\(\begin{align*} \newcommand{\dif}{\mathop{}\!\mathrm{d}} \newcommand{\p}{\partial} \end{align*}\)
连续随机变量与概率密度
定义
对于随机变量 $X$ 的分布函数,若存在非负函数 $f(x)$,使得对于任意实数 $x$ 有:
则称 $X$ 为 连续型随机变量,其中 $f(x)$ 称为 $X$ 的 概率密度函数,简称 概率密度。
注意
性质:
- $f(x)\geq 0$
- $\int_{-\infty}^{\infty} f(x)\dif x=1$
- $P(x_1<X<x_2)=\int_{x_1}^{x_2} f(t)\dif t$
- 在 $f(x)$ 连续点,$F’(x)=f(x)$,也就是落在 $(x, x+\dif x)$ 内的概率为 $f(x)\dif x$
- 另外,$F(x)$ 一定连续
$f_1(x), f_2(x)$ 是两个概率密度,问 $f_1(x)\cdot f_2(x)$,$f_1(x)+f_2(x)$ 是否是概率密度?
$f_1(x)\cdot f_2(x)$ 和 $f_1(x)+f_2(x)$ 都不是,因为不满足第2条性质。
均匀分布
定义
若 $X$ 的概率密度函数为:
则称 $X$ 服从 $(a,b)$ 上的均匀分布(Uniform),记为 $X\sim \text{U}(a,b)$ 或 $X\sim \text{Unif}(a,b)$
指数分布
定义
若 $X$ 的概率密度函数为:
则称 $X$ 服从 指数分布,记为 $X \sim E(\lambda)$。其分布函数为:
\[\begin{align} F(x)&=\int_{-\infty}^{x} f(x) \dif x\\ &= \begin{cases} 1-e^{-\lambda x} \dif x & x\geq 0\\ 0 & x<0 \end{cases} \end{align}\]正态分布
定义
若 $X$ 的概率分布函数为:
则称 $X$ 服从参数为 $\mu,\sigma$ 的 正态分布(高斯分布) 记为 $X\sim\text{N}(\mu, \sigma^2)$
特征
- $f(x)$ 关于 $x=\mu$ 对称
- $x\leq\mu$ 时,是严格单调递增函数
- $f_\max=f(\mu)=\frac{1}{\sqrt{2\pi}\sigma}$
- $\lim_{\vert x-\mu \vert\rightarrow\infty} f(x)=0$
- 改变 $\mu$,图像的形状不变,中心平移,$\mu$称为 位置参数
- 改变 $\sigma$,图像的中心不变,形状改变,且 $\mu$ 越大,图像越胖。$\sigma$ 称为 尺度参数(决定曲线的分散程度)
正态分布的概率计算
若 $X\sim\text{N}(\mu, \sigma^2)$,对实数 $x$:
\[P(X\leq x)=\frac{1}{\sqrt{2\pi} \sigma} \int_{-\infty}^x e^{- \frac{(t-\mu)^2}{2\sigma^2}} \dif t\]然而这个积分极难求出原函数,完全算不出来。所幸,我们可以借助标准正态分布来计算。
定义
若 $Z\sim\text{N}(0,1)$,称 $Z$ 服从标准正态分布,其概率密度函数为:$\varphi(z)=\frac{1}{\sqrt{2\pi}} e^{-z^2/2}$,分布函数为 $\Phi(z)=\int_{-\infty}^z \frac{1}{\sqrt{2\pi}} e^{-t^2/2} \dif t$。以后 $\varphi(z)$,$\Phi(z)$ 默认表示标准正态分布。
标准正态分布的概率分布函数已经计算出来了,我们能查表得到特定值的概率。(注意:$\Phi(-z)=1-\Phi(z)$ )
那么如何计算一般的正态分布呢?我们有如下性质:
性质
当 $X\sim\text{N}(\mu,\sigma^2)$ 时,$\frac{X-\mu}{\sigma}\sim\text{N}(0,1)$
证明
对于任意实数 $z$
由这条性质可知,当 $X\sim\text{N}(\mu,\sigma^2)$ 时,要计算 $P(X\leq a)$,可以转化为:$(X\leq a)=P(\frac{X-\mu}{\sigma}\leq\frac{a-\mu}{\sigma})=\Phi(\frac{a-\mu}{\sigma})$
例题:$X\sim N(\mu,\sigma^2)$,$y^2+4y+X=0$ 无实根的概率是 1/2,问 $\mu = ?$
解:无实根即 $\Delta = 16-4X<0$,即 $X>4$,$P(X>4)=1/2$,$\therefore \mu = 4$
以上列出的分布要熟记。