第二章随机变量的分布与数字特征.ppt

Example in Practice 未来的成本是未知的，但是分析人员利用两种成本分别服从的正态分布，对两种原料价格的差异 建立起连续型的概率分布，表明： 在整个决策的过程中，将原材料价格差异的影响量化是达成共识到关键. 而取得的概率可用于原材料价格差异的敏感性分析. 这一分析为管理层的决策提供了充分的依据. ( * 为保护数据所有权，本案例中的数据经过改动） Example in Practice （US Airways Attache, 2000.9）Mensa是国际高IQ成员组织，要想成为Mensa会员，在IQ测验中必须排名在整个人口的前2％. 如果人的IQ值服从正态分布，均值为100，标准差为15. 若某人想取得成为Mensa会员的资格，那么他的IQ值至少应达到多少？ 随机变量的函数 离散型随机变量的函数的分布 连续型随机变量的函数的分布 §2.5 随机变量函数的分布 一、随机变量的函数 在实际中，人们常常对随机变量的函数 更感兴趣. 求截面面积 A= 的分布. 比如，已知圆轴截面直径 d 的分布， 在比如 ，已知 t=t0 时刻噪声电压 V 的分布， 求功率 W=V2/R ( R 为电阻）的分布等. 设随机变量 X 的分布已知，Y=g (X) (设g 是连续函数），如何由 X 的分布求出 Y 的分布？ 若 为随机变量 的函数，则 问题 二、离散型随机变量函数的分布 Y 的可能值为 即 0, 1, 4. 解 例1 故 Y 的分布律为 由此归纳出离散型随机变量函数的分布的求法. 离散型随机变量函数概率分布的计算 三、连续型随机变量函数的分布 解 设Y的分布函数为 FY(y)， 例2 设 X ~ 求 Y=2X+8 的概率密度. FY(y)=P{ Y y } = P (2X+8 y ) =P{ X } = FX( ) 于是Y 的密度函数 故 注意到 0 x 4 时， 即 8 y 16 时， 此时 Y=2X+8 例2.28 已知随机变量X的分布函数F(x)是严格单调的连续函数, 证明Y=F(X)服从[0,1]上的均匀分布. 又由于X的分布函数F是严格递增的连续函数, 其反函数 F-1 存在且严格递增. 证明 设 Y 的分布函数是 G(y) , 于是 对 y 1 , G (y) = 1; 对 y 0 , G (y) = 0; 由于 对0≤y≤1, G(y)=P(Y≤ y) =P(F(X)≤ y) =P(X ≤ (y)) =F( (y))= y 即Y的分布函数是 求导得Y的密度函数 可见, Y 在[0,1]上服从的均匀分布. 例2.28中的结论对F(x)非严格递增的情形同样成立. Cauchy Distribution Theorem 设 则 的密度函数为 一般地，称 服从参数为 的Cauchy分布,记为 若 的密度函数为 Figure 分布 Theorem 设 则 的密度函数为 此时，我们记 Figure 对数正态分布 Lognormal Distribution 为服从参数为 的对数正态分布 Excel函数： LOGNORMDIST( ). 期望： 方差： Figure 对数正态分布的应用 对数正态分布常用于描述价格的分布. 如：设某种资产当前价格为 考虑单期投资问题，设投资于该资产的连续复合收益率为 到期价格为 一般地， 服从正态分布，故 服从对数正态分布. 下面给出一个定理，在满足定理条件时可直接用它求出随机变量函数的概率密度 . Figure 若X 服从参数为 的指数分布, 则其分布函数为 事实上 , 当 时, 当 时, 性质 无记忆性 设 是非负连续型随机变量，则 服从指数分布当且仅当 指数分布与Poisson分布的关系 由两种分布在排队论中的意义，在同一排队问题中，相应的指数分布与Poisson分布的参数是一致的. 如: 若统计结果告诉我们，某一CBC每分钟平均有两名顾客进入. 则每分钟进入的顾客数目服从 而每两名顾客进入的时间间隔服从 参数为 的Poisson分布； 参数为 的指数分布. Example in Practice (Internet Magazine ,2000.1 )对欧洲的网页来说，ISP的下载时间平均大约为20秒. 假定下载一个网页所需的时间服从指数分布. 1.求一个网页所需的下载时间少于10秒的概率； 2.求一个网页所需的下载时间多于30秒的概