0


【推导过程】常用连续分布的数学期望、方差、特征函数

文章目录

作者:小猪快跑
基础数学&计算数学,从事优化领域7年+,主要研究方向:MIP求解器、整数规划、随机规划、智能优化算法

常用连续分布(正态分布、均匀分布、指数分布、伽马分布、贝塔分布)的数学期望、方差、特征函数具体推导。

如有错误,欢迎指正。如有更好的算法,也欢迎交流!!!——@小猪快跑

相关教程

  • 常用分布的数学期望、方差、特征函数
  • 【推导过程】常用离散分布的数学期望、方差、特征函数
  • 【推导过程】常用连续分布的数学期望、方差、特征函数

相关文献

  • [1]茆诗松,周纪芗.概率论与数理统计 (第二版)[M].中国统计出版社,2000.

常用连续分布的数学期望&方差&特征函数

分布名称概率分布或密度函数

  1. p
  2. (
  3. x
  4. )
  5. p(x)
  6. p(x)数学期望方差特征函数正态分布

高斯分布

  1. N
  2. (
  3. μ
  4. ,
  5. σ
  6. 2
  7. )
  8. N(\mu,\sigma^2)
  9. N(μ,σ2)
  10. p
  11. (
  12. x
  13. )
  14. =
  15. 1
  16. 2
  17. π
  18. σ
  19. e
  20. (
  21. x
  22. a
  23. )
  24. 2
  25. 2
  26. σ
  27. 2
  28. <
  29. x
  30. <
  31. +
  32. (
  33. σ
  34. >
  35. 0
  36. ,
  37. a
  38. 常数
  39. )
  40. p(x)=\frac{1}{\sqrt{2\pi\sigma}}e^{-\frac{(x-a)^{2}}{2\sigma^{2}}}\\-\infty<x<+\infty\\(\sigma>0,a\text{常数})
  41. p(x)=2πσ​1e2σ2(xa)2​−∞<x<+∞(σ>0,a常数)
  42. μ
  43. \mu
  44. μ
  45. σ
  46. 2
  47. \sigma^2
  48. σ2
  49. e
  50. i
  51. a
  52. t
  53. 1
  54. 2
  55. σ
  56. 2
  57. t
  58. 2
  59. e^{iat-\frac{1}{2}\sigma^{2}t^{2}}
  60. eiat21​σ2t2均匀分布
  61. U
  62. (
  63. a
  64. ,
  65. b
  66. )
  67. U(a,b)
  68. U(a,b)
  69. p
  70. (
  71. x
  72. )
  73. =
  74. {
  75. 1
  76. b
  77. a
  78. ,
  79. x
  80. (
  81. a
  82. ,
  83. b
  84. )
  85. 0
  86. ,
  87. 其他
  88. (
  89. a
  90. <
  91. b
  92. ,
  93. 常数)
  94. p(x)=\begin{cases}\displaystyle\frac{1}{b-a}, x{\in}(a,b)\\0,\quad\text{其他}\end{cases}\\(a<b,\text{常数)}
  95. p(x)=⎩⎨⎧​ba1​,x∈(a,b)0,其他​(a<b,常数)
  96. a
  97. +
  98. b
  99. 2
  100. \displaystyle\frac{a+b}2
  101. 2a+b
  102. (
  103. b
  104. a
  105. )
  106. 2
  107. 12
  108. \displaystyle\frac{(b-a)^2}{12}
  109. 12(ba)2
  110. e
  111. i
  112. t
  113. b
  114. e
  115. i
  116. t
  117. a
  118. i
  119. t
  120. (
  121. b
  122. a
  123. )
  124. \displaystyle\frac{e^{itb}-e^{ita}}{it(b-a)}
  125. it(ba)eitbeita​指数分布
  126. E
  127. x
  128. p
  129. (
  130. λ
  131. )
  132. Exp(\lambda)
  133. Exp(λ)
  134. p
  135. (
  136. x
  137. )
  138. =
  139. {
  140. 0
  141. ,
  142. x
  143. <
  144. 0
  145. λ
  146. e
  147. λ
  148. x
  149. x
  150. 0
  151. (
  152. λ
  153. >
  154. 0
  155. ,
  156. 常数
  157. )
  158. p(x)=\begin{cases}0,&x<0\\\lambda e^{-\lambda x}&x\geqslant0\end{cases}\\(\lambda>0,\text{常数})
  159. p(x)={0e−λxx<0x0​(λ>0,常数)
  160. 1
  161. λ
  162. \displaystyle\frac1{\lambda}
  163. λ1
  164. 1
  165. λ
  166. 2
  167. \displaystyle\frac1{\lambda^2}
  168. λ21
  169. (
  170. 1
  171. i
  172. t
  173. λ
  174. )
  175. 1
  176. \displaystyle\left(1-\frac{it}{\lambda}\right)^{-1}
  177. (1−λit​)−1伽马分布
  178. G
  179. a
  180. (
  181. α
  182. ,
  183. λ
  184. )
  185. Ga(\alpha,\lambda)
  186. Ga(α,λ)
  187. p
  188. (
  189. x
  190. )
  191. =
  192. {
  193. 0
  194. ,
  195. x
  196. <
  197. 0
  198. λ
  199. r
  200. Γ
  201. (
  202. r
  203. )
  204. x
  205. r
  206. 1
  207. e
  208. λ
  209. x
  210. ,
  211. x
  212. 0
  213. (
  214. r
  215. >
  216. 0
  217. ,
  218. λ
  219. >
  220. 0
  221. ,
  222. 常数
  223. )
  224. p(x)=\begin{cases}0,&x<0\\\displaystyle\frac{\lambda^r}{\Gamma(r)}x^{r-1}e^{-\lambda x},&x\geqslant0\end{cases}\\(r>0,\lambda>0,\text{常数})
  225. p(x)=⎩⎨⎧​0,Γ(rrxr1e−λx,​x<0x0​(r>0,λ>0,常数)
  226. r
  227. λ
  228. \displaystyle\frac r\lambda
  229. λr
  230. r
  231. λ
  232. 2
  233. \displaystyle\frac r{\lambda^2}
  234. λ2r
  235. (
  236. 1
  237. i
  238. t
  239. λ
  240. )
  241. r
  242. \left(1-\displaystyle\frac{it}{\lambda}\right)^{-r}
  243. (1−λit​)−r
  244. χ
  245. 2
  246. (
  247. n
  248. )
  249. \chi^2(n)
  250. χ2(n)分布
  251. p
  252. (
  253. x
  254. )
  255. =
  256. {
  257. 0
  258. ,
  259. x
  260. <
  261. 0
  262. 1
  263. 2
  264. n
  265. /
  266. 2
  267. Γ
  268. (
  269. n
  270. 2
  271. )
  272. x
  273. n
  274. 2
  275. 1
  276. e
  277. x
  278. 2
  279. ,
  280. x
  281. 0
  282. (n正整数)
  283. p(x)=\begin{cases}0,&x<0\\\displaystyle\frac{1}{2^{n/2}\Gamma\left(\frac{n}{2}\right)}\cdot x^{\frac{n}{2}-1}e^{-\frac{x}{2}},&x\geqslant0\end{cases}\\\text{(n正整数)}
  284. p(x)=⎩⎨⎧​0,2n/2Γ(2n​)1​⋅x2n​−1e2x​,​x<0x0​(n正整数)
  285. n
  286. n
  287. n
  288. 2
  289. n
  290. 2n
  291. 2n
  292. (
  293. 1
  294. 2
  295. i
  296. t
  297. )
  298. n
  299. 2
  300. (1-2it)^{-\frac{n}{2}}
  301. (12it)−2n​贝塔分布
  302. B
  303. e
  304. (
  305. a
  306. ,
  307. b
  308. )
  309. Be(a,b)
  310. Be(a,b)
  311. p
  312. (
  313. x
  314. )
  315. =
  316. {
  317. 0
  318. ,
  319. 其他
  320. Γ
  321. (
  322. p
  323. +
  324. q
  325. )
  326. Γ
  327. (
  328. p
  329. )
  330. Γ
  331. (
  332. q
  333. )
  334. x
  335. p
  336. 1
  337. (
  338. 1
  339. x
  340. )
  341. q
  342. 1
  343. ,
  344. 0
  345. <
  346. x
  347. <
  348. 1
  349. (
  350. p
  351. >
  352. 0
  353. ,
  354. q
  355. >
  356. 0
  357. 常数
  358. )
  359. p(x)=\begin{cases}0,\quad &其他\\\displaystyle\frac{\Gamma(p+q)}{\Gamma(p)\cdot\Gamma(q)}x^{p-1}(1-x)^{q-1},&0<x<1\end{cases}\\(p>0,q>0\text{ 常数})
  360. p(x)=⎩⎨⎧​0,Γ(p)⋅Γ(q)Γ(p+q)​xp1(1x)q1,​其他0<x<1​(p>0,q>0 常数)
  361. p
  362. p
  363. +
  364. q
  365. \displaystyle\frac p{p+q}
  366. p+qp
  367. p
  368. q
  369. (
  370. p
  371. +
  372. q
  373. )
  374. 2
  375. (
  376. p
  377. +
  378. q
  379. +
  380. 1
  381. )
  382. \displaystyle\frac{pq}{(p+q)^2(p+q+1)}
  383. (p+q)2(p+q+1)pq​对数正态分布
  384. L
  385. N
  386. (
  387. μ
  388. ,
  389. σ
  390. 2
  391. )
  392. LN(\mu,\sigma^2)
  393. LN(μ,σ2)
  394. p
  395. (
  396. x
  397. )
  398. =
  399. {
  400. 0
  401. ,
  402. x
  403. 0
