[概统]本科二年级 概率论与数理统计 第四讲 连续型随机变量
[概统]本科二年级 概率论与数理统计 第四讲 连续型随机变量
- 连续型随机变量的基本概念
- 均匀分布
- 指数分布
- 正态分布
- 推导正态分布的密度(de Moivre-Laplace定理)
- 标准正态分布
- 一般的正态分布
连续型随机变量的基本概念
定义4.1 在R\mathbb{R}R上定义概率PPP,P:A→[0,1]P:\mathcal{A} \to [0,1]P:A→[0,1],
- P(ϕ)=0P(\phi)=0P(ϕ)=0,即不可能事件概率为0
- P(Ω)=1P(\Omega)=1P(Ω)=1,即必然事件概率为1
- 对一列互斥的事件{An}n≥1⊂P\{A_n\}_{n \ge 1} \subset \mathcal{P}{An}n≥1⊂P, P(⋃n≥1An)=∑n≥1P(An)P(\bigcup_{n \ge 1}A_n) = \sum_{n \ge 1}P(A_n)P(n≥1⋃An)=n≥1∑P(An)即互斥事件和的概率等于互斥事件概率之和
其中A\mathcal{A}A是R\mathbb{R}R的某些子集组成的集合,按几何概型的启发,我们假设A\mathcal{A}A中的元素都可以用某些区间的交或者并表示。这样我们就得到了概率空间(R,A,P)(\mathbb{R},\mathcal{A},P)(R,A,P),称这样的概率空间为连续型概率空间。定义X:(R,A,P)→RX:(\mathbb{R},\mathcal{A},P) \to \mathbb{R}X:(R,A,P)→R,则XXX为连续型随机变量。
例4.1 我们可以把事件用随机变量表示,考虑事件A∈AA \in \mathcal{A}A∈A,定义
1A(x)={1,x∈A0,x∉A1_A(x) = \begin{cases} 1 , x \in A \\ 0, x \notin A \end{cases}1A(x)={1,x∈A0,x∈/A
显然1A1_A1A是一个连续型随机变量,我们称这样的随机变量为事件的指示变量(indicator function)。
定义4.2 分布、累积分布函数、生存函数
称映射μ:A→[0,1]\mu:\mathcal{A} \to [0,1]μ:A→[0,1]是XXX的分布,如果∀A∈A\forall A \in \mathcal{A}∀A∈A
μ(A)=P({w∈Ω:X(w)∈A})=P(X∈A)\mu(A) = P(\{w \in \Omega:X(w) \in A\})=P(X \in A)μ(A)=P({w∈Ω:X(w)∈A})=P(X∈A)
如果取A=(−∞,x]A = (-\infty,x]A=(−∞,x],则记
FX(x)=μ((−∞,x])=P(X≤x)F_X(x) = \mu((-\infty,x]) = P(X \le x)FX(x)=μ((−∞,x])=P(X≤x)
称FXF_XFX为XXX的累积分布函数(cumulative distribution function, cdf);如果取A=(x,∞)A = (x,\infty)A=(x,∞),则记SX(x)=μ((x,∞))=P(X>x)S_X(x) = \mu((x,\infty))=P(X>x)SX(x)=μ((x,∞))=P(X>x)
称SXS_XSX为XXX的生存函数,显然
FX(x)+SX(x)=1,∀x∈RF_X(x)+S_X(x)=1,\forall x \in \mathbb{R}FX(x)+SX(x)=1,∀x∈R
定理4.1 累积分布函数的性质
- 右连续
- F(−∞)=0,F(+∞)=1F(-\infty)=0,F(+\infty)=1F(−∞)=0,F(+∞)=1
- 非减
证明
第一条,右连续,即limx→a+FX(x)=F(a),∀x∈R\lim_{x \to a^+}F_X(x)=F(a),\forall x \in \mathbb{R}limx→a+FX(x)=F(a),∀x∈R,要证明这个结论,我们考虑任意一个单调递增且收敛到aaa的序列{xn}\{x_n\}{xn},则
{X≤x1}⊃{X≤x2}⋯⊃{X≤xn}⊃⋯\{X \le x_1\} \supset \{X \le x_2\} \cdots \supset \{X \le x_n\} \supset \cdots{X≤x1}⊃{X≤x2}⋯⊃{X≤xn}⊃⋯
所以
⋂n=1∞{X≤xn}={X≤limn→∞xn}={X≤a}\bigcap_{n=1}^{\infty}\{X \le x_n\} = \{X \le \lim_{n \to \infty}x_n\}=\{X \le a\}n=1⋂∞{X≤xn}={X≤n→∞limxn}={X≤a}
根据概率的下连续性(见下面的评注),
limn→∞P(Xn≤xn)=P(⋂n=1∞{X≤xn})=P(X≤a)=FX(a)\lim_{n \to \infty}P(X_n \le x_n)=P(\bigcap_{n=1}^{\infty}\{X \le x_n\})=P(X \le a)=F_X(a)n→∞limP(Xn≤xn)=P(n=1⋂∞{X≤xn})=P(X≤a)=FX(a)
这就说明了累积分布函数的右连续性。
第二条,F(−∞)=limx→−∞F(x)=0F(-\infty)=\lim_{x \to -\infty}F(x)=0F(−∞)=limx→−∞F(x)=0,要证明这个极限,我们选择任意一个递减且发散到−∞-\infty−∞的序列{xn}\{x_n\}{xn},则
{X≤x1}⊃{X≤x2}⋯⊃{X≤xn}⊃⋯\{X \le x_1\} \supset \{X \le x_2\} \cdots \supset \{X \le x_n\} \supset \cdots{X≤x1}⊃{X≤x2}⋯⊃{X≤xn}⊃⋯
并且
⋂n=1∞{X≤xn}={X≤limn→∞xn}=ϕ\bigcap_{n=1}^{\infty}\{X \le x_n\} = \{X \le \lim_{n \to \infty}x_n\}=\phin=1⋂∞{X≤xn}={X≤n→∞limxn}=ϕ
根据第一条性质,
F(−∞)=P(⋂n=1∞{X≤xn})=P(ϕ)=0F(-\infty)=P(\bigcap_{n=1}^{\infty}\{X \le x_n\})=P(\phi)=0F(−∞)=P(n=1⋂∞{X≤xn})=P(ϕ)=0
