【概率论与数理统计】第二章 随机变量及其分布(3)

第二章 随机变量及其分布

3 连续型随机变量及其概率密度

3.1 连续型随机变量及其概率密度

前面已经多次提到连续型随机变量，下面给出定义：

定义8：对于随机变量$X$的分布函数$F(x)$，存在非负数$f(x)$使得对于任意实数$x$有：$F(x)={\int }_{-\infty }^{x}f(t)dt$；则称$X$为连续型随机变量，并称$f(x)$是$X$的概率密度函数，简称概率密度。

补充高等数学知识：$F(x)={\int }_{-\infty }^{x}f(t)dt$的计算方法：

1.找到$f(t)$对应的原函数$g(t)$，即$g(t)的导函数g^{\prime }(t)=f(t)$；

2.根据积分${\int }_{-\infty }^x$给出的积分上限$x$和积分下限$-\infty$带入$g(t)$；并计算$g(x)-g(-\infty )$；

3.计算结果即为$F(x)$。

上述积分等式，我们通过高等数学的知识，当$f(x)$可积时，连续型随机变量的分布函数$F(x)$是连续函数，进一步，对任意的实数$x$，$\Delta x>0$有： 0 ≤ P { X = x } ≤ P { x − Δ x < X ≤ x } = F ( x ) − F ( x − Δ x ) 0 \le P\{X=x\} \le P\{x - \Delta x \lt X \le x\} = F(x) - F(x-\Delta x) 0≤P{X=x}≤P{x−Δx<X≤x}=F(x)−F(x−Δx)

由于$F(x)$为连续函数，令$\Delta \to 0$，则 P { X = x } = 0 P\{X = x\} = 0 P{X=x}=0；即连续型随机变量得某一指定点取值的概率为0.

有定义8和分布函数的性质可得下列概率密度的性质：

(1) $f(x)\ge 0$

(2) ${\int }_{-\infty }^{+\infty }f(x)dx=1$

且满足以上两条性质的函数一定是某个连续型随机变量的概率密度。

(3) P { a < X ≤ b } = F ( b ) − F ( a ) = ∫ a b f ( x ) d x P\{a \lt X \le b\} = F(b) - F(a) = \int_{a}^{b} f(x)dx P{a<X≤b}=F(b)−F(a)=∫ab​f(x)dx

(4) 设$x$是$f(x)$的连续点，则$F^{\prime }(x)$存在，且：$F^{\prime }(x)=f(x)$ $★★★★★$

根据积分的几何意义，性质(2)意为介于曲线$y=f(x)$与$x$轴之间的面积为1；

由性质(3)知$X$落在区间$(a,b]$的概率 P { a < x < b } P\{a \lt x \lt b\} P{a<x<b}就是由曲线$y=f(x),x=a,x=b$围成的曲边梯形的面积，如图阴影部分所示：

由性质(4)，在$f(x)$的连续点$x$处有：

f ( x ) = lim ⁡ Δ x → 0 + F ( x + Δ x ) − F ( x ) Δ x = lim ⁡ Δ x → 0 + P { x < X ≤ x + Δ x } Δ x f(x) = \lim_{\Delta x \to 0^+} \frac{F(x + \Delta x) - F(x)}{\Delta x} = \lim_{\Delta x \to 0^+} \frac{P\{x \lt X \le x+\Delta x\}}{\Delta x} f(x)=limΔx→0+​ΔxF(x+Δx)−F(x)​=limΔx→0+​ΔxP{x<X≤x+Δx}​

即$f(x)$为$X$落在区间$(x,x+\Delta x]$的概率与区间长度的比值。

从这里我们可以看到概率密度的定义与物理学中线密度的定义相似，这就是为什么称$f(x)$为概率密度的原因。

$★★★★★$例1：设随机变量$X$的概率密度为：
$$f(x)=\{\begin{array}{ll}ax,& 0\le x\le 1\\ 0,& 其他\end{array}$$
求：(1) 常数$a$； (2) 分布函数$F(x)$； (3) P { ∣ X ∣ ≤ 1 2 } P\{|X| \le \frac{1}{2}\} P{∣X∣≤21​}。