  404. 1
  405. σ
  406. x
  407. 2
  408. π
  409. e
  410. (
  411. ln
  412. x
  413. a
  414. )
  415. 2
  416. 2
  417. σ
  418. 2
  419. ,
  420. x
  421. >
  422. 0
  423. (
  424. σ
  425. >
  426. 0
  427. ,
  428. a
  429. 常数
  430. )
  431. p(x)=\begin{cases}\quad0,&x\leqslant0\\\displaystyle\frac{1}{\sigma x \sqrt{2\pi}}e^{-\frac{(\ln x-a)^{2}}{2\sigma^{2}}},&x>0\end{cases}\\(\sigma>0,a\text{常数})
  432. p(x)=⎩⎨⎧​0x2π​1e2σ2(lnxa)2​,​x0x>0​(σ>0,a常数)
  433. e
  434. μ
  435. +
  436. σ
  437. 2
  438. /
  439. 2
  440. \mathrm{e}^{\mu+\sigma^2/2}
  441. eμ+σ2/2
  442. e
  443. 2
  444. μ
  445. +
  446. σ
  447. 2
  448. (
  449. e
  450. σ
  451. 2
  452. 1
  453. )
  454. \mathrm{e}^{2\mu+\sigma^2}(\mathrm{~e}^{\sigma^2}-1)
  455. e2μ+σ2( eσ21)柯西分布
  456. C
  457. a
  458. u
  459. (
  460. μ
  461. ,
  462. λ
  463. )
  464. \mathrm{Cau}(\mu,\lambda)
  465. Cau(μ,λ)
  466. p
  467. (
  468. x
  469. )
  470. =
  471. 1
  472. π
  473. λ
  474. λ
  475. 2
  476. +
  477. (
  478. x
  479. μ
  480. )
  481. 2
  482. <
  483. x
  484. <
  485. +
  486. (
  487. λ
  488. >
  489. 0
  490. ,
  491. μ
  492. 常数
  493. )
  494. p(x)=\displaystyle\frac{1}{\pi}\cdot\frac{\lambda}{\lambda^{2}+(x-\mu)^{2}}\\-\infty<x<+\infty\\(\lambda>0,\mu\text{常数})
  495. p(x)=π1​⋅λ2+(x−μ)2λ​−∞<x<+∞(λ>0,μ常数)不存在不存在
  496. e
  497. i
  498. μ
  499. t
  500. λ
  501. t
  502. e^{i\mu t-\lambda\lvert t\rvert}
  503. eiμt−λ∣t∣韦伯分布
  504. p
  505. (
  506. x
  507. )
  508. =
  509. {
  510. 0
  511. ,
  512. x
  513. 0
  514. a
  515. λ
  516. x
  517. a
  518. 1
  519. e
  520. λ
  521. x
  522. a
  523. ,
  524. x
  525. >
  526. 0
  527. (
  528. λ
  529. >
  530. 0
  531. ,
  532. a
  533. >
  534. 0
  535. ,
  536. 常数
  537. )
  538. p(x)=\begin{cases}0,&x\leqslant0\\\\a\lambda x^{a-1}e^{-\lambda x^{a}},&x>0\end{cases}\\(\lambda>0,a>0,\text{常数})
  539. p(x)=⎩⎨⎧​0,aλxa1e−λxa,​x0x>0​(λ>0,a>0,常数)
  540. Γ
  541. (
  542. 1
  543. a
  544. +
  545. 1
  546. )
  547. λ
  548. 1
  549. a
  550. \Gamma\left(\displaystyle\frac{1}{a}+1\right)\lambda^{-\frac{1}{a}}
  551. Γ(a1​+1)λ−a1
  552. λ
  553. 2
  554. α
  555. [
  556. Γ
  557. (
  558. 2
  559. a
  560. +
  561. 1
  562. )
  563. Γ
  564. 2
  565. (
  566. 1
  567. a
  568. +
  569. 1
  570. )
  571. ]
  572. \lambda^{-\frac{2}{\alpha}}\Big[\displaystyle\Gamma\left(\frac{2}{a}+1\right)\\-\Gamma^2\left(\frac{1}{a}+1\right)\Big]
  573. λ−α2​[Γ(a2​+1)−Γ2(a1​+1)]
  574. t
  575. t
  576. t分布
  577. p
  578. (
  579. x
  580. )
  581. =
  582. Γ
  583. (
  584. n
  585. +
  586. 1
  587. 2
  588. )
  589. n
  590. π
  591. Γ
  592. (
  593. n
  594. 2
  595. )
  596. (
  597. 1
  598. +
  599. x
  600. 2
  601. n
  602. )
  603. n
  604. +
  605. 1
  606. 2
  607. <
  608. x
  609. <
  610. +
  611. (
  612. n
  613. 正整数
  614. )
  615. p(x)=\displaystyle\frac{\Gamma\left(\frac{n+1}{2}\right)}{\sqrt{n\pi}\Gamma\left(\frac{n}{2}\right)}\left(1+\frac{x^{2}}{n}\right)^{-\frac{n+1}{2}}\\-\infty<x<+\infty(n\text{ 正整数})
  616. p(x)=nπ​Γ(2n​)Γ(2n+1​)​(1+nx2​)−2n+1​−∞<x<+∞(n 正整数)
  617. 0
  618. (
  619. n
  620. >
  621. 1
  622. )
  623. 0\\(n>1)
  624. 0(n>1)
  625. n
  626. n
  627. 2
  628. (
  629. n
  630. >
  631. 2
  632. )
  633. \displaystyle\frac{n}{n-2}\\(n>2)
  634. n2n​(n>2)
  635. F
  636. F
  637. F分布
  638. p
  639. (
  640. x
  641. )
  642. =
  643. {
  644. 0
  645. ,
  646. x
  647. <
  648. 0
  649. Γ
  650. (
  651. n
  652. 1
  653. +
  654. n
  655. 2
  656. 2
  657. )
  658. Γ
  659. (
  660. n
  661. 1
  662. 2
  663. )
  664. Γ
  665. (
  666. n
  667. 2
  668. 2
  669. )
  670. n
  671. 1
  672. n
  673. 1
  674. 2
  675. n
  676. 2
  677. n
  678. 2
  679. 2
  680. x
  681. n
  682. 1
  683. 2
  684. 1
  685. (
  686. n
  687. 1
  688. x
  689. +
  690. n
  691. 2
  692. )
  693. n
  694. 1
  695. +
  696. n
  697. 2
  698. 2
  699. ,
  700. x
  701. 0
  702. (
  703. n
  704. 1
  705. ,
  706. n
  707. 2
  708. 正整数)
  709. p(x)=\begin{cases}0,&x<0\\\displaystyle\frac{\Gamma\left(\frac{n_{1}+n_{2}}{2}\right)}{\Gamma\left(\frac{n_{1}}{2}\right)\Gamma\left(\frac{n_{2}}{2}\right)}\frac{n_1^{\frac{n_1}{2}} n_2^{\frac{n_2}{2}} x^{\frac{n_{1}}{2}-1}}{(n_{1}x+n_{2})^{\frac{n_{1}+n_{2}}{2}}},&x\geqslant0\end{cases}\\(n_{1},n_{2}\text{ 正整数)}
  710. p(x)=⎩⎨⎧​0,Γ(2n1​​)Γ(2n2​​)Γ(2n1​+n2​​)​(n1x+n2​)2n1​+n2​​n12n1​​​n22n2​​​x2n1​​−1​,​x<0x0​(n1​,n2 正整数)
  711. n
  712. 2
  713. n
  714. 2
  715. 2
  716. (
  717. n
  718. 2
  719. >
  720. 2
  721. )
  722. \displaystyle\frac{n_{2}}{n_{2}-2}\\(n_{2}>2)
  723. n2​−2n2​​(n2​>2)
  724. 2
  725. n
  726. 2
  727. 2
  728. (
  729. n
  730. 1
  731. +
  732. n
  733. 2
  734. 2
  735. )
  736. n
  737. 1
  738. (
  739. n
  740. 2
  741. 2
  742. )
  743. 2
  744. (
  745. n
  746. 2
  747. 4
  748. )
  749. (
  750. n
  751. 2
  752. >
  753. 4
  754. )
  755. \displaystyle\frac{2n_{2}^{2}(n_{1}+n_{2}-2)}{n_{1}(n_{2}-2)^{2}(n_{2}-4)}\\(n_{2}>4)
  756. n1​(n2​−2)2(n2​−4)2n22​(n1​+n2​−2)​(n2​>4)拉普拉斯分布
  757. p
  758. (
  759. x
  760. )
  761. =
  762. 1
  763. 2
  764. λ
  765. e
  766. x
  767. μ
  768. λ
  769. <
  770. x
  771. <
  772. +
  773. (
  774. λ
  775. >
  776. 0
  777. ,
  778. μ
  779. 常数
  780. )
  781. p(x)=\frac{1}{2\lambda}e^{-\frac{\lvert x-\mu\rvert}{\lambda}}\\-\infty<x<+\infty\\(\lambda>0,\mu\text{常数})
  782. p(x)=2λ1e−λ∣x−μ∣​−∞<x<+∞(λ>0,μ常数)
  783. μ
  784. \mu
  785. μ
  786. 2
  787. λ
  788. 2
  789. 2\lambda^2
  790. 2λ2
  791. e
  792. i
  793. μ
  794. t
  795. 1
  796. +
  797. λ
  798. 2
  799. t
  800. 2
  801. \displaystyle\frac{e^{i\mu t}}{1+\lambda^2t^2}
  802. 12t2eiμt

