连续型随机变量及其概率密度(知识点部分)

$1.连续型随机变量$

如果对于随机变量$X$的分布函数$F(x)$，存在非负可积函数$f(x)$，使对于任意实数$x$有$$F(x)={\int }_{-\infty }^{x}f(t)dt,$$
则称$X$为连续型随机变量，$f(x)$称为的概率密度函数，简称概率密度.

$2.概率密度f(x)的性质$

$(1)f(x)⩾0;$

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

$(3)对于任意实数x_1,x_2,(x_1\le x_2)$
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​)=∫x1​x2​​f(x)dx;
$(4)若f(x)在点x处连续，则有F^{\prime }(x)=f(x);$

( 5 ) P { X = a } = 0. (5)P\{X=a\}=0. (5)P{X=a}=0.

$3.均匀分布$

若连续型随机变量$X$具有概率密度$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a<x<b，\\ 0,& 其他，\end{array}$$
则称$X$在区间$(a,b)$上服从均匀分布.记为$X\sim U(a,b)$.
$X$的分布函数为$$f(x)=\{\begin{array}{ll}0,& x<a，\\ \frac{x-a}{b-a},& a\le x\le b，\\ 1,& x⩾b\end{array}$$

$4.指数分布$

若连续型随机变量$X$的概率密度为$$f(x)=\{\begin{array}{ll}\frac{1}{\theta }{e}^{-\frac{x}{\theta }}，& x>0,\\ 0,& 其他,\end{array}$$
其中$\theta >0$为常数，则称$X$服从参数为$\theta$的指数分布.
$X$的分布函数为$$F(x)=\{\begin{array}{ll}1-e^{-\frac{x}{\theta }}，& x>0,\\ 0,& 其他,\end{array}$$
服从指数分布的随机变量$X$具有以下有趣的性质:
对于任意$s,t>0,$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.

$5.正态分布$

若连续型随机变量$X$的概率密度为$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{\mathrm{e}}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<\infty$$
其中$\mu ,\sigma (\sigma >0)$为常数，则称$X$为服从参数为$\mu ,\sigma$的正态分布或高斯分布，记为$X\sim N(\mu ,\sigma ).$
$X$的分布函数为$$\begin{array}{rl}& F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt\end{array}$$
特别，当$\mu =0,\sigma =1$时称随机变量$X$服从标准正态分布.其概率密度和分布函数分别用$\phi (x),\Phi (x)$表示即有$$\begin{array}{rl}& \phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}\end{array}$$
$$\begin{array}{rl}& \Phi (x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-\frac{t^2}{2}}dt\end{array}$$
易知$$\Phi (-x)=1-\Phi (x)$$

$6.引理$

若$X\sim N(\mu ,{\sigma }^2)$，则$$Z=\frac{X-\mu }{\sigma }\sim N(0,1)$$
于是，若$X\sim N(\mu ,{\sigma }^2)$，则它的分布函数$F(x)$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$(x_1,x_2]$，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​)​

$6.上\alpha 分位点$

设$X\sim N(0,1)$，若$z_{\alpha }$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$z_{\alpha }$为标准正态分布的上$\alpha$分位点.

$7.随机变量的函数的分布$

设随机变量$X$具有概率密度$f_x(x)$，$-\infty <x<\infty ,$又设函数$g(x)$处处可导且恒有$g^{\prime }(x)>0，(或恒有g^{\prime }(x)<0)，$则$Y=g(X)$是连续型随机变量，其概率密度为$$f_Y(y)=\{\begin{array}{ll}{f}_X[h(y)]|h^{\prime }y|,& \alpha <x<\beta ，\\ 0,& 其他，\end{array}$$
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(∞)}，$h(y)$是$g(x)$的反函数.

$8.其他几个结论$

$(1)设随机变量，那么X的线性函数Y=aX+b(a\ne 0)也服从正态分布.$
$(2)设f(x),g(x)都是概率密度函数，那么$$$h(x)=af(x)+(1-a)g(x),0\le a\le 1$$$也是一个概率密度函数.$
$(3)设X服从参数为\theta 的指数分布，F(x)为X的分布函数，设Y=F(X)，那么$ $$Y\sim N(0,1).$$