解：(1)由概率密度的性质${\int }_{-\infty }^{+\infty }f(x)dx=1$，得：

${\int }_{-\infty }^{+\infty }f(x)dx={\int }_{-\infty }^{0}0dx+{\int }_0^{1}axdx+{\int }_1^{+\infty }0dx=1$

$\because \ ax的一个原函数为 \frac{a}{2} x^2 $

即${\int }_0^{1}axdx=\frac{a}{2}{x}^2{|}_0^1=\frac{a}{2}{1}^2-\frac{a}{2}{0}^2=\frac{a}{2}=1$

$\therefore a=2$

(2) 当$x<0$时，$F(x)={\int }_{-\infty }^{x}f(t)dt=0,(t\in x)$

当$0\le x\le 1$时，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt+{\int }_0^{x}atdt={\int }_0^{x}2tdt=x^2{|}_0^x=x^2$

当$x>1$时，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt+{\int }_0^{1}atdt+{\int }_1^{x}0dt={\int }_0^{1}2tdt=t^2{|}_0^1=1$

这里教材上的积分下限为$+\infty$是错误的！！！

即$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}0,& x<0\\ x^2,& 0\le x\le 1\\ 1,& x>1\end{array}$$
(3) P { ∣ X ∣ ≤ 1 2 } = P { − 1 2 ≤ X ≤ 1 2 } = F ( 1 2 ) − F ( − 1 2 ) = 1 4 − 0 = 1 4 P\{|X| \le \frac{1}{2}\} = P\{-\frac{1}{2} \le X \le \frac{1}{2}\} = F(\frac{1}{2}) - F(-\frac{1}{2}) = \frac{1}{4} - 0 = \frac{1}{4} P{∣X∣≤21​}=P{−21​≤X≤21​}=F(21​)−F(−21​)=41​−0=41​

或者 P { ∣ X ∣ ≤ 1 2 } = ∫ − 1 2 1 2 f ( x ) d x = ∫ − 1 2 0 f ( x ) d x + ∫ 0 1 2 f ( x ) d x = ∫ − 1 2 0 0 d x + ∫ 0 1 2 a x d x = ∫ 0 1 2 2 x d x = x 2 ∣ 0 1 2 = 1 4 P\{|X| \le \frac{1}{2}\} = \int_{-\frac{1}{2}}^{\frac{1}{2}} f(x)dx = \int_{-\frac{1}{2}}^{0} f(x)dx + \int_{0}^{\frac{1}{2}} f(x)dx = \int_{-\frac{1}{2}}^{0} 0dx + \int_{0}^{\frac{1}{2}} axdx = \int_{0}^{\frac{1}{2}} 2xdx = x^2 |_{0}^{\frac{1}{2}} = \frac{1}{4} P{∣X∣≤21​}=∫−21​21​​f(x)dx=∫−21​0​f(x)dx+∫021​​f(x)dx=∫−21​0​0dx+∫021​​axdx=∫021​​2xdx=x2∣021​​=41​

例2：设随机变量$X$的概率密度为：
$$f(x)=\{\begin{array}{ll}x,& 0\le x<1\\ 2-x,& 1\le x<2\\ 0,& 其他\end{array}$$
求$X$的分布函数$F(x)$。

解：当$x<0$时，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt=0,t\in (x<0,即其他)$

当$0\le x<1$时，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt+{\int }_0^{x}tdt={\int }_0^{x}tdt=\frac{t^2}{2}{|}_0^x=\frac{x^2}{2}$

当$1\le x<2$时，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt+{\int }_0^{1}tdt+{\int }_1^x(2-t)dt=\frac{t^2}{2}{|}_0^1+(2t-\frac{1}{2}{t}^2){|}_1^x=-\frac{1}{2}{x}^2+2x+1$

