漫步数理统计十——连续随机变量(上)
2017-03-18 23:33
721 查看
上篇文章我们讨论了离散随机变量,在统计应用中还有一个非常重要的随机变量,那就是这里要讲的连续随机变量。
定义1:对于某个随机变量,如果它的累加分布函数FX(x)对于所有的x∈R都是连续的,那么我们称其为连续随机变量。
回忆一下之前讲过的,对于任意的随机变量X,P(X=x)=FX(x)−FX(x−),因此对于一个连续随机变量X,不存在离散质量的点;即如果X是连续的,那么对于所有的x∈R,P(X=x)=0,大部分连续随机变量是绝对连续的,即存在某个函数fX(t),使得
FX(x)=∫x−∞fX(t)dt
函数fX(t)称为X的概率密度函数,如果fX(x)也是连续的,那么根据微积分基本定理可得
ddxFX(x)=fX(x)
连续随机变量X的支撑由满足fX(x)>0的点x组成,与离散情况一样,我们常用S表示X的支撑。
如果X是一个连续随机变量,那么通过积分可以得到其概率,即
P(a<X≤b)=FX(b)−FX(a)=∫bafX(t)dt
另外对于连续随机变量,P(a<X≤b)=P(a≤X≤b)=P(a≤X<b)=P(a<X<b),因为fX(x)在X的支撑上是连续的且FX(∞)=1,所以pdf满足两个性质:
(i):fX(x)≥0;(ii):∫∞−∞fX(t)dt=1
在高等概率论教程中,如果一个函数满足上面的两个性质,那么它就是一个连续随机变量的pdf。
考虑在区间(0,1)中随机选一个数的例子,所选的数字X 就是一个连续随机变量的例子,对于x∈(0,1),X的cdf是FX(x)=x,因此X的pdf为
fX(x)={10x∈(0,1)elsewhere
任何连续或离散随机变量X,如果它的pdf或pmf在X的支撑上是常数,那么我们说其满足均匀分布。
例1:假设我们在半径为1的单位圆上随机选一个点,令X表示原点与该点的距离,那么试验的样本空间是C={(w,y):w2+y2<1},因为点是随机选择的,似乎C的子集C等价于面积,因此所选点位于的集合C正比于C的面积;即
P(C)=C的面积π
对于0<x<1,事件{X≤x}等价于半径为x的圆中的点。根据概率法则可得P(X≤x)=πx2/π=x2,因此X的cdf为
FX(x)=⎧⎩⎨0x21x<00≤x<11≤x
X的pdf为
fX(x)={2x00≤x<1elsewhere
为了说明,所选点位于半径为1/4,1/2环中的概率为
P(14<X≤12)=∫12142wdw=[w2]|1214=316
例2:令随机变量表示繁忙阶段打进电话的时间间隔(单位为秒),假设X随机变量模型的pdf为
fX(x)={14e−x/400<x<∞elsewhere
注意fX满足pdf的两个性质,即(i)f(x)≥0且(ii)
∫∞014e−x/4dx=[−e−x/4]|∞0=1
为了说明,连续两次电话的时间超过4秒的概率为
P(X>4)=∫∞014e−x/4dx=e−1=0.3679
上面考虑的pdf与概率如图1所示。
![](https://img-blog.csdn.net/20170318233203197?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMDE4MjYzMw==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
图1
令X是连续随机变量,pdfX是已知的。与离散情况一样,我们经常对随机变量Y感兴趣,而随机变量是X的某个变换,Y=g(X),我们一般通过得到Y的cdf后即可求出pdf,接下来举例说明。
例3:令X是例1中的随机变量,表示单位圆中随机选的点距原点的距离。假设我们对距离的平方感兴趣;即Y=X2,Y的支撑与X是一样的即SY=(0,1),Y的cdf是什么呢?我们知道X的cdf是
FX(x)=⎧⎩⎨0x21x<00≤x<11≤x
令y位于Y的支撑中;例如0<y<1,那么利用上式以及X的支撑只包含正值,那么Y的cdf是
FY(y)=P(Y≤y)=P(X2≤y)=P(X≤y√)=FX(y√)=y√2=y
紧接着Y的pdf是
fY(y)={100<y<1elsewhere
例4:令fX(x)=12,−1<x<1,其余地方为0,是随机变量X的pdf,随机变量Y为Y=X2,我们希望找出Y的pdf。如果y≥0,概率P(Y≤y)等价于
P(X2≤y)=P(−y√≤X≤y√)
Y的cdf,FY(y)=P(Y≤y)为
FY(y)=⎧⎩⎨⎪⎪0∫y√y√12dx=y√1y<00≤y<11≤y
因此Y的pdf为
fY(y)={12y√00<y<1elsewhere
这些例子说明了累加分布函数方法。第一个例子中的变换是一对一的,这时候我们用X的pdf得到Ypdf的简单形式,如下篇文章的定理所述。
定义1:对于某个随机变量,如果它的累加分布函数FX(x)对于所有的x∈R都是连续的,那么我们称其为连续随机变量。
