草庐IT

[概率论与数理统计]笔记：2.4 常用的连续型分布

feixianxing 2023-03-28 原文

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

\[f(x)= \left\{ \begin{align*} &\frac{1}{b-a},\quad\quad a\le x\le b,\\ &0,\quad\quad\quad\quad else, \end{align*} \right. \]

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：

\[F(x)= \left\{ \begin{align*} & 0, \quad\quad\quad x<a, \\ & \frac{x-a}{b-a},\quad a\le x\le b,\\ & 1, \quad\quad\quad x>b, \end{align*} \right. \]

当\(a\le x\le b\)时，

\[\begin{align*} F(x) &= \int_{-\infty}^xf(t)dt\\ &= \int_{-\infty}^af(t)dt+\int_a^xf(t)dt\\ &= \int_a^x\frac{1}{b-a}dt\\ &= \frac{1}{b-a}\int_a^x1dt\\ &= \frac{x-a}{b-a} \end{align*} \]

  • 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：

\[\begin{align*} EX &= \int_{-\infty}^{+\infty}xf(x)dx\\ &= \int_a^bx\frac{1}{b-a}dx\\ &= \frac{1}{b-a}[\frac{1}{2}x^2]_a^b\\ &= \frac{1}{b-a}\times\frac{b^2-a^2}{2}\\ &= \frac{a+b}{2} \end{align*} \]

  • 方差：\(DX=\frac{(b-a)^2}{12}\)

简略地证明：

相关知识点：

  1. \(DX=EX^2-(EX)^2\)
  2. 随机变量函数的数学期望(连续型)：\(\int_{-\infty}^{+\infty}g(x)f(x)dx\)
  3. \(b^3-a^3=(b-a)(b^2+ab+a^2)\)

\[EX^2=\int_a^bx^2\frac{1}{b-a}dx=\frac{a^2+ab+b^2}{3} \]

\[(EX)^2=(\frac{a+b}{2})^2=\frac{a^2+2ab+b^2}{4} \]

\[DX=EX^2-(EX)^2=\frac{(a-b)^2}{12} \]

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

\[f(x)= \left\{ \begin{align*} &\lambda e^{-\lambda x},\quad\quad x\ge 0,\\ &0,\quad\quad\quad\quad x<0, \end{align*} \right. \]

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

\[F(x)= \left\{ \begin{align*} &1-e^{-\lambda x},\quad\quad x\ge 0,\\ &0,\quad\quad\quad\quad x<0, \end{align*} \right. \]

数学期望

\[EX=\frac{1}{\lambda} \]

方差

\[DX=\frac{1}{\lambda^2} \]

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

\[\varphi(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},\quad-\infty<x<+\infty, \]

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。

\[\varPhi(x)=\int_{-\infty}^x\varphi(t)dt=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^xe^{-\frac{(t-\mu)^2}{2\sigma^2}}dt \]

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

\[\begin{align*} \int_{-\infty}^{+\infty}\varphi(x)dx &= \int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx \\ &= \frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{+\infty}e^{-(\frac{x-\mu}{\sqrt{2}\sigma})^2}d(x-\mu) \\ &= \frac{\sqrt{2}\sigma}{\sqrt{2\pi}\sigma}\int_{-\infty}^{+\infty}e^{-(\frac{x-\mu}{\sqrt{2}\sigma})^2}d(\frac{x-\mu}{\sqrt{2}\sigma}) \\ &= \frac{1}{\sqrt{\pi}}\sqrt{\pi} \\ &= 1 \end{align*} \]

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。

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

\[\varphi_0(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}} \]

分布函数：

\[\varPhi_0(x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^xe^{-\frac{t^2}{2}}dt \]

通常计算概率的方法是：

  1. 将一般正态分布变换为标准正态分布。
  2. 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

\[\varPhi(x)=\varPhi_0(\frac{x-\mu}{\sigma}),\\ \varphi(x)=\frac{1}{\sigma}\varphi_0(\frac{x-\mu}{\sigma}). \]

这里给出第二个式子的证明过程：

已知

\[\varphi(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},\\ \varphi_0(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}. \]

则

\[\varphi(x)=\frac{1}{\sigma}\frac{1}{\sqrt{2\pi}}e^{-\frac{(\frac{x-\mu}{\sigma})^2}{2}}=\frac{1}{\sigma}\varphi_0(\frac{x-\mu}{\sigma}) \]

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

连续型数理spanclassinline非技术区

有关[概率论与数理统计]笔记：2.4 常用的连续型分布的更多相关文章

  1. ruby-on-rails - Rails 常用字符串(用于通知和错误信息等) - 2

    大约一年前，我决定确保每个包含非唯一文本的Flash通知都将从模块中的方法中获取文本。我这样做的最初原因是为了避免一遍又一遍地输入相同的字符串。如果我想更改措辞，我可以在一个地方轻松完成，而且一遍又一遍地重复同一件事而出现拼写错误的可能性也会降低。我最终得到的是这样的:moduleMessagesdefformat_error_messages(errors)errors.map{|attribute,message|"Error:#{attribute.to_s.titleize}#{message}."}enddeferror_message_could_not_find(obje

  2. ruby - 分布式事务和队列，ruby，erlang，scala - 2

    我有一个涉及多台机器、消息队列和事务的问题。因此，例如用户点击网页，点击将消息发送到另一台机器，该机器将付款添加到用户的帐户。每秒可能有数千次点击。事务的所有方面都应该是容错的。我以前从未遇到过这样的事情，但一些阅读表明这是一个众所周知的问题。所以我的问题。我假设安全的方法是使用两阶段提交，但协议(protocol)是阻塞的，所以我不会获得所需的性能，我是否正确？我通常写Ruby，但似乎Redis之类的数据库和Rescue、RabbitMQ等消息队列系统对我的帮助不大——即使我实现某种两阶段提交，如果Redis崩溃，数据也会丢失，因为它本质上只是内存。所有这些让我开始关注erlang和

