1.6 概率论——连续型随机变量的概率分布
概率论连续型随机变量
概率论连续型随机变量概率论是数学的一个分支,主要研究随机现象的概率规律和统计规律。
在概率论中,随机变量是一种可以随机取不同值的变量。
连续型随机变量是指取值范围为连续的变量,其概率分布函数可以用密度函数来描述。
连续型随机变量的概率密度函数(Probability Density Function,简称PDF)是描述随机变量取值概率的函数。
对于一个连续型随机变量X,其概率密度函数f(x)满足以下两个条件:1)f(x)≥0,对于所有的x;2)∫f(x)dx=1,即概率密度函数在整个取值范围上的积分等于1。
概率密度函数的性质决定了连续型随机变量的一些特点。
首先,连续型随机变量的概率是通过对其概率密度函数进行积分得到的。
例如,对于一个连续型随机变量X,其取值在[a,b]之间的概率可以表示为P(a≤X≤b)=∫f(x)dx。
其次,连续型随机变量的概率密度函数可以用来计算随机变量落在某个区间的概率。
例如,对于一个连续型随机变量X,可以计算P(X≥a)=∫f(x)dx。
对于连续型随机变量,我们也可以计算其期望值和方差。
连续型随机变量X的期望值E(X)表示随机变量的平均取值,可以通过对X乘以其概率密度函数f(x)后积分得到。
方差Var(X)表示随机变量取值的离散程度,可以通过计算E((X-E(X))^2)得到。
连续型随机变量常见的概率分布有正态分布、指数分布、均匀分布等。
其中,正态分布是最重要的连续型概率分布之一。
正态分布的概率密度函数是一个钟形曲线,其均值和标准差决定了曲线的位置和形状。
正态分布在自然界和社会科学中都有广泛的应用,如身高、体重、考试成绩等。
指数分布是描述事件发生时间间隔的概率分布。
指数分布的概率密度函数是单峰递减的曲线,其形状由参数λ决定。
指数分布在可靠性工程、排队论、风险分析等领域有广泛应用。
均匀分布是描述随机变量在一个区间内取值的概率分布。
均匀分布的概率密度函数是一个常数,区间内所有取值的概率相等。
连续型随机变量及其概率分布
F ( x)
x
图示
f (x)
a F (x) 1
b
x
a
b
x
例5.38
• 某人要搭乘一列6:00发出的火车,他打算 乘出租车于5:40出发到火车站,从他家乘 汽车 到火车站,在最顺利的情况下要10分 钟,在交通最拥挤时要50分钟,到火车站 后上火车要5分钟。假定从他家到火车站汽 车行驶时间X在[10,50]区间上服从均匀分 布,问此人能赶上火车的概率。
练习
• 秒表最小刻度值为0.01秒。若计时精度是取 最近的刻度值,求使用该表计时产生的随 机误差X 的概率密度函数f (x) ,并计算误差 的绝对值不超过0.004秒的概率。
指数分布
• 定义:如果随机变量X 的概率密度函数为: l e lx x0 l 0
f ( x) 0 otherwise
• 其中参数l 表示在单位时间内,事件发生的 次数
图形
cdf
Expondist函数
• 语法:Expondist(x, lambda, cumulative)
– x:函数的数值;Lambda:参数值l; – Expondist(10,0.2,TRUE) = 0.864665,是一个概率 分布值 – Expondist(10,0.2,FALSE) = 0.027067 ,是一个概 率密度值
这就是概 率密度
f ( x0 ) x Pr( x0 X x0 x )
分布函数的性质
• 0≤ F(x) ≤1 • F(x)是非减函数 • xlim F ( x) 0, xlim F ( x) 1 • F(x)右连续
– 对于连续型随机变量, F(x)处处连续 – 对于离散型型随机变量, F(x) = Pr(X ≤ x) – lim F ( x x ) F ( x )
连续型随机变量的分布)
指数分布是一种连续型概率分布,常用于描述两个连续事件之间的时间间隔。 若一个随机变量X服从参数为λ的指数分布,则其概率密度函数为f(x)=λe^(λx),x>0。
性质
指数分布具有无记忆性,即无论已经等待了多久,下一个事件发生的概率与刚 开始等待时相同。此外,指数分布的期望和方差分别为1/λ和1/λ^2。
