积分布函数（CDF）是概率分布函数的累积形式描述随机变量取值小于或等于某值的概率CDF可以用于计算随机变量的分位数03概率分布的类型常见的离散型分布包括二项分布、泊松分布等常见的连续型分布包括均匀分布、正态分布等混合型分布包括离散和连续的组合02概率分布的数学期望与方差数学期望是随机变量的平均取值方差是随机变量取值波动程度的度量期望和方差是描述随机变量分布特征的常用参数04概率分布的定义概率分布描述了随机变量取各个值的概率对于离散型随机变量，是概率质量函数对于连续型随机变量，是概率密度函数01概率分布的基本概念独立随机变量的性质可以通过卡方检验、t检验等方法进行独立性检验通过比较相关系数也可以判断随机变量的独立性实际应用中，独立性检验是判断变量关系的重要手段独立性检验方法独立性简化了多变量概率分布的计算在假设检验中，独立性是重要的前提之一在数据分析和机器学习中，独立性常用于特征选择独立性在概率分布中的应用若两个随机变量的概率分布不相互影响，则它们是独立的独立性是对多个随机变量之间关系的描述独立随机变量的联合分布等于边缘分布的乘积独立性的定义独立随机变量的组合保持独立性独立随机变量的期望和方差具有可加性独立随机变量的函数也保持独立性随机变量的独立性02离散型随机变量分布伯努利分布的定义伯努利分布是描述一次伯努利试验结果的分布仅有两个可能结果：成功（1）或失败（0）成功的概率为p，失败的概率为1-

p伯努利分布的性质只有两个参数：p和1-

p期望值为p方差为p(1-

p)伯努利分布的应用抛硬币试验质量检测中的合格与否生物学中的基因表达伯努利分布的计算概率质量函数为P(X=k)

=

p^k

*

(1-

p)^(1-

k)，k为0或1期望值E(X)

=

p方差Var(X)

=

p(1-

p)伯努利分布二项分布的性质二项分布的计算二项分布的定义二项分布的应用参数为n和p期望值为np方差为np(1-

p)概率质量函数为P(X=k)

=

C(n,

k)

*

p^k

*

(1-

p)^(n-

k)期望值E(X)

=

np方差Var(X)

=

np(1-

p)二项分布描述了n次独立的伯努利试验中成功的次数每次试验成功的概率为p结果为离散的非负整数抛硬币试验中多次抛掷出现正面的次数质量检测中多次检测合格的产品数生物学中多次试验中特定事件发生的次数01020304二项分布超几何分布的定义超几何分布描述了从有限个对象中抽取若干个对象的成功次数成功和失败是预先定义的抽取是不放回的超几何分布的性质参数为N（总对象数）、K（成功对象数）和n（抽取对象数）期望值为n*k/N方差为nk(N-

n)*(N-

k)/N^2超几何分布的应用质量检测中的批量检验抽奖活动中的中奖概率生物学中的基因频率估计超几何分布的计算概率质量函数为P(X=k)

=

(C(K,

k)

*

C(N-

K,

n-

k))

/

C(N,

n)期望值E(X)

=

n*k/N方差Var(X)

=

nk(N-

n)*(N-

k)/N^2超几何分布泊松分布描述了在固定时间或空间内发生的独立事件的次数事件发生的平均速率是λ结果为非负整数01泊松分布的定义参数为λ期望值为λ方差为λ02泊松分布的性质电话呼叫次数交通流量中的车辆数质量检测中的缺陷数03泊松分布的应用概率质量函数为P(X=k)

=

(λ^k

*

e^(-

λ))

/

k!期望值E(X)

=

λ方差Var(X)

=

λ04泊松分布的计算泊松分布03连续型随机变量分布均匀分布的定义均匀分布是指数值在某一区间内任意两点等概率出现的分布在该区间内，随机变量的概率密度函数为常数数学表达为

U(a,

b)，其中

a

和

b

分别是区间的下限和上限均匀分布的性质在任何等长度的子区间中，随机变量取值的概率相同均匀分布的期望值为

(a+b)/2，方差为

(b-

a)^2/12离散程度相对较高，即数据分布较为分散均匀分布的应用用于模拟在某个区间内完全随机的现象在计算机模拟和统计抽样中经常使用在某些假设检验中作为基础分布均匀分布的计算计算概率密度函数

f(x)

=

1/(b-

a)，对于

a

≤

x

≤

b计算累积分布函数

F(x)