类似地,F(+∞)=limx→+∞FX(x)=1F(+\infty) = \lim_{x \to + \infty}F_X(x)=1F(+∞)=limx→+∞FX(x)=1,我们选择一个递增且分散到+∞+\infty+∞的序列{xn}\{x_n\}{xn},则
{X≤x1}⊂{X≤x2}⋯⊂{X≤xn}⊂⋯\{X \le x_1\} \subset \{X \le x_2\} \cdots \subset \{X \le x_n\} \subset \cdots{X≤x1}⊂{X≤x2}⋯⊂{X≤xn}⊂⋯
并且
⋃n=1∞{X≤xn}={X≤limn→∞xn}=Ω\bigcup_{n=1}^{\infty}\{X \le x_n\} = \{X \le \lim_{n \to \infty}x_n\}=\Omegan=1⋃∞{X≤xn}={X≤n→∞limxn}=Ω
根据概率的上连续性(见下面的评注),
F(+∞)=P(⋃n=1∞{X≤xn})=P(Ω)=1F(+\infty) = P(\bigcup_{n=1}^{\infty}\{X \le x_n\} )=P(\Omega)=1F(+∞)=P(n=1⋃∞{X≤xn})=P(Ω)=1
第三条,考虑x≤yx\le yx≤y,{X≤x}⊂{X≤y}\{X \le x\} \subset \{X \le y\}{X≤x}⊂{X≤y},所以P(X≤x)≤P(X≤y)P(X \le x) \le P(X \le y)P(X≤x)≤P(X≤y),于是FX(x)≤FY(y)F_X(x) \le F_Y(y)FX(x)≤FY(y)。
评注
关于概率有两个很重要的性质:
上连续 考虑An∈A,n=1,2,⋯A_n \in \mathcal{A},n=1,2,\cdotsAn∈A,n=1,2,⋯,An⊂An+1A_n \subset A_{n+1}An⊂An+1,如果P(⋃n=1∞An)=limnP(An)P(\bigcup_{n=1}^{\infty}A_n)=\lim_n P(A_n)P(⋃n=1∞An)=limnP(An),称PPP是上连续的。这个定义中需要注意的是,因为An⊂An+1A_n \subset A_{n+1}An⊂An+1,所以⋃n=1∞An=limnAn\bigcup_{n=1}^{\infty}A_n=\lim_n A_n⋃n=1∞An=limnAn。
下连续 ∀An∈A,n=1,2,⋯\forall A_n \in \mathcal{A},n=1,2,\cdots∀An∈A,n=1,2,⋯,An⊃An+1A_n \supset A_{n+1}An⊃An+1,如果P(⋂n=1∞An)=limnP(An)P(\bigcap_{n=1}^{\infty}A_n)=\lim_n P(A_n)P(⋂n=1∞An)=limnP(An),称PPP是下连续的。
概率推上连续,记A0=ϕA_0=\phiA0=ϕ,直接计算
P(⋃n=1∞An)=P(⨆n=1∞(An∖An−1))=∑n=1∞P(An∖An−1)=∑n=1∞[P(An)−P(An−1)]=P(A∞)−P(A0)=limn→∞P(An)P(\bigcup_{n=1}^{\infty}A_n)=P(\bigsqcup_{n=1}^{\infty} (A_n\setminus A_{n-1}) ) = \sum_{n=1}^{\infty} P(A_n\setminus A_{n-1})\\ =\sum_{n=1}^{\infty} [P(A_n)-P(A_{n-1})] =P( A_{\infty})-P(A_0) = \lim_{n\to \infty} P(A_n)P(n=1⋃∞An)=P(n=1⨆∞(An∖An−1))=n=1∑∞P(An∖An−1)=n=1∑∞[P(An)−P(An−1)]=P(A∞)−P(A0)=n→∞limP(An)
概率推下连续,因为An↓A_n \downarrowAn↓,所以A1∖An↑A_1\setminus A_n \uparrowA1∖An↑,同时
⋃n=1∞A1∖An=⋃n=1∞A1∩AnC=A1∩⋃n=1∞AnC=A1∩(⋂n=1∞An)C=A1∖⋂n=1∞An\bigcup_{n=1}^{\infty} A_1\setminus A_n=\bigcup_{n=1}^{\infty} A_1\cap A_n^C = A_1 \cap \bigcup_{n=1}^{\infty} A_n^C = A_1 \cap \left( \bigcap_{n=1}^{\infty} A_n \right)^C = A_1 \setminus \bigcap_{n=1}^{\infty} A_nn=1⋃∞A1∖An=n=1⋃∞A1∩AnC=A1∩n=1⋃∞AnC=A1∩(n=1⋂∞An)C=A1∖n=1⋂∞An
根据2,
limn→∞P(A1∖An)=P(⋃n=1∞(A1∖An))\lim_{n\to \infty} P(A_1 \setminus A_n) = P(\bigcup_{n=1}^{\infty} (A_1\setminus A_n))n→∞limP(A1∖An)=P(n=1⋃∞(A1∖An))
基于An=A1∖(A1∖An)A_n=A_1 \setminus (A_1\setminus A_n)An=A1∖(A1∖An),
P(An)=P(A1)−P(A1∖An)limn→∞P(An)=P(A1)−limn→∞P(A1∖An)=P(A1)−P(⋃n=1∞(A1∖An))=P(A1)−P(A1∖⋂n=1∞An)=P(⋂n=1∞An)P(A_n)=P(A_1)-P(A_1 \setminus A_n) \\ \lim_{n \to \infty}P(A_n)=P(A_1)-\lim_{n\to \infty} P(A_1 \setminus A_n) = P(A_1) - P(\bigcup_{n=1}^{\infty} (A_1\setminus A_n)) \\ = P(A_1) - P(A_1 \setminus \bigcap_{n=1}^{\infty} A_n ) = P(\bigcap_{n=1}^{\infty} A_n)P(An)=P(A1)−P(A1∖An)n→∞limP(An)=P(A1)−n→∞limP(A1∖An)=P(A1)−P(n=1⋃∞(A1∖An))=P(A1)−P(A1∖n=1⋂∞An)=P(n=1⋂∞An)