制定提供依据。
03
可靠性试验设计
在可靠性试验设计中,指数分布可作为先验分布或假设检验的基础。例
如,在定时截尾试验中,可利用指数分布的性质对试验数据进行统计分
析,从而得出产品可靠性的相关结论。
04
正态分布
定义及性质
定义
正态分布是一种连续型概率分布,其 概率密度函数呈钟形曲线,具有对称 性和单峰性。
均匀分布在实际问题中应用
01
在实际问题中,均匀分布常被用来描述一些随机现象,如某段 时间内到达的顾客数、某段路程内行驶的车辆数等。
02
在统计学中,均匀分布可以作为其他更复杂分布的基础,如正
态分布、指数分布等。
在计算机模拟中,均匀分布的随机数生成器是其他更复杂随机
03
数生成器的基础。
03
指数分布
定义及性质
性质
连续型随机变量的取值是连续的,即任意两个相邻的实数之间都有无限多个实数。因此,对于连续型随机变量, 我们讨论其在某个区间内的概率,而不是具体某个点的概率(某点的概率为0)。
常见连续型随机变量类型
均匀分布
正态分布(高斯分布)
在某个区间[a, b]内,每个值出现的概率都相 等。其概率密度函数(PDF)是一个常数, 分布函数(CDF)是线性的。
指数分布概率计算
计算概率密度函数值
概率论连续型随机变量
概率论连续型随机变量概率论是数学的一个分支,研究随机现象的数学模型和计算方法。
其中,连续型随机变量是概率论中重要的概念之一。
本文将介绍连续型随机变量的基本概念、特征以及相关的概率分布。
一、连续型随机变量的概念在概率论中,随机变量是指对随机现象结果的数值化描述。
连续型随机变量是指取值在某个区间内的随机变量。
与之相对的是离散型随机变量,其取值是有限个或可数个的。
连续型随机变量与离散型随机变量的主要区别在于其取值的特点。
连续型随机变量的取值可以是任意的实数,在某个区间内可以取无穷多个不同的值。
二、连续型随机变量的特征连续型随机变量的特征可以通过其概率密度函数(Probability Density Function,简称PDF)来描述。
PDF是描述连续型随机变量概率分布的函数,可以用来计算随机变量落在某个区间内的概率。
连续型随机变量的概率密度函数具有以下两个性质:1. 非负性:对于任意的实数x,概率密度函数f(x)大于等于0。
2. 归一性:连续型随机变量的概率密度函数在整个取值范围上的积分等于1。
三、连续型随机变量的概率分布连续型随机变量的概率分布可以通过其概率密度函数来确定。
常见的连续型随机变量概率分布包括均匀分布、正态分布、指数分布等。
1. 均匀分布:均匀分布是最简单的连续型随机变量概率分布之一。
在均匀分布中,随机变量在某个区间内的取值是等可能的。
均匀分布的概率密度函数是一个常数,表示在某个区间内的概率是相等的。
2. 正态分布:正态分布是最重要的连续型随机变量概率分布之一。
许多自然现象和实际问题都服从正态分布。
正态分布的概率密度函数呈钟形曲线,具有对称性。
其均值和标准差决定了曲线的位置和形状。
3. 指数分布:指数分布是描述随机事件发生时间间隔的连续型随机变量概率分布。
指数分布的概率密度函数是一个指数函数,表示事件发生的概率随时间的推移而逐渐减小。
四、连续型随机变量的期望和方差连续型随机变量的期望和方差是衡量随机变量分布的重要指标。
连续型随机变量概率
连续型随机变量概率【原创实用版】目录1.随机变量的概念与分类2.连续型随机变量的定义与性质3.连续型随机变量的概率密度函数4.连续型随机变量的累积分布函数5.随机变量的期望与方差6.实际应用案例正文1.随机变量的概念与分类在概率论中,随机变量是一种重要的概念,它是用来描述随机现象的数学工具。
根据随机变量的取值范围,可以将其分为离散型随机变量和连续型随机变量。
离散型随机变量的取值是有限或者可数的,比如掷骰子的点数、抽取一张扑克牌的花色等。
而连续型随机变量的取值是无限且连续的,比如某一时刻的气温、一个人的身高等。
2.连续型随机变量的定义与性质连续型随机变量是指取值范围为实数集的随机变量。
其最基本的性质是连续性,即其取值在数轴上连续不断。
连续型随机变量的取值范围是无限的,因此不能一一列举其所有可能的取值。
为了描述其取值,需要引入概率密度函数和累积分布函数。