  3. LC滤波器设计学习笔记（一）滤波电路入门 - 2

    目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称

  4. 电脑怎么截图？进来看（8种常用截图方法） - 2

    电脑上可以截取图片吗？如果可以，该如何操作呢？相信很多小伙伴都只知道一两种截图的方式，知道的并不全面。其实，电脑上有多种方式截图的，而且非常方便。电脑怎么截图？今天我们就来教大家如何使用电脑截取图片的8种常用方式！操作环境：演示机型：Delloptiplex7050系统版本：Windows10方法一：系统自带截图具体操作：同时按下电脑的自带截图键【Windows+shift+S】，可以选择其中一种方式来截取图片：截屏有矩形截屏、任意形状截屏、窗口截屏和全屏截图。 方法二：QQ截图具体操作：在电脑登录QQ，然后同时按下【Ctrl+Alt+A】，可以任意截图你需要的界面，可以把截图的页面直接下载，

  5. Unity Shader 学习笔记（5）Shader变体、Shader属性定义技巧、自定义材质面板 - 2

    写在之前Shader变体、Shader属性定义技巧、自定义材质面板，这三个知识点任何一个单拿出来都是一套知识体系，不能一概而论，本文章目的在于将学习和实际工作中遇见的问题进行总结，类似于网络笔记之用，方便后续回顾查看，如有以偏概全、不祥不尽之处，还望海涵。1、Shader变体先看一段代码......Properties{ [KeywordEnum(on,off)]USL_USE_COL("IsUseColorMixTex?",int)=0 [Toggle(IS_RED_ON)]_IsRed("IsRed?",int)=0}......//中间省略，后续会有完整代码 #pragmamulti_c

  6. Tcl脚本入门笔记详解（一） - 2

    TCL脚本语言简介•TCL（ToolCommandLanguage）是一种解释执行的脚本语言（ScriptingLanguage）,它提供了通用的编程能力：支持变量、过程和控制结构；同时TCL还拥有一个功能强大的固有的核心命令集。TCL经常被用于快速原型开发，脚本编程，GUI和测试等方面。•实际上包含了两个部分：一个语言和一个库。首先，Tcl是一种简单的脚本语言，主要使用于发布命令给一些互交程序如文本编辑器、调试器和shell。由于TCL的解释器是用C\C++语言的过程库实现的，因此在某种意义上我们又可以把TCL看作C库，这个库中有丰富的用于扩展TCL命令的C\C++过程和函数，所以，Tcl是

  7. ruby - 停止分布式 Ruby 服务 - 2

    我有一个启动DRb服务的脚本，然后生成处理程序对象并通过DRb.thread.join等待。我希望脚本一直运行直到被明确杀死，所以我添加了trap"INT"doDRb.stop_serviceend在Ruby1.8下成功停止DRb服务并退出，但在1.9下似乎死锁(在OSX10.6.7上)。对该进程进行采样显示在semaphore_wait_signal_trap中有几个线程在旋转。我假设我在调用stop_service时做错了什么，但我不确定是什么。谁能给我任何关于如何正确处理它的指示？ 最佳答案 好的，我想我已经找到了解决方案。如

  8. Unity常用文件夹 - 2

    1.Scenes游戏场景文件夹用于放置unity的场景文件 2.Plugins插件文件夹用于放置unity的依赖文件，例如dll 3.Scripts脚本文件夹用于放置unity的c#脚本文件 4.Resources游戏资源文件夹用于放置unity的各种游戏资源，比如images,prefabs,同时只有放到Resources文件夹的游戏资源才能使用Resource.load(资源路径不加后缀)加载到游戏内存中进行使用 5.EditorUnity编辑器扩展脚本文件夹usingUnityEditor;这个名称空间就是Unity编辑器的名称空间这个名称空间提供了扩展Unity编辑器的各种类 【你所有

  9. 计算机网络笔记：TCP三次握手和四次挥手过程 - 2

    TCP是面向连接的协议，连接的建立和释放是每一次面向连接的通信中必不可少的过程。TCP连接的管理就是使连接的建立和释放都能正常地进行。三次握手TCP连接的建立—三次握手建立TCP连接①若主机A中运行了一个客户进程，当它需要主机B的服务时，就发起TCP连接请求，并在所发送的分段中用SYN=1表示连接请求，并产生一个随机发送序号x，如果连接成功，A将以x作为其发送序号的初始值：seq=x。主机B收到A的连接请求报文，就完成了第一次握手。客户端发送SYN=1表示连接请求客户端发送一个随机发送序号x，如果连接成功，A将以x作为其发送序号的初始值：seq=x②主机B如果同意建立连接，则向主机A发送确认报

  10. 华为数通笔记VXLAN&BGP EVPN - 2

    VXLAN简介定义RFC定义了VLAN扩展方案VXLAN（VirtualeXtensibleLocalAreaNetwork，虚拟扩展局域网）。VXLAN采用MACinUDP（UserDatagramProtocol）封装方式，是NVO3（NetworkVirtualizationoverLayer3）中的一种网络虚拟化技术。目的随着网络技术的发展，云计算凭借其在系统利用率高、人力/管理成本低、灵活性/可扩展性强等方面表现出的优势，已经成为目前企业IT建设的新趋势。而服务器虚拟化作为云计算的核心技术之一，得到了越来越多的应用。服务器虚拟化技术的广泛部署，极大地增加了数据中心的计算密度；同时，为

随机推荐