例4.2 离散型随机变量的累积分布函数
考虑几何分布,分布列为
P(X=k)=p(1−p)k,k=0,1,⋯P(X=k) = p(1-p)^k, k =0,1,\cdots P(X=k)=p(1−p)k,k=0,1,⋯
我们来按定义推导一下它的累积分布函数,考虑FX(x)=P(X≤x),∀x∈RF_X(x)=P(X \le x),\forall x \in \mathbb{R}FX(x)=P(X≤x),∀x∈R,如果x∈[n,n+1)x \in[n,n+1)x∈[n,n+1),则
FX(x)=P(X≤x)=∑k=0nP(X=k)=∑k=0np(1−p)k=p[1−(1−p)n]1−(1−p)=1−(1−p)nF_X(x)=P(X \le x) = \sum_{k=0}^n P(X=k) \\ = \sum_{k=0}^n p(1-p)^k=\frac{p[1-(1-p)^n]}{1-(1-p)}=1-(1-p)^nFX(x)=P(X≤x)=k=0∑nP(X=k)=k=0∑np(1−p)k=1−(1−p)p[1−(1−p)n]=1−(1−p)n
定义4.3 概率密度函数
如果FXF_XFX是可微的,即∀x∈R\forall x \in \mathbb{R}∀x∈R,∃h>0,ξ>0\exists h>0,\xi>0∃h>0,ξ>0
FX(x+h)=FX(x)+ξh+o(h)F_X(x+h)=F_X(x)+\xi h +o(h)FX(x+h)=FX(x)+ξh+o(h)
这里的ξ\xiξ是FXF_XFX在xxx处的导数,记为fX(x)f_X(x)fX(x),
fX(x)=limh→0FX(x+h)−FX(x)hf_X(x) = \lim_{h \to 0} \frac{F_X(x+h)-F_X(x)}{h}fX(x)=h→0limhFX(x+h)−FX(x)
称fXf_XfX是XXX的概率密度函数(probability density function, pdf)。
定理4.2 概率密度函数的性质
- pdf的归一性
- 概率密度函数的非负性
- P(a<X≤b)=∫abfX(x)dxP(a<X \le b)=\int_a^b f_X(x)dxP(a<X≤b)=∫abfX(x)dx
证明
第一条,
∫−∞+∞fX(x)dx=FX(+∞)−FX(−∞)=1\int_{-\infty}^{+\infty}f_X(x)dx=F_X(+\infty)-F_X(-\infty)=1∫−∞+∞fX(x)dx=FX(+∞)−FX(−∞)=1
第二条,因为FXF_XFX非减,FX(x+h)≥FX(x)F_X(x+h) \ge F_X(x)FX(x+h)≥FX(x),根据极限的保号性
fX(x)=limh→0FX(x+h)−FX(x)h≥0f_X(x) = \lim_{h \to 0} \frac{F_X(x+h)-F_X(x)}{h} \ge 0fX(x)=h→0limhFX(x+h)−FX(x)≥0
第三条,
P(a<X≤b)=F(b)−F(a)=∫−∞bfX(x)dx−∫−∞afX(x)dx=∫abfX(x)dxP(a<X \le b) = F(b)-F(a) \\ = \int_{-\infty}^bf_X(x)dx- \int_{-\infty}^af_X(x)dx=\int_a^b f_X(x)dxP(a<X≤b)=F(b)−F(a)=∫−∞bfX(x)dx−∫−∞afX(x)dx=∫abfX(x)dx
定义4.4 期望与方差
假设XXX是某个连续型随机变量,FXF_XFX是cdf,fXf_XfX是pdf,定义期望为
EX=∫−∞∞xf(x)dxEX = \int_{-\infty}^{\infty} xf(x)dxEX=∫−∞∞xf(x)dx
定义方差为
Var(X)=∫−∞∞(x−EX)2fX(x)dx=EX2−(EX)2Var(X) = \int_{-\infty}^{\infty}(x-EX)^2f_X(x)dx = EX^2-(EX)^2Var(X)=∫−∞∞(x−EX)2fX(x)dx=EX2−(EX)2
定理4.3 生存函数计算期望
EX=∫−∞∞xfX(x)dx=∫−∞∞SX(x)dxEX = \int_{-\infty}^{\infty} xf_X(x)dx = \int_{-\infty}^{\infty}S_X(x)dxEX=∫−∞∞xfX(x)dx=∫−∞∞SX(x)dx
证明
我们用Fubini来证明这个等式,
∫−∞∞xfX(x)dx=∫−∞∞(∫0xdt)fX(x)dx=∫−∞∞∫0xfX(x)dtdx=∫−∞∞∫t∞fX(x)dxdt\int_{-\infty}^{\infty} xf_X(x)dx=\int_{-\infty}^{\infty} \left( \int _0^x dt \right)f_X(x)dx \\ = \int_{-\infty}^{\infty} \int_0^x f_X(x)dtdx = \int_{-\infty}^{\infty}\int_t^{\infty} f_X(x)dxdt∫−∞∞xfX(x)dx=∫−∞∞(∫0xdt)fX(x)dx=∫−∞∞∫0xfX(x)dtdx=∫−∞∞∫t∞fX(x)dxdt
最后一个等号用的是Fubini定理,因为积分区域是t<xt<xt<x,于是变换积分次序后内层积分区域为x>tx >tx>t,内层积分为
∫t∞fX(x)dx=1−FX(t)=SX(t)\int_t^{\infty} f_X(x)dx=1-F_X(t)=S_X(t)∫t∞fX(x)dx=1−FX(t)=SX(t)
所以
∫−∞∞∫t∞fX(x)dxdt=∫−∞∞SX(t)dt\int_{-\infty}^{\infty}\int_t^{\infty} f_X(x)dxdt=\int_{-\infty}^{\infty}S_X(t)dt∫−∞∞∫t∞fX(x)dxdt=∫−∞∞SX(t)dt
均匀分布
一元连续均匀分布U[a,b]U[a,b]U[a,b]的密度为
fX(x)=1[a,b](x)b−a={1b−a,x∈[a,b]0,otherwisef_X(x) = \frac{1_{[a,b]}(x)}{b-a} = \begin{cases} \frac{1}{b-a},x \in [a,b] \\ 0, otherwise \end{cases} fX(x)=b−a1[a,b](x)={b−a1,x∈[a,b]0,otherwise
