最后更新: 2024-11-15 18:03 查看: 372 次反馈刷题

连续型(正态分布-Part1)

### 引例1
假设你的老妈担心你的单身生活，为此，在相亲网站给你寻找相亲对象，她把你的照片放到了相亲网站后，一下子吸引来了200多个女性留言，要与你"私定终身"。老妈为了提高篮选效率，于是乎就建了一个微信群，让所有人报一下自己准确的身高。
为了统计方便。她以5厘米为单位，数一数每一段5厘米各有多少人。接着用身高为横轴，人数为纵轴，画了下面这张图。
仔细看这张图，你和老妈发现一个惊人的秘密:这张图形状是中间高，两边低，长得像一只倒扣的钟。这意味着什么？意味着大部分女性身高在155-160cm之间，身高低于145cm或者高于170cm的都比较少。

![图片](/uploads/2024-11/8e95c4.jpg){width=500px}

### 引例2
一包米的外包装上标示的质量是5000g，但实际上是有误差的，假设包装米的公司没有偷工减料，计量员精确地检测所有在售的该种米，把米包质量的频率分布直方图画出来，以10g为一组，绘出实际质量，会是一个什么形状呢？
下图中是一条峰值在5000g左右的曲线，横坐标表示实际质量，纵坐标表示频率，可以发现它有一个单峰，长得也像一只倒扣的钟． 也就是以5000g为中心，大部分质量都在5000g左右浮动，低于4955g和高于5045g的都很少。
 ![图片](/uploads/2024-11/476c3e.jpg){width=500px}
 
 从引例1和引例2可以看到，经过问题环境不同，但是其结论类似。
 
 ## 正态分布
上面两个数据分布被称为正态分布，正态分布是概率论与数理统计中最重要的一个分布, 高斯 (Gauss, 1777-1855) 在研究误差理论时首先用正态分布来刻画误差的分布, 所以正态分布又称为**高斯分布**.

后续的中心极限定理表明:一个随机变量如果是由大量微小的、独立的随机因素的叠加结果, 那么这个变量一般都可以认为服从正态分布. 因此很多随机变量可以用正态分布描述或近似描述,世界上很多事物都符合正态分布曲线， 大到金融、股市，小到心率、血压， 考试成绩、身高等。甚至连超市入口停放的机动车都符合正态分布。

## 正态分布的密度函数

若随机变量 $X$ 的密度函数为

$$
\varphi(x)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{(x-\mu)^2}{2 \sigma^2}}, \quad-\infty<x<\infty,
$$

则称 $X$ 服从正态分布, 称 $X$ 为正态变量, 记作 $X \sim N\left(\mu, \sigma^2\right)$. 其中参数 $-\infty<\mu<\infty, \sigma>0$. 也就是他是一条连续的曲线。

下图显示了正态分布的密度函数图像。
 ![图片](/uploads/2024-11/5cc957.svg){width=500px}

从图中可以得出一下结论：
（1）正态分布的密度函数是左右关于 $x=\mu$ 对称，$\mu$ 是正态分布的中心，且在 $x=\mu$ 附近取值的可能性大, 在两侧取值的可能性小.

（2）$\mu \pm \sigma$ 是该曲线的拐点.

（3）假定$\mu$固定，则$\sigma$控制曲线的胖度。即 $\sigma$ 越大，曲线越胖，$\sigma$越小，曲线越瘦。

（4）后面可以证明，正态分布的数学期望$E(X)=\mu$, 方差为$D(X)=\sigma ^2$

如果固定 $\sigma$, 改变 $\mu$ 的值, 则图形沿 $x$ 轴平移, 而不改变其形状. 也就是说正态密度函数的位置由参数 $\mu$ 所确定, 因此亦称 $\mu$ 为**位置参数**.

如果固定 $\mu$, 改变 $\sigma$ 的值, 则分布的位置不变, 但 $\sigma$愈小, 曲线呈高而瘦, 分布较为集中; $\sigma$ 愈大, 曲线呈矮而胖, 分布较为分散. 也就是说正态密度函数的尺度由参数 $\sigma$ 所确定, 因此称 $\sigma$ 为**尺度参数**.