当$x\ge 2$时，$F(x)={\int }_{-\infty }^{x}f(x)dx={\int }_{-\infty }^{0}0dt+{\int }_0^{1}tdt+{\int }_1^2(2-t)dt+{\int }_2^{x}0dt=0+\frac{t^2}{2}{|}_0^1+(2t-\frac{1}{2}{t}^2){|}_1^2+0=0+\frac{1}{2}+\frac{1}{2}+0=1$

即$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}0,& x<0\\ \frac{x^2}{2},& 0\le x<1\\ -\frac{1}{2}{x}^2+2x+1,& 1\le x<2\\ 1,& x\ge 2\end{array}$$

再啰嗦一句：无论哪个区间$F(x)={\int }_{-\infty }^{x}f(t)dt$；这是定义！！！！

例3：设连续随机变量$X$的分布函数为：
$$F(x)=\{\begin{array}{ll}0,& x\le 0\\ x^2,& 0<x<1\\ 1,& x\ge 1\end{array}$$
求：(1) $X$的概率密度$f(x)$； (2) $X$落入$(0.3,0.7)$的概率密度。

解：(1) 根据分布函数与概率密度函数的关系知：
$$f(x)=F^{\prime }(x)=\{\begin{array}{ll}2x,& 0<x<1\\ 0,& 其他\end{array}$$
(2) 有两种解法：

P { 0.3 < X < 0.7 } = F ( 0.7 ) − F ( 0.3 ) = 0. 7 2 − 0. 3 2 = 0.4 P\{0.3 \lt X \lt 0.7\} = F(0.7) - F(0.3) = 0.7^2 - 0.3^2 = 0.4 P{0.3<X<0.7}=F(0.7)−F(0.3)=0.72−0.32=0.4

或者：

P { 0.3 < X < 0.7 } = ∫ 0.3 0.7 f ( x ) d x = ∫ 0.3 0.7 2 x d x = x 2 ∣ 0.3 0.7 = 0.4 P\{0.3 \lt X \lt 0.7\} = \int_{0.3}^{0.7} f(x)dx = \int_{0.3}^{0.7} 2xdx = x^2|_{0.3}^{0.7} = 0.4 P{0.3<X<0.7}=∫0.30.7​f(x)dx=∫0.30.7​2xdx=x2∣0.30.7​=0.4

$★★★★★$例4：设某型号电子元件的寿命$X$(单位：h)具有以下概率密度：
$$f(x)=\{\begin{array}{ll}\frac{1000}{x^2},& x\ge 1000\\ 0,& 其他\end{array}$$
现有以下批次的此种元件（元件工作相互独立），问：

(1) 任取一只元件，求其寿命大于1500h的概率？

(2) 任取4只元件，其中恰好有2只元件的寿命大于1500h的概率？

(3) 任取4只元件，其中至少有1只元件的寿命大于1500h的概率？

解：(1) P { X > 1500 } = ∫ 1500 + ∞ 1000 x 2 d x = ( − 1000 x ) ∣ 1500 + ∞ = 2 3 P\{X \gt 1500\} = \int_{1500}^{+\infty} \frac{1000}{x^2} dx = (-\frac{1000}{x})|_{1500}^{+\infty} = \frac{2}{3} P{X>1500}=∫1500+∞​x21000​dx=(−x1000​)∣1500+∞​=32​

(2) 各元件工作独立，可以看作是进行4重伯努利试验，令$Y$表示"4个元件中寿命大于1500h的元件个数"，则$Y\sim B(4,\frac{2}{3})$；所有概率 P { Y = 2 } = C 4 2 ( 2 3 ) 2 ( 1 3 ) 2 = 8 27 P\{Y = 2\} = C_4^2 (\frac{2}{3})^2 (\frac{1}{3})^2 = \frac{8}{27} P{Y=2}=C42​(32​)2(31​)2=278​

(3) 所求概率为 P { Y ≥ 1 } = 1 − P { Y = 0 } = 1 − C 4 0 ( 2 3 ) 0 ( 1 3 ) 4 = 80 81 P\{Y \ge 1\} = 1 - P\{Y = 0\} = 1 - C_4^0 (\frac{2}{3})^0 (\frac{1}{3})^4 = \frac{80}{81} P{Y≥1}=1−P{Y=0}=1−C40​(32​)0(31​)4=8180​