它的累积分布函数为
FX(x)={0,x∈(−∞,a]x−ab−a,x∈(a,b]1,x∈(b,∞)F_X(x)=\begin{cases} 0,x \in (-\infty,a] \\ \frac{x-a}{b-a},x \in (a,b] \\ 1, x \in (b,\infty) \end{cases}FX(x)=⎩⎪⎨⎪⎧0,x∈(−∞,a]b−ax−a,x∈(a,b]1,x∈(b,∞)
定理4.4
EX=a+b2,Var(X)=(b−a)212EX=\frac{a+b}{2},Var(X) = \frac{(b-a)^2}{12}EX=2a+b,Var(X)=12(b−a)2
这两个结论留给读者证明。
指数分布
指数分布EXP(λ)EXP(\lambda)EXP(λ)的密度函数为
fX(x)=λ1x≥0(x)e−λx={λe−λx,x≥00,otherwisef_X(x)=\lambda 1_{x \ge 0}(x)e^{-\lambda x}= \begin{cases} \lambda e^{-\lambda x},x \ge 0 \\ 0,otherwise\end{cases}fX(x)=λ1x≥0(x)e−λx={λe−λx,x≥00,otherwise
累积分布函数为
FX(x)={0,x∈(−∞,0]1−e−λx,x∈(0,∞)F_X(x)=\begin{cases} 0, x \in (-\infty,0] \\ 1-e^{-\lambda x},x \in (0,\infty)\end{cases}FX(x)={0,x∈(−∞,0]1−e−λx,x∈(0,∞)
定理4.5
EX=1λ,Var(X)=1λ2EX = \frac{1}{\lambda},Var(X)=\frac{1}{\lambda^2}EX=λ1,Var(X)=λ21
这个定理也留给读者自行证明。
评注 关于指数分布有另一种定义,EXP(1/λ)EXP(1/\lambda)EXP(1/λ),它的密度函数为
fX(x)=1x≥0(x)e−xλλf_X(x)=\frac{1_{x \ge 0}(x)e^{-\frac{x}{\lambda}}}{\lambda}fX(x)=λ1x≥0(x)e−λx
期望与方差分别为λ,λ2\lambda,\lambda^2λ,λ2。
正态分布
正态分布是我们要讨论的重点,它是应用最广泛的一种连续型分布。
推导正态分布的密度(de Moivre-Laplace定理)
考虑二项分布的一些近似计算问题,考虑X∼Binom(n,p)X \sim Binom(n,p)X∼Binom(n,p),
P(X=k)=Cnkpk(1−p)n−k,k=0,1,⋯,nP(X = k) = C_n^k p^k(1-p)^{n-k},k=0,1,\cdots,nP(X=k)=Cnkpk(1−p)n−k,k=0,1,⋯,n最主要的计算问题是在计算组合数的时候Cnk=n!(n−k)!k!C_n^k = \frac{n!}{(n-k)!k!}Cnk=(n−k)!k!n!一般会根据这个公式按阶乘来计算,但阶乘的增长是很快的,数字比较大的时候通过阶乘计算组合数精度不理想。如果n,k,n−kn,k,n-kn,k,n−k都比较大,就可以用Stirling公式(数学分析数列极限部分学过)近似计算阶乘:
n!≈2πnn+1/2e−nCnk≈2πnn+1/2e−n(2π(n−k)n−k+1/2e−n+k)(2πkk+1/2e−k)=12πn(nn−k)n−k+1/2(nk)k+1/2n! \approx \sqrt{2\pi}n^{n+1/2}e^{-n}\\ C_n^k\approx \frac{\sqrt{2\pi}n^{n+1/2}e^{-n}}{(\sqrt{2\pi}(n-k)^{n-k+1/2}e^{-n+k})(\sqrt{2\pi}k^{k+1/2}e^{-k})} \\= \frac{1}{\sqrt{2\pi n}} \left( \frac{n}{n-k} \right)^{n-k+1/2} \left( \frac{n}{k} \right)^{k+1/2}n!≈2πnn+1/2e−nCnk≈(2π(n−k)n−k+1/2e−n+k)(2πkk+1/2e−k)2πnn+1/2e−n=2πn1(n−kn)n−k+1/2(kn)k+1/2将这个组合数的近似公式带入二项分布的概率中P(X=k)=12πnp(1−p)(n(1−p)n−k)n−k+1/2(npk)k+1/2P(X=k) = \frac{1}{\sqrt{2\pi np(1-p)}} \left( \frac{n(1-p)}{n-k} \right)^{n-k+1/2} \left( \frac{np}{k} \right)^{k+1/2}P(X=k)=2πnp(1−p)1(n−kn(1−p))n−k+1/2(knp)k+1/2这个形式的好处是避开了大整数的阶乘运算。接下来我们进一步做点推导,看看有没有更简单的形式。考虑
ln(npk)k+1/2=−(k+1/2)lnknp\ln \left( \frac{np}{k}\right)^{k+1/2} = -(k+1/2)\ln \frac{k}{np}ln(knp)k+1/2=−(k+1/2)lnnpk记xk=k−npnp(1−p),k=np+xknp(1−p)ln(npk)k+1/2=−(np+xknp(1−p)+1/2)ln(1+xk(1−p)np(1−p))x_k = \frac{k-np}{\sqrt{np(1-p)}},\ k=np + x_k\sqrt{np(1-p)} \\ \ln \left( \frac{np}{k}\right)^{k+1/2}=-(np + x_k\sqrt{np(1-p)}+1/2)\ln \left( 1+\frac{x_k(1-p)}{\sqrt{np(1-p)}}\right)xk=np(1−p)k−np, k=np+xknp(1−p)ln(knp)k+1/2=−(np+xknp(1−p)+1/2)ln(1+np(1−p)xk(1−p))取Taylor展开的前两项做近似