> 初次接触正态分布的同学会感觉有点疑惑，传统的$y=f(x)$ 都是一个变量，但是在正态分布里，有$x,\mu,\sigma$ 三个参数。事实上现实生活里，女生找对象都要求“高富帅”，这里的“高富帅”就可以看成有三个参数。在正态函数里，为了了解$f(x)$的图像特点，通常是先固定$\mu$ 然后修改$\sigma$ 看图形特点，然后固定$\sigma$再修改$\mu$再查看图像特点。

## 正态分布的分布函数

正态分布 $N\left(\mu, \sigma^2\right)$ 的分布函数为

$$
\Phi(X)=\frac{1}{\sqrt{2 \pi} \sigma} \int_{-\infty}^x \mathrm{e}^{-\frac{(t-\mu)^2}{2 \sigma^2}} \mathrm{~d} t .
$$

它是一条光滑上升的 $S$ 形曲线, 见下图

![图片](/uploads/2024-11/9e85d3.svg){width=500px}

> 作为一个约定，$\varphi(x)$ 表示正态分布的密度函数，$\Phi(X)$ 表示正态分布的分布函数，$\varphi_0(x)$ 表示标准正态分布的密度函数，$\Phi_0(X)$ 表示标准正态分布的分布函数

## 标准正态分布

称 $\mu=0, \sigma=1$ 时的正态分布 $N(0,1)$ 为标准正态分布.
通常记标准正态变量为 $U$, 记标准正态分布的密度函数为 $\varphi(u)$, 分布函数为 $\Phi(u)$, 即

$$
\varphi(u)=\frac{1}{\sqrt{2 \pi}} \mathrm{e}^{-\frac{u^2}{2}}, \quad-\infty<u<\infty,
$$

$$
\Phi(u)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^u \mathrm{e}^{-\frac{t^2}{2}} \mathrm{~d} t, \quad-\infty<u<\infty .
$$

> 标准正态分布是有着非常优良的性质，具体会在下一节介绍。

## 正态分布的数学期望与方差
设随机变量 $X \sim N\left(\mu, \sigma^2\right)$, 由于 $U=(X-\mu) / \sigma \sim N(0,1)$, 所以 $U$ 的数学期望为

$$
E(U)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} u e^{-\frac{U^2}{2}} d u,
$$

注意到上述积分的被积函数为一个奇函数, 所以其积分值等于 0 , 即 $E(U)=0$. 又因为 $X=\mu+\sigma U$, 所以由数学期望的性质得

$$
E(X)=\mu+\sigma \times 0=\mu .
$$

也就是说, 正态分布 $N\left(\mu, \sigma^2\right)$ 中的 $\mu$ 为数学期望.
又因为

$$
\begin{aligned}
D(U) & =E\left(U^2\right)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} u^2 e^{-\frac{x^2}{2}} d u=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} u d\left(-e^{-\frac{\theta^2}{2}}\right) \\
& =\frac{1}{\sqrt{2 \pi}}\left(-\left.u e^{-\frac{u^2}{2}}\right|_{-\infty} ^{\infty}+\int_{-\infty}^{\infty} e^{-\frac{\Delta^2}{2}} d u\right)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} e^{-\frac{\omega^2}{2}} d u=\frac{1}{\sqrt{2 \pi}} \sqrt{2 \pi}=1,
\end{aligned}
$$

且 $X=\mu+\sigma U$, 所以由方差的性质得

$$
D(X)=D(\mu+\sigma U)=\sigma^2 .
$$

这说明, 正态分布 $N\left(\mu, \sigma^2\right)$ 中另一个参数 $\sigma^2$ 就是 $X$ 的方差.

开VIP会员

非会员每天6篇，会员每天16篇，VIP会员无限制访问

题库训练自我测评投稿

上一篇：连续型(指数分布与无记忆性)

下一篇：连续型(标准正态分布-Part2)

本文对您是否有用？有用 (0) 无用 (0)