3.2 均匀分布与指数分布

最常用的连续型概率分布有：均匀分布、指数分布和正态分布。

定义9：若随机变量$X$的概率密度为：
$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& 其他\end{array}$$
则称$X$服从区间$[a,b]$上的均匀分布，简记：$X\sim U(a,b)$。

容易求得分布函数：
$$F(x)=\{\begin{array}{ll}0,& x<a\\ \frac{x-a}{b-a},& a\le x\le b\\ 1,& x>b\end{array}$$

我这里还是补充下证明过程：

当$x<a$时；$F(x)={\int }_{-\infty }^{x}f(t)dt=0{|}_{-\infty }^x=0$ ；

当$a\le x\le b$时；$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{a}0dt+{\int }_a^x(\frac{1}{b-a})dt=0{|}_{-\infty }^a+\frac{1}{b-a}t{|}_a^x=\frac{x}{b-a}-\frac{a}{b-a}=\frac{x-1}{b-a}$

当$x>b$时；$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{a}0dt+{\int }_a^b(\frac{1}{b-a})dt+{\int }_b^{x}0dt=(\frac{1}{b-a}t){|}_a^b=1$

均匀分布的概率密度$f(x)$与分布函数$F(x)$的图像如下：

均匀分布的概率计算中有一个概率公式： $★★★★★$

设$X\sim U(a,b),a\le c<d\le b$即$[c,d]\subset [a,b]$，则： P { c ≤ X ≤ d } = d − c b − a P\{c \le X \le d\} = \frac{d-c}{b-a} P{c≤X≤d}=b−ad−c​。

使用这个公式计算均匀分布概率很方便，例如$X\sim U(0,3)$则 P { 1 ≤ X ≤ 2 } = 2 − 1 3 − 0 = 1 3 P\{1 \le X \le 2\} = \frac{2-1}{3-0} = \frac{1}{3} P{1≤X≤2}=3−02−1​=31​

均匀分布可能是实际问题中最常见的了。

$★★★★★$

例5：公共汽车站每个5分钟有一辆车通过，乘客再5分钟内任一时刻到达车站是等可能的，求乘客候车时间在1-3分钟内的概率。

解：设$X$表示乘客的候车时间；则$X\sim U(0,5)$，其概率密度为：
$$f(x)=\{\begin{array}{ll}\frac{1}{5},& 0\le x\le 5\\ 0,& 其他\end{array}$$
所求概率为： P { 1 ≤ x ≤ 3 } = 3 − 1 5 − 0 = 2 3 P\{1 \le x \le 3\} = \frac{3-1}{5-0} = \frac{2}{3} P{1≤x≤3}=5−03−1​=32​

定义10：若随机变量$X$的概率密度为：
$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$
其中$\lambda >0$是常数，则称$X$服从参数为$\lambda$的指数分布；简记：$X\sim E(\lambda )$；其分布函数为：
$$F(x)=\{\begin{array}{ll}1-e^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$
$f(x)$与$F(x)$的图像为：

指数分布常用作各种"寿命"相关的分布，有广泛的应用。

例6：设$X$服从$\lambda =1$的指数分布，求 P { X > 1 } P\{X \gt 1\} P{X>1}。

解：$X$的概率密度为为：
$$f(x)=\{\begin{array}{ll}{e}^{-x},& x>0\\ 0,& x\le 0\end{array}$$
方法一： P { X > 1 } = ∫ 1 + ∞ f ( t ) d t P\{X \gt 1\} = \int_{1}^{+\infty}f(t)dt P{X>1}=∫1+∞​f(t)dt；因为$x>0时，fx()=e^{-x}$，因此：