回忆一下之前讲过的,对于任意的随机变量X,P(X=x)=FX(x)−FX(x−),因此对于一个连续随机变量X,不存在离散质量的点;即如果X是连续的,那么对于所有的x∈R,P(X=x)=0,大部分连续随机变量是绝对连续的,即存在某个函数fX(t),使得
FX(x)=∫x−∞fX(t)dt
函数fX(t)称为X的概率密度函数,如果fX(x)也是连续的,那么根据微积分基本定理可得
ddxFX(x)=fX(x)
连续随机变量X的支撑由满足fX(x)>0的点x组成,与离散情况一样,我们常用S表示X的支撑。
如果X是一个连续随机变量,那么通过积分可以得到其概率,即
P(a<X≤b)=FX(b)−FX(a)=∫bafX(t)dt
另外对于连续随机变量,P(a<X≤b)=P(a≤X≤b)=P(a≤X<b)=P(a<X<b),因为fX(x)在X的支撑上是连续的且FX(∞)=1,所以pdf满足两个性质:
(i):fX(x)≥0;(ii):∫∞−∞fX(t)dt=1
在高等概率论教程中,如果一个函数满足上面的两个性质,那么它就是一个连续随机变量的pdf。
考虑在区间(0,1)中随机选一个数的例子,所选的数字X 就是一个连续随机变量的例子,对于x∈(0,1),X的cdf是FX(x)=x,因此X的pdf为
fX(x)={10x∈(0,1)elsewhere
任何连续或离散随机变量X,如果它的pdf或pmf在X的支撑上是常数,那么我们说其满足均匀分布。
例1:假设我们在半径为1的单位圆上随机选一个点,令X表示原点与该点的距离,那么试验的样本空间是C={(w,y):w2+y2<1},因为点是随机选择的,似乎C的子集C等价于面积,因此所选点位于的集合C正比于C的面积;即
P(C)=C的面积π
对于0<x<1,事件{X≤x}等价于半径为x的圆中的点。根据概率法则可得P(X≤x)=πx2/π=x2,因此X的cdf为
FX(x)=⎧⎩⎨0x21x<00≤x<11≤x
X的pdf为
fX(x)={2x00≤x<1elsewhere
为了说明,所选点位于半径为1/4,1/2环中的概率为
P(14<X≤12)=∫12142wdw=[w2]|1214=316
例2:令随机变量表示繁忙阶段打进电话的时间间隔(单位为秒),假设X随机变量模型的pdf为
fX(x)={14e−x/400<x<∞elsewhere
注意fX满足pdf的两个性质,即(i)f(x)≥0且(ii)
∫∞014e−x/4dx=[−e−x/4]|∞0=1
为了说明,连续两次电话的时间超过4秒的概率为
P(X>4)=∫∞014e−x/4dx=e−1=0.3679
上面考虑的pdf与概率如图1所示。
图1
令X是连续随机变量,pdfX是已知的。与离散情况一样,我们经常对随机变量Y感兴趣,而随机变量是X的某个变换,Y=g(X),我们一般通过得到Y的cdf后即可求出pdf,接下来举例说明。
例3:令X是例1中的随机变量,表示单位圆中随机选的点距原点的距离。假设我们对距离的平方感兴趣;即Y=X2,Y的支撑与X是一样的即SY=(0,1),Y的cdf是什么呢?我们知道X的cdf是
FX(x)=⎧⎩⎨0x21x<00≤x<11≤x
令y位于Y的支撑中;例如0<y<1,那么利用上式以及X的支撑只包含正值,那么Y的cdf是
FY(y)=P(Y≤y)=P(X2≤y)=P(X≤y√)=FX(y√)=y√2=y
紧接着Y的pdf是
fY(y)={100<y<1elsewhere
例4:令fX(x)=12,−1<x<1,其余地方为0,是随机变量X的pdf,随机变量Y为Y=X2,我们希望找出Y的pdf。如果y≥0,概率P(Y≤y)等价于
P(X2≤y)=P(−y√≤X≤y√)
Y的cdf,FY(y)=P(Y≤y)为
FY(y)=⎧⎩⎨⎪⎪0∫y√y√12dx=y√1y<00≤y<11≤y
因此Y的pdf为
fY(y)={12y√00<y<1elsewhere
这些例子说明了累加分布函数方法。第一个例子中的变换是一对一的,这时候我们用X的pdf得到Ypdf的简单形式,如下篇文章的定理所述。
相关文章推荐
- 漫步数理统计十一——连续随机变量(下)
- 漫步数理统计二十——多元随机变量
- 漫步数理统计九——离散随机变量
- 漫步数理统计七——随机变量(上)
- 漫步数理统计八——随机变量(下)
- 漫步数理统计十九——独立随机变量
- 漫步数理统计十二——随机变量的期望
- 漫步数理统计二十二——二项及相关分布
- 漫步数理统计三十四——顺序统计量
- 漫步数理统计二十三——泊松分布
- 漫步数理统计三十二——中心极限定理
- 漫步数理统计二十六——多元正态分布
- 漫步数理统计二——集合论
- 漫步数理统计十三——特殊的期望
- 概率与数理统计11--随机变量的独立性
- 漫步数理统计一——绪论
- 漫步数理统计二十八——混合分布
- 漫步数理统计二十九——函数期望
- 漫步数理统计三十——依概率收敛
- 漫步数理统计三十三——采样与统计量