正态分布

若随机变量

  1. X
  2. X
  3. X的密度函数为
  4. p
  5. (
  6. x
  7. )
  8. =
  9. 1
  10. 2
  11. π
  12. σ
  13. e
  14. (
  15. x
  16. μ
  17. )
  18. 2
  19. 2
  20. σ
  21. 2
  22. ,
  23.   
  24. <
  25. x
  26. <
  27. +
  28. p(x) = \frac1{\sqrt{2\pi}\sigma} \mathrm{e}^{-\frac{(x-\mu)^2}{2\sigma^2}},\; -\infty<x<+\infty
  29. p(x)=2π​σ1e2σ2(x−μ)2​,−∞<x<+∞

则称

  1. X
  2. X
  3. X服从**正态分布**,称
  4. X
  5. X
  6. X为**正态变量**,记作
  7. X
  8. N
  9. (
  10. μ
  11. ,
  12. σ
  13. 2
  14. )
  15. X\sim N(\mu,\sigma^2)
  16. XN(μ,σ2)。其中参数
  17. <
  18. μ
  19. <
  20. +
  21. ,
  22. σ
  23. >
  24. 0
  25. -\infty<\mu<+\infty,\sigma>0
  26. −∞<μ<+∞,σ>0

正态分布

  1. N
  2. (
  3. μ
  4. ,
  5. σ
  6. 2
  7. )
  8. N(\mu,\sigma^2)
  9. N(μ,σ2)的分布函数为
  10. F
  11. (
  12. x
  13. )
  14. =
  15. 1
  16. 2
  17. π
  18. σ
  19. x
  20. e
  21. (
  22. t
  23. μ
  24. )
  25. 2
  26. 2
  27. σ
  28. 2
  29. d
  30. t
  31. F(x) = \frac1{\sqrt{2\pi}\sigma}\int_{-\infty}^x \mathrm{e}^{-\frac{(t-\mu)^2}{2\sigma^2}} \mathrm{d} t
  32. F(x)=2π​σ1​∫−∞xe2σ2(t−μ)2dt

如果固定

  1. σ
  2. \sigma
  3. σ,改变
  4. μ
  5. \mu
  6. μ的值,则图形沿
  7. x
  8. x
  9. x轴平移,而不改变其形状。也就是说正态密度函数的位置由参数
  10. μ
  11. \mu
  12. μ所确定,因此亦称
  13. μ
  14. \mu
  15. μ为**位置参数**。

如果固定

  1. μ
  2. \mu
  3. μ,改变
  4. σ
  5. \sigma
  6. σ的值,则
  7. σ
  8. \sigma
  9. σ愈小,曲线呈高而瘦;
  10. σ
  11. \sigma
  12. σ愈大,曲线呈矮而胖.也就是说正态密度函数的尺度由参数
  13. σ
  14. \sigma
  15. σ所确定,因此称
  16. σ
  17. \sigma
  18. σ为**尺度参数**。

标准正态分布

  1. μ
  2. =
  3. 0
  4. ,
  5. σ
  6. =
  7. 1
  8. \mu=0,\sigma=1
  9. μ=0,σ=1时的正态分布
  10. N
  11. (
  12. 0
  13. ,
  14. 1
  15. )
  16. N(0,1)
  17. N(0,1)为**标准正态分布**。

通常记标准正态变量为

  1. U
  2. U
  3. U,记标准正态分布的密度函数为
  4. φ
  5. (
  6. u
  7. )
  8. \varphi(u)
  9. φ(u),分布函数为
  10. Φ
  11. (
  12. u
  13. )
  14. \varPhi(u)
  15. Φ(u),即
  16. φ
  17. (
  18. u
  19. )
  20. =
  21. 1
  22. 2
  23. π
  24. e
  25. u
  26. 2
  27. 2
  28. ,
  29.   
  30. <
  31. u
  32. <
  33. +
  34. Φ
  35. (
  36. u
  37. )
  38. =
  39. 1
  40. 2
  41. π
  42. u
  43. e
  44. t
  45. 2
  46. 2
  47. d
  48. t
  49. ,
  50.   
  51. <
  52. u
  53. <
  54. +
  55. \begin{gather*} \varphi(u) = \frac1{\sqrt{2\pi}} \mathrm{e}^{-\frac{u^2}2},\; -\infty < u < +\infty \\ \varPhi(u) = \frac1{\sqrt{2\pi}} \int_{-\infty}^u \mathrm{e}^{-\frac{t^2}2}\mathrm{d} t,\; -\infty < u < +\infty \end{gather*}
  56. φ(u)=2π​1e2u2​,−∞<u<+∞Φ(u)=2π​1​∫−∞ue2t2dt,−∞<u<+∞​

由于标准正态分布的分布函数不含任何未知参数,故其值

  1. Φ
  2. (
  3. u
  4. )
  5. =
  6. P
  7. (
  8. U
  9. u
  10. )
  11. \varPhi(u)=P(U\le u)
  12. Φ(u)=P(Uu)完全可以算出。
    1. Φ ( u ) = 1 Φ ( u ) \varPhi(-u)=1-\varPhi(u) Φ(−u)=1−Φ(u)
    1. P ( U > u ) = 1 Φ ( u ) P(U>u)=1-\varPhi(u) P(U>u)=1−Φ(u)
    1. P ( a < U < b ) = Φ ( b ) Φ ( a ) P(a<U<b)=\varPhi(b)-\varPhi(a) P(a<U<b)=Φ(b)−Φ(a)
    1. P ( U < c ) = 2 Φ ( c ) 1 P(|U|<c)=2\varPhi(c)-1 P(∣U∣<c)=2Φ(c)−1

一般正态分布的标准化

正态分布有一个家族

  1. P
  2. =
  3. {
  4. N
  5. (
  6. μ
  7. ,
  8. σ
  9. 2
  10. )
  11. :
  12. <
  13. μ
  14. <
  15. +
  16. ,
  17. σ
  18. >
  19. 0
  20. }
  21. \mathscr P = \{ N(\mu,\sigma^2):-\infty<\mu<+\infty,\sigma>0 \}
  22. P={N(μ,σ2):−∞<μ<+∞,σ>0}

