611连续型随机变数之机率分配.ppt

隨機變數分為兩大類。若隨機變數之可能值個數為有限個;或是可數 的無限多時（如人數、損壞物品個數），此時可將之歸類為離散型 (discrete type)隨機變數。而若隨機變數之可能值個數為不可數的無限 多時（如時間、身高），其可能值的集合為一區間，此時即將之稱 為連續型(continuous type)隨機變數。 6.1.1 連續型隨機變數之機率分配 當隨機變數為離散型時，我們可對每一Y之可能值賦予一大於零的機 率，並定義為其機率分配，其所有可能值機率總和為1。但對於連續 型隨機變數而言，由於其可能值個數無限多且無法計數，故其每一 個可能值的機率為0，勢必無法如離散隨機變數之機率分配定義方式， 來定義連續型之機率分配，所以我們將尋求以另一方式來定義連續 型隨機變數之機率分配。 考慮一連續型資料之隨機實驗，從中抽樣200組資料，繪出其相對次 數直方圖，如圖6.1所示。假若我們將抽樣資料數增多，甚至無限多； 同時將組間距縮小，甚至無限小，則繪出其相對次數直方圖必會如 圖6.2所示，變為一平滑曲線。圖6.2平滑曲線乃代表著 圖6.1相對次 數直方圖之極限形式。由相對次數直方圖性質可推知，曲線下與橫 軸所夾之面積，即為此連續型隨機變數出現在此區間的機率。於是 我們即藉由此曲線來定義連續型隨機變數之機率分配，並稱此曲線 為“機率密度函數”。 若一連續型隨機變數Y之機率密度函數為，則其必具有下 列之基本性質： 1. 對所有Y的可能值而言，f(y)≧0。 2. 隨機變數所有可能值機率總和為1，故若此機率密 度函數之兩 邊端點a與b，則整段函數與橫軸所涵蓋 的面積值必為1。 即 3. 欲求隨機變數Y落在曲線上任意兩點c與d之間的機率，也就是 區間機率P (c≦Y≦d)時，則 【例6.1】 假設Y為一連續型隨機變數，且其機率密度函數為 試求 (a) C值 (b) P (1≦Y≦2) (c) P (1＜Y＜2) 解： (a) 根據上述性質(二)，其機率總和為1，故 (b) 此隨機變數Y之機率密度函數為 (c) 因為在連續型隨機變數中，單點並無機率值 【例6.2】 科學家做一實驗：測試老鼠跑出迷宮所需的時間。假設老鼠跑出迷 宮，所花的時間為一隨機變數Y（單位：分鐘），其機率密度函數為 試問老鼠在3分鐘內跑出迷宮的機率為如何？ 解： 老鼠在3分鐘內跑出迷宮的機率即為 P (1≦Y≦3)，則 6.1.2 連續型隨機變數之累積分配函數 在連續型中，其累積分配函數定義本質與離散型時相同。不過由於 其各自的機率分配定義不同，故其計算累積分配函數方法也稍有不 同。 【例6.3】 令Y為一隨機變數，其機率密度函數為 試求: (a)累積分配函數F (y) (b)試利用F (y)求得P (1≦Y≦2) 解： (a) 依累積分配函數定義 ，則 (b) 依累積分配函數定義 P (1≦Y≦2)=P (Y≦2)－P (Y≦1)=F (2)－F (1) 故由(a)中得知 P (1≦Y≦2)= F (2)－F (1) = =1－(3/4)=1/4 在介紹離散型隨機變數時，我們曾經提及，描述一母體機率分配的 集中趨勢及離散程度，最常使用的就是期望值及變異數。而在連續 型隨機變數時，依舊是以期望值來測知此機率分配之中心點，以變 異數來測量此機率分配之離散情形。在此期望值及變異數的基本定 義仍然與離散型時相同，不過由於連續型之機率分配定義方式有些 不同，故其計算方式也有稍許不同。 6.2.1 連續型隨機變數之期望值及變異數 定義6.2.1 此連續型隨機變數的期望值(expected value)或平均數(mean) E [y] 定 義為 定義6.2.2 若連續型隨機變數Y的期望值為E [Y]=μ，則Y的變異數(variance)為 將變異數的正平方根 ＝ ＝SD (Y)，稱為隨機變數Y之標準差 （standard deviation）。 【例6.4】 Y為一連續型隨機變數，其機率密度函數 試求Y之期望值E(Y)與變異數V(Y)。 解： 依