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: