L3-连续变量分布:均匀分布、指数分布、正态分布
1. 定义
如果对于随机变量XXX的分布函数F(x)F(x)F(x),存在非负函数f(x)f(x)f(x),使得对于任意实数xxx,有F(x)=∫−∞xf(t)dtF(x)= \int_{-\infty}^{x} f(t) \, dtF(x)=∫−∞xf(t)dt
则称XXX为连续型随机变量,其中函数f(x)f(x)f(x)称为XXX的概率密度函数。
概率密度f(x)f(x)f(x)具有以下性质:
- f(x)≥0f(x)≥0f(x)≥0
- ∫−∞+∞f(x)dx=1\int_{-\infty}^{+\infty} f(x) \, dx =1∫−∞+∞f(x)dx=1
- P{x1<X≤x2}=F(x2)−F(x1)=∫x1x2f(x)dx(x1≤x2)P\{x_1<X \leq x_2\} = F(x_2)-F(x_1)= \int_{x_1}^{x_2} f(x) \, dx \;\;\; (x_1≤x_2)P{x1<X≤x2}=F(x2)−F(x1)=∫x1x2f(x)dx(x1≤x2)
2. 常见连续变量分布
####(1)均匀分布
若随机变量XXX的密度函数为
f(x)={1b−a,a≤x≤b0,其他f(x)= \begin{cases}\frac{1}{b-a}, \quad a \leq x \leq b \\ 0, \quad 其他 \\ \end{cases}f(x)={b−a1,a≤x≤b0,其他
则称随机变量XXX服从区间[a,b][a,b][a,b]上的均匀分布,记作X∼U(a,b)X \sim U(a,b)X∼U(a,b)。
XXX的分布函数为
F(x)={0x≤ax−ab−aa≤x≤b1b≤xF(x)= \begin{cases} 0 \quad \quad x \leq a \\ \frac{x-a}{b-a} \quad a \leq x \leq b \\ 1 \quad \quad b \leq x \end{cases}F(x)=⎩⎪⎨⎪⎧0x≤ab−ax−aa≤x≤b1b≤x
(2)指数分布
若随机变量X的密度函数为
f(x)={λe−λxx>00x≤0f(x)= \begin{cases} \lambda e^{-\lambda x} \quad x>0 \\ 0 \quad \quad \; x \leq 0 \\ \end{cases} f(x)={λe−λxx>00x≤0
则称随机变量XXX服从参数为λ\lambdaλ(λ>0\lambda>0λ>0 为常数)的指数分布。
XXX的分布函数为
F(x)={1−e−λxx>00x≤0λ>0为常数F(x)= \begin{cases} 1-e^{-\lambda x} \quad x>0 \\ 0 \quad \quad \quad \; x \leq 0 \\ \end{cases} \lambda>0 为常数F(x)={1−e−λxx>00x≤0λ>0为常数
(3)正态分布
若随机变量X的密度函数为
f(x)=12πσe−(x−μ)22σ2(−∞≤x≤+∞)f(x)=\frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \quad \quad (-\infty \leq x \leq +\infty)f(x)=2πσ1e−2σ2(x−μ)2(−∞≤x≤+∞)
其中,−∞≤μ≤+∞,θ>0-\infty \leq \mu \leq +\infty,\theta>0−∞≤μ≤+∞,θ>0为参数。
则称随机变量XXX服从参数为(μ,σ2)(\mu,\sigma^2)(μ,σ2)的正态分布,记作X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2)。
若μ=0,σ=1\mu=0,\sigma=1μ=0,σ=1,称N(0,1)N(0,1)N(0,1)为标准正态分布,密度函数如下:
φ(x)=12πe−x22(−∞<x<+∞)\varphi(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} \quad (-\infty < x < +\infty)φ(x)=2π1e−2x2(−∞<x<+∞)
正态分布密度函数的图形性质:
曲线关于直线x=μx=\mux=μ对称。对于任意h>0h>0h>0,有P{μ−h<X≤μ}=P{μ<X≤μ+h}P\{\mu-h<X \leq \mu\}=P\{\mu <X \leq \mu+h\}P{μ−h<X≤μ}=P{μ<X≤μ+h}。
当x=μx=\mux=μ时,f(x)f(x)f(x)取到最大值12πσ\frac {1}{\sqrt{2 \pi} \sigma}2πσ1。xxx离μ\muμ越远,f(x)f(x)f(x)的值就越小。对于同样长度的区间,当区间离μ\muμ越远时,随机变量XXX落在该区间中的概率就越小。
f(x)f(x)f(x)在x=μ±σx=\mu±\sigmax=μ±σ处有拐点,并以OxOxOx轴为渐近线。
若σ\sigmaσ固定,改变μ\muμ的值,则f(x)f(x)f(x)的图形沿xxx轴平行移动,但不改变其形状。因此f(x)f(x)f(x)图形的位置完全由参数μ确定。
若μ\muμ固定,改变σ\sigmaσ的值,由于f(x)f(x)f(x)的最大值为12πσ\frac {1}{\sqrt{2 \pi} \sigma}2πσ1,当σ\sigmaσ越小时,f(x)f(x)f(x)图形越陡,XXX落在μ\muμ附近的概率越大;反之,当σ\sigmaσ越大时,f(x)f(x)f(x)图形越平坦,XXX的取值越分散。
3σ3\sigma3σ原则:正态分布距离平均值3σ3\sigma3σ之外的值出现的概率P{∣X−μ∣>3σ}≤0.003P\{|X-\mu|>3\sigma\}≤0.003P{∣X−μ∣>3σ}≤0.003,属于极个别的小概率事件。
L3-连续变量分布:均匀分布、指数分布、正态分布相关推荐
- PT_常见的连续型分布/均匀分布/指数分布/柯西分布/正态分布
文章目录 常见的连续型分布/均匀分布/指数分布/柯西分布/正态分布 均匀分布 性质 例 指数分布 无记忆性 ref 例 柯西分布 正态分布
- 两个均匀分布相加、两个正态分布相加、由均匀分布生成正态分布
文章目录 两个均匀分布相加 两个正态分布相加 由均匀分布生成正态分布 有师兄面试碰到类似问题,记录一下推导过程. 两个均匀分布相加 两个正态分布相加 由均匀分布生成正态分布
- 【均匀分布和正态分布】
目录 均匀分布和正态分布对比 python绘制均匀分布 生成均匀分布数组 均匀分布绘制 正态分布 方差与标准差 均值与方差实际意义 python绘制正态分布图 均匀分布和正态分布对比 均匀分布:只在限 ...
- T分布与标准正态分布的图形及峰度问题
最近在学习数理统计时对T分布与标准正态分布的图形变化以及它们的峰度变化有所困惑.现用Python可视化它们的图像. 一.图像 根据以下代码进行作图: import numpy as np from s ...
- 伽马分布,指数分布,泊松分布的关系
1. 从意义上看: 指数分布解决的问题是"要等到一个随机事件发生,需要经历多久时间" 伽玛分布解决的问题是"要等到n个随机事件都发生,需要经历多久时间" 所以, ...
- MATLAB画分布统计以及正态分布拟合图
假设现有一个名为data的1x500的数据,这里我们使用normrnd随机生成一个正态分布的数据 data=normrnd(0,5,[1,500]); 可以使用histogram函数对齐分布进行绘制, ...
- 概率特性仿真实验与程序-Matlab仿真-随机数生成-负指数分布-k阶爱尔兰分布-超指数分布
概率特性仿真实验与程序-Matlab仿真-随机数生成-负指数分布-k阶爱尔兰分布-超指数分布 使用Java中的SecureRandom.nextDouble()生成一个0~1之间的随机浮点数,然后使用 ...
- 伽马分布,指数分布,泊松分布的关系 -转自简书
原文链接:https://www.jianshu.com/p/6ee90ba47b4a 伽马分布,指数分布,泊松分布的关系 thinkando 关注 2018.09.25 21:13* 字数 714 ...
- 几种概率分布(伯努利分布、二项分布、泊松分布、均匀分布、正态分布、指数分布、伽马分布)
伯努利分布(Bernoulli Distribution) 又名两点分布或者0-1分布,是一个离散型概率分布,为纪念瑞士科学家雅各布·伯努利而命名.若伯努利试验成功,则伯努利随机变量取值为1.若伯努利 ...
- 【随机过程】t分布、卡方分布、F分布、均匀分布、正态分布、指数分布、几何分布、二项分布、泊松分布、0-1分布等分布的分布律、期望、方差和特征函数汇总
分布 分布律或概率密度 期望 方差 特征函数 0-1分布 P(X=1)=p,P(X=0)=q,0<p<1,p+q=1P(X=1)=p,P(X=0)=q,\\0<p<1,p+q= ...
最新文章
- 如何阅读JAVA 字节码(一)
- mysql 差异还原_MySQL差异转储? 还原的其他策略?
- 四、唱歌不如跳舞(上)
- 中文信息处理的主流技术是什么?
- 通过composer安装阿里大于接口扩展
- NWERC 2018 A. Access Points 二维转一维 + 单调栈
- fiddler如何设置过滤https_手把手教你如何给网站设置https
- php获取flash上传视频文件大小,如何获取flash文件(.swf文件)的长度和宽度
- MatConvNet深度学习工具箱安装教程
- Scala go java_Java、Scala和Go语言多线程并发对比测试结果和结论
- 手机访问电脑文件_手机直接访问电脑文件,不用数据线,方便快速
- hdu-1542 Atlantis(离散化+线段树+扫描线算法)
- 数据结构-------赫夫曼树
- Householder变换(反射变化)与Givens变换(旋转变化)的学习笔记
- IT:银行类金融科技岗笔试习题集合—四个模块包括【综合知识+EPI+英语+个性测评】持续更新,建议收藏
- 2021-01-28
- C笔记《C Primer Plus 6E》
- 如何成为早起者(二)
- 直方图均衡化、规定化、局部直方图均衡化、直方图统计
- 管理软件到底有没有前途(三)-从国家十一五信息化战略规划来看
热门文章
- Maya游戏角色骨骼绑定学习教程
- Qt开发技术:Q3D图表开发笔记(三):Q3DSurface三维曲面图介绍、Demo以及代码详解
- Java 8 stream的记录
- 日本人真实的生活水平
- 【电力电子】【2014】三相电压型逆变器在独立和并网模式下的动态建模与分析
- 档案数字化是档案管理的未来趋势
- 航电多校第二场-1001-Total Eclipse
- ros::spin() 和 ros::spinOnce() 区别及用法
- Docker 设置日志文件限制最多3个,最大5M
- python杨辉三角_学点数学和编程终身受益:看看杨辉三角形