3.连续型随机变量的概率密度函数概率密度函数(Probability Density Function,PDF)是描述连续型随机变量取值的函数。
概率密度函数的值是变量落在某一区间内的概率。
概率密度函数具有以下性质:(1)概率密度函数的值非负,即 pdf(x)≥0;(2)概率密度函数在整个样本空间上的积分等于 1,即∫pdf(x)dx=1;(3)概率密度函数在某一点的导数等于该点的概率密度函数的值,即 f"(x)=pdf(x)。
4.连续型随机变量的累积分布函数累积分布函数(Cumulative Distribution Function,CDF)是描述连续型随机变量取值的另一种函数。
累积分布函数的值是变量落在某一区间内的概率的累积。
累积分布函数具有以下性质:(1)累积分布函数的值非负,即 F(x)≥0;(2)累积分布函数在整个样本空间上的积分等于 1,即∫F(x)dx=1;(3)累积分布函数是单调递增的,即随着 x 的增加,F(x) 的值也递增。
连续型随机变量的分布函数的计算方法
连续型随机变量的分布函数的计算方法
1 连续型随机变量
连续型随机变量是概率论中的一种变量,它能描述具有不同可能
的取值的随机变量能取的值的集合,变量的任何可能取值的可能性都
是概率中的基本要素。
连续型随机变量通常表示为一个函数y=f(x),
其中x是变量的取值,y是概率分布函数f(x)表示概率。
2 计算分布函数
计算连续型随机变量的分布函数时,首先需要求出其分布概率密
度函数(PDF)式子,然后再求出概率分布函数(CDF)。
PDF式子可以用统计方法确定,CDF则可以通过计算随机变量的取值所占总概率的方法获得。
以正态分布的CDF为例,其式子为F(x)=1/2*(1+erf(x/√2)),其中x是随机变量取值,erf(x/√2)是正态分布的概率密度函数(PDF)式子,计算其CDF就需要把取值代入进去:F(x1)=1/2*(1+erf(x1/√2)),F(x2)=1/2*(1+erf(x2/√2))。
3 计算原理
计算连续型随机变量的分布函数,要计算随机变量在每个可能取
值所占比例,也就是说,这种分布函数实际上是用来说明概率密度函
数随着变量取值的变化而改变的递进函数,连续型随机变量的每个取
值都可以是一个不同的概率,概率密度函数的计算就是分布函数的基本步骤。
连续型随机变量的分布【概率论及数理统计PPT】
1
dx =1
3
1 1 x 2
? 思考: P(-1/2<X<2)=
课堂练习
1.
证明
f
(x)
x a
e x2 2a
0
x0 x0
(a>0)
是某一个随机变量X的密度函数。
x 0 x 1
2.设随机变量X~ f ( x ) ax b 1 x 2
0
对于随机变量 X ,如果存在非负可积函数
f(x) , x (,) ,使得对任意 a b , 有
b
P(a X b) a f ( x)dx
则称 X为连续型随机变量,称 f(x)为 X 的 概率密度函数,简称为概率密度或密度函数.
(III) 概率密度函数的性质
1 o f (x) 0
小
(由 ex2 dx 可得) 0
0μ
x
σ大
(2)概率密度图形是以x=μ为对称轴的R上的连续函数,
在x=μ点f(x)取得最大值; (3)若σ固定,μ改变,密度曲线随对称轴左右移动,形状保持不变;
若μ 固定, σ改变,σ越大,曲线越平坦,σ越小,曲线越陡峭.
例8. 设随机变量 X~U(2 ,5). 现在对 X进行三次独立 观测,试求至少有两次观测值大于3的概率。
若
e x
X ~ f (x)
x0
0 x0
正态分布
一般正态分布
X ~N(μ,σ2)
定义:称 随机变量 X服从参数为 μ,σ2的正态分布, σ>0,
μ是任意实数,若
(x)2
f(x)
X ~ f (x)
e , 1
2 2
连续型随机变量及其概率分布
3. 正态分布的定义 若r.v X 的概率密度为
其中 和 都是常数, 任意, >0, 则称X服从参数为 和 的正态分布.
记作
X 的分布函数为
4. 正态分布
密度函数图形的特点
a. 正态分布的密度曲线是一条关于 对
称的钟形曲线. f (μ+c)=f (μ-c)
特点是“两头小,中间大,左右对称”.