标准正态分布

  1. N
  2. (
  3. 0
  4. ,
  5. 1
  6. )
  7. N(0,1)
  8. N(0,1)是其一个成员。实际上很少有随机变量恰好服从标准正态分布。以下定理说明:对一般正态分布都可以通过一个线性变换(标准化)化成标准正态分布。因此与正态变量有关的一切事件的概率都可通过查标准正态分布函数表获得。由此可见标准正态分布
  9. N
  10. (
  11. 0
  12. ,
  13. 1
  14. )
  15. N(0,1)
  16. N(0,1)对一般正态分布
  17. N
  18. (
  19. μ
  20. ,
  21. σ
  22. 2
  23. )
  24. N(\mu,\sigma^2)
  25. N(μ,σ2)的计算起着关键的作用。

  1. X
  2. N
  3. (
  4. μ
  5. ,
  6. σ
  7. 2
  8. )
  9. X\sim N(\mu,\sigma^2)
  10. XN(μ,σ2),则
  11. U
  12. =
  13. X
  14. μ
  15. σ
  16. N
  17. (
  18. 0
  19. ,
  20. 1
  21. )
  22. U=\frac{X-\mu}{\sigma}\sim N(0,1)
  23. UX−μ​∼N(0,1)

证明:记

  1. X
  2. X
  3. X
  4. U
  5. U
  6. U的分布函数分别为
  7. F
  8. X
  9. (
  10. x
  11. )
  12. F_X(x)
  13. FX​(x)
  14. F
  15. U
  16. (
  17. u
  18. )
  19. F_U(u)
  20. FU​(u),则由分布函数的定义知
  21. F
  22. U
  23. (
  24. u
  25. )
  26. =
  27. P
  28. (
  29. U
  30. u
  31. )
  32. =
  33. P
  34. (
  35. X
  36. μ
  37. σ
  38. u
  39. )
  40. =
  41. P
  42. (
  43. X
  44. μ
  45. +
  46. σ
  47. u
  48. )
  49. =
  50. F
  51. X
  52. (
  53. μ
  54. +
  55. σ
  56. u
  57. )
  58. .
  59. \begin{align*} F_U(u) & = P(U \le u) = P \left( \frac{X - \mu}\sigma \le u \right) \\ & = P(X \le \mu + \sigma u) = F_X(\mu + \sigma u). \end{align*}
  60. FU​(u)​=P(Uu)=PX−μ​≤u)=P(X≤μ+σu)=FX​(μ+σu).​

由于正态分布函数是严格单调增函数,且处处可导,因此若记

  1. X
  2. X
  3. X
  4. U
  5. U
  6. U的密度函数分别为
  7. p
  8. X
  9. (
  10. x
  11. )
  12. p_X(x)
  13. pX​(x)与
  14. P
  15. U
  16. (
  17. u
  18. )
  19. P_U(u)
  20. PU​(u),则有
  21. P
  22. U
  23. (
  24. u
  25. )
  26. =
  27. d
  28. d
  29. u
  30. F
  31. X
  32. (
  33. μ
  34. +
  35. σ
  36. u
  37. )
  38. =
  39. p
  40. X
  41. (
  42. μ
  43. +
  44. σ
  45. u
  46. )
  47. σ
  48. =
  49. 1
  50. 2
  51. π
  52. e
  53. u
  54. 2
  55. /
  56. 2
  57. ,
  58. P_U(u) = \frac{\mathrm d}{\mathrm du}F_X(\mu + \sigma u) = p_X(\mu+\sigma u)\cdot \sigma = \frac1{\sqrt{2\pi}} \mathrm{e}^{-u^2/2},
  59. PU​(u)=dudFX​(μ+σu)=pX​(μ+σu)⋅σ=2π​1eu2/2,

由此得

  1. U
  2. =
  3. X
  4. μ
  5. σ
  6. N
  7. (
  8. 0
  9. ,
  10. 1
  11. )
  12. U = \frac{X-\mu}\sigma \sim N(0,1)
  13. UX−μ​∼N(0,1)

由以上定理,我们马上可以得到一些在实际中有用的计算公式,若

  1. N
  2. (
  3. μ
  4. ,
  5. σ
  6. 2
  7. )
  8. N(\mu,\sigma^2)
  9. N(μ,σ2),则

KaTeX parse error: Undefined control sequence: \label at position 78: …igma \right) . \̲l̲a̲b̲e̲l̲{eq2.5.3}\ …

数学期望

设随机变量

  1. X
  2. N
  3. (
  4. μ
  5. ,
  6. σ
  7. 2
  8. )
  9. X\sim N(\mu,\sigma^2)
  10. XN(μ,σ2),由于
  11. U
  12. =
  13. (
  14. X
  15. μ
  16. )
  17. /
  18. σ
  19. N
  20. (
  21. 0
  22. ,
  23. 1
  24. )
  25. U=(X-\mu)/\sigma\sim N(0,1)
  26. U=(X−μ)/σ∼N(0,1),所以
  27. U
  28. U
  29. U的数学期望为
  30. E
  31. (
  32. U
  33. )
  34. =
  35. 1
  36. 2
  37. π
  38. +
  39. u
  40. e
  41. u
  42. 2
  43. 2
  44. d
  45. u
  46. E(U) = \frac1{\sqrt{2\pi}}\int_{-\infty}^{+\infty} u \mathrm{e}^{-\frac{u^2}2}\mathrm{d} u
  47. E(U)=2π​1​∫−∞+∞​ue2u2du

注意到上述积分的被积函数为一个奇函数,所以其积分值等于0,即

  1. E
  2. (
  3. U
  4. )
  5. =
  6. 0
  7. E(U)=0
  8. E(U)=0。又因为
  9. X
  10. =
  11. μ
  12. +
  13. σ
  14. U
  15. X=\mu+\sigma U
  16. X=μ+σU,所以由数学期望的线性性得
  17. E
  18. (
  19. X
  20. )
  21. =
  22. μ
  23. +
  24. σ
  25. ×
  26. 0
  27. =
  28. μ
  29. E(X) = \mu + \sigma \times 0 = \mu
  30. E(X)=μ+σ×0

也就是说,正态分布

  1. N
  2. (
  3. μ
  4. ,
  5. σ
  6. 2
  7. )
  8. N(\mu,\sigma^2)
  9. N(μ,σ2)中
  10. μ
  11. \mu
  12. μ为数学期望。

方差

  1. V
  2. a
  3. r
  4. (
  5. U
  6. )
  7. =
  8. E
  9. (
  10. U
  11. 2
  12. )
  13. =
  14. 1
  15. 2
  16. π
  17. u
  18. 2
  19. e
  20. u
  21. 2
  22. 2
  23. d
  24. u
  25. =
  26. 1
  27. 2
  28. π
  29. u
  30. d
  31. (
  32. e
  33. u
  34. 2
  35. 2
  36. )
  37. =
  38. 1
  39. 2
  40. π
  41. (
  42. u
  43. e
  44. u
  45. 2
  46. 2
  47. +
  48. e
  49. u
  50. 2
  51. 2
  52. d
  53. u
  54. )
  55. =
  56. 1
  57. 2
  58. π
  59. e
  60. u
  61. 2
  62. 2
  63. d
  64. u
  65. =
  66. 1
  67. 2
  68. π
  69. 2
  70. π
  71. =
  72. 1
  73. \begin{aligned} Var(U)& = E( U^{2} ) \\ &=\frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty}u^{2} \mathrm{e}^{-\frac{u^{2}}{2}}\mathrm{d}u \\ &=\frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty}u\mathrm{d}( - \mathrm{e}^{-\frac{u^{2}}{2}}) \\ &=\frac{1}{\sqrt{2\pi}}\left(\begin{array}{c}{-u\mathrm{e}^{-\frac{u^{2}}{2}}}\\\end{array}\right|_{-\infty}^{\infty}+\int_{-\infty}^{\infty}\mathrm{e}^{-\frac{u^{2}}{2}}\mathrm{d}u \Big) \\ &=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\mathrm{e}^{-\frac{u^{2}}{2}}\mathrm{d}u \\ &=\frac{1}{\sqrt{2\pi}}\sqrt{2\pi} \\ &= 1 \end{aligned}
  74. Var(U)​=E(U2)=2π​1​∫−∞∞​u2e2u2du=2π​1​∫−∞∞​ud(−e2u2​)=2π​1​(−ue2u2​​​−∞∞​+∫−∞∞​e2u2du)=2π​1​∫−∞∞​e2u2du=2π​12π​=1