P { X > 1 } = ∫ 1 + ∞ f ( t ) d t = ∫ 1 + ∞ e − t d t = − e − t ∣ 1 + ∞ = e − 1 P\{X \gt 1\} = \int_{1}^{+\infty}f(t)dt = \int_{1}^{+\infty} e^{-t}dt = -e^{-t} | _{1}^{+\infty} = e^{-1} P{X>1}=∫1+∞​f(t)dt=∫1+∞​e−tdt=−e−t∣1+∞​=e−1。

方法二： P { X > 1 } = 1 − P { X ≤ 1 } P\{X \gt 1\} = 1 - P\{X \le 1\} P{X>1}=1−P{X≤1}；根据定义7：分布函数的定义得

P { X > 1 } = 1 − P { X ≤ 1 } = 1 − F ( 1 ) = 1 − [ ∫ − ∞ 0 f ( t ) d t + ∫ 0 1 f ( t ) d t ] = 1 − [ 0 + ( − e − t ) ∣ 0 1 ] = 1 − ( − e − 1 − ( − e − 0 ) ) = e − 1 P\{X \gt 1\} = 1 - P\{X \le 1\} = 1 - F(1) = 1 - [ \int_{-\infty}^{0}f(t)dt + \int_{0}^{1}f(t)dt] = 1 - [0 + (-e^{-t}) | _{0}^{1}] = 1 - (-e^{-1} - (-e^{}-0)) = e^{-1} P{X>1}=1−P{X≤1}=1−F(1)=1−[∫−∞0​f(t)dt+∫01​f(t)dt]=1−[0+(−e−t)∣01​]=1−(−e−1−(−e−0))=e−1

特别地啰嗦下：

方法一直接通过积分计算 概率密度与区间长度乘积的积分，积分上下限就根据$X$的取值范围即可。

方法二，辗转通过 概率函数的方法，再通过概率概率函数的性质来计算，那么积分就必须从$-\infty$积到边界线$x=1$。为什么是积到边界线而不是继续从边界线$x=1$继续积到$x\to +\infty$呢？因为，继续从边界线$x=1$继续积到$x\to +\infty$呢有概率密度计算概率函数$F(x)$的计算步骤，而这里已经确定$x=1$了，因此不用再继续积下去。

关于积分上下限的说明

3.3 正态分布

定义11：若随机变量$X$的概率密度为：
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty$$
其中$\mu ,{\sigma }^2$为常数，$-\infty <\mu <+\infty ,\mu >0$，则称$X$服从参数为$\mu ,{\sigma }^2$的正态分布，简记$X\sim N(\mu ,{\sigma }^2)$。

$f(x)$的图形如下：

习惯上，称服从正态分布的随机变量为正态随机变量；又称正态分布的概率密度曲线为正态分布曲线，它有以下性质：

(1) 曲线关于之直线$x=\mu$对称，这表明对于任何$h>0$，都有 P { μ − h < X < μ } = P { μ < X < μ + h } P\{\mu-h \lt X \lt \mu\} = P\{\mu \lt X \lt \mu + h\} P{μ−h<X<μ}=P{μ<X<μ+h}。

(2) 当$x=\mu$时，取最大值$f(\mu )=\frac{1}{\sqrt{2\pi }\sigma }$，在$x=\mu \pm \sigma$处曲线有拐点；曲线以$x$轴为渐近线。

(3) 当$\sigma$给定，${\mu }_1<{\mu }_2$时；

$f_1(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-{\mu }_1{)}^2}{2{\sigma }^2}},f_2(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-{\mu }_2{)}^2}{2{\sigma }^2}}$

其图像为：

实际上，两条曲线可沿着$x$轴平移而得，不改变其形状，可见正态分布曲线的位置完全由$\mu$决定，$\mu$是正态分布的中心。

(4) 当$\mu$给定且${\sigma }_1<{\sigma }_2$时；

$f_3(x)=\frac{1}{\sqrt{2\pi }{\sigma }_1}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }_1^2}},f_4(x)=\frac{1}{\sqrt{2\pi }{\sigma }_2}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }_2^2}}$

其图像为：

可见$\sigma$越小，图形越尖，$\sigma$越大，图形越平缓；正态分布曲线中$\sigma$的值刻画了正态随机变量取值的分散程度，$\sigma$越小，分散程度越小，$\sigma$越大，分散程度越大。

