1. 连 续 型 随 机 变 量 1.连续型随机变量 1.连续型随机变量
如果对于随机变量
X
X
X的分布函数
F
(
x
)
F(x)
F(x),存在非负可积函数
f
(
x
)
f(x)
f(x),使对于任意实数
x
x
x有
F
(
x
)
=
∫
−
∞
x
f
(
t
)
d
t
,
F(x)=\int_{-\infty}^{x} f(t)dt,
F(x)=∫−∞xf(t)dt,
则称
X
X
X为连续型随机变量,
f
(
x
)
f(x)
f(x)称为的概率密度函数,简称概率密度.
2. 概 率 密 度 f ( x ) 的 性 质 2.概率密度f(x)的性质 2.概率密度f(x)的性质
( 1 ) f ( x ) ⩾ 0 ; (1)f(x)\geqslant0;\; (1)f(x)⩾0;
( 2 ) ∫ − ∞ ∞ f ( x ) d x = 1 ; (2)\int_{-\infty}^{\infty} f(x) d x=1; (2)∫−∞∞f(x)dx=1;
(
3
)
对
于
任
意
实
数
x
1
,
x
2
,
(
x
1
≤
x
2
)
(3)对于任意实数x_1,x_2,(x_{1} \leq x_{2})
(3)对于任意实数x1,x2,(x1≤x2)
P
{
x
1
<
X
≤
x
2
}
=
F
(
x
2
)
−
F
(
x
1
)
=
∫
x
1
x
2
f
(
x
)
d
x
;
{P}\{x_1<X \leq x_{2}\}=F(x_2)-F(x_1)=\int_{x_{1}}^{x_{2}} f(x) d x;
P{x1<X≤x2}=F(x2)−F(x1)=∫x1x2f(x)dx;
(
4
)
若
f
(
x
)
在
点
x
处
连
续
,
则
有
F
′
(
x
)
=
f
(
x
)
;
(4)若f(x)在点x处连续,则有F^{\prime}(x)=f(x);
(4)若f(x)在点x处连续,则有F′(x)=f(x);
( 5 ) P { X = a } = 0. (5)P\{X=a\}=0. (5)P{X=a}=0.
3. 均 匀 分 布 3.均匀分布 3.均匀分布
若连续型随机变量
X
X
X具有概率密度
f
(
x
)
=
{
1
b
−
a
,
a
<
x
<
b
,
0
,
其
他
,
f(x)=\left\{\begin{array}{ll} \frac{1}{b-a}, & a<x<b ,\\ 0, &其他, \end{array}\right.
f(x)={b−a1,0,a<x<b,其他,
则称
X
X
X在区间
(
a
,
b
)
(a,b)
(a,b)上服从均匀分布.记为
X
∼
U
(
a
,
b
)
X \sim U(a,b)
X∼U(a,b).
X
X
X的分布函数为
f
(
x
)
=
{
0
,
x
<
a
,
x
−
a
b
−
a
,
a
≤
x
≤
b
,
1
,
x
⩾
b
f(x)=\left\{\begin{array}{ll} 0, &x<a ,\\ \frac{x-a}{b-a}, &a \leq x \leq b,\\ 1, &x\geqslant b \end{array}\right.
f(x)=⎩⎨⎧0,b−ax−a,1,x<a,a≤x≤b,x⩾b
4. 指 数 分 布 4.指数分布 4.指数分布
若连续型随机变量
X
X
X的概率密度为
f
(
x
)
=
{
1
θ
e
−
x
θ
,
x
>
0
,
0
,
其
他
,
f(x)=\left\{\begin{array}{ll} \frac{1}{\theta} e^{-\frac{x}{\theta} },&x>0,\\ 0, & 其他, \end{array}\right.
f(x)={θ1e−θx,0,x>0,其他,
其中
θ
>
0
\theta>0
θ>0为常数,则称
X
X
X服从参数为
θ
\theta
θ的指数分布.
X
X
X的分布函数为
F
(
x
)
=
{
1
−
e
−
x
θ
,
x
>
0
,
0
,
其
他
,
F(x)=\left\{\begin{array}{ll} 1- e^{-\frac{x}{\theta} },&x>0,\\ 0, & 其他, \end{array}\right.
