概率论总结（二）：连续随机变量

目录

• 连续随机变量定义及性质
• 期望和方差
• 常见的连续随机变量
  - 均匀随机变量
  - 指数随机变量
  - 正态随机变量
• 多个随机变量的联合概率密度
• 条件
• 独立

骨骼图：

连续随机变量定义及性质

定义：



PDF与离散随机变量的分布列是对应的。
特别的，当B是一个区间时，
这个积分可以理解为，PDF和区间[a,b]所形成的曲边梯形的面积。
由于单点对积分的计算不起作用。因此：
性质：
1.


2.

期望和方差

期望：
连续随机变量X的期望定义如下：

X的任意函数Y=g(x)也是一个随机变量，Y可以是连续的也可以是离散的，不过下式总成立：

例1: 对于离散或连续随机变量X，证明下式：


例2:证明：

方差：

常见的连续随机变量

均匀随机变量：
假设X取值于[a,b]的任意两个长度的子区间的概率是相通的，这种变量称为具有均匀分布的随机变量，其PDF为：


期望值刚好等于PDF的对称中心。


指数随机变量
若随机变量X的PDF具有以下形式：

则称X是指数随机变量，其中λ是分布的参数，λ>0。
特性：
X超过某个值的概率，随着这个值的增加而按指数递减。即👍🏼:

指数分布常用来描述，某个时间为止所用的时间，如某个机器的使用寿命。



正态随机变量
一个随机变量X称为正态的或高斯的，则它的PDF为：






线性变换之下的随机变量的正态性保持不变。


标准正态随机变量：




👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀
大量的独立同分布的随机变量（不必正态）的和的分布近似地服从正态分布。而这个事实与各个和项的具体分布是无关的。这个事实就是著名的中心极限定理。
👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀

多个随机变量的联合概率密度

如果对任意的平面上的二元集合B，等式

上式的二重积分区域为B，若B={(x,y)|a<x<b,c<x<d}则：

如果B在二维平面，就可以得到密度函数的诡异话条件：



对于均匀分布：

在子集S上的联合均匀PDF由下式定义：

对于任何子集A，(X,Y)落入区域A的概率为：

布丰抛针实验
在平面上画了若干条平行线, 相互之间的距离为 d .现在往平面上随机地抛掷一根针, 针的长度为 l .问针与直线相交的概率有多大？
解：

期望
设X和Y为联合随机变量，g是一个函数，则z=g(x,y)是一个随机变量。

特殊地，E[aX+bY+c]=aE[X]+b[Y]+c

多于两个随机变量的情况：

条件

在连续情况下，有时会出现以零概率事件为条件的情况，这在离散情况下是无法处理的。

以事件为条件的随机变量

1.



B是实数轴上的任意集合。

2.

3.

例：（指数随机变量的无记忆性）
一个灯泡的使用寿命 T 是一个指数随机变量，其参数为λ 。阿丽将灯打开后离开房间，在外面呆了一段时间以后(时间长度为 t )，她回到房间，灯还是亮着。这相当于事件 A={T>t}发生了。记 X 为灯泡的剩余寿命，问 X 的条件分布函数是什么？
解：实际上 X 是在 A 发生的条件下的寿命,我们有：


灯泡的剩余寿命X的分布是指数分布，其参数也是λ，这和灯泡已经亮了多少个小时无关。指数分布的性质就是无记忆性。

以另一个随机变量为条件的条件概率密度函数




另外：



条件期望
记 X 和 Y 为联合连续随机变量, A 是满足P(A)>0的事件。
1.X 在给定事件 A 之下的条件期望由下式定义：

给定Y=y之下的条件期望由下式定义:

2.


3.全期望定理：


相似地，
4.


关于3里两个等式的证明：

例 (阶梯形概率密度函数的均值和方差)　
假定 X 的概率密度函数为下列的阶梯函数：

现记A1={X落入第一个区间【0，1】} A2={X落入第二个区间【1，2】}
利用X的PDF函数可以得到：

我们还可以利用 X 的条件概率密度函数计算 X 在 和 之条件下的均值和二阶矩.由于f X|A1 和f X|A2 都是均匀概率密度函数


因此，
利用全期望公式得：

独立

若两个连续随机变量 X 和 Y 的联合概率密度函数是它们各自
的边缘概率密度函数的乘积,a则称X，Y相互独立。

特别地,
性质对一切X，Y成立，即使是 X 为离散,Y 为连续的情况，这个定义也是适用的。

若 X 与 Y 相互独立,则对任意函数 g 和 h, 下式成立：
独立随机变量之和的方差等于它们的方差之和。

👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀👀
贝叶斯准则：