2.4连续型随机变量与概率密度

连续型随机变量

• 对于随机变量$X$的分布函数$F(x)$
• 若存在非负$f(x)$
• 对任意实数$x$，有$$F(x)={\int }_{-\infty }^{x}f(t)dt$$称$X$为连续型随机变量，$f(x)$为$X的概率密度函数(概率密度)$

$f(x)$的性质

• 1、$f(x)\ge 0$
• 2、$${\int }_{-\infty }^{+\infty }f(x)dx=1$$
• 3、对$\forall (x_1\le x_2)\in R$, P { x 1 < X ⩽ x 2 } = F ( x 2 ) − F ( x 1 ) = ∫ x 1 x 2 f ( x ) d x P\left\{x_{1}<X \leqslant x_{2}\right\}=F\left(x_{2}\right)-F\left(x_{1}\right)=\int_{x_1}^{x_{2}} f(x) \mathrm{d} x P{x1​<X⩽x2​}=F(x2​)−F(x1​)=∫x1​x2​​f(x)dx
• 4、若$f(x)$在$x$处连续，则$$F^{\prime }(x)=f(x)$$
  • 由性质4，得到 f ( x ) = lim ⁡ Δ x → 0 + F ( x + Δ x ) − F ( x ) Δ x = lim ⁡ x → 0 + P { x < X ⩽ x + Δ x } Δ x \begin{aligned} f(x) &=\lim _{\Delta x \rightarrow 0^{+}} \frac{F(x+\Delta x)-F(x)}{\Delta x} \\ &=\lim _{x \rightarrow 0^{+}} \frac{P\{x<X \leqslant x+\Delta x\}}{\Delta x} \end{aligned} f(x)​=Δx→0+lim​ΔxF(x+Δx)−F(x)​=x→0+lim​ΔxP{x<X⩽x+Δx}​​于是有 P { x 1 < X ⩽ x 2 } ≈ f ( x ) △ x P\left\{x_{1}<X \leqslant x_{2}\right\}\approx f(x)\triangle x P{x1​<X⩽x2​}≈f(x)△x
• 5、对于连续型随机变量X，X取任意指定值的概率为0，即 P { X = a } = 0 P\{X=a\}=0 P{X=a}=0
  • 所以，计算区间概率时，大可不必关注端点的概率值： P { a < X ⩽ b } = P { a ⩽ X ⩽ b } = P { a < X < b } P\{a<X \leqslant b\}=P\{a \leqslant X \leqslant b\}=P\{a<X<b\} P{a<X⩽b}=P{a⩽X⩽b}=P{a<X<b}

三种连续型随机变量

均匀分布

• $X\sim U(a,b)$
• $$f(x)=\{\begin{array}{ll}\frac{1}{b-a}& a<x<b\\ 0& 其他\end{array}$$
• $$F(x)=\{\begin{array}{ll}0,& x<a\\ \frac{x-a}{b-a},& a⩽x<b\\ 1,& x⩾b\end{array}$$

指数分布

• $X服从参数为\theta >0$的指数分布
• $$f(x)=\{\begin{array}{l}\frac{1}{\theta }{\mathrm{e}}^{\frac{-x}{\theta }},x>0\\ 0,\end{array}$$
• $$F(x)=\{\begin{array}{ll}1-e^{-\frac{x}{\theta }},& x>0\\ 0,& 其他\end{array}$$
• 性质：无记忆性，即对$\forall s,t>0$，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}如果用灯泡寿命来理解，就是如果元件已经使用s小时，它总共至少可使用s+t小时的条件概率=元件从一开始就至少能使用t小时的概率

正态/高斯分布

• $X\sim N(\mu ,\sigma >0)$
• $$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<\infty$$
• $x=\mu$时，$$f(\mu )=f_{max}(x)=\frac{1}{\sqrt{2\pi }\sigma }$$
• 证明：${\int }_{-\infty }^{+\infty }f(t)dt=1$
  • 变量代换：$$t=\frac{x-\mu }{\sigma }$$则原积分=$$\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }{e}^{-\frac{t^2}{2}}dt$$
  • 然后！神奇操作！！$$I^2={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }{e}^{-\frac{(t^2+u^2)}{2}}dtdu$$
  • 极坐标变换，得$$I^2={\int }_0^{2\pi }{\int }_0^{\infty }r{e}^{-r^2/2}drd\theta =2\pi$$ $$I>0\Rightarrow I=\sqrt{2\pi }$$
• 在$x=\mu \pm \sigma$处有拐点
• 对于标准正态分布$N(0,1)$，$$\phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$$ $$\Phi (x)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^x{e}^{-t^2/2}dt$$对于分布函数，有性质：$$\Phi (-x)=1-\Phi (x)$$

引理

• $X\sim N(\mu ,{\sigma }^2)$
• 则$$Z=\frac{X-\mu }{\sigma }\sim N(0,1)$$
• 证明：只要证明$Z=\frac{X-\mu }{\sigma }$的分布函数=$\Phi (x)$
• F ( x ) = P { X ≤ x } = P { X − μ σ ≤ x − μ σ } = Φ ( x − μ σ ) F(x)=P\{X\le x\}=P\{\frac{X-\mu}{\sigma}\le\frac{x-\mu}{\sigma}\}=\Phi(\frac{x-\mu}{\sigma}) F(x)=P{X≤x}=P{σX−μ​≤σx−μ​}=Φ(σx−μ​) P { x 1 < X ≤ x 2 } = Φ ( x 2 − μ σ ) − Φ ( x 1 − μ σ ) P\{x_1< X\le x_2\}=\Phi(\frac{x_2-\mu}{\sigma})-\Phi(\frac{x_1-\mu}{\sigma}) P{x1​<X≤x2​}=Φ(σx2​−μ​)−Φ(σx1​−μ​)
• $3\sigma$法则：尽管正态变量$X$的取值为$(-\infty ,+\infty )$，但$X$落在$(\mu -3\sigma ,\mu +3\sigma )$几乎是必然事件： P { μ − σ < X < μ + σ } = Φ ( 1 ) − Φ ( − 1 ) = 68.26 % P\{\mu-\sigma<X<\mu+\sigma\}=\Phi(1)-\Phi(-1)=68.26\% P{μ−σ<X<μ+σ}=Φ(1)−Φ(−1)=68.26% P { μ − 2 σ < X < μ + 2 σ } = 95.44 % P\{\mu-2\sigma<X<\mu+2\sigma\}=95.44\% P{μ−2σ<X<μ+2σ}=95.44% P { μ − 3 σ < X < μ + 3 σ } = 99.74 % P\{\mu-3\sigma<X<\mu+3\sigma\}=99.74\% P{μ−3σ<X<μ+3σ}=99.74%

例题

• 一温度调节器中的液体温度$X\sim N(d,0.5^2)$
• 问：（1）若 d = 9 0 o C , 求 P { X < 8 9 o C } d=90^oC,求P\{X<89^oC\} d=90oC,求P{X<89oC}
• (2)若要求 P { X ≥ 8 0 o C } ≥ 0.99 P\{X\ge 80^oC\}\ge0.99 P{X≥80oC}≥0.99，求$d$至少为多少？

解

• （1）略啦
• （2）
  哭了，后面这点打了三遍了，老是没有保存上o(╥﹏╥)o不想再敲公式了