F(x)={1−e−θx,0,x>0,其他,
服从指数分布的随机变量
X
X
X具有以下有趣的性质:
对于任意
s
,
t
>
0
,
s,t>0,
s,t>0,有
P
{
X
>
s
+
t
∣
X
>
s
}
=
P
{
X
>
t
}
P\{X>s+t|X>s\}=P\{X>t\}
P{X>s+t∣X>s}=P{X>t}
称为无记忆性.
5. 正 态 分 布 5.正态分布 5.正态分布
若连续型随机变量
X
X
X的概率密度为
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
,
−
∞
<
x
<
∞
f(x)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{(x-\mu)^2}{2\sigma^2} },-\infty<x<\infty
f(x)=2πσ1e−2σ2(x−μ)2,−∞<x<∞
其中
μ
,
σ
(
σ
>
0
)
\mu,\sigma(\sigma>0)
μ,σ(σ>0)为常数,则称
X
X
X为服从参数为
μ
,
σ
\mu,\sigma
μ,σ的正态分布或高斯分布,记为
X
∼
N
(
μ
,
σ
)
.
X \sim N(\mu,\sigma).
X∼N(μ,σ).
X
X
X的分布函数为
F
(
x
)
=
1
2
π
σ
∫
−
∞
x
e
−
(
t
−
μ
)
2
2
σ
2
d
t
\begin{aligned} &F(x)=\frac{1}{\sqrt{2 \pi}\sigma} \int_{-\infty}^{x} e^{-\frac{(t-\mu)^{2}}{2 \sigma^{2}}} d t\\ \end{aligned}
F(x)=2πσ1∫−∞xe−2σ2(t−μ)2dt
特别,当
μ
=
0
,
σ
=
1
\mu=0,\sigma=1
μ=0,σ=1时称随机变量
X
X
X服从标准正态分布.其概率密度和分布函数分别用
φ
(
x
)
,
Φ
(
x
)
\varphi(x),\Phi(x)
φ(x),Φ(x)表示即有
φ
(
x
)
=
1
2
π
e
−
x
2
2
\begin{aligned} &\varphi(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^2}{2}}\\\end{aligned}
φ(x)=2π1e−2x2
Φ
(
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\begin{aligned} &\Phi(x)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{x} e^{-\frac{t^2}{2}} d t\\ \end{aligned}
Φ(x)=2π1∫−∞xe−2t2dt
易知
Φ
(
−
x
)
=
1
−
Φ
(
x
)
\Phi(-x)=1-\Phi(x)
Φ(−x)=1−Φ(x)
6. 引 理 6.引理 6.引理
若
X
∼
N
(
μ
,
σ
2
)
X \sim N(\mu,\sigma^2)
X∼N(μ,σ2),则
Z
=
X
−
μ
σ
∼
N
(
0
,
1
)
Z=\frac{X-\mu}{\sigma} \sim N(0,1)
Z=σX−μ∼N(0,1)
于是,若
X
∼
N
(
μ
,
σ
2
)
X \sim N(\mu,\sigma^2)
X∼N(μ,σ2),则它的分布函数
F
(
x
)
F(x)
F(x)可写成
F
(
x
)
=
P
{
X
≤
x
}
=
P
{
X
−
μ
δ
≤
x
−
μ
δ
}
=
Φ
(
x
−
μ
δ
)
\begin{aligned} &F(x)=P\{X \leq x\}=P\left\{\frac{X-\mu}{\delta} \leq \frac{x-\mu}{\delta}\right\}=\Phi\left(\frac{x-\mu}{\delta}\right)\\ \end{aligned}
F(x)=P{X≤x}=P{δX−μ≤δx−μ}=Φ(δx−μ)
对于任意区间
(
x
1
,
x
2
]
(x_1,x_2]
(x1,x2],有
P
{
x
1
<
X
≤
x
2
}
=
P
{
x
1
−
μ
δ
<
X
−
μ
δ
≤
x
2
−
μ
δ
}
=
Φ
(
x
2
−
μ
δ
)
−
Φ
(
x
1
−
μ
δ
)
\begin{aligned}&P\left\{x_{1}<X \leq x_{2}\right\}=P\left\{\frac{x_{1}-\mu}{\delta}<\frac{X-\mu}{\delta} \leq \frac{x_{2}-\mu}{\delta}\right\}\\ &=\Phi\left(\frac{x_{2}-\mu}{\delta}\right)-\Phi\left(\frac{x_{1}-\mu}{\delta}\right) \end{aligned}
P{x1<X≤x2}=P{δx1−μ<δX−μ≤δx2−μ}=Φ(δx2−μ)−Φ(δx1−μ)
6. 上 α 分 位 点 6.上α分位点 6.上α分位点
设
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1),若
z
α
z_\alpha
zα满足条件
p
{
X
>
z
α
}
=
α
,
0
<
α
<
1
,
p\{X>z_\alpha\}=\alpha,0<\alpha<1,
p{X>zα}=α,0<α<1,
则称点
z
α
z_\alpha
zα为标准正态分布的上
α
α
α分位点.