因为

  1. X
  2. =
  3. σ
  4. U
  5. +
  6. μ
  7. X=\sigma U+\mu
  8. XU+μ,所以由方差的性质得
  9. V
  10. a
  11. r
  12. (
  13. X
  14. )
  15. =
  16. V
  17. a
  18. r
  19. (
  20. σ
  21. U
  22. +
  23. μ
  24. )
  25. =
  26. σ
  27. 2
  28. \mathrm{Var}(X) = \mathrm{Var}(\sigma U + \mu) = \sigma^2
  29. Var(X)=VarU+μ)=σ2

这说明,正态分布

  1. N
  2. (
  3. μ
  4. ,
  5. σ
  6. 2
  7. )
  8. N(\mu,\sigma^2)
  9. N(μ,σ2)中另一个参数
  10. σ
  11. 2
  12. \sigma^2
  13. σ2就是方差。

在求正态分布的数学期望和方差中,用到了一种变换:令

  1. U
  2. =
  3. (
  4. X
  5. μ
  6. )
  7. /
  8. σ
  9. U=(X-\mu)/\sigma
  10. U=(X−μ)/σ,由
  11. E
  12. (
  13. U
  14. )
  15. =
  16. 0
  17. ,
  18. V
  19. a
  20. r
  21. (
  22. U
  23. )
  24. =
  25. 1
  26. E(U)=0,\mathrm{Var}(U)=1
  27. E(U)=0,Var(U)=1,然后再去求出
  28. X
  29. X
  30. X的数学期望和方差.这个变换具有普遍意义,也就是对任意随机变量
  31. X
  32. X
  33. X,如果
  34. X
  35. X
  36. X的数学期望为
  37. μ
  38. \mu
  39. μ,方差为
  40. σ
  41. 2
  42. \sigma^2
  43. σ2,则称
  44. X
  45. =
  46. X
  47. μ
  48. σ
  49. X^\ast = \frac{X - \mu}\sigma
  50. X∗=σX−μ​

  1. X
  2. X
  3. X的**标准化随机变量**,且可得
  4. E
  5. (
  6. X
  7. )
  8. =
  9. 0
  10. ,
  11. V
  12. a
  13. r
  14. (
  15. X
  16. )
  17. =
  18. 1
  19. E(X^\ast) = 0,\quad \mathrm{Var}(X^\ast) = 1
  20. E(X∗)=0,Var(X∗)=1

  1. 3
  2. σ
  3. 3\sigma
  4. 3σ原则

  1. X
  2. N
  3. (
  4. μ
  5. ,
  6. σ
  7. 2
  8. )
  9. X\sim N(\mu,\sigma^2)
  10. XN(μ,σ2),则
  11. P
  12. (
  13. X
  14. μ
  15. <
  16. k
  17. σ
  18. )
  19. =
  20. Φ
  21. (
  22. k
  23. )
  24. Φ
  25. (
  26. k
  27. )
  28. =
  29. {
  30. 0.6826
  31. ,
  32. k
  33. =
  34. 1
  35. 0.9545
  36. ,
  37. k
  38. =
  39. 2
  40. 0.9973
  41. ,
  42. k
  43. =
  44. 3
  45. P(|X - \mu|<k\sigma) = \varPhi(k) - \varPhi(-k) = \begin{cases} 0.6826, & k = 1 \\ 0.9545, & k = 2 \\ 0.9973, & k = 3 \end{cases}
  46. P(∣X−μ∣<kσ)=Φ(k)−Φ(−k)=⎩⎨⎧​0.6826,0.9545,0.9973,​k=1k=2k=3

从上式中可以看出:尽管正态变量的取值范围是

  1. (
  2. ,
  3. +
  4. )
  5. (-\infty,+\infty)
  6. (−∞,+∞),但它的
  7. 99.73
  8. %
  9. 99.73\%
  10. 99.73% 的值落在
  11. μ
  12. 3
  13. σ
  14. ,
  15. μ
  16. +
  17. 3
  18. σ
  19. \mu-3\sigma,\mu+3\sigma
  20. μ−3σ,μ+3σ 内. 这个性质被实际工作者称作是正态分布的“
  21. 3
  22. σ
  23. 3\sigma
  24. 3σ原则”。正态分布的
  25. 3
  26. σ
  27. 3\sigma
  28. 3σ 原则在实际工作中很有用,工业生产上用的控制图,和一些产品质量指数(如
  29. C
  30. p
  31. ,
  32. C
  33. p
  34. k
  35. C_p,C_{pk}
  36. Cp​,Cpk​)都是根据
  37. 3
  38. σ
  39. 3\sigma
  40. 3σ 原则制定的。

均匀分布

若随机变量X的密度函数为

  1. p
  2. (
  3. x
  4. )
  5. =
  6. {
  7. 1
  8. b
  9. a
  10. ,
  11. a
  12. <
  13. x
  14. <
  15. b
  16. 0
  17. ,
  18. 其他
  19. p(x) = \begin{cases} \frac1{b-a}, & a < x < b \\ 0, & \text{其他} \end{cases}
  20. p(x)={ba1​,0,​a<x<b其他​

则称

  1. X
  2. X
  3. X服从区间
  4. (
  5. a
  6. ,
  7. b
  8. )
  9. (a,b)
  10. (a,b)上的**均匀分布**,记作
  11. X
  12. U
  13. (
  14. a
  15. ,
  16. b
  17. )
  18. X\sim U(a,b)
  19. XU(a,b),其分布函数为
  20. F
  21. (
  22. x
  23. )
  24. =
  25. {
  26. 0
  27. ,
  28. x
  29. <
  30. a
  31. ;
  32. x
  33. a
  34. b
  35. a
  36. ,
  37. a
  38. x
  39. <
  40. b
  41. ;
  42. 1
  43. ,
  44. x
  45. b
  46. .
  47. F(x) = \begin{cases} 0, & x < a ; \\ \frac{x-a}{b-a}, & a \le x < b; \\ 1, & x \ge b. \end{cases}
  48. F(x)=⎩⎨⎧​0,baxa​,1,​x<a;ax<b;xb.​

数学期望

设随机变量

  1. X
  2. U
  3. (
  4. a
  5. ,
  6. b
  7. )
  8. X\sim U(a,b)
  9. XU(a,b),则
  10. E
  11. (
  12. X
  13. )
  14. =
  15. a
  16. b
  17. x
  18. b
  19. a
  20. d
  21. x
  22. =
  23. b
  24. 2
  25. a
  26. 2
  27. 2
  28. (
  29. b
  30. a
  31. )
  32. =
  33. a
  34. +
  35. b
  36. 2
  37. E(X) = \int_a^b \frac x{b-a} \mathrm{d} x = \frac{b^2-a^2}{2(b-a)} = \frac{a+b}2
  38. E(X)=∫abbaxdx=2(ba)b2a2​=2a+b

这正是区间

  1. (
  2. a
  3. ,
  4. b
  5. )
  6. (a,b)
  7. (a,b)的终点。

方差

  1. E
  2. (
  3. X
  4. 2
  5. )
  6. =
  7. a
  8. b
  9. x
  10. 2
  11. b
  12. a
  13. d
  14. x
  15. =
  16. b
  17. 3
  18. a
  19. 3
  20. 3
  21. (
  22. b
  23. a
  24. )
  25. =
  26. a
  27. 2
  28. +
  29. a
  30. b
  31. +
  32. b
  33. 2
  34. 3
  35. E(X^2) = \int_a^b\frac{x^2}{b-a} \mathrm{d} x = \frac{b^3-a^3}{3(b-a)} = \frac{a^2+ab+b^2}3
  36. E(X2)=∫abbax2dx=3(ba)b3a3​=3a2+ab+b2

由此得

  1. X
  2. X
  3. X的方差为
  4. V
  5. a
  6. r
  7. (
  8. X
  9. )
  10. =
  11. E
  12. (
  13. X
  14. 2
  15. )
  16. [
  17. E
  18. (
  19. X
  20. )
  21. ]
  22. 2
  23. =
  24. a
  25. 2
  26. +
  27. a
  28. b
  29. +
  30. b
  31. 2
  32. 3
  33. (
  34. a
  35. +
  36. b
  37. )
  38. 2
  39. 4
  40. =
  41. (
  42. b
  43. a
  44. )
  45. 2
  46. 12
  47. \mathrm{Var}(X) = E(X^2) - [E(X)]^2 = \frac{a^2+ab+b^2}3 - \frac{(a+b)^2}4 = \frac{(b-a)^2}{12}
  48. Var(X)=E(X2)−[E(X)]2=3a2+ab+b2​−4(a+b)2​=12(ba)2