=

(x-

a)/(b-

a)，对于

a

≤

x

≤

b计算分位数，如中位数、分位数等均匀分布正态分布是一种以均值为中心，数据呈钟形对称分布的连续分布其概率密度函数的图形为钟形曲线，两端逐渐接近水平轴，但永远不会接触通常用

N(μ,

σ^2)

表示，其中

μ

是均值，σ^2

是方差数据分布关于均值对称大约68%的数据在

μ±σ

内，95%在

μ±2σ

内，99.7%在

μ±3σ

内方差决定了分布的宽度，均值决定了分布的中心位置在自然科学和社会科学的许多领域中广泛存在用于质量控制和生产过程分析在统计学中，许多统计方法和理论都是基于正态分布的计算概率密度函数

f(x)

=

(1/(σ√(2π)))

*

exp(-

((x-

μ)^2)/(2σ^2))计算累积分布函数

F(x)，通常查表或使用计算机软件计算分位数，如中位数、分位数等，通常使用标准正态分布转换正态分布01020304指数分布的定义指数分布是描述独立随机事件发生时间的连续概率分布其概率密度函数是单调递减的指数函数通常用

Exp(λ)

表示，λ

是事件发生率指数分布的性质无记忆性，即事件发生的时间间隔与过去无关均值为

1/λ，方差为

1/λ^2在可靠性分析和排队理论中非常重要指数分布的应用用于计算设备故障的平均时间间隔用于分析客户等待服务的时间在排队理论和随机过程分析中应用广泛指数分布的计算计算概率密度函数

f(x)

=

λ

*

exp(-

λx)，对于

x

≥

0计算累积分布函数

F(x)

=

1

-

exp(-

λx)，对于

x

≥

0计算分位数，如中位数、分位数等指数分布对数正态分布是随机变量的对数服从正态分布的连续分布当一个随机变量的对数是正态分布时，该随机变量就是对数正态分布通常用

LogN(μ,

σ^2)

表示对数正态分布的定义用于描述股票价格、金融资产收益等用于生物和医学领域，如细胞大小、药物浓度等在环境科学中描述某些污染物浓度的分布对数正态分布的应用数据分布右侧尾部较长均值、方差和中位数不等于正态分布的参数

μ

和

σ在金融和生物学等领域常见对数正态分布的性质3.4对数正态分布的计算对数正态分布04随机变量的联合分布二维随机变量是指两个随机变量的组合组合的每个分量可以是任意类型的随机变量二维随机变量可以描述两个事件之间的关系二维随机变量的定义条件分布描述了一个随机变量在另一个随机变量取定值时的分布条件分布可以通过联合分布和边缘分布计算得到它反映了在给定一个事件发生的条件下另一个事件的概率二维随机变量的条件分布分布函数描述了二维随机变量取值的概率它是两个变量取值都不大于某值的概率分布函数满足一定的性质，如单调性和规范性二维随机变量的分布函数边缘分布是指二维随机变量中单个随机变量的分布可以通过联合分布得到边缘分布边缘分布反映了单个随机变量的概率特性二维随机变量的边缘分布二维随机变量多维随机变量的定义多维随机变量的分布函数多维随机变量的边缘分布多维随机变量的条件分布多维随机变量是指两个以上随机变量的组合每个分量可以是任意类型的随机变量多维随机变量用于描述多个事件之间的关系分布函数描述了多维随机变量取值的概率它是所有变量取值都不大于某值的概率分布函数具有多变量情况下的性质边缘分布是指多维随机变量中单个随机变量的分布可以通过联合分布得到边缘分布边缘分布反映了单个随机变量的概率特性条件分布描述了在给定部分随机变量取值时其他随机变量的分布它可以通过联合分布和边缘分布计算得到条件分布反映了条件下的概率关系多维随机变量相关系数的定义相关系数是衡量两个随机变量线性相关程度的指标其值介于-

1和1之间相关系数为0表示两个变量线性无关相关系数的计算相关系数通过协方差和随机变量的标准差计算计算公式涉及两个随机变量的方差和协方差相关系数的绝对值越接近1，相关性越强相关系数在概率分布中的应用相关系数可以用来分析随机变量的相关性它在多元统计分析中有着重要作用相关系数可以用于预测变量之间的关系相关系数的性质相关系数具有对称性相关系数不随变量单位的改变而改变相关系数仅能反映线性关系随机变量的相关性独立性指一个随机变量的取值不受其他随机变量影响独立的随机变量联合分布等于边缘分布的乘积独立性是概率论中的一个重要概念01独立性的定义独立性可以简化复杂概率问题的计