13. 均匀分布和指数分布
文章目录
- 均匀分布和指数分布
- 均匀分布的定义
- 性质：均匀分布具有等可能性
- 均匀分布的概率计算
- 指数分布的定义
- 性质：指数分布具有无记忆性
均匀分布和指数分布
均匀分布的定义
若 XXX 的概率密度函数为
f(x)={1b−a,x∈(a,b);0,其他.f(x)=\begin{cases} \cfrac{1}{b-a}, & x\in(a,b); \\ 0, &\text{其他.} \end{cases} f(x)=⎩⎨⎧b−a1,0,x∈(a,b);其他.
其中 a<ba<ba<b，就称 XXX 服从 (a,b)(a,b)(a,b) 上的均匀分布（Uniform{\it Uniform}Uniform），
记为 X∼U(a,b)X\sim U(a,b)X∼U(a,b) 或 X∼Unif(a,b)X\sim {\it Unif}\,(a,b)X∼Unif(a,b).
其中
f(x)={c,x∈(a,b);0,其他.f(x)=\begin{cases} c, & x\in(a,b); \\ 0, & \text{其他.} \end{cases} f(x)={c,0,x∈(a,b);其他.
∵∫−∞+∞f(x)dx=1,即∫abcdx=1⟹c=1/(b−a)\because \int_{-\infty}^{+\infty} f(x) \, {\rm d}x = 1,即 \int_a^b c \, {\rm d}x=1 \implies c = 1 / (b-a) ∵∫−∞+∞f(x)dx=1,即∫abcdx=1⟹c=1/(b−a)
性质：均匀分布具有等可能性
即，对于任意的 a<k<k+l<ba<k<k+l<ba<k<k+l<b，均有
P(k<X<k+l)=∫kk+l1b−adt=lb−a⟹与k无关，仅与l有关。P(k<X<k+l) = \int_{k}^{k+l} \cfrac{1}{b-a} \, {\rm d}t = \cfrac{l}{b-a} \quad \quad \implies \quad \quad 与 k 无关，仅与 l 有关。 P(k<X<k+l)=∫kk+lb−a1dt=b−al⟹与k无关，仅与l有关。
即，服从 U(a,b)U(a,b)U(a,b) 上的均匀分布的随机变量 XXX 落入 (a,b)(a,b)(a,b) 种的任意子区间上的概率只与其区间长度有关与区间所处的位置无关。
即，XXX 落入 (a,b)(a,b)(a,b) 中的等长度的任意子区间上是等可能的。
若 X∼U(a,b)X\sim U(a,b)X∼U(a,b)，则 P(a<X<b)=1P(a<X<b)=1P(a<X<b)=1.
且分布函数为
F(x)={0,x<a;x−ab−a,a≤x<b;1,x≥b.F(x)=\begin{cases} 0,& x<a; \\ \cfrac{x-a}{b-a}, & a\leq x < b; \\ 1, & x\geq b. \end{cases} F(x)=⎩⎪⎪⎨⎪⎪⎧0,b−ax−a,1,x<a;a≤x<b;x≥b.
∵\because∵ 当 a≤x<ba\leq x < ba≤x<b 时， F(x)=∫−∞xf(t)dt=∫ax1b−adt=x−ab−aF(x)=\int_{-\infty}^{x} f(t) \, {\rm d}t = \int_a^x \cfrac{1}{b-a} \, {\rm d}t = \cfrac{x-a}{b-a}F(x)=∫−∞xf(t)dt=∫axb−a1dt=b−ax−a
例 1： 在区间 (-1,2) 上随机取一数 XXX，求：（1）试写出 XXX 的概率密度函数；（2）概述在 (-0.5,1) 的概率；（3）该数为正数的概率。
解：
（1） XXX 应在区间 (-1,2) 服从均匀分布，故 XXX 的概率密度函数为
f(x)={1/3,x∈(−1,2);0,其他.f(x)=\begin{cases} 1/3, & x\in (-1,2); \\ 0, &\text{其他.} \end{cases} f(x)={1/3,0,x∈(−1,2);其他.
（2）
P(−0.5<X<1)=∫0.51f(x)dx=∫0.5113dx=1−(−0.5)3=12P(-0.5<X<1)=\int_{0.5}^1 f(x) \, {\rm d}x = \int_{0.5}^1 \cfrac{1}{3} \, {\rm d}x = \cfrac{1 - (-0.5)}{3} = \cfrac{1}{2}P(−0.5<X<1)=∫0.51f(x)dx=∫0.5131dx=31−(−0.5)=21
可以看到 分子 1-(-0.5) 其实是 (-0.5, 1) 的长度，而分母是 (-1, 2)的长度。
（3）
P(X>0)=∫0+∞f(x)dx=∫0213dx=2−03.P(X>0)=\int_0^{+\infty} f(x) \, {\rm d}x = \int_0^2 \cfrac{1}{3} \, {\rm d}x = \frac{2-0}{3}. P(X>0)=∫0+∞f(x)dx=∫0231dx=32−0.