ln(1+xk(1−p)np(1−p))≈xk(1−p)np(1−p)−(xk(1−p)np(1−p))2\ln \left( 1+\frac{x_k(1-p)}{\sqrt{np(1-p)}}\right) \approx \frac{x_k(1-p)}{\sqrt{np(1-p)}}-\left( \frac{x_k(1-p)}{\sqrt{np(1-p)}}\right)^2ln(1+np(1−p)xk(1−p))≈np(1−p)xk(1−p)−(np(1−p)xk(1−p))2回带化简得
ln(npk)k+1/2≈−xknp(1−p)−12(1−p)xk2(npk)k+1/2=exp(−xknp(1−p)−1−p2xk2)\ln \left( \frac{np}{k}\right)^{k+1/2} \approx -x_k\sqrt{np(1-p)}-\frac{1}{2}(1-p)x_k^2 \\ \left( \frac{np}{k}\right)^{k+1/2} = \exp \left( -x_k\sqrt{np(1-p)} -\frac{1-p}{2}x_k^2\right)ln(knp)k+1/2≈−xknp(1−p)−21(1−p)xk2(knp)k+1/2=exp(−xknp(1−p)−21−pxk2)类似地(n(1−p)n−k)n−k+1/2=exp(xknp(1−p)−p2xk2)\left( \frac{n(1-p)}{n-k}\right)^{n-k+1/2} = \exp \left( x_k\sqrt{np(1-p)} -\frac{p}{2}x_k^2\right)(n−kn(1−p))n−k+1/2=exp(xknp(1−p)−2pxk2)
因此P(X=k)=12πnp(1−p)exp(−xk22)=ϕ(xk)np(1−p)P(X=k) = \frac{1}{\sqrt{2\pi np(1-p)}} \exp\left( -\frac{x_k^2}{2}\right)=\frac{\phi(x_k)}{\sqrt{np(1-p)}}P(X=k)=2πnp(1−p)1exp(−2xk2)=np(1−p)ϕ(xk)称ϕ(x)\phi(x)ϕ(x)是标准正态分布的密度函数,这个结论叫做de Moivre-Laplace定理。
标准正态分布
现在我们有了标准正态分布的密度函数,
ϕ(x)=12πe−x22\phi(x) = \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}ϕ(x)=2π1e−2x2
现证明一下它满足归一性,计算积分
∫−∞+∞e−x22dx\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx∫−∞+∞e−2x2dx
这种形式的积分有点难积,但技巧非常固定,就是凑重积分再换到极坐标下计算,如果∫−∞+∞e−x22dx<∞\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx<\infty∫−∞+∞e−2x2dx<∞,则这个积分的值与符号没关系,
∫−∞+∞e−x22dx=∫−∞+∞e−y22dy\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx = \int_{-\infty}^{+\infty}e^{-\frac{y^2}{2}}dy∫−∞+∞e−2x2dx=∫−∞+∞e−2y2dy
于是
∫−∞+∞e−x22dx=∫−∞+∞e−x22dx∫−∞+∞e−y22dy\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx = \sqrt{\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx\int_{-\infty}^{+\infty}e^{-\frac{y^2}{2}}dy}∫−∞+∞e−2x2dx=∫−∞+∞e−2x2dx∫−∞+∞e−2y2dy
根据Fubini定理,
∫−∞+∞e−x22dx∫−∞+∞e−y22dy=∫−∞+∞∫−∞+∞e−x2+y22dxdy\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx\int_{-\infty}^{+\infty}e^{-\frac{y^2}{2}}dy = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}e^{-\frac{x^2+y^2}{2}}dxdy∫−∞+∞e−2x2dx∫−∞+∞e−2y2dy=∫−∞+∞∫−∞+∞e−2x2+y2dxdy
现在我们把这个积分变换到极坐标下,
{x=rcosθy=rsinθ⇔{r=x2+y2θ=arctanyx,θ∈[0,2π],r∈[0,∞)\begin{cases} x = r\cos \theta \\ y = r \sin \theta \end{cases} \Leftrightarrow \begin{cases} r = \sqrt{x^2+y^2} \\ \theta = \arctan \frac{y}{x} \end{cases},\theta \in [0,2\pi],r \in [0,\infty){x=rcosθy=rsinθ⇔{r=x2+y2θ=arctanxy,θ∈[0,2π],r∈[0,∞)
计算Jacobi行列式
∂(x,y)∂(r,θ)=∣cosθ−rsinθsinθrcosθ∣=r\frac{\partial (x,y)}{\partial (r,\theta)} = \left| \begin{matrix} \cos \theta &-r\sin \theta \\ \sin \theta & r\cos \theta \end{matrix} \right|=r∂(r,θ)∂(x,y)=∣∣∣∣cosθsinθ−rsinθrcosθ∣∣∣∣=r
根据积分换元公式,