注意:
是一个概率为0的事件,
而不一定是不可能事件
对连续型 r.v X,有
进一步有 如
例2 设随机变量X 的概率密度为
求(1)常数k; (2)X 的分布函数; (3)P(1< X <7/2).
解:(1)由密度函数的性质
(2) 当x<0时,
当
时
当
时
当x>4时,
故随机变量X的分布函数为 (3)
例3 设连续型随机变量X 的分布函数为
b. 决定了图形的中心位置, 决定了图形 中峰的陡峭程度.
称为位置参数 称为形状参数
c. 在x=μ处达到最大值:
当x→ ∞时,f(x) → 0,
d. 这说明曲线 f(x)向左右伸展时,越来 越贴近x轴。即f (x)以x轴为渐近线。
e. x = μ σ 为f (x)的两个拐点的横坐标。
年降雨量、同龄人身高、在正常条件下 各种产品的质量指标——如零件的尺寸;纤 维的强度和张力、农作物的产量,小麦的穗 长、株高、测量误差、射击目标的水平或垂 直偏差、信号噪声等等,都服从或近似服从 正态分布.
求 (1)常数C值; (2)X 取值于(0.3,0.7)内的概率;
(3)X 的密度函数的表达式。
解:(1)由连续性知: 即 C=1
连续型随机变量及其概率分布
解:由归一性可知
0Leabharlann 34xf ( x)dx 0dx kxdx (2 )dx 0dx
0
3
2
4
0 1 kx2 3 (2x 1 x2 ) 4 0 1
20
43
k1 6
二、分布函数与概率密度函数
二、分布函数与概率密度函数
二、分布函数与概率密度函数
0
例2
设连续型随机变量X
:
F
1、连续型随机变量与密度函数的概念
对于随机变量X,若存在非负可积函数f ( x)( x R)
使得随机变量X 取值任意区间 a, b的概率为
b
P(a X b) a f ( x)dx
则称 X为连续型随机变量, 称 f (x) 为 X 的概率密度 函数,简称概率密度.
f(x) 几何定义
0a
x b
一、连续型随机变量及其密度函数
lim
x 0
x
故 X的密度 f(x) 在 x 这一点的值,恰好是X 落
在区间 (x, x x] 上的概率与区间长度 x 之比的
极限. 这里,如果把概率理解为质量, f (x) 相当于
线密度.
二、分布函数与概率密度函数
6、连续型随机变量密度函数的意义.
f ( x) F ( x) lim P( x X x x)
x x
lim
f (t )dt 0
x0 x
由此可以得到如下结论:
由P(A)=0, 不能推出
由P(B)=1, 不能推出 B=S
二、分布函数与概率密度函数
4、连续型随机变量任意区间内的概率求法 由于连续型随机变量X ,x R, P( X x) 0 a, b R, a b P(a X b) P(a X b) P(a X b)
连续型随机变量
连续型随机变量随机变量是概率论与数理统计中的重要概念,在实际问题中有着广泛的应用。
其中,连续型随机变量是一类特殊的随机变量,其取值可以在某个区间内连续变化,而不是离散的。
1. 连续型随机变量的定义连续型随机变量是指在某一区间内取值的随机变量。
与离散型随机变量不同,连续型随机变量可以取区间内的任意一个值。
例如,一个人的身高可以被视为一个连续型随机变量,在一定范围内可以取到任意一个具体的数值。
2. 连续型随机变量的概率密度函数连续型随机变量的概率分布可以通过概率密度函数来描述。
概率密度函数表示的是随机变量在某个取值处的概率密度,而不是具体的概率。
对于连续型随机变量X,其概率密度函数可以用f(x)来表示。
3. 连续型随机变量的累积分布函数连续型随机变量的累积分布函数(Cumulative Distribution Function,CDF)表示的是随机变量X小于等于某个值的概率。
对于连续型随机变量X,其累积分布函数可以用F(x)来表示。
4. 连续型随机变量的特征连续型随机变量与离散型随机变量相比,具有一些独特的特征。