指数分布

若随机变量X的密度函数为

  1. p
  2. (
  3. x
  4. )
  5. =
  6. {
  7. λ
  8. e
  9. λ
  10. x
  11. ,
  12. x
  13. 0
  14. ;
  15. 0
  16. ,
  17. x
  18. <
  19. 0
  20. ,
  21. p(x) = \begin{cases} \lambda \mathrm{e}^{-\lambda x}, & x \geqslant 0; \\ 0, & x < 0, \end{cases}
  22. p(x)={λe−λx,0,​x0;x<0,​

则称

  1. X
  2. X
  3. X服从**指数分布**,记作
  4. X
  5. E
  6. x
  7. p
  8. (
  9. λ
  10. )
  11. X\sim Exp(\lambda)
  12. XExp(λ),其中参数。指数分布的分布函数为
  13. F
  14. (
  15. x
  16. )
  17. =
  18. {
  19. 1
  20. e
  21. λ
  22. x
  23. ,
  24. x
  25. 0
  26. ;
  27. 0
  28. ,
  29. x
  30. <
  31. 0.
  32. F(x) = \begin{cases} 1 - \mathrm{e}^{-\lambda x}, & x \geqslant 0; \\ 0, & x < 0. \end{cases}
  33. F(x)={1e−λx,0,​x0;x<0.

无记忆性

如果

  1. X
  2. E
  3. x
  4. p
  5. (
  6. λ
  7. )
  8. X\sim Exp(\lambda)
  9. XExp(λ),则对任意
  10. s
  11. >
  12. 0
  13. ,
  14. t
  15. >
  16. 0
  17. s>0,t>0
  18. s>0,t>0,有
  19. P
  20. (
  21. X
  22. >
  23. s
  24. +
  25. t
  26. X
  27. >
  28. s
  29. )
  30. =
  31. P
  32. (
  33. X
  34. >
  35. t
  36. )
  37. P(X > s + t| X > s) = P( X > t)
  38. P(X>s+tX>s)=P(X>t)

证明:因为

  1. X
  2. E
  3. x
  4. p
  5. (
  6. λ
  7. )
  8. X\sim Exp(\lambda)
  9. XExp(λ),所以
  10. P
  11. (
  12. X
  13. >
  14. s
  15. )
  16. =
  17. e
  18. λ
  19. s
  20. ,
  21. s
  22. >
  23. 0
  24. P(X>s)=\mathrm{e}^{-\lambda s},s>0
  25. P(X>s)=e−λs,s>0。又因为
  26. {
  27. X
  28. >
  29. s
  30. +
  31. t
  32. }
  33. {
  34. X
  35. >
  36. s
  37. }
  38. \{X>s+t\} \subseteq \{ X>s \}
  39. {X>s+t}⊆{X>s}

于是条件概率

  1. P
  2. (
  3. X
  4. >
  5. s
  6. +
  7. t
  8. X
  9. >
  10. s
  11. )
  12. =
  13. P
  14. (
  15. X
  16. >
  17. s
  18. +
  19. t
  20. )
  21. P
  22. (
  23. X
  24. >
  25. s
  26. )
  27. =
  28. e
  29. λ
  30. (
  31. s
  32. +
  33. t
  34. )
  35. e
  36. λ
  37. s
  38. =
  39. e
  40. λ
  41. t
  42. =
  43. P
  44. (
  45. X
  46. >
  47. t
  48. )
  49. P(X>s+t | X>s) = \frac{P(X>s+t)}{P(X>s)} = \frac{\mathrm{e}^{-\lambda(s+t)}}{\mathrm{e}^{-\lambda s}} = \mathrm{e}^{-\lambda t} =P(X>t)
  50. P(X>s+tX>s)=P(X>s)P(X>s+t)​=e−λse−λ(s+t)​=e−λt=P(X>t)

数学期望

设随机变量

  1. X
  2. E
  3. x
  4. p
  5. (
  6. λ
  7. )
  8. X\sim Exp(\lambda)
  9. XExp(λ),则
  10. E
  11. (
  12. X
  13. )
  14. =
  15. 0
  16. +
  17. x
  18. λ
  19. e
  20. λ
  21. x
  22. d
  23. x
  24. =
  25. 0
  26. +
  27. x
  28. d
  29. (
  30. e
  31. λ
  32. x
  33. )
  34. =
  35. x
  36. e
  37. λ
  38. x
  39. 0
  40. +
  41. +
  42. 0
  43. +
  44. e
  45. λ
  46. x
  47. d
  48. x
  49. =
  50. 1
  51. λ
  52. e
  53. λ
  54. x
  55. 0
  56. +
  57. =
  58. 1
  59. λ
  60. .
  61. \begin{align*} E(X) & = \int_0^{+\infty}x\lambda \mathrm{e}^{-\lambda x}\mathrm{d} x = \int_0^{+\infty}x \mathrm{d} (-\mathrm{e}^{-\lambda x}) \\ & = -x\mathrm{e}^{-\lambda x}\big|_0^{+\infty} + \int_0^{+\infty}\mathrm{e}^{-\lambda x}\mathrm{d} x = - \frac1\lambda \mathrm{e}^{-\lambda x}\bigg|_0^{+\infty} = \frac1\lambda . \end{align*}
  62. E(X)​=∫0+∞​xλe−λxdx=∫0+∞​xd(−e−λx)=−xe−λx0+∞​+∫0+∞​e−λxdx=−λ1e−λx0+∞​=λ1​.​

在指数分布中,有时记

  1. θ
  2. =
  3. 1
  4. /
  5. λ
  6. \theta=1/\lambda
  7. θ=1/λ,则
  8. θ
  9. \theta
  10. θ 为指数分布的数学期望

方差

  1. E
  2. (
  3. X
  4. 2
  5. )
  6. =
  7. 0
  8. +
  9. x
  10. 2
  11. λ
  12. e
  13. λ
  14. x
  15. d
  16. x
  17. =
  18. 0
  19. +
  20. x
  21. 2
  22. d
  23. (
  24. e
  25. λ
  26. x
  27. )
  28. =
  29. x
  30. 2
  31. e
  32. λ
  33. 0
  34. +
  35. +
  36. 2
  37. 0
  38. +
  39. x
  40. e
  41. λ
  42. x
  43. d
  44. x
  45. =
  46. 2
  47. λ
  48. 2
  49. ,
  50. \begin{align*} E(X^2) & = \int_0^{+\infty}x^2\lambda \mathrm{e}^{-\lambda x}\mathrm{d} x = \int_0^{+\infty}x^2\mathrm{d}(-\mathrm{e}^{-\lambda x}) \\ & = -x^2\mathrm{e}^{-\lambda}\bigg|_0^{+\infty} + 2\int_0^{+\infty} x\mathrm{e}^{-\lambda x} \mathrm{d} x = \frac2{\lambda^2}, \end{align*}
  51. E(X2)​=∫0+∞​x2λe−λxdx=∫0+∞​x2d(−e−λx)=−x2e−λ​0+∞​+20+∞​xe−λxdx22​,​

由此得

  1. X
  2. X
  3. X的方差为
  4. V
  5. a
  6. r
  7. (
  8. X
  9. )
  10. =
  11. E
  12. (
  13. X
  14. 2
  15. )
  16. [
  17. E
  18. (
  19. X
  20. )
  21. ]
  22. 2
  23. =
  24. 2
  25. λ
  26. 2
  27. 1
  28. λ
  29. 2
  30. =
  31. 1
  32. λ
  33. 2
  34. \mathrm{Var}(X) = E(X^2) - [E(X)]^2 = \frac2{\lambda^2} - \frac1{\lambda^2} = \frac1{\lambda^2}
  35. Var(X)=E(X2)−[E(X)]222​−λ21​=λ21

伽马分布

称以下函数

  1. Γ
  2. (
  3. α
  4. )
  5. =
  6. 0
  7. +
  8. x
  9. α
  10. 1
  11. e
  12. e
  13. x
  14. d
  15. x
  16. \Gamma(\alpha) = \int_0^{+\infty}x^{\alpha-1}\mathrm{ee}^{-x} \mathrm{d} x
  17. Γ(α)=∫0+∞​xα−1eexdx

伽玛函数,其中参数。伽玛函数具有如下性质:

    1. Γ ( 1 ) = 1 , Γ ( 1 2 ) = π \Gamma(1)=1,\Gamma\left(\frac12\right)=\sqrt\pi Γ(1)=1,Γ(21​)=π​
    1. Γ ( α + 1 ) = α Γ ( α ) \Gamma(\alpha+1)=\alpha\Gamma(\alpha) Γ(α+1)=αΓ(α)(可用分部积分法证得)。当 α \alpha α为自然数 n n n时,有 Γ ( n + 1 ) = n Γ ( n ) = n ! \Gamma(n+1) = n\Gamma(n) = n! Γ(n+1)=nΓ(n)=n!

