CONTINUOUS RANDOM VARIABLES AND PDFS 

连续的随机变量，顾名思义。就是随机变量的取值范围是连续的值，比如汽车的速度。气温。假设我们要利用这些參数来建模。那么就须要引入连续随机变量。

假设随机变量X是连续的，那么它的概率分布函数能够用一个连续的非负函数来表示，这个非负函数称作连续随机变量的概率密度函数（probability density function）。并且满足：

假设B是一个连续的区间，那么：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="70" >

要注意的是不论什么一个点的概率是等于零的，由于：

所以对与表示概率时的大于等于。小于等于能够等同于大于和小于:

概率密度函数除了非零这个条件外，另一个条件。依据概率三公理之中的一个的normalization，连续随机变量的总概率等于1：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="65" >

为了直观的理解连续随机变量的概率是什么，例如以下图，连续随机变量在某个区间发生的概率等于该变量概率密度函数在该区间下的面积，如图阴影部分：

所以。对于连续随机变量在区间δ发生的概率为：

直观的表演示样例如以下：

Expectation

连续随机变量X的期望值公式例如以下。就是将离散随机变量中的求和改为了积分：

对于随即变量x的函数。其期望值例如以下：

方差例如以下：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="40" >

and：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="40" >

同理离散随机变量，连续随机变量也符合线性原则：

CUMULATIVE
DISTRIBUTION FUNCTIONS 

随机变量的累计概率是指，P(X ≤ x)的概率。表演示样例如以下：

连续随机变量有下面性质：

-单调非递减性：

-FX(x)趋近于0当x趋近于负无穷，FX(x)趋近于1当x趋近于正无穷。

-假设x是离散随机变量。那么FX(x)呈阶梯状上升。假设x是连续随机变量，那么FX(x)呈连续变化上升状。下图分别为离散和连续随机变量的CDF。

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="600" height="160" >

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="600" height="160" >

-假设x是离散随机变量，那么它的PMF能够通过CDF相减得到，CDF能够通过对PMF相加得到：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="80" >

-假设x是连续随机变量，那么它的CDF能够通过对PDF做定积分得到，PDF能够通过对CDF微分得到。

NORMAL RANDOM VARIABLES

正态分布的PDF表演示样例如以下：

μ 是随机变量X的期望，即均值。σ 是随机变量X的标准差。所以方差为σ2

正态分布也满足概率和为一的定理：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="70" >

其PDF和CDF例如以下图所看到的（均值为1，方差为1的正态分布）：

当然，正态分布也满足连续随机变量的一般性质：

The Standard Normal Random Variable

标准正态分布是指均值为0，标准差为1的正态分布。它的CDF能够表示为，它的经常使用值被做成了表以供查找：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="400" height="70" >

假设Y等于：，那么我们能够将不熟悉的Y转变成X再做计算。公式例如以下：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="34" >

CONDITIONING ON AN EVENT

连续随机变量X与事件A的条件概率表演示样例如以下：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="60" >

类似离散随机变量的条件概率公式，连续随机变量的条件概率例如以下：

连续随机变量X的期望：

对于X的函数g(x)的期望：

相对于离散函数的total probability，连续随机变量也有：

MULTIPLE CONTINUOUS RANDOM VARIABLES

两个连续随机变量的联合分布表演示样例如以下：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="60" >

相同要注意的是f(x,y)是非负的函数。对于一定区间的x，y的概率表演示样例如以下：

像一个随机变量的一样，两个随机变量的PDF满足：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="60" >

为了直观的了解两个随机变量的概念，令：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="400" height="50" >

假设δ无限小，那么双随机变量的概率就相当于是函数f(x,y)在δ2 覆盖下的体积。

连续随机变量的边际概率等于。与离散随机变量的求和相应的是积分：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="70" >

Expectation

两个随机变量的期望等于：

且有：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="40" >

Conditioning One Random Variable on Another

X，Y是连续随机变量。其联合分布为：fX,Y，  X相对于Y的条件概率为：

条件概率也满足normalization的公式：

期望和条件概率的期望例如以下：

Inference and the Continuous Bayes’ Rule

对于连续的随机变量，也存在贝叶斯准则：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="50" >

对于X是离散随机变量，Y是连续随机变量，贝叶斯准则例如以下：

依据全概率准则，能够得到f（y）:

Independence

连续型随机变量和离散型随机变量的独立类似：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="30" >

x与y独立，说明x的发生与否不给y的发生与否提供不论什么信息。反之亦然，那么：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="20" >

假设x，y相互独立，那么他们的乘积的期望等于他们期望的乘积：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="45" >

另外他们的方差也呈线性：

Joint CDFs

连续随机变量的联合CDF表示为：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="400" height="50" >

反之。通过二次偏微分能够求得其PDF：

More than Two Random Variables

对于大于两个连续型随机变量的概率公式能够依次类推：

DERIVED DISTRIBUTIONS

对于要求一个连续随机变量的PDF这类问题，我们时常通过绕弯路的方法先求其CDF，再通过对CDF微分求得其PDF。

对于连续随机变量X的线性函数，有：

对于单调函数：

直观的感受是f(X)乘以dh(y)等于P(X)，而f(y)乘以dy也等于P(X).例如以下图：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="400" height="350" >

最后回想一下这一章典型的连续型随机变量：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZnJvZ19pbl9hX3dlbGw=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="600" height="560" >

版权声明：本文博主原创文章。博客，未经同意不得转载。