首先,连续型随机变量的概率密度函数在整个定义域上积分等于1,即∫f(x)dx=1。
其次,连续型随机变量的概率函数为0,即P(X=x)=0。
此外,连续型随机变量的期望值和方差可以通过积分计算得到。
5. 连续型随机变量的常见分布在实际问题中,有许多常见的连续型随机变量分布可供选择。
其中一些常见的连续型随机变量分布包括正态分布、均匀分布、指数分布等。
每种分布都有其特定的特征与应用场景。
6. 连续型随机变量的应用由于连续型随机变量的灵活性和广泛性,它在实际问题中有着广泛的应用。
例如,在金融领域中,股票价格的变动、汇率的波动等都可以视为连续型随机变量。
在工程领域中,一些物理量如温度、流量等也可以看作是连续型随机变量。
总结:连续型随机变量是一类取值在某个区间内连续变化的随机变量。
它的概率分布可以通过概率密度函数来描述,并通过累积分布函数计算其概率。
连续型随机变量与分布
连续型随机变量与分布随机变量是概率论和数理统计中的重要概念之一,它描述了试验结果的不确定性。
随机变量可以分为离散型和连续型两种。
在本文中,我们将重点讨论连续型随机变量及其分布。
一、连续型随机变量的定义连续型随机变量是指其取值范围为连续的实数集合的随机变量。
与之相对应的是离散型随机变量,其取值范围为有限或可列的数集。
举例来说,假设我们研究某地每天降雨的量,用X表示降雨量。
如果我们用毫升作为单位,X可以取任意实数值,包括小数。
这种情况下,X就是一个连续型随机变量。
二、连续型随机变量的概率密度函数对于连续型随机变量X,我们不能像离散型随机变量那样用概率质量函数来描述其概率分布,因为连续型随机变量可能取无限个实数取值。
为了描述连续型随机变量的概率分布,我们引入了概率密度函数(Probability Density Function,简称PDF)。
概率密度函数f(x)满足以下两个条件:1. 非负性:对于任意实数x,有f(x)≥0;2. 归一性:∫f(x)dx = 1,其中积分范围为整个样本空间。
概率密度函数f(x)表示了随机变量X落在无穷小区间(x, x+dx)内的概率。
具体而言,对于一个事件A,其对应的概率可以通过计算f(x)在该区间上的积分得到。
三、连续型随机变量的分布函数与离散型随机变量相似,连续型随机变量也有分布函数(Distribution Function),又称为累积分布函数(Cumulative Distribution Function,简称CDF)。
对于连续型随机变量X,其分布函数F(x)定义为:F(x) = P(X ≤ x),表示X小于等于x的概率。
分布函数具有以下性质:1. 非减性:对于任意实数x1 < x2,有F(x1) ≤ F(x2);2. 右连续性:对于任意实数x0,有F(x0) = lim(x→x0⁺)F(x)。
通过分布函数,我们可以计算随机变量X落在任意区间上的概率。
连续型随机变量的概率分布
F ( x) 1
e d t x
(
t μ)2 2σ2
2πσ
正态分布的应用与背景
正态分布是最常见最重要的一种分布,例如 测量误差, 人的生理特征尺寸如身高、体重等 ; 正常情况下生产的产品尺寸:直径、长度、重量 高度等都近似服从正态分布.
正态分布下的概率计算
原函数不是
P{X x} F ( x)
P{ x1 X x2} F ( x2 ) F ( x1)
x2 f ( x)d x;
x1
证明 P{ x1 X x2} F ( x2 ) F ( x1)
x2 f ( x) d x x1 f ( x) d x x2 f ( x)d x.
x1
89 90 0.5
(2)
1
(2)
1 0.9772 0.0228.
(2) P{X 80} 0.99 1 P{X 80} 0.99
1 F (80) 0.99
)2
x
,
2 πσ
其中 μ, σ(σ 0) 为常数,则称 X 服从参数为 μ, σ
的正态分布或高斯分布,记为 X ~ N ( μ,σ2 ).