这里同样可以看出 分子相当于 (0,+∞)⋂(−1,2)=(0,2)(0, +\infty) \bigcap (-1, 2) = (0, 2)(0,+∞)⋂(−1,2)=(0,2) 的长度，分母是 (-1, 2) 的长度。
均匀分布的概率计算
若 X∼U(a,b)X\sim U(a,b)X∼U(a,b)，则对于 ∀I⊂R\forall I\subset R∀I⊂R，有
方法一：P(X∈I)=∫If(x)dxP(X\in I) = \int_I f(x) \, {\rm d}xP(X∈I)=∫If(x)dx
方法二：P(X∈I)=I⋂(a,b)的长度(a,b)的长度P(X\in I) = \cfrac{I\bigcap(a,b)的长度}{(a,b)的长度}P(X∈I)=(a,b)的长度I⋂(a,b)的长度
指数分布的定义
若 XXX 的概率密度函数为
f(x)={λe−λx,x>0;0,x≤0,f(x)=\begin{cases} \lambda e^{-\lambda x}, & x>0; \\ 0, & x\leq 0, \end{cases} f(x)={λe−λx,0,x>0;x≤0,
其中 λ>0\lambda > 0λ>0，就称 XXX 服从参数为 λ\lambdaλ 的指数分布(Exponential\it ExponentialExponential)，
记为 X∼E(λ)X\sim E(\lambda)X∼E(λ) 或 X∼Exp(λ)X\sim Exp(\lambda)X∼Exp(λ).
分布函数为
F(x)={1−e−λx,x>0;0,x≤0.F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases} F(x)={1−e−λx,0,x>0;x≤0.
性质：指数分布具有无记忆性
F(x)={1−e−λx,x>0;0,x≤0.F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases} F(x)={1−e−λx,0,x>0;x≤0.
对于 t0>0,t>0t_0 > 0, t>0t0>0,t>0,
P(X>t0+t∣X>t0)=P(X>t0+t,X>t0)P(X>t0=P(X>t0+t)P(X>t0)=1−F(t0+t)1−F(t0)=e−λ(t0+t)e−λt0=e−λt=P(X>t)\begin{aligned} P(X>t_0+t|X>t_0) &= \frac{P(X>t_0+t, X>t_0)}{P(X>t_0} \\ &= \cfrac{P(X>t_0+t)}{P(X>t_0)} = \cfrac{1-F(t_0+t)}{1-F(t_0)} \\ &= \cfrac{e^{-\lambda(t_0+t)}}{e^{-\lambda t_0}} = e^{-\lambda t} = P(X>t) \end{aligned} P(X>t0+t∣X>t0)=P(X>t0P(X>t0+t,X>t0)=P(X>t0)P(X>t0+t)=1−F(t0)1−F(t0+t)=e−λt0e−λ(t0+t)=e−λt=P(X>t)
例 2： 设某人电话通话时间 XXX （分钟）服从指数分布，概率密度为
f(x)={115e−x15,x>0;0,x≤0.f(x)=\begin{cases} \cfrac{1}{15} e^{-\frac{x}{15}}, &x>0; \\ \\ \,0, & x\leq 0. \end{cases} f(x)=⎩⎪⎪⎨⎪⎪⎧151e−15x,0,x>0;x≤0.
求：
（1）她的通话时间在 10~20 分钟之间的概率；
（2）若她已打了 10 分钟，求她继续通话超过 15 分钟的概率（即，若她已打了 10 分钟，求她总共通话超过 25 分钟的概率）
解：
由概率密度
f(x)={115e−x15,x>0;0,x≤0.f(x)=\begin{cases} \cfrac{1}{15} e^{-\frac{x}{15}}, &x>0; \\ \\ \,0, & x\leq 0. \end{cases} f(x)=⎩⎪⎪⎨⎪⎪⎧151e−15x,0,x>0;x≤0.
得出分布函数为
F(x)={1−e−x15,x>0;0,x≤0.F(x)=\begin{cases} 1-e^{-\frac{x}{15}}, &x>0; \\ \\ 0, &x\leq 0. \end{cases} F(x)=⎩⎪⎨⎪⎧1−e−15x,0,x>0;x≤0.