∫−∞+∞∫−∞+∞e−x2+y22dxdy=∫0∞∫02πre−r22drdθ=2π∫0∞re−r22dr=−2πe−r22∣0∞=2π\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}e^{-\frac{x^2+y^2}{2}}dxdy=\int_{0}^{\infty}\int_0^{2\pi}re^{-\frac{r^2}{2}}drd\theta \\ = 2\pi \int_0^{\infty}re^{-\frac{r^2}{2}}dr=-2\pi e^{-\frac{r^2}{2}}|_0^{\infty}=2\pi∫−∞+∞∫−∞+∞e−2x2+y2dxdy=∫0∞∫02πre−2r2drdθ=2π∫0∞re−2r2dr=−2πe−2r2∣0∞=2π
所以
∫−∞+∞e−x22dx=2π\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx = \sqrt{2\pi}∫−∞+∞e−2x2dx=2π
因此归一性成立。然而遗憾的是,这个技巧仅仅对于积分区域为R2\mathbb{R}^2R2的情况才适用,所以当我们要计算标准正态分布的累积分布函数时,就没有办法用这个技巧了,也就是说我们没有办法写出标准正态分布的不含积分的解析式。定义Φ(x)\Phi(x)Φ(x)为标准正态分布的累积分布函数,则
Φ(x)=∫−∞xϕ(t)dt\Phi(x) = \int_{-\infty}^x \phi(t)dtΦ(x)=∫−∞xϕ(t)dt
定理4.6 记XXX为标准正态变量,EX=0,Var(X)=1EX=0,Var(X)=1EX=0,Var(X)=1
证明
EX=∫−∞∞x2πe−x22dxEX = \int_{-\infty}^{\infty}\frac{x}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dxEX=∫−∞∞2πxe−2x2dx
其中xe−x2/2xe^{-x^2/2}xe−x2/2是奇函数,积分区域关于原点对称,根据积分的性质,∫−∞∞x2πe−x22dx=0\int_{-\infty}^{\infty}\frac{x}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx=0∫−∞∞2πxe−2x2dx=0,于是EX=0EX=0EX=0。下面我们计算EX2EX^2EX2,
EX2=∫−∞∞x22πe−x22dx=∫−∞∞x2πe−x22dx22=−∫−∞∞x2πde−x22=−x2πe−x22∣−∞∞+∫−∞∞12πe−x22dx=1EX^2 = \int_{-\infty}^{\infty}\frac{x^2}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx \\ = \int_{-\infty}^{\infty}\frac{x}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}d\frac{x^2}{2} = -\int_{-\infty}^{\infty}\frac{x}{\sqrt{2\pi}}de^{-\frac{x^2}{2}} \\ = -\frac{x}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}|_{-\infty}^{\infty}+\int_{-\infty}^{\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx = 1EX2=∫−∞∞2πx2e−2x2dx=∫−∞∞2πxe−2x2d2x2=−∫−∞∞2πxde−2x2=−2πxe−2x2∣−∞∞+∫−∞∞2π1e−2x2dx=1
第一项是0,第二项就是归一性。因此
Var(X)=EX2−(EX)2=1Var(X)=EX^2-(EX)^2=1Var(X)=EX2−(EX)2=1
一般的正态分布
定义4.5 一般的正态分布
如果ZZZ服从标准正态分布,记为Z∼N(0,1)Z \sim N(0,1)Z∼N(0,1),如果μ,σ∈R\mu,\sigma \in \mathbb{R}μ,σ∈R,X=μ+σZX = \mu+\sigma ZX=μ+σZ,则XXX服从一般的正态分布,记为X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2),称ZZZ是XXX的z-score。
评注
z-score是非常有用的,比如老师要比较不同两届学生中某两位学生的概率论实力,甲那届平均分是60,标准差是10,甲得分是72;乙那届平均分是58,标准差是11,乙得分是71,则甲的z-score是1.2,乙的z-score是13/11大于1.2,于是乙的实力更强。
定理4.7 一般正态分布的pdf
fX(x)=12πσe−(x−μ)22σ2f_X(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}fX(x)=2πσ1e−2σ2(x−μ)2
证明
因为我们还没有推导能处理随机变量的函数的方法,所以只能根据定义来计算。
FX(x)=P(X≤x)=P(μ+σZ≤x)=P(Z≤x−μσ)=∫∞x−μσ12πe−t22dtF_X(x)=P(X \le x) = P(\mu+\sigma Z\le x) \\ = P(Z \le \frac{x-\mu}{\sigma}) = \int_{\infty}^{\frac{x-\mu}{\sigma}}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dtFX(x)=P(X≤x)=P(μ+σZ≤x)=P(Z≤σx−μ)=∫∞σx−μ2π1e−2t2dt
根据这个结果我们可以推导密度函数,需要的技术是对积分上限求导,
fX(x)=(x−μσ)′12πe−t22∣t=x−μσ=12πσe−(x−μ)22σ2f_X(x)=\left( \frac{x-\mu}{\sigma} \right)'\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}|_{t=\frac{x-\mu}{\sigma}} = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}fX(x)=(σx−μ)′2π1e−2t2∣t=σx−μ=2πσ1e−2σ2(x−μ)2
下下讲我们会推导计算随机变量的函数的分布的方法。
定理4.8 EX=μ,Var(X)=σ2EX=\mu,Var(X)=\sigma^2EX=μ,Var(X)=σ2