设$X\sim N(\mu ,{\sigma }^2)$，则$X$的分布函数为：$F(x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dt$；它的图形为：

特别地，当$\mu =0,\sigma =1$时，正态分布称为标准正态分布$N(0,1)$。为了区别，标准正态分布的密度和分布函数分别记为$\phi (x),\Phi (x)$，即：

$\phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}},-\infty <x<+\infty$

$\Phi (x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt,-\infty <x<+\infty$

其中，$\phi (x)$的图像为：

显然，$\phi (x)$是关于$y$轴对称的，且在$x=0$时取最大值$\frac{1}{\sqrt{2\pi }}$。

对于标准正态分布函数$\Phi (x)$，它有下列性质：

(1) $\Phi (-x)=1-\Phi (x)$ ；这根据前面的知识时显而易见的；

(2) $\Phi (0)=\frac{1}{2}$；$\Phi (x)$的值可以通过查询标准正态分布表获取；

下列公式揭示了一般正态分布函数$F(x)$与标准正态分布函数$\Phi (x)$的关系：

(1) 设$X\sim N(\mu ,{\sigma }^2)$，其分布函数为$F(x)$，则： F ( x ) = P { X ≤ x } = Φ ( x − μ σ ) F(x) = P\{X \le x\} = \varPhi(\frac{x-\mu}{\sigma}) F(x)=P{X≤x}=Φ(σx−μ​)；证明过程：

因为：$F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt$；作为代换，我们令$u=\frac{t-\mu }{\sigma }$，则$\because u^{\prime }=\frac{du}{dt}\therefore du=\frac{1}{\sigma }dt\therefore dt=\sigma du$；

代换后：$F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^{\frac{x-\mu }{\sigma }}{e}^{-\frac{1}{2}{u}^2}\sigma du=\Phi (\frac{x-\mu }{\sigma })$ # 注意，这里因为使用了代换量，积分上下界也要跟随变化！！

(2) P { a < x ≤ b } = P { a ≤ x < b } = P { a ≤ x ≤ b } = P { a < x < b } = F ( b ) − F ( a ) = Φ ( b − μ σ ) − Φ ( a − μ σ ) P\{a \lt x \le b\} = P\{a \le x \lt b\} = P\{a \le x \le b\} = P\{a \lt x \lt b\} = F(b) - F(a) = \varPhi(\frac{b-\mu}{\sigma}) - \varPhi(\frac{a-\mu}{\sigma}) P{a<x≤b}=P{a≤x<b}=P{a≤x≤b}=P{a<x<b}=F(b)−F(a)=Φ(σb−μ​)−Φ(σa−μ​)

(3) P { x > a } = P { X ≥ a } = 1 − P { x ≤ a } = 1 − F ( a ) = 1 − Φ ( a − μ σ ) P\{x \gt a\} = P\{ X \ge a\} = 1 - P\{ x \le a\} = 1 - F(a) = 1 - \varPhi(\frac{a - \mu}{\sigma}) P{x>a}=P{X≥a}=1−P{x≤a}=1−F(a)=1−Φ(σa−μ​)

例7：设$X\sim N(0,1)$，证明：对于任意的$h>0$，有 P { ∣ x ∣ ≤ h } = 2 Φ ( h ) − 1 P\{|x| \le h\} = 2\varPhi(h) - 1 P{∣x∣≤h}=2Φ(h)−1。

证明： P { ∣ X ∣ ≤ h } = P { − h ≤ X ≤ h } = Φ ( h ) − Φ ( − h ) = Φ ( h ) − [ 1 − Φ ( h ) ] = 2 Φ ( h ) − 1 P\{|X| \le h\} = P\{-h \le X \le h\} = \varPhi(h) - \varPhi(-h) = \varPhi(h) - [1 - \varPhi(h)] = 2\varPhi(h) - 1 P{∣X∣≤h}=P{−h≤X≤h}=Φ(h)−Φ(−h)=Φ(h)−[1−Φ(h)]=2Φ(h)−1