若随机变量

  1. X
  2. X
  3. X的密度函数为
  4. p
  5. (
  6. x
  7. )
  8. =
  9. {
  10. λ
  11. α
  12. Γ
  13. (
  14. α
  15. )
  16. x
  17. α
  18. 1
  19. e
  20. e
  21. λ
  22. x
  23. ,
  24. x
  25. 0
  26. ;
  27. 0
  28. ,
  29. x
  30. <
  31. 0
  32. ,
  33. p(x) = \begin{cases} \frac{\lambda^\alpha}{\Gamma(\alpha)}x^{\alpha-1} \mathrm{ee}^{-\lambda x}, & x\ge 0 ; \\ 0, & x < 0, \end{cases}
  34. p(x)={Γ(α)λα​xα−1ee−λx,0,​x0;x<0,​

则称

  1. X
  2. X
  3. X服从**伽玛分布**,记作
  4. X
  5. G
  6. a
  7. (
  8. α
  9. ,
  10. λ
  11. )
  12. X\sim Ga(\alpha,\lambda)
  13. XGa(α,λ),其中
  14. α
  15. >
  16. 0
  17. \alpha>0
  18. α>0为形状参数,
  19. λ
  20. >
  21. 0
  22. \lambda>0
  23. λ>0为尺度参数。

两个特例

    1. α = 1 \alpha=1 α=1时的伽玛分布就是指数分布,即 G a ( 1 , λ ) = E x p ( λ ) Ga(1,\lambda) = Exp(\lambda) Ga(1,λ)=Exp(λ)
  • 称 α = n / 2 , λ = 1 / 2 \alpha=n/2,\lambda=1/2 α=n/2,λ=1/2时的伽玛分布是自由度为 n n n的 ** χ 2 \chi^2 χ2(卡方)分布**,记为 χ 2 ( n ) \chi^2(n) χ2(n),记 G a ( n 2 , 1 2 ) = χ 2 ( n ) Ga\left( \frac n2, \frac12 \right) = \chi^2(n) Ga(2n​,21​)=χ2(n) 其密度函数为 p ( x ) = { 1 2 n 2 Γ ( n 2 ) e e − x 2 x n 2 − 1 , x > 0 ; 0 , x ≤ 0. p(x) = \begin{cases} \frac1{2^{\frac n2}\Gamma\left(\frac n2\right)} \mathrm{ee}^{-\frac x2}x^{\frac n2-1}, & x > 0 ; \ 0, & x \le 0. \end{cases} p(x)={22n​Γ(2n​)1​ee−2x​x2n​−1,0,​x>0;x≤0.​ 这里 n n n是 χ 2 \chi^2 χ2分布的唯一参数,称为自由度,它可以是正实数,但更多的是取正整数。因为 χ 2 \chi^2 χ2分布是特殊的伽玛分布,故由伽玛分布的期望和方差,很容易得到 χ 2 \chi^2 χ2分布的期望和方差为 E ( X ) = n , V a r ( X ) = 2 n E(X) = n,\quad \mathrm{Var}(X) = 2n E(X)=n,Var(X)=2n

数学期望

利用伽玛函数的性质,不难算得伽玛分布

  1. G
  2. a
  3. (
  4. α
  5. ,
  6. λ
  7. )
  8. Ga(\alpha,\lambda)
  9. Ga(α,λ)的数学期望为
  10. E
  11. (
  12. X
  13. )
  14. =
  15. λ
  16. α
  17. Γ
  18. (
  19. α
  20. )
  21. 0
  22. +
  23. x
  24. α
  25. e
  26. e
  27. λ
  28. x
  29. d
  30. x
  31. =
  32. Γ
  33. (
  34. α
  35. +
  36. 1
  37. )
  38. Γ
  39. (
  40. α
  41. )
  42. 1
  43. λ
  44. =
  45. α
  46. λ
  47. E(X) = \frac{\lambda^\alpha}{\Gamma(\alpha)} \int_0^{+\infty}x^\alpha \mathrm{ee}^{-\lambda x}\mathrm{d} x = \frac{\Gamma(\alpha+1)}{\Gamma(\alpha)} \frac1\lambda = \frac\alpha\lambda
  48. E(X)=Γ(α)λα​∫0+∞​xαee−λxdx=Γ(α)Γ(α+1)​λ1​=λα​

方差

  1. E
  2. (
  3. X
  4. 2
  5. )
  6. =
  7. λ
  8. α
  9. Γ
  10. (
  11. α
  12. )
  13. 0
  14. +
  15. x
  16. α
  17. +
  18. 1
  19. e
  20. e
  21. λ
  22. x
  23. d
  24. x
  25. =
  26. Γ
  27. (
  28. α
  29. +
  30. 2
  31. )
  32. λ
  33. 2
  34. Γ
  35. (
  36. α
  37. )
  38. =
  39. α
  40. (
  41. α
  42. +
  43. 1
  44. )
  45. λ
  46. 2
  47. E(X^2) = \frac{\lambda^\alpha}{\Gamma(\alpha)} \int_0^{+\infty} x^{\alpha+1}\mathrm{ee}^{-\lambda x}\mathrm{d} x = \frac{\Gamma(\alpha+2)}{\lambda^2\Gamma(\alpha)} = \frac{\alpha(\alpha+1)}{\lambda^2}
  48. E(X2)=Γ(α)λα​∫0+∞​xα+1ee−λxdx2Γ(α)Γ(α+2)​=λ2α(α+1)​

由此得

  1. X
  2. X
  3. X的方差为
  4. V
  5. a
  6. r
  7. (
  8. X
  9. )
  10. =
  11. E
  12. (
  13. X
  14. 2
  15. )
  16. [
  17. E
  18. (
  19. X
  20. )
  21. ]
  22. 2
  23. =
  24. α
  25. (
  26. α
  27. +
  28. 1
  29. )
  30. λ
  31. 2
  32. (
  33. α
  34. λ
  35. )
  36. 2
  37. =
  38. α
  39. λ
  40. 2
  41. \mathrm{Var}(X) = E(X^2) - [E(X)]^2 = \frac{\alpha(\alpha+1)}{\lambda^2} - \left(\frac\alpha\lambda\right)^2 = \frac\alpha{\lambda^2}
  42. Var(X)=E(X2)−[E(X)]22α(α+1)​−(λα​)22α​

贝塔分布

称以下函数

  1. B
  2. (
  3. a
  4. ,
  5. b
  6. )
  7. =
  8. 0
  9. 1
  10. x
  11. a
  12. 1
  13. (
  14. 1
  15. x
  16. )
  17. b
  18. 1
  19. d
  20. x
  21. \mathrm{B}(a,b) = \int_0^1 x^{a-1}(1-x)^{b-1}\mathrm{d} x
  22. B(a,b)=∫01xa1(1x)b1dx