正态概率密度函数的几何特征
(1)曲线关于 x μ 对称; (2) 当x μ时, f ( x)取得最大值 1 ;
2 πσ (3) 当 x 时, f ( x) 0; (4)曲线在 x μ σ 处有拐点;
1.6 连续型随机变量的概率分布
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
连续型随机变量的分布函数
连续型随机变量的分布函数引言连续随机变量是概率论中的重要概念之一,其取值范围是一段连续的实数区间。
与离散型随机变量不同,连续型随机变量的分布函数是一个实函数,描述了随机变量取值小于等于某一实数的概率。
本文将介绍连续型随机变量的分布函数的定义、性质以及常见的连续分布函数。
一、连续型随机变量的分布函数定义在概率论中,对于一维连续型随机变量X,其分布函数F(x)定义为:F(x) = P(X ≤ x)其中P为概率函数,表示X取值小于等于x的概率。
分布函数F(x)具有以下性质:1.F(x)是自变量x的单调不减函数;2.F(x)的取值范围是[0,1],即0≤F(x)≤1;3.当x→负无穷时,F(x)→0;当x→正无穷时,F(x)→1。
二、连续型随机变量的概率密度函数对于连续型随机变量X,其概率密度函数f(x)是分布函数F(x)的导数,即:f(x) = dF(x)/dx概率密度函数描述了连续型随机变量在不同取值下的概率密度。
概率密度函数具有以下性质:1.f(x)是非负函数,即对于所有x,有f(x)≥0;2.连续型随机变量所有可能取值的概率密度函数在取值范围上的积分等于1,即∫f(x)dx = 1。
通过概率密度函数可以计算出在某个区间内连续型随机变量的取值概率,即概率密度函数在该区间上的积分。
三、常见的连续分布函数1. 均匀分布(Uniform Distribution)均匀分布是一种简单的连续型随机变量分布,其概率密度函数在一个区间内全等于常数,即:f(x) = 1/(b-a),a≤x≤b,否则 f(x) = 0其中a和b是区间的上下界。
均匀分布的分布函数是线性的,在区间[a,b]内为0,在区间左侧小于a时为0,在区间右侧大于b时为1。
均匀分布的期望值为(a+b)/2,方差为(b-a)²/12。
2. 正态分布(Normal Distribution)正态分布是最具代表性的连续型随机变量分布之一,也称为高斯分布。
连续型随机变量的概率分布
例3 设连续型随机变量X的概率密度为:
f ( x) ce
求: (1) 常数c ;
x
, x
(2) P(0 < X <1) ;
(3)求分布函数F(x)
解:(1)由 f ( x )dx 1 ce dx 1
x
2
0
1 ce dx 1 c 2
x
0
0dt 2tdt x 2
0
x
当 x 1 时,F ( x ) (t )dt
x
0dt 2tdt 0dt 1
0 1
0
1
x
0, x 0 2 即F ( x ) x , 0 x 1 1, x 1
概率密度函数 f ( x )反映r.v.X落在
概率
x 处附近,
上页 下页 返回
单位长度所具有的概率。
从而得到
P ( x X x x )
F ( x x ) F ( x ) f ( x )x
概率微分
(4)连续型随机变量X的值落入区间 ( a , b ]内的概率
P (a X b) F ( b) F ( a)
1 e x , x 0 其分布函数 F ( x ) x0 0,
如, 电子元件的寿命 X~ E(θ)
例1:(P72习题18) 设随机变量X服从参数为θ 的指数 1 且P ( X c ) 分布, ,试确定常数c. 2
1 e x , x 0 解 : X的分布函数为 F ( x ) 0, 其 他
x
上页 下页 返回
连续型概率分布
连续型概率分布连续型概率分布是概率论中的一个重要概念,用于描述连续随机变量的可能取值范围及其对应的概率。
与离散型概率分布相比,连续型概率分布在数轴上的每一个点都有概率密度函数与之对应,而不是直接给出某个点的概率。
本文将介绍几种常见的连续型概率分布,包括均匀分布、正态分布和指数分布。
一、均匀分布均匀分布是一种简单而常见的连续型概率分布,它假设随机变量在一定的范围内取值的概率是相同的。
在数学上,均匀分布的概率密度函数为:f(x) = 1 / (b - a),a ≤ x ≤ b其中,a和b分别表示均匀分布的下界和上界。
图表上,均匀分布的概率密度函数在[a, b]区间内的取值是一个常数,且在[a, b]之外为0。
这意味着在[a, b]区间内的任意一个子区间上,概率密度的积分就是该子区间的长度除以[a, b]之间的总长度。