例8：设$X\sim N(0,1)$求：

(1) P { X < 2.35 } P\{X \lt 2.35\} P{X<2.35}

(2) P { X < − 3.03 } P\{X \lt -3.03\} P{X<−3.03}

(3) P { ∣ X ∣ < 1.54 } P\{|X| \lt 1.54\} P{∣X∣<1.54}

解：(1) P { X < 2.35 } = Φ ( 2.35 ) = 0.9906 P\{X \lt 2.35\} = \varPhi(2.35) = 0.9906 P{X<2.35}=Φ(2.35)=0.9906 （直接查表） # 找到行头为2.3，列头为5表格对应的值。

(2) P { X < − 3.03 } = Φ ( − 3.03 ) = 1 − Φ ( 3.03 ) = 1 − 0.9995 = 0.0005 P\{X \lt -3.03\} = \varPhi(-3.03) = 1 - \varPhi(3.03) = 1 - 0.9995 = 0.0005 P{X<−3.03}=Φ(−3.03)=1−Φ(3.03)=1−0.9995=0.0005 (查表)

(3) P { ∣ X ∣ < 1.54 } = P { − 1.54 < X < 1.54 } = 2 Φ ( 1.54 ) − 1 = 2 × 0.9382 − 1 = 0.8764 P\{|X| \lt 1.54\} = P\{-1.54 \lt X \lt 1.54\} = 2\varPhi(1.54) - 1 = 2 \times 0.9382 - 1 = 0.8764 P{∣X∣<1.54}=P{−1.54<X<1.54}=2Φ(1.54)−1=2×0.9382−1=0.8764

例9：设$X\sim N(1.5,4)$求：

(1) P { X < 3.5 } P\{X \lt 3.5\} P{X<3.5}

(2) P { 1.5 < X < 3.5 } P\{1.5 \lt X \lt 3.5\} P{1.5<X<3.5}

(3) P { ∣ X ∣ ≥ 3 } P\{|X| \ge 3\} P{∣X∣≥3}

解：由题目知$\mu =1.5,\sigma =2$，记$F(x)$为$X$的分布函数：

(1) P { X < 3.5 } = F ( 3.5 ) = Φ ( x − μ σ ) = Φ ( 3.5 − 1.5 2 ) = Φ ( 1 ) = 0.8413 P\{X \lt 3.5\} = F(3.5) = \varPhi(\frac{x-\mu}{\sigma}) = \varPhi(\frac{3.5 - 1.5}{2}) = \varPhi(1) = 0.8413 P{X<3.5}=F(3.5)=Φ(σx−μ​)=Φ(23.5−1.5​)=Φ(1)=0.8413

(2) P { 1.5 < X < 3.5 } = F ( 3.5 ) − F ( 1.5 ) = F ( 1 ) − F ( 0 ) = 0.8413 − 0.5 = 0.3413 P\{1.5 \lt X \lt 3.5\} = F(3.5) - F(1.5) = F(1) - F(0) = 0.8413 - 0.5 = 0.3413 P{1.5<X<3.5}=F(3.5)−F(1.5)=F(1)−F(0)=0.8413−0.5=0.3413

(3) P { X ≥ 3 } = P { X ≤ − 3 } + P { X ≥ 3 } = F ( − 3 ) + ( 1 − F ( 3 ) ) P\{X \ge 3\} = P\{ X \le -3\} + P\{X \ge 3\} = F(-3) + (1 - F(3)) P{X≥3}=P{X≤−3}+P{X≥3}=F(−3)+(1−F(3))

$=\Phi (\frac{-3-1.5}{2})+1-\Phi (\frac{3-1.5}{2})=\Phi (-2.25)-\Phi (0.75)+1=1-\Phi (2.25)+1-varPhi(0.75)=1-0.9878+1-0.7734=0.2388$