贝塔函数,其中参数

  1. a
  2. >
  3. 0
  4. ,
  5. b
  6. >
  7. 0
  8. a>0,b>0
  9. a>0,b>0。贝塔函数具有如下性质:
    1. B ( a , b ) = B ( b , a ) \mathrm{B}(a,b)=\mathrm{B}(b,a) B(a,b)=B(b,a)令 y = 1 x y=1-x y=1x,即得 B ( a , b ) = 1 0 ( 1 y ) a 1 y b 1 ( d y ) = 0 1 ( 1 y ) a 1 y b 1 d y = B ( b , a ) \mathrm{B}(a,b) = \int_1^0(1-y)^{a-1}y^{b-1}(-\mathrm{d} y) = \int_0^1 (1-y)^{a-1}y^{b-1}\mathrm{d} y = \mathrm{B}(b,a) B(a,b)=∫10​(1y)a1yb1(−dy)=∫01​(1y)a1yb1dy=B(b,a)
  • 贝塔函数与伽玛函数间有关系 B ( a , b ) = Γ ( a ) Γ ( b ) Γ ( a + b ) \mathrm{B}(a,b) = \frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)} B(a,b)=Γ(a+b)Γ(a)Γ(b)​ 由伽玛函数的定义知 Γ ( a ) Γ ( b ) = ∫ 0 + ∞ ∫ 0 + ∞ x a − 1 y b − 1 e e − ( x + y ) d x d y \Gamma(a) \Gamma(b) = \int_0^{+\infty}\int_0^{+\infty}x^{a-1}y^{b-1} \mathrm{ee}^{-(x+y)} \mathrm{d} x \mathrm{d} y Γ(a)Γ(b)=∫0+∞​∫0+∞​xa−1yb−1ee−(x+y)dxdy 作变量变换 x = u v , y = u ( 1 − v ) x=uv,y=u(1-v) x=uv,y=u(1−v),其雅可比行列式 J = − u J=-u J=−u,故 Γ ( a ) Γ ( b ) = ∫ 0 + ∞ ∫ 0 1 ( u v ) a − 1 [ u ( 1 − v ) ] b − 1 e e − u u d u d v = ∫ 0 + ∞ u a + b − 1 e e − u ∫ 0 1 v a − 1 ( 1 − v ) b − 1 d v = Γ ( a + b ) B ( a , b ) , \begin{align*} \Gamma(a)\Gamma(b) & = \int_0^{+\infty}\int_0^1(uv)^{a-1}[u(1-v)]^{b-1} \mathrm{ee}^{-u}u \mathrm{d} u \mathrm{d} v \ & = \int_0^{+\infty}u^{a+b-1}\mathrm{ee}^{-u} \int_0^1v^{a-1}(1-v)^{b-1}\mathrm{d} v = \Gamma(a+b)\mathrm{B}(a,b), \end{align*} Γ(a)Γ(b)​=∫0+∞​∫01​(uv)a−1[u(1−v)]b−1ee−uududv=∫0+∞​ua+b−1ee−u∫01​va−1(1−v)b−1dv=Γ(a+b)B(a,b),​ 由此证得。

若随机变量

  1. X
  2. X
  3. X的密度函数为
  4. p
  5. (
  6. x
  7. )
  8. =
  9. {
  10. Γ
  11. (
  12. a
  13. +
  14. b
  15. )
  16. Γ
  17. (
  18. a
  19. )
  20. Γ
  21. (
  22. b
  23. )
  24. x
  25. a
  26. 1
  27. (
  28. 1
  29. x
  30. )
  31. b
  32. 1
  33. ,
  34. 0
  35. <
  36. x
  37. <
  38. 1
  39. ;
  40. 0
  41. ,
  42. 其他
  43. ,
  44. p(x) = \begin{cases} \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)} x^{a-1}(1-x)^{b-1}, & 0 < x < 1; \\ 0, & \text{其他}, \end{cases}
  45. p(x)={Γ(a)Γ(b)Γ(a+b)​xa1(1x)b1,0,​0<x<1;其他,​

则称

  1. X
  2. X
  3. X服从**贝塔分布**,记作
  4. X
  5. B
  6. e
  7. (
  8. a
  9. ,
  10. b
  11. )
  12. X\sim Be(a,b)
  13. XBe(a,b),其中
  14. a
  15. >
  16. 0
  17. ,
  18. b
  19. >
  20. 0
  21. a>0,b>0
  22. a>0,b>0 都是形状参数。

因为服从贝塔分布

  1. B
  2. e
  3. (
  4. a
  5. ,
  6. b
  7. )
  8. Be(a,b)
  9. Be(a,b)的随机变量是仅在区间
  10. (
  11. 0
  12. ,
  13. 1
  14. )
  15. (0,1)
  16. (0,1)取值的,所以不合格品率、机器的维修率、市场的占有率、射击的命中率等各种比率选用贝塔分布作为它们的概率分布是恰当的,只要选择合适的参数
  17. a
  18. a
  19. a
  20. b
  21. b
  22. b即可。

数学期望

利用贝塔函数的性质,不难算得贝塔分布

  1. B
  2. e
  3. (
  4. a
  5. ,
  6. b
  7. )
  8. Be(a,b)
  9. Be(a,b)的数学期望为
  10. E
  11. (
  12. X
  13. )
  14. =
  15. Γ
  16. (
  17. a
  18. +
  19. b
  20. )
  21. Γ
  22. (
  23. a
  24. )
  25. Γ
  26. (
  27. b
  28. )
  29. 0
  30. 1
  31. x
  32. a
  33. (
  34. 1
  35. x
  36. )
  37. b
  38. 1
  39. d
  40. x
  41. =
  42. Γ
  43. (
  44. a
  45. +
  46. b
  47. )
  48. Γ
  49. (
  50. a
  51. )
  52. Γ
  53. (
  54. b
  55. )
  56. Γ
  57. (
  58. a
  59. +
  60. 1
  61. )
  62. Γ
  63. (
  64. b
  65. )
  66. Γ
  67. (
  68. a
  69. +
  70. b
  71. +
  72. 1
  73. )
  74. =
  75. a
  76. a
  77. +
  78. b
  79. .
  80. \begin{align*} E(X) & = \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)} \int_0^1 x^a(1-x)^{b-1} \mathrm{d} x \\ & = \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}\cdot \frac{\Gamma(a+1)\Gamma(b)}{\Gamma(a+b+1)} = \frac a{a+b}. \end{align*}
  81. E(X)​=Γ(a)Γ(b)Γ(a+b)​∫01xa(1x)b1dx=Γ(a)Γ(b)Γ(a+b)​⋅Γ(a+b+1)Γ(a+1)Γ(b)​=a+ba​.​

方差

  1. E
  2. (
  3. X
  4. 2
  5. )
  6. =
  7. Γ
  8. (
  9. a
  10. +
  11. b
  12. )
  13. Γ
  14. (
  15. a
  16. )
  17. Γ
  18. (
  19. b
  20. )
  21. 0
  22. 1
  23. x
  24. a
  25. +
  26. 1
  27. (
  28. 1
  29. x
  30. )
  31. b
  32. 1
  33. d
  34. x
  35. =
  36. Γ
  37. (
  38. a
  39. +
  40. b
  41. )
  42. Γ
  43. (
  44. a
  45. )
  46. Γ
  47. (
  48. b
  49. )
  50. Γ
  51. (
  52. a
  53. +
  54. 2
  55. )
  56. Γ
  57. (
  58. b
  59. )
  60. Γ
  61. (
  62. a
  63. +
  64. b
  65. +
  66. 2
  67. )
  68. =
  69. a
  70. (
  71. a
  72. +
  73. 1
  74. )
  75. (
  76. a
  77. +
  78. b
  79. )
  80. (
  81. a
  82. +
  83. b
  84. +
  85. 1
  86. )
  87. .
  88. \begin{align*} E(X^2) & = \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)} \int_0^1 x^{a+1}(1-x)^{b-1} \mathrm{d} x \\ & = \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}\cdot \frac{\Gamma(a+2)\Gamma(b)}{\Gamma(a+b+2)} \\ & = \frac{a(a+1)}{(a+b)(a+b+1)}. \end{align*}
  89. E(X2)​=Γ(a)Γ(b)Γ(a+b)​∫01xa+1(1x)b1dx=Γ(a)Γ(b)Γ(a+b)​⋅Γ(a+b+2)Γ(a+2)Γ(b)​=(a+b)(a+b+1)a(a+1)​.​

由此得

  1. X
  2. X
  3. X的方差为
  4. V
  5. a
  6. r
  7. (
  8. X
  9. )
  10. =
  11. a
  12. (
  13. a
  14. +
  15. 1
  16. )
  17. (
  18. a
  19. +
  20. b
  21. )
  22. (
  23. a
  24. +
  25. b
  26. +
  27. 1
  28. )
  29. (
  30. a
  31. a
  32. +
  33. b
  34. )
  35. 2
  36. =
  37. a
  38. b
  39. (
  40. a
  41. +
  42. b
  43. )
  44. 2
  45. (
  46. a
  47. +
  48. b
  49. +
  50. 1
  51. )
  52. \mathrm{Var}(X) = \frac{a(a+1)}{(a+b)(a+b+1)} - \left(\frac a{a+b}\right)^2 = \frac{ab}{(a+b)^2(a+b+1)}
  53. Var(X)=(a+b)(a+b+1)a(a+1)​−(a+ba​)2=(a+b)2(a+b+1)ab
标签: 概率论

本文转载自: https://blog.csdn.net/ymzhu385/article/details/142993764
版权归原作者 小猪快跑爱摄影 所有, 如有侵权,请联系我们删除。

“【推导过程】常用连续分布的数学期望、方差、特征函数”的评论:

还没有评论