概统笔记

otherdocs/概统/04-连续型随机变量分布.md

@@ -0,0 +1,109 @@
+# 四、连续型随机变量分布
+
+## 1. 均匀分布 U(a, b)
+
+**概率密度函数**：
+$$f(x) = \begin{cases} \frac{1}{b-a}, & a \leq x \leq b \\ 0, & 其他 \end{cases}$$
+
+**分布函数**：
+$$F(x) = \begin{cases} 0, & x < a \\ \frac{x-a}{b-a}, & a \leq x \leq b \\ 1, & x > b \end{cases}$$
+
+**期望与方差**：
+- $E(X) = \frac{a+b}{2}$
+- $D(X) = \frac{(b-a)^2}{12}$
+
+**适用场景关键词**：
+- "等可能"、"随机取一点"
+- "在[a,b]上均匀分布"
+- 舍入误差、随机数生成
+
+**例题特征**：
+> 公交车每10分钟一班，乘客随机到达，求等待时间不超过3分钟的概率。
+> → X ~ U(0, 10), P(X ≤ 3) = 0.3
+
+---
+
+## 2. 指数分布 Exp(λ)
+
+**概率密度函数**：
+$$f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \geq 0 \\ 0, & x < 0 \end{cases}$$
+
+**分布函数**：
+$$F(x) = \begin{cases} 1 - e^{-\lambda x}, & x \geq 0 \\ 0, & x < 0 \end{cases}$$
+
+**期望与方差**：
+- $E(X) = \frac{1}{\lambda}$
+- $D(X) = \frac{1}{\lambda^2}$
+
+**无记忆性**：$P(X > s+t | X > s) = P(X > t)$
+
+**重要结论**：$P(X > a) = e^{-\lambda a}$（$a>0$）
+
+**适用场景关键词**：
+- "寿命"、"等待时间"、"服务时间"
+- "无记忆性"
+- 电子元件寿命、顾客到达间隔、放射性衰变间隔
+- 与泊松过程相关（泊松过程的时间间隔服从指数分布）
+
+**重要关系**：若单位时间内事件发生次数 ~ P(λ)，则相邻事件的时间间隔 ~ Exp(λ)
+
+**例题特征**：
+> 某元件寿命服从参数λ=0.01的指数分布，求使用超过100小时的概率。
+> → P(X > 100) = e^(-0.01×100) = e^(-1)
+
+---
+
+## 3. 正态分布 N(μ, σ²)
+
+**概率密度函数**：
+$$f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \quad -\infty < x < +\infty$$
+
+**期望与方差**：
+- $E(X) = \mu$
+- $D(X) = \sigma^2$
+
+**标准化**：若 $X \sim N(\mu, \sigma^2)$，则 $Z = \frac{X-\mu}{\sigma} \sim N(0,1)$
+
+**标准正态分布**：$Z \sim N(0,1)$
+- 密度函数：$\varphi(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2}$
+- 分布函数：$\Phi(x) = P(Z \le x)$
+
+**区间概率**：若 $X \sim N(\mu, \sigma^2)$，则
+$$P(a < X \le b) = \Phi\left(\frac{b-\mu}{\sigma}\right) - \Phi\left(\frac{a-\mu}{\sigma}\right)$$
+
+**标准正态性质**：
+- $\Phi(-x) = 1 - \Phi(x)$
+- $\Phi(0) = \frac{1}{2}$
+- $P(|Z| \le a) = 2\Phi(a) - 1$（$a>0$）
+
+**密度识别**：若 $f(x) = A e^{ax^2+bx+c}$，$a<0$，$-\infty < x < +\infty$，则X为正态分布
+
+**重要性质**：
+- 对称性：$\Phi(-x) = 1 - \Phi(x)$
+- $P(|X-\mu| < \sigma) \approx 68.27\%$
+- $P(|X-\mu| < 2\sigma) \approx 95.45\%$
+- $P(|X-\mu| < 3\sigma) \approx 99.73\%$ (3σ原则)
+
+**适用场景关键词**：
+- 测量误差、身高体重、考试成绩
+- "正态分布"、"高斯分布"
+- 大量独立随机因素叠加的结果
+
+**例题特征**：
+> X ~ N(100, 16)，求P(92 < X < 108)。
+> → 标准化：P(-2 < Z < 2) = 2Φ(2) - 1
+
+---
+
+## 4. 伽马分布 Γ(α, λ)
+
+**概率密度函数**：
+$$f(x) = \begin{cases} \frac{\lambda^\alpha}{\Gamma(\alpha)} x^{\alpha-1} e^{-\lambda x}, & x > 0 \\ 0, & x \leq 0 \end{cases}$$
+
+**期望与方差**：
+- $E(X) = \frac{\alpha}{\lambda}$
+- $D(X) = \frac{\alpha}{\lambda^2}$
+
+**特殊情况**：
+- α=1 时为指数分布 Exp(λ)
+- α=n/2, λ=1/2 时为 χ²(n) 分布