$★★★$易错点提醒：$F(-x)$不一定等于$1-F(3)$；只有在标准正态分布下$\Phi (-x)=1-\Phi (x)$才成立！！！

同时，也可以利用 P { ∣ X ∣ ≥ 3 } = 1 − P { ∣ X ∣ < 3 } = 1 − P { − 3 < X < 3 } P\{|X| \ge 3\} = 1 - P\{|X| \lt 3\} = 1 - P\{-3 \lt X \lt 3\} P{∣X∣≥3}=1−P{∣X∣<3}=1−P{−3<X<3}来计算！

例10：设$X\sim N(\mu ,{\sigma }^2)$求$X$落在区间$[\mu -k\sigma ,\mu +k\sigma ]$的概率，其中$k=1,2,...$

解： P { μ − k σ ≤ X μ + k σ } = F ( μ + k σ ) − F ( μ − k σ ) = Φ ( ( μ + k σ ) − μ σ ) − Φ ( ( μ − k σ ) − μ σ ) = Φ ( k ) − Φ ( − k ) = 2 Φ ( k ) − 1 P\{\mu-k\sigma \le X \mu+k\sigma\} = F(\mu+k\sigma) - F(\mu-k\sigma) = \varPhi(\frac{(\mu + k\sigma)-\mu}{\sigma}) - \varPhi(\frac{(\mu - k\sigma)-\mu}{\sigma}) = \varPhi(k) - \varPhi(-k) = 2\varPhi(k) - 1 P{μ−kσ≤Xμ+kσ}=F(μ+kσ)−F(μ−kσ)=Φ(σ(μ+kσ)−μ​)−Φ(σ(μ−kσ)−μ​)=Φ(k)−Φ(−k)=2Φ(k)−1 ；则：

k = 1 ;    P { μ − σ ≤ X ≤ μ + σ } = 2 Φ ( 1 ) − 1 = 0.6826 k=1;\ \ P\{\mu-\sigma \le X \le \mu+\sigma\} = 2\varPhi(1) - 1 = 0.6826 k=1;  P{μ−σ≤X≤μ+σ}=2Φ(1)−1=0.6826

k = 2 ;    P { μ − 2 σ ≤ X ≤ μ + 2 σ } = 2 Φ ( 2 ) − 1 = 0.9544 k=2;\ \ P\{\mu-2\sigma \le X \le \mu+2\sigma\} = 2\varPhi(2) - 1 = 0.9544 k=2;  P{μ−2σ≤X≤μ+2σ}=2Φ(2)−1=0.9544

k = 3 ;    P { μ − 3 σ ≤ X ≤ μ + 3 σ } = 2 Φ ( 3 ) − 1 = 0.9973 k=3;\ \ P\{\mu-3\sigma \le X \le \mu+3\sigma\} = 2\varPhi(3) - 1 = 0.9973 k=3;  P{μ−3σ≤X≤μ+3σ}=2Φ(3)−1=0.9973

$★★★$由此可以看出：尽管正态随机变量取值范围为$(-\infty ,+\infty )$，但他的值落在$[\mu -3\sigma ,\mu +3\sigma ]$的概率为$0.9973$，很接近$100\%$这个性质被称为正态分布的$3\sigma$规则。

大家应该都听过六西格玛质量管理模式，实际上也与此有关，大家有兴趣可以算算$6\sigma ：[\mu -3\sigma ,\mu +3\sigma ]$的概率。

定义12： 设$X\sim N(0,1)$，若${\mu }_{\alpha }$满足条件： P { X > μ α } = α ,    0 < α < 1 P\{X \gt \mu_{\alpha}\} = \alpha, \ \ 0 \lt \alpha \lt 1 P{X>μα​}=α,  0<α<1；则称点${\mu }_{\alpha }$为标准正态分布的上侧$\alpha$分位数，简称$\alpha$分位数。见图：

常见的上侧分位数：

${\mu }_{0.1}=1.282,{\mu }_{0.05}=1.645,{\mu }_0.025=1.960$

${\mu }_{0.01}=2.326,{\mu }_{0.005}=2.567$

${\mu }_{0.0001}=3.090$