证明
也就是直接计算了,先计算期望,
EX=∫−∞∞x2πσe−(x−μ)22σ2dx=∫−∞∞(x−μ)2πσe−(x−μ)22σ2dx+∫−∞∞μ2πσe−(x−μ)22σ2dx=μEX = \int_{-\infty}^{\infty}\frac{x}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx \\ = \int_{-\infty}^{\infty}\frac{(x-\mu)}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx+\int_{-\infty}^{\infty}\frac{\mu}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx=\muEX=∫−∞∞2πσxe−2σ2(x−μ)2dx=∫−∞∞2πσ(x−μ)e−2σ2(x−μ)2dx+∫−∞∞2πσμe−2σ2(x−μ)2dx=μ
第一项就是简单换元,然后就又是奇函数的积分,
∫−∞∞(x−μ)2πσe−(x−μ)22σ2dx=y=x−μ∫−∞∞y2πσe−y22σ2dy=0\int_{-\infty}^{\infty}\frac{(x-\mu)}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx =_{y=x-\mu} \int_{-\infty}^{\infty}\frac{y}{\sqrt{2\pi}\sigma}e^{-\frac{y^2}{2\sigma^2}}dy=0∫−∞∞2πσ(x−μ)e−2σ2(x−μ)2dx=y=x−μ∫−∞∞2πσye−2σ2y2dy=0
第二项根据归一性,
∫−∞∞μ2πσe−(x−μ)22σ2dx=μ∫−∞∞12πσe−(x−μ)22σ2dx=μ\int_{-\infty}^{\infty}\frac{\mu}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx = \mu\int_{-\infty}^{\infty}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx = \mu∫−∞∞2πσμe−2σ2(x−μ)2dx=μ∫−∞∞2πσ1e−2σ2(x−μ)2dx=μ
接下来计算EX2EX^2EX2,
EX2=∫−∞∞x22πσe−(x−μ)22σ2dx=∫−∞∞[μ+(x−μ)]22πσe−(x−μ)22σ2dx=∫−∞∞μ22πσe−(x−μ)22σ2dx+∫−∞∞(x−μ)22πσe−(x−μ)22σ2dx+∫−∞∞2μ(x−μ)2πσe−(x−μ)22σ2dxEX^2 = \int_{-\infty}^{\infty}\frac{x^2}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx=\int_{-\infty}^{\infty}\frac{[\mu+(x-\mu)]^2}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx \\ = \int_{-\infty}^{\infty}\frac{\mu^2}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx+\int_{-\infty}^{\infty}\frac{(x-\mu)^2}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx \\ + \int_{-\infty}^{\infty}\frac{2\mu(x-\mu)}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dxEX2=∫−∞∞2πσx2e−2σ2(x−μ)2dx=∫−∞∞2πσ[μ+(x−μ)]2e−2σ2(x−μ)2dx=∫−∞∞2πσμ2e−2σ2(x−μ)2dx+∫−∞∞2πσ(x−μ)2e−2σ2(x−μ)2dx+∫−∞∞2πσ2μ(x−μ)e−2σ2(x−μ)2dx
根据归一性,第一项等于μ2\mu^2μ2,根据奇函数的性质,第三项为0,下面计算第二项,
∫−∞∞(x−μ)22πσe−(x−μ)22σ2dx=y=x−μ∫−∞∞y22πσe−y22σ2dy=z=y/σσ2∫−∞∞z22πe−z22dz\int_{-\infty}^{\infty}\frac{(x-\mu)^2}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx =_{y=x-\mu} \int_{-\infty}^{\infty}\frac{y^2}{\sqrt{2\pi}\sigma}e^{-\frac{y^2}{2\sigma^2}}dy \\ =_{z=y/\sigma} \sigma^2 \int_{-\infty}^{\infty}\frac{z^2}{\sqrt{2\pi}}e^{-\frac{z^2}{2}}dz∫−∞∞2πσ(x−μ)2e−2σ2(x−μ)2dx=y=x−μ∫−∞∞2πσy2e−2σ2y2dy=z=y/σσ2∫−∞∞2πz2e−2z2dz
显然∫−∞∞z22πe−z22dz\int_{-\infty}^{\infty}\frac{z^2}{\sqrt{2\pi}}e^{-\frac{z^2}{2}}dz∫−∞∞2πz2e−2z2dz是标准正态分布的方差,所以第二项等于σ2\sigma^2σ2,于是Var(X)=EX2−(EX)2=σ2+μ2−μ2=σ2Var (X) = EX^2-(EX)^2 = \sigma^2 + \mu^2 - \mu^2 = \sigma^2Var(X)=EX2−(EX)2=σ2+μ2−μ2=σ2
[概统]本科二年级 概率论与数理统计 第四讲 连续型随机变量相关推荐
- [概统]本科二年级 概率论与数理统计 第七讲 期望、方差与相关性
[概统]本科二年级 概率论与数理统计 第七讲 期望.方差与相关性 期望及其性质 方差.协方差.相关性系数 两两独立.独立与相关性 虽然之前就分别介绍过离散型随机变量与连续型随机变量的期望与方差,这一讲 ...