7. 随 机 变 量 的 函 数 的 分 布 7.随机变量的函数的分布 7.随机变量的函数的分布
设随机变量
X
X
X具有概率密度
f
x
(
x
)
f_x(x)
fx(x),
−
∞
<
x
<
∞
,
-\infty<x<\infty,
−∞<x<∞,又设函数
g
(
x
)
g(x)
g(x)处处可导且恒有
g
′
(
x
)
>
0
,
(
或
恒
有
g
′
(
x
)
<
0
)
,
g^{\prime}(x)>0,(或恒有g^{\prime}(x)<0),
g′(x)>0,(或恒有g′(x)<0),则
Y
=
g
(
X
)
Y=g(X)
Y=g(X)是连续型随机变量,其概率密度为
f
Y
(
y
)
=
{
f
X
[
h
(
y
)
]
∣
h
′
y
∣
,
α
<
x
<
β
,
0
,
其
他
,
f_Y(y)=\left\{\begin{array}{ll} f_X[h(y)]|h^{\prime}{y}|, & \alpha<x<\beta ,\\ 0, &其他, \end{array}\right.
fY(y)={fX[h(y)]∣h′y∣,0,α<x<β,其他,
其中
α
=
m
i
n
{
g
(
−
∞
)
,
g
(
∞
)
}
,
β
=
m
a
x
{
g
(
−
∞
)
,
g
(
∞
)
}
\alpha=min\{g(-\infty),g(\infty)\},\beta=max\{g(-\infty),g(\infty)\}
α=min{g(−∞),g(∞)},β=max{g(−∞),g(∞)},
h
(
y
)
h(y)
h(y)是
g
(
x
)
g(x)
g(x)的反函数.
8. 其 他 几 个 结 论 8.其他几个结论 8.其他几个结论
(
1
)
设
随
机
变
量
,
那
么
X
的
线
性
函
数
Y
=
a
X
+
b
(
a
≠
0
)
也
服
从
正
态
分
布
.
(1)设随机变量,那么X的线性函数Y=aX+b(a\not =0)也服从正态分布.
(1)设随机变量,那么X的线性函数Y=aX+b(a=0)也服从正态分布.
(
2
)
设
f
(
x
)
,
g
(
x
)
都
是
概
率
密
度
函
数
,
那
么
(2)设f(x),g(x)都是概率密度函数,那么
(2)设f(x),g(x)都是概率密度函数,那么
h
(
x
)
=
a
f
(
x
)
+
(
1
−
a
)
g
(
x
)
,
0
≤
a
≤
1
h(x)=af(x)+(1-a)g(x),0 \leq a \leq 1
h(x)=af(x)+(1−a)g(x),0≤a≤1
也
是
一
个
概
率
密
度
函
数
.
也是一个概率密度函数.
也是一个概率密度函数.
(
3
)
设
X
服
从
参
数
为
θ
的
指
数
分
布
,
F
(
x
)
为
X
的
分
布
函
数
,
设
Y
=
F
(
X
)
,
那
么
(3)设X服从参数为\theta的指数分布,F(x)为X的分布函数,设Y=F(X),那么
(3)设X服从参数为θ的指数分布,F(x)为X的分布函数,设Y=F(X),那么
Y
∼
N
(
0
,
1
)
.
Y \sim N(0,1).
Y∼N(0,1).