連續(xù)型隨機變數及其常用的機率分配課件

1、第六章 連續(xù)型隨機變數及其常用的機率分配6.1 連續(xù)型隨機變數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(qū)間，此時即將之稱為連續(xù)型(continuous type)隨機變數。6.1.1 連續(xù)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(xù)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

2、，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(xù)型之機率分配，所以我們將尋求以另一方式來定義連續(xù)型隨機變數之機率分配?？紤]一連續(xù)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?yōu)橐黄交€。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(xù)型隨機變數出現在此區(qū)間的機率。於是我們即藉由此曲線來定義連續(xù)型隨機變數之機率分配，並稱此曲線為“機率密度函數”。定義6.1.1機率密度函數(

3、probability density function)通常以表示，為一數學函數，用以描述連續(xù)型隨機變數Y之機率分配。 若一連續(xù)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(qū)間機率P (cYd)時，則【例6.1】假設Y為一連續(xù)型隨機變數，且其機率密度函數為 試求 (a) C值 (b) P (1Y2) (c) P (1Y2) 解： (a) 根據上述性質(二)

4、，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(xù)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 (1Y3)，則 6.1.2 連續(xù)型隨機變數之累積分配函數在連續(xù)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。定義6.1.2一連續(xù)型隨機變數Y之累積分配函數(cumulative distribution func

5、tion)，即為 【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 (1Y2)解： (a) 依累積分配函數定義 ，則 (b) 依累積分配函數定義 P (12)=P (2)P (1)=F (2)F (1) 故由(a)中得知 P (12)= F (2)F (1) = =1(3/4)=1/46.2 期望值及變異數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(xù)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

6、本定義仍然與離散型時相同，不過由於連續(xù)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(xù)型隨機變數之期望值及變異數 定義6.2.1此連續(xù)型隨機變數的期望值(expected value)或平均數(mean) E y 定義為 定理6.1若g (y)為連續(xù)型隨機變數函數，則其期望值為 定義6.2.2若連續(xù)型隨機變數Y的期望值為E Y=，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）?！纠?.4】Y為一連續(xù)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： 依連續(xù)型隨機變數

7、期望值之定義依連續(xù)型隨機變數變異數之定義 依連續(xù)型隨機變數變異數之定義6.2.2 期望值及變異數基本定理定理6.2若Y是一連續(xù)型隨機變數，;為兩常數，g1(Y )、g2(Y )gk(Y )為隨機變數Y之k個函數，則（）E aYbaE Y b（）V(aYb)a2V(Y )（）E g1(Y ) g2(Y )gk(Y ) E g1(Y )E g2(Y )E gk(Y )定理6.3若一連續(xù)型隨機變數Y，期望值E Y ，則變異數V (Y )E y2(E Y )2E y226.3 均勻分配假設一隨機變數Y在某一區(qū)間a,b內發(fā)生的機率皆相同，則Y的機率分配稱為均勻分配。 定義6.3.1 連續(xù)隨機變數Y，若其

8、機率密度函數為 則Y的機率分配稱為均勻分配(uniform distribution) 通常均勻分配可表示為 YU ()，與稱為均勻分配的參數，也就是其上下界。若a=0;b=1，則稱為標準均勻分配(standard uniform distribution)。圖6.3為其密度函數圖形由圖可知，均勻分配又可稱為矩形分配(rectangular distribution)?？傊?，均勻分配最大的特點即是：隨機變數發(fā)生於某一段區(qū)間的機率密度函數，必與此區(qū)間的長度成反比。 定理6.4若Y為一均勻隨機變數，上下界為與，YU ()，則期望值為【例6.7】假設一公車，在早上7:007:30之間到達某站牌的時間

9、為均勻分配。有一天，阿輝剛好7:00時到達此站牌，試問(a) 阿輝等待的時間超過十分鐘的機率(b) 阿輝等待時間的期望值與變異數(a) 題意所示，假設隨機變數Y代表阿輝從早上7:00開始，等待公車的時間。則Y為均勻分配，YU (0,30)，其機率密度函數為 解： (a) 題意所示，假設隨機變數Y代表阿輝從早上7:00開始，等待公 車的時間。則Y為均勻分配，YU (0,30)，其機率密度函數為 則阿輝等待的時間超過十分鐘的機率即為 (b) 阿輝等待時間的期望值 阿輝等待時間的變異數 6.4 指數分配6.4.1 指數分配的定義 在上一章中，我們曾經介紹一離散型隨機變數：卜瓦松隨機變 數。其定義為在