- [概统]本科二年级 概率论与数理统计 第八讲 大数定律与中心极限定理
[概统]本科二年级 概率论与数理统计 第八讲 大数定律与中心极限定理 Chebyshev不等式 弱大数定律 中心极限定理 这一讲我们介绍大数定律与中心极限定理,这两个工具是我们在本科二年级阶段唯二需要 ...
- [概统]本科二年级 概率论与数理统计 第五讲 二元随机变量
[概统]本科二年级 概率论与数理统计 第五讲 二元随机变量 二元离散型随机变量 二元连续型随机变量 一些常见的例子 二元离散型随机变量 我们先回顾一下离散型概率空间,假设Ω\OmegaΩ是非空的有有限 ...
- [概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量
[概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量 离散型随机变量的基本概念 Bernoulli分布与二项分布 超几何分布 几何分布 Poisson分布 离散型随机变量的基本概念 定义3.1 ...
- [概统]本科二年级 概率论与数理统计 第二讲 几何概型
[概统]本科二年级 概率论与数理统计 第二讲 几何概型 蒲丰投针问题 Buffon's Needle Problem 伯川德悖论 Bertrand Paradox 几何概型的思想非常简单,用图形表示事 ...
- [概统]本科二年级 概率论与数理统计 第一讲 古典概型
[概统]本科二年级 概率论与数理统计 第一讲 古典概型 古典概型 排列组合复习 组合恒等式的例题 古典概型的例题 事件概率的性质 条件概率与独立性 全概率公式与贝叶斯公式 事件概率的例题 打算这两年写 ...
- 分类型变量预测连续型变量_概率论与数理统计之离散型和连续型随机变量知识点...
本文主要回顾复习了有关一维离散型.连续型随机变量及分布,以及相关性质.这一部分主要以选择题和填空题的形式出现在考研数学的试卷中,希望考研的考生多注意这一部分知识的复习,结合历年考研数学真题,争取早日掌 ...
- 概率论与数理统计学习笔记——第7讲——连续型随机变量(2.5.5正态分布)
1. 正态分布(高斯分布)的背景及定义 2. 正态分布(标准正态分布)的定义 3. 正态分布密度曲线的特征 4. 正态分布的位置参数μ 5. 正态分布的形状参数σ^2 6. 标准正态分布的概率计算 ...
- 概率论与数理统计-连续型随机变量基础知识(一)
今天要了解的基础知识是连续型随机变量的概念,常见的连续型随机变量分布. 连续型随机变量的定义是若一个随机变量的分布函数可写成,则该随机变量可称为连续型随机变量,其中为该连续型随机变量的密度函 ...
最新文章
- a*算法matlab代码_导向滤波算法及其matlab代码实现
- Error in value[[3L]](cond) : You have a 32-bit version of Java. H2O works best with 64-bit Java.
- [转]open channel SSD FTL
- 朱俊彦团队提出GAN压缩算法:计算量减少20倍,生成效果不变,GPU、CPU统统能加速...
- SET-UID程序漏洞实验
- rhel配置磁盘分区_rhel配置磁盘分区_centos系统三套硬盘分区方案[图文设置版]
- Python-OpenCV 杂项(二)(三): 鼠标事件、 程序性能的检测和优化
- 时空大数据 AI 研究院在京成立,助推时空产业高质量发展
- boost::exception的用法测试
- mysql 工具_最全Mysql运维工具Percona Toolkit使用案例
- yum安装时报错,提示/var/run/yum.pid 已被锁定,解决办法
- 海南2021高考成绩分数查询时间,2021海南高考成绩查询公布时间今天几点可以查询...
- Blazor 版 Bootstrap Admin 通用后台权限管理框架
- webpack打包教程
- Remoting整理
- 【玖哥乱弹】祭天时不同程序员的不同杀法
- 每日算法面试题,大厂特训二十八天——第十天(位运算)
- 16进制转字符串的简单实现
- Java---身份证号查询, 手机号查询
- Word中加载MythType