连续型随机变量
- 对于随机变量 X X X的分布函数 F ( x ) F(x) F(x)
- 若存在非负 f ( x ) f(x) f(x)
- 对任意实数 x x x,有 F ( x ) = ∫ − ∞ x f ( t ) d t F(x)=\int_{-\infty}^xf(t)dt F(x)=∫−∞xf(t)dt称 X X X为连续型随机变量, f ( x ) f(x) f(x)为 X 的 概 率 密 度 函 数 ( 概 率 密 度 ) X的概率密度函数(概率密度) X的概率密度函数(概率密度)
f ( x ) f(x) f(x)的性质
- 1、 f ( x ) ≥ 0 f(x)\ge0 f(x)≥0
- 2、 ∫ − ∞ + ∞ f ( x ) d x = 1 \int_{-\infty}^{+\infty}f(x)dx=1 ∫−∞+∞f(x)dx=1
- 3、对 ∀ ( x 1 ≤ x 2 ) ∈ R \forall (x_1\le x_2)\in R ∀(x1≤x2)∈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)=∫x1x2f(x)dx
- 4、若
f
(
x
)
f(x)
f(x)在
x
x
x处连续,则
F
′
(
x
)
=
f
(
x
)
F'(x)=f(x)
F′(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+limΔxF(x+Δx)−F(x)=x→0+limΔxP{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 ∼ U ( a , b ) X\sim U(a,b) X∼U(a,b)
- f ( x ) = { 1 b − a a < x < b 0 其 他 f(x)=\begin{cases}\frac1{b-a}&a<x<b\\0&其他\end{cases} f(x)={b−a10a<x<b其他
- 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 \leqslant x<b \\ 1, & x \geqslant b \end{array}\right. F(x)=⎩⎨⎧0,b−ax−a,1,x<aa⩽x<bx⩾b
指数分布
- X 服 从 参 数 为 θ > 0 X服从参数为\theta>0 X服从参数为θ>0的指数分布
- f ( x ) = { 1 θ e − x θ , x > 0 0 , f(x)=\left\{\begin{array}{l}\frac{1}{\theta} \mathrm{e}^{\frac{-x} { \theta}}, x>0\\0,\end{array}\right. f(x)={θ1eθ−x,x>00,
- F ( x ) = { 1 − e − x θ , x > 0 0 , 其 他 F(x)=\begin{cases}1-e^{-\frac x{\theta}},&x>0\\0,&其他\end{cases} F(x)={1−e−θx,0,x>0其他
- 性质:无记忆性,即对 ∀ s , t > 0 \forall 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}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 ∼ N ( μ , σ > 0 ) X\sim N(\mu,\sigma>0) X∼N(μ,σ>0)
- f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , − ∞ < x < ∞ f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},-\infty<x<\infty f(x)=2πσ1e−2σ2(x−μ)2,−∞<x<∞
- x = μ x=\mu x=μ时, f ( μ ) = f m a x ( x ) = 1 2 π σ f(\mu)=f_{max}(x)=\frac1{\sqrt{2\pi}\sigma} f(μ)=fmax(x)=2πσ1
- 证明:
∫
−
∞
+
∞
f
(
t
)
d
t
=
1
\int_{-\infty}^{+\infty}f(t)dt=1
∫−∞+∞f(t)dt=1
- 变量代换: t = x − μ σ t=\frac{x-\mu}{\sigma} t=σx−μ则原积分= 1 2 π ∫ − ∞ + ∞ e − t 2 2 d t \frac1{\sqrt{2\pi}}\int_{-\infty}^{+\infty}e^{-\frac{t^2}2}dt 2π1∫−∞+∞e−2t2dt
- 然后!神奇操作!! I 2 = ∫ − ∞ + ∞ ∫ − ∞ + ∞ e − ( t 2 + u 2 ) 2 d t d u I^2=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}e^{-\frac{(t^2+u^2)}2}dtdu I2=∫−∞+∞∫−∞+∞e−2(t2+u2)dtdu
- 极坐标变换,得 I 2 = ∫ 0 2 π ∫ 0 ∞ r e − r 2 / 2 d r d θ = 2 π I^2=\int_0^{2\pi}\int_0^{\infty}re^{-r^2/2}drd\theta=2\pi I2=∫02π∫0∞re−r2/2drdθ=2π I > 0 ⇒ I = 2 π I>0\Rightarrow I=\sqrt{2\pi} I>0⇒I=2π
- 在 x = μ ± σ x=\mu\pm\sigma x=μ±σ处有拐点
- 对于标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1), φ ( x ) = 1 2 π e − x 2 / 2 \varphi(x)=\frac1{\sqrt{2\pi}}e^{-x^2/2} φ(x)=2π1e−x2/2 Φ ( x ) = 1 2 π ∫ − ∞ x e − t 2 / 2 d t \Phi(x)=\frac1{\sqrt{2\pi}}\int_{-\infty}^xe^{-t^2/2}dt Φ(x)=2π1∫−∞xe−t2/2dt对于分布函数,有性质: Φ ( − x ) = 1 − Φ ( x ) \Phi(-x)=1-\Phi(x) Φ(−x)=1−Φ(x)
引理
- 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)
- 证明:只要证明 Z = X − μ σ Z=\frac{X-\mu}{\sigma} Z=σX−μ的分布函数= Φ ( x ) \Phi(x) Φ(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 σ 3\sigma 3σ法则:尽管正态变量 X X X的取值为 ( − ∞ , + ∞ ) (-\infty,+\infty) (−∞,+∞),但 X X X落在 ( μ − 3 σ , μ + 3 σ ) (\mu-3\sigma,\mu+3\sigma) (μ−3σ,μ+3σ)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 ∼ N ( d , 0. 5 2 ) X\sim N(d,0.5^2) X∼N(d,0.52)
- 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 d 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