（1）
P(10<x<20)=∫1020f(x)dx=115∫1020e−x15dx=e−23−e−43P(10<x<20)=\int_{10}^{20} f(x) \, {\rm d}x = \cfrac{1}{15}\int_{10}^{20} e^{-\frac{x}{15}} \, {\rm d}x = e^{-\frac{2}{3}} - e^{-\frac{4}{3}} P(10<x<20)=∫1020f(x)dx=151∫1020e−15xdx=e−32−e−34
或者利用分布函数
P(10<X<20)=F(20)−F(10)=1−e−2015−(1−e−1015)=e−23−e−43P(10<X<20) = F(20) - F(10)=1-e^{-\frac{20}{15}}-(1-e^{-\frac{10}{15}})=e^{-\frac{2}{3}} - e^{-\frac{4}{3}} P(10<X<20)=F(20)−F(10)=1−e−1520−(1−e−1510)=e−32−e−34
（2）根据无记忆性，
P(X>25∣X<10)=P(X>15)=∫15∞115e−x15dx=e−1P(X>25|X<10)=P(X>15)=\int_{15}^{\infty} \cfrac{1}{15} e^{-\frac{x}{15}} \, {\rm d}x = e^{-1} P(X>25∣X<10)=P(X>15)=∫15∞151e−15xdx=e−1
例 3： 设一地段相邻两次交通事故的间隔时间（小时） XXX 服从参数为 2/13 的指数分布。求：已知在已过去的 13 小时中没有发生交通事故 ，那么在未来的 2 小时内不发生交通事故的概率。
解：
F(x)={1−e−λx,x>0;0,x≤0.F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases} F(x)={1−e−λx,0,x>0;x≤0.
已知 X∼E(λ),λ=2/13X\sim E(\lambda), \lambda = 2/13X∼E(λ),λ=2/13.
P(X>15∣X>13)=P(X>2)=1−F(2)=e−213⋅2=e−413P(X>15|X>13)=P(X>2)=1-F(2)=e^{-\frac{2}{13} ·2}=e^{-\frac{4}{13}}P(X>15∣X>13)=P(X>2)=1−F(2)=e−132⋅2=e−134
13. 均匀分布和指数分布相关推荐
- 概率论中几种常见的分布形式(二项分布,均匀分布和指数分布)
以下内容只是acm中涉及的简要概率论知识 ----------------------------------------------------------二项分布----------------- ...
- geometric distribution and exponential distribution（几何分布和指数分布）
几何分布 分布函数 均值和方差 意义 表示经过k次实验才第一次得到正确的实验结果 比如抛硬币得到正面的需要抛的次数 指数分布 分布函数 均值和方差 意义 表示经过一段x之后,某件事第一次发生 比如经过 ...
- 泊松分布和指数分布：10分钟教程
作者: 阮一峰 大学时,我一直觉得统计学很难,还差点挂科. 工作以后才发现,难的不是统计学,而是我们的教材写得不好.比起高等数学,统计概念其实很容易理解. 我举一个例子,什么是泊松分布和指数分布?恐怕 ...
- matlab random 均匀分布,Matlab 的随机函数（高斯分布 均匀分布 其它分布)
Matlab中随机数生成器主要有: betarnd 贝塔分布的随机数生成器 binornd 二项分布的随机数生成器 chi2rnd 卡方分布的随机数生成器 exprnd 指数分布的随机数生成器 frn ...
- R语言绘制瑞利分布和指数分布，并为瑞利分布着不同色
从概率论和统计学角度看,Weibull Distribution是连续性的概率分布,其概率密度为: 其中,x是随机变量,λ>0是比例参数(scale parameter),k>0是形状参数 ...
- 泊松分布和指数分布——超简单例子助你理解
传送门 泊松分布与指数分布的简单理解:http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html 概率分布函数(所有值的概率的累加 ...
- 2021-10-21 Laplace分布和指数分布，相同参数的两个指数分布之差是Laplace分布
先给出一些公式: Laplace分布 L a p ( b ) Lap(b) Lap(b)的probability density function: f ( x ; μ , b ) = 1 2 b e ...
- 【概率论系列学习】泊松分布和指数分布的关系
http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html 转载于:https://www.cnblogs.com/itcsl/p ...
- 贝塔分布，伽玛分布和指数分布的关系
统计计算课本36面. 统计计算课本155面 https://www.zhihu.com/question/45397840 https://blog.csdn.net/tangwing/article ...
最新文章
- R语言format函数保留几位小数实战
- 不愧是北大疯人院！阿里数学竞赛决赛，入围人数超过清华和南大之和！
- mysql返回页面乱码java_解决Java程序使用MySQL时返回参数为乱码的示例教程
- github加速_使用Picgo+GitHub+ jsDelivr搭建CDN加速免费图床
- asp.net开源工作流CCFlow的下载与安装
- hibernate缓存机制
- mysql drivermanager_MYSQL 之 JDBC（二）： 数据库连接（二）通过DriverManager获取数据库连接...
- Google的投票站点在用Asp.net
- 英语四级c语言,2017年大学英语四级精选试题练习
- WINCE6内核编译问题汇总
- 通过 NPOI 生成 Excel
- 有关objc中的单例
- WindowsXamlHost：在 WPF 中使用 UWP 的控件（Windows Community Toolkit）
- 胡学纲数据结构c语言PDF,数据结构精品课程参考书目
- 删除链表倒数第N个节点
- SIGIR 2020最佳论文公布，清华大学揽多个奖项，大三学生摘得最佳短论文奖
- 风格迁移篇--AdaAttN：重新审视任意神经风格转移中的注意机制
- 微信小程序开发之——WebView
- 搜狗站长工具：索引量与收录量的解释，它等同于site的收录吗？
- QDialog的accept（）函数和reject（）函数