设射击次数为400.PPT

§2.4 连续型随机变量及其概率密度 对数正态分布 一些正偏态资料的变量值，通过对数转换后，由偏态分布转为正态分布。某些正偏态资料，如血铅含量、某些传染病的潜伏期等，经对数变换后可符合正态分布。在金融、工程、医学、生物学等领域有广泛的应用 ?如果?X?是服从正态分布的随机变量，则 eX 服从对数正态分布；同样，如果?Y?服从对数正态分布，则 ln(Y) 服从正态分布。 如果一个变量可以看作是许多很小独立因子的乘积（与正态的多个很小独立因子的求和相对应），则这个变量可以看作是对数正态分布。一个典型的例子是股票投资的长期收益率，它可以看作是每天收益率的乘积。 * §2.4 连续型随机变量及其概率密度 ?函数及其相关的几种重要连续型分布介绍 ? 分布、? 分布、Weibull分布 ?函数 Г函数在概率分布中具有极其重要的地位 Г(s)= ，s0，这是一个广义积分，不可积 重要的性质Г(s＋1)=sГ(s)，Г(1/2)= ， 余元公式Г(s)Г(1－s)＝π/sinsπ 当0s1时，Г(s)的值可查表求得, * §2.4 连续型随机变量及其概率密度 (1) Г分布 Г分布可记作：X～Г(α, β)，等待第α件事发生所需要的等待时间 fX(x)= α0,β0 Г分布的可加性：X～Г(α1,β), Y～Г(α2,β)，X和Y相互独立 则Z＝X+Y～Г(α1＋α2,β) 其中α是形状参数，决定曲线形状，β是尺度参数决定曲线的伸缩 Г分布与很多分布都有关系 当α =n/2， β =2时， Г分布即为自由度为n的?2分布 当α =1时， Г分布即为参数为β的指数分布 当α =k+1 ， β =1时， Г分布的表达式与泊松分布表达式的形式是一致的，但参数?(即x)是连续的 * §2.4 连续型随机变量及其概率密度 (2) β分布 β分布定义在区间(0, 1)，可记作：X～Beta(α, β) α0,β0 β分布与贝叶斯理论有联系，常用来描述取值在(0, 1)的概率模式，比如描述由后验概率来查看抛硬币中使用硬币的不均匀度(正反面可能不是等概出现) 当α =1， β =1时， β分布就是U(0, 1) 期望等于α /(α+β) * §2.4 连续型随机变量及其概率密度 Beta分布的曲线 * §2.4 连续型随机变量及其概率密度 (3) 韦布尔分布(Weibull分布) Weib(α, ?, b)分布:它是可靠性工程中广泛使用的一种连续性分布，常用来描述各种产品、材料疲劳失效的分布规律，如真空管的疲劳失效、机械轴承的疲劳失效等，该分布为三参数分布，其中α为形态参数，β为尺度参数，b为位置参数。当α=1，α＞1，α＜1时分别对应了某些产品（或材料）的偶发期故障(正常随机故障)、耗损期故障(老化严重故障多发期)和早发故障(新设备投入运行)三种形态的失效分布。考虑损耗衰老作用时比指数分布更准确 该分布由瑞典数学家W.Weibull是在对双参数指数分布 E1(?1,b) 和Ray(?)的研究基础上综合推广而成。该分布同样在无线电信号分析和元器件可靠性分析中有重要应用 * §2.4 连续型随机变量及其概率密度 概率密度表达式 x?b, b?0, m为正整数 令?=?α，带入则可得到概率密度的另一种表达式 当α=1时， Weib(1,?,b)即双参数指数分布 E1(?,b) 从上面的描述可知，指数分布只适用于浴盆曲线(指产品从投入到报废为止的整个寿命周期内)的底部，但任何产品都有早期故障，也总有耗损失效期。在可靠性工程学中用威布尔分布来描述产品在整个寿命期的分布情况 * §2.5 随机变量的函数的分布 实际应用中，某些人们关心的随机变量Y往往不能直接测量得到，而它可能是某个能测量的随机变量的函数X 比如我们有时很关心圆柱轴截面的面积S，但无法直接获得，而我们能够获得圆柱轴截面的直径D，而随机变量S是随机变量D的函数，即S=(1/4)πD2 问题： 怎样由已知的随机变量X的概率分布求它的函数Y=g(X)的概率分布，其中g(?)是连续函数? 一般的步骤是什么？ * §2.5 随机变量的函数的分布 例1：设随机变量X具有以下的分布律，试求Y=(X－1)2的分布律 X －1 0 1 2 pk 0.2 0.