10、某一單位區(qū)間內，某特定事件發(fā)生的次數。在 此同時，前所定義特定事件，兩兩之間所間隔的時間以隨機變 數Y表示，其機率分配即是將在這一節(jié)所介紹的連續(xù)型隨機變數： 指數分配。在所有不同常態(tài)分配下，我們都可透過一“標準化” 的程序，使每一常態(tài)隨機變數都轉換成標準常態(tài)隨機變數。定義6.4.1 連續(xù)隨機變數Y，若其機率密度函數為 則Y的機率分配稱為指數分配(exponential distribution) 指數分配唯一的參數即為，不同的決定出不同的指數分配。圖6.4為指數分配參數=1，=1/2，=1/3的圖形。 【例6.7】假設欣力公司所生產的電視機，其壽命符合指數分配，且平均使用時間為5年。今阿輝買了

11、一臺此品牌的全新電視。試問阿輝5年內不用再換新電視的機率為何？解： 設此電視壽命為Y，由其期望值為5，(1/)=5，可知=(1/5) Y符合指數分配，其機率密度函數即為 則阿輝5年內不用再換新電視，也就是此電視壽命超過五年的機 率為6.4.2 無記憶性 我們接著試著證明指數分配是否真的具有無記憶性質，其證明 如下： 假若Y為指數分配，則 定理6.6若一非負的隨機變數Y具有無記憶(memoryless)性質，則 6.5 常態(tài)分配6.5.1 常態(tài)分配的定義 常態(tài)分配可說是整個統(tǒng)計學的基礎，在此後章節(jié)，無論是假設 檢定、估計，甚至是迴歸分析，無不以常態(tài)分配為理論基礎， 做出許多的應用推論。由此可知常

12、態(tài)分配的重要性。定理6.7若Y為一常態(tài)隨機變數，YN ( )，則期望值為圖6.5為一常態(tài)分配YN ()之機率密度函數圖。由此圖，我們可知常態(tài)分配具有下列性質： 1. 常態(tài)分配曲線兩端尾巴與.橫軸漸漸接近，但絕不與橫軸相交 2. 常態(tài)分配是以為中心的左右對稱分配，且其曲線形狀類似一鐘 型(bell-shaped)。由於其對稱的性質，故有下列的特性： 如：(1) P (Y )P (Y )0.5 (2) 對常數與，P (Y-a)1P (Y a )P (Ya) P (aYb)P (Yb)P (Ya ) 6.5.2 標準常態(tài)分配及標準化 連續(xù)型隨機變數落在某一段區(qū)間的機率，定義為其機率密度函 數在此段所

13、圍成的面積。我們可由圖6.5可知常態(tài)機率密度曲線 為鐘型，且由定義6.5.1瞭解常態(tài)機率密度函數的數學型式。讀 者不難發(fā)現，常態(tài)機率密度函數相當的複雜，若要算出其圍成 的面積，或許不是一件簡單的事。且不同的 及 2即形成不同 的常態(tài)分配，若將所有不同的常態(tài)分配都製成各自的機率表， 是不太可能的事情。還好，在常態(tài)分配中，我們可透過一“標準 化”的程序，將所有可能的常態(tài)分配全部轉換成標準常態(tài)分配， 再經由查標準常態(tài)分配的機率表。而所謂的標準常態(tài)分配(Standard Normal Distribution)即指的是期望值=0; 變異數 2=1的常態(tài)分配。定義6.5.2 連續(xù)型隨機變數Y，若其機率密

14、度函數為 則Y的機率分配稱為標準常態(tài)分配(Standard Normal Distribution)換句話說，若欲求一常態(tài)分配機率時，即可透過定理6.8所提供的轉換函數，再透過標準常態(tài)分配表，經由附表三即可求得。例如，假若YN ( )，則 因此 定理6.8若Y為一常態(tài)隨機變數，YN ( )，令 則Z為一標準常態(tài)隨機變數，ZN (0，1)【例6.12】若有一常態(tài)隨機變數Y，其期望值為3，變異數為9，即，試求： (a) P (Y0) (b) P (3Y6) 解： (a) 根據定理6.8，且經由附表三，可得 (b) 根據定理6.8，且經由附表三，可得 6.5.3 二項分配近似於常態(tài)分配在上一章離散隨機變數時，我們依序介紹了二項分配及卜瓦松分配。並且當二項分配 ，且np7時，此時可用卜瓦松分配P（np）來估計二項分配。而在此時，我們將再介紹以另一方法來估計二項分配，也就用此節(jié)所介紹的常態(tài)分配來估計二項分配。之前是以離散型隨機變數來估計離散型隨機變數，而此處則是以連續(xù)型隨機變數來逼近離散型隨機變數。由中央極限定理(centra