二、正态分布正态分布是统计学中最重要的连续型概率分布之一,也被称为高斯分布。
正态分布在自然界和社会科学中的广泛应用使得它成为了研究的重点。
正态分布的概率密度函数可以写作:f(x) = 1 / (σ * √(2π)) * exp(-(x - μ)² / (2σ²))其中,μ是均值,σ是标准差。
正态分布的概率密度函数呈钟形曲线,其峰值位于μ处,标准差决定了曲线的形状。
正态分布具有许多重要的特性,如68-95-99.7法则,即大约68%的概率密度位于一个标准差范围内,95%位于两个标准差范围内,99.7%位于三个标准差范围内。
三、指数分布指数分布是描述连续随机事件发生的时间间隔的概率分布。
例如,某个服务台上的顾客到达时间间隔、两次地震发生的间隔等,都可以用指数分布来描述。
指数分布的概率密度函数可以写作:f(x) = λ * exp(-λx),x ≥ 0其中,λ是分布的参数,表示单位时间内事件发生的平均次数。
指数分布的概率密度函数在区间[0, +∞)上递减,且总面积等于1。
指数分布还有一个重要的特性是无记忆性,即已经等待了一段时间后,再等待一段时间的概率与一开始等待这段时间的概率是相等的。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
41 48
例2:设随机变量 X的概率密度 f ( x)为
f
(
x)
4 x
3
0 x1
0 else
(1)求常数 a,使 P( X a) P( X a)
(2)求常数 b,使 P( X b) 0.05 解:(1) 由于 P( X a) 0, 因此有
P(X a) P(X a) 1
从而由题设得 P( X a) 0.5,且有 0 a 1
解: 由p.d. f .的性质,
f ( x)dx
e2xdx 1
2
0
P( X 2)
f ( x)dx
2e2 xdx e4
2
2
P(X
a2
2
X
a2)
P(X
a2, P(XX a2 a2)2)P(X P(X
a2 2) a2)
2e 2 xdx
a2 2
2e2 xdx
e4
a2
e (
y )2
2 d(
y )1 2
泊松积分: e x2 dx ,
概率论
概率论
正态分布 N (, 2 ) 的图形特点
决定了图形的中心位置, 决定了图形中峰
的陡峭程度.
概率论
正态分布最早是由Gauss在测量误差时得到的,也称为 Gauss分布。后续内容将表明,正态分布在概率统计中有特殊 的重要地位。
概率论
§1.6 c.r.v.的概率密度
c.r.v.及其概率密度的定义 概率密度的性质 三种重要的c.r.v. 小结
概率论
c.r.v.X所有可能取值充满一个区间, 对 这种类型的随机变量, 不能象d.r.v.那样, 以 指定它取每个值概率的方式, 去给出其概 率分布, 而是通过给出 “概率密度函数” (probability density function, p.d.f.) 的方式.
(2) X的概率密度函数为
0.5e x f ( x) F ( x) 0
0.5e ( x1)
x0 0 x1
x1
(3) P( X 1) 1 P( X 1) 1 F(1) 1
3
3
32
例6:设r.v.X的密度函数 f (x)为偶函数,
试证明:对任意a
0,
有F
(a)
1
F
(a)
1 2
0a
f
(
概率论
概率密度的性质:
1 o f (x) 0
2 o f (x)dx 1
这两条性质是判定一个 函数 f(x)是否为某r .v X 的
概率密度的充要条件
f (x)
面积为1
o
x
3o 对于任意实数 x1 , x2 , (x1 < x2 ) ,
P{ x1 X x2}
x2 f ( x)dx
x1
概率论
2 正态分布 N (, 2 ) 的分布函数
设 X~ N (, 2 ) , X 的分布函数是
F x 1
e dt x
(t μ)2 2σ2
,
x
2πσ
概率论
正态分布由它的两个参数μ和σ唯一确定, 当μ和 σ不同时,是不同的正态分布。
e ( st ) es
et P( X t) 指数分布常用来作为各种“寿命”分布的近似。如 随机服务系统中的服务时间,一些消耗性产品(如电子 元器件)的使用寿命等多近似服从指数分布。
例9:设自动取款机对每位顾客的服务时间(单位:分钟)
服从θ=3的指数分布。若一位顾客恰好在你之前开始使用取 款机,求(1)至少等候3分钟的概率;(2)等候3~6分钟的 概率。又若你到达取款机时,已有一位顾客正在使用,上述 概率又是多少?
