[概率论与数理统计]笔记:2.4 常用的连续型分布
2.4 常用的连续型分布
均匀分布
定义
如果随机变量\(X\)的密度函数为
则称\(X\)服从\([a,b]\)上的均匀分布,记作\(X\sim U[a,b]\).
性质
- \(\int_{-\infty}^{+\infty}f(x)dx=\int_a^bf(x)dx=1\)
矩形面积为1,因此区间\([a,b]\)上的常数必定为\(\frac{1}{b-a}\).
![]()
- 分布函数:
当\(a\le x\le b\)时,
![均匀分布2](https://fox-blog-image-1312870245.cos.ap-guangzhou.myqcloud.com/202301062159675.jpg)
-
若\([c,d]\)是\([a,b]\)子区间,则\(P\{c\le X\le d\}=\int_c^d\frac{1}{b-a}dt=\frac{d-c}{b-a}\)。即概率与区间长度成正比。
-
数学期望:\(EX=\frac{a+b}{2}\)
证明:
- 方差:\(DX=\frac{(b-a)^2}{12}\)
简略地证明:
相关知识点:
- \(DX=EX^2-(EX)^2\)
- 随机变量函数的数学期望(连续型):\(\int_{-\infty}^{+\infty}g(x)f(x)dx\)
- \(b^3-a^3=(b-a)(b^2+ab+a^2)\)
联系
几何概型
指数分布
定义
如果随机变量\(X\)的密度函数为
其中\(\lambda>0\)为参数,则称\(X\)服从参数为\(\lambda\)的指数分布,记作\(X\sim e(\lambda)\).
分布函数
数学期望
方差
性质
- 无记忆性:\(P\{X>r+s|X>s\}=P\{X>r\}\)
联系
-
指数分布与泊松分布之间的联系:
如果用参数为\(\lambda\)的泊松分布描述单位时间事件发生的次数,那么一次事件发生的等待时间便服从参数为\(\lambda\)的指数分布。
-
指数分布与几何分布之间的联系:
- 指数分布描述事件发生等待的时间(连续量)
- 几何分布描述事件发生等待的次数(离散量)
正态分布
定义
如果随机变量\(X\)的密度函数为
其中\(\mu,\sigma\)为常数,且\(\sigma>0\),则称\(X\)服从参数为\(\mu\)和\(\sigma^2\)的正态分布,记作\(X\sim N(\mu,\sigma^2)\).
分布函数
由于密度函数的原函数没有解析表达式,因而其分布函数(记作\(\varPhi(x)\))不能表示为解析式。
性质
- \(\int_{-\infty}^{+\infty}\varphi(x)dx=1\).
证明:
前置知识点:根据欧拉-泊松积分,有\(\int_{-\infty}^{+\infty}e^{-x^2}dx=\sqrt{\pi}\) 👉泊松积分的两种计算方法
正态分布的密度函数的系数之所以这么复杂就是为了使其积分等于1.
-
\(EX=\mu\)
-
\(DX=\sigma^2\)
-
\(\varphi(x)\)关于\(x=\mu\)对称,并在\(x=\mu\)处取得最大值\(\frac{1}{\sqrt{2\pi}\sigma}\)
理解:密度函数的\(x\)位于右上角指数部分的\((x-\mu)^2\),结合偶函数的性质,不难得出该函数图像关于\(x-\mu\)对称。
- \(y=\varphi(x)\)以\(x\)轴为渐近线。
- \(x=\mu\pm\sigma\)为拐点。
- \(\sigma\)不变,\(\mu\)改变,图像左右平移。
- \(\mu\)不变,\(\sigma\)改变,图像对称轴固定:
- \(\sigma\)变大,最高点下降,图像矮胖,变缓。
- \(\sigma\)变小,最高点上升,图像高瘦,变陡。
![正态分布](https://fox-blog-image-1312870245.cos.ap-guangzhou.myqcloud.com/202301071302196.jpg)
标准正态分布
定义
当\(\mu=0,\sigma^2=1\)时,即\(X\sim N(0,1)\),称\(X\)服从标准正态分布,其密度函数记作\(\varphi_0(x)\),即
分布函数:
通常计算概率的方法是:
- 将一般正态分布变换为标准正态分布。
- 查询标准正态分布表的概率值。
性质
- 密度函数图像关于\(y\)轴对称,是偶函数:\(\varphi_0(x)=\varphi_0(-x)\)。对于分布函数,有\(\varPhi_0(-x)=1-\varPhi_0(x)\).
一般正态分布与标准正态分布
-
设\(X\sim N(\mu,\sigma^2),Y=aX+b\),\(a,b\)为常数,且\(a\ne 0\),则\(Y\sim N(a\mu+b, a^2\sigma^2)\).
-
如果\(X\sim N(\mu,\sigma^2)\),则\(Z=\frac{X-\mu}{\sigma}\sim N(0,1)\).
这里的\(Z\)称为\(X\)的标准化。
-
\(X\sim N(\mu,\sigma^2)\)的充要条件是存在一个随机变量\(Z\sim N(0,1)\),使得\(X=\sigma Z+\mu\).
-
设\(X\sim N(\mu,\sigma^2),\varPhi(x),\varphi(x)\)分别为其分布函数与密度函数,\(\varPhi_0(x),\varphi_0(x)\)是标准正态分布的分布函数和密度函数,则有
这里给出第二个式子的证明过程:
已知
则
证明完毕。
使用教材:
《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社