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1.连续型随机变量1.连续型随机变量
如果对于随机变量XXX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xxx有F(x)=∫−∞xf(t)dt,F(x)=\int_{-\infty}^{x} f(t)dt,F(x)=∫−∞xf(t)dt,
则称XXX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)dx=1;(2)\int_{-\infty}^{\infty} f(x) d x=1;(2)∫−∞∞f(x)dx=1;
(3)对于任意实数x1,x2,(x1≤x2)(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{x1<X≤x2}=F(x2)−F(x1)=∫x1x2f(x)dx;{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XXX具有概率密度f(x)={1b−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XXX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).
XXX的分布函数为f(x)={0,x<a,x−ab−a,a≤x≤b,1,x⩾bf(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XXX的概率密度为f(x)={1θe−xθ,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>0θ>0为常数,则称XXX服从参数为θ\thetaθ的指数分布.
XXX的分布函数为F(x)={1−e−xθ,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XXX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XXX的概率密度为f(x)=12πσe−(x−μ)22σ2,−∞<x<∞f(x)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{(x-\mu)^2}{2\sigma^2} },-\infty<x<\inftyf(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XXX为服从参数为μ,σ\mu,\sigmaμ,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).
XXX的分布函数为F(x)=12πσ∫−∞xe−(t−μ)22σ2dt\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=1μ=0,σ=1时称随机变量XXX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)=12πe−x22\begin{aligned} &\varphi(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^2}{2}}\\\end{aligned}φ(x)=2π1e−2x2
Φ(x)=12π∫−∞xe−t22dt\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,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2),则Z=X−μσ∼N(0,1)Z=\frac{X-\mu}{\sigma} \sim N(0,1)Z=σX−μ∼N(0,1)
于是,若X∼N(μ,σ2)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−μδ≤x−μδ}=Φ(x−μδ)\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(x1,x2](x_1,x_2](x1,x2],有P{x1<X≤x2}=P{x1−μδ<X−μδ≤x2−μδ}=Φ(x2−μδ)−Φ(x1−μδ)\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zαz_\alphazα满足条件p{X>zα}=α,0<α<1,p\{X>z_\alpha\}=\alpha,0<\alpha<1,p{X>zα}=α,0<α<1,
则称点zαz_\alphazα为标准正态分布的上ααα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XXX具有概率密度fx(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fY(y)={fX[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=min{g(−∞),g(∞)},β=max{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=aX+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)=af(x)+(1−a)g(x),0≤a≤1h(x)=af(x)+(1-a)g(x),0 \leq a \leq 1h(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).
连续型随机变量及其概率密度(知识点部分)相关推荐
- matlab连续型随机变量,一维连续型随机变量及其概率密度[精选].ppt
一维连续型随机变量及其概率密度[精选] 第2.3节 一维连续型随机变量 及其概率密度 一.概率密度的概念与性质 二.常见连续型随机变量的分布 三.小结 Gauss 证明 解 例7 证毕 一.连续型随机 ...
- 连续型随机变量及其概率密度
一.连续型随机变量 1.1.定义 反常积分 1.2.性质 1.3.例 1.3.1.例1: 由概率密度函数f(x)计算分布函数F(x) 1.3.2.例2: 分布函数F(x) 求 概率密度函数f(x) 注 ...
- 概率统计·随机变量及其分布【离散型随机变量及其分布律 、随机变量的分布函数 、连续型随机变量及其概率密度 】
二项分布 当只有一次时,就是两点分布现在看来,也不是很需要记住了,感觉已经有一点点熟练了------2022.10.31(期中复习) 没什么好说的,很简单,就看一眼好吧
- 连续型随机变量及其常见分布的分布函数和概率密度
文章目录 1. 随机变量的分布函数 2. 连续型随机变量及其概率密度 3. 重要的连续型随机变量分布 3.1 均匀分布 3.2 指数分布 3.3 正态分布 1. 随机变量的分布函数 背景: 对于非离散 ...
- 分类型变量预测连续型变量_概率论与数理统计之离散型和连续型随机变量知识点...
本文主要回顾复习了有关一维离散型.连续型随机变量及分布,以及相关性质.这一部分主要以选择题和填空题的形式出现在考研数学的试卷中,希望考研的考生多注意这一部分知识的复习,结合历年考研数学真题,争取早日掌 ...
- 概率密度变换公式 雅可比矩阵_雅克比行列式在连续型随机变量函数分布密度中的应用...
龙源期刊网 http://www.qikan.com.cn 雅克比行列式在连续型随机变量函数分布密 度中的应用 作者:赵微 来源:<新教育时代> 2014 年第 12 期 摘 要:为了使二 ...
- 概率密度变换公式 雅可比矩阵_雅克比行列式在连续型随机变量函数分布密度中应用.doc...
雅克比行列式在连续型随机变量函数分布密度中应用 雅克比行列式在连续型随机变量函数分布密度中应用 摘 要:为了使二维随机变量函数概率密度计算公式得到简化,本文首先利用雅克比行列式,应用变量变换定理给出了 ...
- 19. 二元连续型随机变量,联合概率密度
文章目录 二元连续型随机变量,联合概率密度 联合概率密度函数 概率密度的性质 二元连续型随机变量,联合概率密度 联合概率密度函数 定义:对于二元随机变量 (X,Y)(X, Y)(X,Y) 的 分布函数 ...
- matlab连续型随机变量,matlab连续型随机变量的分布.doc
matlab连续型随机变量的分布.doc 连续型随机变量的分布及其数字特征一.基本概念设随机变量X的分布函数为F(x),若存在非负函数f(x),使对任意实数x,有≤X{Pxd}则称X为连续型随 ...
最新文章
- mysql 获取自增id的值的方法
- MediaCodec在Android视频硬解码组件的应用
- 多线程:保证三个线程依次按顺序执行?newSingleThreadExecutor!!!
- 《大数据日知录:架构与算法》前言
- 畅销书《深入浅出Vue.js》作者,在阿里淘系1年的收获成长
- C语言 | 一维数组
- 编程入门python java和c语言_学习编程适不适合从Python入门?哪种语言更适合入门?...
- 欧拉好猫车主公开信:宣传部对员工学历没有要求么?
- jquery easyui Tab 引入页面的问题
- 51CTO网站博客改版意见寻求
- a标签写链接地址跳转到下载企业微信app页面
- 遗传算法python实例_Python遗传算法框架使用实例(一)使用Geatpy实现句子匹配
- 前端vue实现PDF预览
- ArcGIS教程 - 1 绪论
- php爬虫亚马逊,亚马逊爬虫(亚马逊 api)
- 微信公众号迁移保持OPENID不变新老账户粉丝迁移问题
- 计算机毕设 SpringBoot 校园志愿者管理系统 志愿者管理系统 志愿者信息管理系统Java Vue MySQL数据库 远程调试 代码讲解
- 如何在Centos7配置ssh/rsh免密互信集群服务
- c++获取系统时间实例2
- jflash烧录教程_Jlink flash 烧录HEX 程序