于是所求概率为P 1 (e0.2 )10 0.865
例 8:假设一大型设备在任 何长为t的时间内发生故
障的次数 X(t)服从参数为t的泊松分布
(1)求相继两次故障之间时间间隔T的概率分布; (2)求设备无故障工作8小时的概率; (3)求在设备已无故障工作8小时的情形下,再无故 障工作8小时的概率。 解:(1)求概率分布,由题目所给的条件,求T的分布 函数。 当t 0时,由于T是非负的随机变量, 故有F (t) P(T t) 0 当t 0时,事件“T t”表示相邻两次故障的时间间隔
不大于t,即在t长的时间内至少发生一次故障,即X(t) 1,
反之,若X(t) 1,说明在t长的时间内发生了故障,即相邻
两次故障的时间间隔T t,因此有 F (t ) P(T t ) P[ X (t ) 1]
因为 P[ X (t ) k] (t )k et , k 0,1,2,
k!
lim F( x) C A A, lim F( x) B A B
x0
x0
lim F( x) B, lim F( x) D A 1 A B 1 A
x1
x1
由上述两式得 A B 1 于是有 2
0.5e x F ( x) 0.5
1 0.5e ( x1)
x0 0 x1
x1
3. 正态分布
概率论
若连续型 r .v. X 的概率密度为
请记住
f (x)
1
( x )2
e , 2 2 x
2
其中 和 ( >0 )都是常数, 则称X服从参数为 和σ
的正态分布或高斯分布. 记作
X : N(, 2)
1o f x具有下述性质 :
1 f x 0 ;
f (x)
函数f (x)的图形呈钟形,
a
f
( x)dx
0 f ( x)dx 0a f ( x)dx
1 2
a
0
f
( x)dx
二、 常见的 c.r.v.
例7:若 c.r.v.X
~
f
(x)
0
a xb else
确定常数 ,设[c, d] [a, b],求 P(c X d)
解:
f
(
x)dx
abdx
(b
a)
1
1
ba
y
P(c
X
d)
d
c
定理1.20 如果X ~ Exp( ),则对s 0, t 0,
有 P(X s t X s) P(X t) 证明 : X ~ Exp( ),
P( X t) 1 P( X t) et ,
P(X s t X s) P(X s t, X s) P(X s)
P(X s t) P(X s)
f
(
x)
e
x
0
x0 x0
1
表示X的平均取值;
1 ex F(x)
0
x0 x0
例 7:设日光灯管的使用寿命X服从指数分布,平均
使用寿命为3000小时,教室内安装了10只日光灯,假设每
天开灯4小时,求150天内该教室已更换过日光灯管的概率。
解:使用寿命的分布函数为
F
(
x
)
1
e
x 3000
则 P( X 150 4) 1 F (600) e0.2
x)dx
证明:
F (a)
a
f
(
x
)dx
xt
a
f
( t )( dt )
a
f
( t )dt
a
f
( t )dt
f
( t )dt
a
f
( t )dt
1
F (a)
因为f
( x)是偶函数,所以0
f
( x)dx
0
f
( x)dx
而
0 f ( x)dx 0 f ( x)dx 1
0
f
( x)dx
1 2
因此
1
F (a)
t
dt
,
x
(2) 分布函数
0,
x0
xx dx,
0 6
0 x3
F ( x)
3x dx
x 2 x dx,
3 x4
06
3 2
1,
x4
x0
x
3
x4x
x
概率论
即分布函数
0,
x0
x2
,
0 x3
F(x)
12 3
2x
x2 4
,
3 x4
1,
x4
(3)P1
X
7 2
F
7 2
F 1
所以当t 0时,有 F(t) 1 P[X (t) 1] 1 et
于是T的分布函数为F
(t
)
1
e t
0
t0 t0
可见,T服从参数为的指数分布。
(2)求设备无故障工作8小时的概率;
P2 P(T 8) 1 F (8) e8
(3)求在设备已无故障工作8小时的情形下,再无故 障工作8小时的概率。
2.指数分布:如果随机变量 X的概率密度为
f
(
x)
e x
0
x0 x0
其中 0,则称 X服从参数为的指数分布。记为X ~ E( ).
容易验证: f ( x)dx
e xdx 0
e x
0
1
Note1:
1
表示X的平均取值;(后面证明)
1 ex x 0
F(x) 0
x0
请大家记住!
概率论
利用概率密度可确 定随机点落在某个 范围内的概率
4o 若 f (x) 在点 x 处连续 , 则有
F( x) f ( x).
概率论
请注意:
c.r.v取任一指定实数值a 的概率均为0. 即
PX a 0 .
故有 P(a X b) P(a X b) P(a X b) P(a X b)