随机变数──连续机率分配.DOCVIP

第七章 隨機變數──連續機率分配 首先必須了解 首先必須了解…… 7.1 7.1 隨機變數(random variable)---連續隨機變數 7.2 連續機率分配的基本介紹 7.3 均勻分配的介紹、均勻分配在EXCEL的運用 7.4隨機變數的期望值、隨機變數的變異數、隨機變數之和的期望值 7.5 常態分配的介紹、常態分配在EXCEL的運用 ?常態曲線的特性　 ?標準常態分配　 ?二項分配與常態分配之近似 7.6 指數分配的介紹、指數分配在EXCEL的運用 計算指數分配之機率　 卜瓦松分配與指數分配之關係 7.7 利用EXCEL以各個分佈做練習---常態分布、標準常態分布、指數分布 7.8 利用EXCEL介紹其他分布---伽瑪分布、卡方分布、貝他分布、F分布、T分布、韋伯分布 7.1 隨機變數(random variable)---連續(continuous)隨機變數 隨機變數是實驗結果的數值表示法。在座標圖上無法用一個點一個點方式表示的均屬於連續隨機變數。如果線段上任二點之間的所有值(一個區間)均為該隨機變數之可能值，則此隨機變數為連續的。連續隨機變數的值可為實數軸上一區間或區間集合裡的任何一值。由於在任一區間含有無限多個值，我們不可能再考慮某特定值的機率，只能考慮連續隨機變數落於某一特定區間之機率。 7.2 連續機率分配的基本介紹 在討論離散隨機變數時，我們介紹了機率函數的概念，此函數提供隨機變數X在某特定值的機率。在連續的情形下，機率函數的對等位置是機率密度函數(probability density function)，也記為。對連續隨機變數而言，機率密度函數提供該函數在各特定的X值上之高度或函數值，但無法直接提供隨機變數在某特定值所對應之機率。然而，在某區間之圖形下方的面積即為隨機變數值落於該區間的機率。 ?連續機率分配的例子 p(x)＝ 2x if 0 0 others ?連續隨機變數的例子 連續隨機變數為 f(x)=2x，0≦X≦1，其期望值與變異數如下： 7.3 隨機變數的期望值、隨機變數的變異數、隨機變數之和的期望值 ◎隨機變數的期望值── 隨機變數的期望值或平均數是該隨機變數中心位置的一種衡量。 ◎隨機變數的變異數── 衡量隨機變數的離散度或變異性。 ◎隨機變數之和的期望值(例如二個隨機變數時)── 隨機變數之和的期望值就是其個別期望值的和。 二隨機變數之和的期望值：E(X+Y)=E(X)+E(Y) 推廣至計算任何數個隨機變數之和的期望值皆相同。這結果即表示任何數個隨機變數之和的期望值就等於它們個別期望值的和。 ◎獨立的隨機變數之和的變異數(例如二個隨機變數時)── 假如某一事件的發生並不會影響另一事件發生之機率，它們就是獨立事件。 二獨立變數之和的變異數Var(X+Y)= Var(X)+Var(Y) 獨立隨機變數之和的變異數就等於各獨立隨機變數之變異數的總和。 7.4 均勻分配的介紹(uniform probability distribution)、均勻分配在EXCEL的運用 讓我們考慮隨機變數X 讓我們考慮隨機變數X，它表示一飛機從芝加哥飛至紐約的總飛行時間。假如飛行時間可以是120分鐘至140分鐘的此一區間內的任何值(如124分鐘，125.48分鐘等等)。既然隨機變數X可能是120至140分鐘內的任何值，X當然是連續的而不是離散隨機變數。另外，讓我們假定我們可以取得足夠且真實的飛行資料，而得到在任一分鐘內飛行時間的機率和其他任何1分鐘內飛行時間的機率是相同的。同時這種關係 一直適用至140分鐘為止。 因每一分鐘的區間發生的機會完全相同，所以隨機變數X被認為是具有均勻機率分配的變數。定義飛行時間隨機變數的均勻分配之機率密度函數為： 通常，隨機變數X的均勻機率密度函數為： 機率密度函數f(x)的圖形提供了任意特定x值的函數高度或函數值。注意在均勻機率密度函數中，各x值的函數高度或函數值是相同的。一般而言，機率密度函數並不像離散隨機變數的機率函數一樣代表其機率，它僅提供在任意特定的x值之函數高度而已。對一連續隨機變數而言，我們所考慮的機率僅為在某一特定區間內的隨機變數值發生的可能性。 當我們處理連續隨機變數及其機率分配時，和處理離散隨機變數之二不同處為： 1.我們不再說隨機變數在某一特定值的機率，而以隨機變數值發生在某一區間的機率來代替之。 2.隨機變數值發生在區間x1至x2的機率，是定義成在區間x1至x2之機率密度函數圖形之下的面積。 這也就是說，一連續隨機變數發生在某一特定值的機率為0，因為在單獨一點上位於f(x)圖形之下的面積為零。 對連續隨機變數而言，計算過程包含了積分的觀念，因此，