均匀分布和指数分布

均匀分布的定义

若 $X$ 的概率密度函数为

$f(x)=\begin{cases} \cfrac{1}{b-a}, & x\in(a,b); \\ 0, &\text{其他.} \end{cases}$

其中 $a<b$ ，就称 $X$ 服从 $(a,b)$ 上的均匀分布（ ${\it Uniform}$ ），

记为 $X\sim U(a,b)$ 或 $X\sim {\it Unif}\,(a,b)$ .

其中

$f(x)=\begin{cases} c, & x\in(a,b); \\ 0, & \text{其他.} \end{cases}$

$\because \int_{-\infty}^{+\infty} f(x) \, {\rm d}x = 1,即 \int_a^b c \, {\rm d}x=1 \implies c = 1 / (b-a)$

性质：均匀分布具有等可能性

即，对于任意的 $a<k<k+l<b$ ，均有

$P(k<X<k+l) = \int_{k}^{k+l} \cfrac{1}{b-a} \, {\rm d}t = \cfrac{l}{b-a} \quad \quad \implies \quad \quad 与 k 无关，仅与 l 有关。$

即，服从 $U(a,b)$ 上的均匀分布的随机变量 $X$ 落入 $(a,b)$ 种的任意子区间上的概率只与其区间长度有关与区间所处的位置无关。

即， $X$ 落入 $(a,b)$ 中的等长度的任意子区间上是等可能的。

若 $X\sim U(a,b)$ ，则 $P(a<X<b)=1$ .

且分布函数为

$F(x)=\begin{cases} 0,& x<a; \\ \cfrac{x-a}{b-a}, & a\leq x < b; \\ 1, & x\geq b. \end{cases}$

$\because$ 当 $a\leq x < b$ 时， $F(x)=\int_{-\infty}^{x} f(t) \, {\rm d}t = \int_a^x \cfrac{1}{b-a} \, {\rm d}t = \cfrac{x-a}{b-a}$

例 1： 在区间 (-1,2) 上随机取一数 $X$ ，求：（1）试写出 $X$ 的概率密度函数；（2）概述在 (-0.5,1) 的概率；（3）该数为正数的概率。

解：

（1） $X$ 应在区间 (-1,2) 服从均匀分布，故 $X$ 的概率密度函数为

$f(x)=\begin{cases} 1/3, & x\in (-1,2); \\ 0, &\text{其他.} \end{cases}$

（2）
$P(-0.5<X<1)=\int_{0.5}^1 f(x) \, {\rm d}x = \int_{0.5}^1 \cfrac{1}{3} \, {\rm d}x = \cfrac{1 - (-0.5)}{3} = \cfrac{1}{2}$

可以看到 分子 1-(-0.5) 其实是 (-0.5, 1) 的长度，而分母是 (-1, 2)的长度。

（3）

$P(X>0)=\int_0^{+\infty} f(x) \, {\rm d}x = \int_0^2 \cfrac{1}{3} \, {\rm d}x = \frac{2-0}{3}.$

这里同样可以看出 分子相当于 $(0, +\infty) \bigcap (-1, 2) = (0, 2)$ 的长度，分母是 (-1, 2) 的长度。

均匀分布的概率计算

若 $X\sim U(a,b)$ ，则对于 $\forall I\subset R$ ，有

方法一： $P(X\in I) = \int_I f(x) \, {\rm d}x$

方法二： $P(X\in I) = \cfrac{I\bigcap(a,b)的长度}{(a,b)的长度}$

指数分布的定义

若 $X$ 的概率密度函数为

$f(x)=\begin{cases} \lambda e^{-\lambda x}, & x>0; \\ 0, & x\leq 0, \end{cases}$

其中 $\lambda > 0$ ，就称 $X$ 服从参数为 $\lambda$ 的指数分布( $\it Exponential$ )，

记为 $X\sim E(\lambda)$ 或 $X\sim Exp(\lambda)$ .

分布函数为

$F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases}$

性质：指数分布具有无记忆性

$F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases}$

对于 $t_0 > 0, t>0$ ,

$\begin{aligned} P(X>t_0+t|X>t_0) &= \frac{P(X>t_0+t, X>t_0)}{P(X>t_0} \\ &= \cfrac{P(X>t_0+t)}{P(X>t_0)} = \cfrac{1-F(t_0+t)}{1-F(t_0)} \\ &= \cfrac{e^{-\lambda(t_0+t)}}{e^{-\lambda t_0}} = e^{-\lambda t} = P(X>t) \end{aligned}$

例 2： 设某人电话通话时间 $X$ （分钟）服从指数分布，概率密度为

$f(x)=\begin{cases} \cfrac{1}{15} e^{-\frac{x}{15}}, &x>0; \\ \\ \,0, & x\leq 0. \end{cases}$

求：
（1）她的通话时间在 10~20 分钟之间的概率；
（2）若她已打了 10 分钟，求她继续通话超过 15 分钟的概率（即，若她已打了 10 分钟，求她总共通话超过 25 分钟的概率）

解：

由概率密度

$f(x)=\begin{cases} \cfrac{1}{15} e^{-\frac{x}{15}}, &x>0; \\ \\ \,0, & x\leq 0. \end{cases}$

得出分布函数为

$F(x)=\begin{cases} 1-e^{-\frac{x}{15}}, &x>0; \\ \\ 0, &x\leq 0. \end{cases}$

（1）

$P(10<x<20)=\int_{10}^{20} f(x) \, {\rm d}x = \cfrac{1}{15}\int_{10}^{20} e^{-\frac{x}{15}} \, {\rm d}x = e^{-\frac{2}{3}} - e^{-\frac{4}{3}}$

或者利用分布函数

$P(10<X<20) = F(20) - F(10)=1-e^{-\frac{20}{15}}-(1-e^{-\frac{10}{15}})=e^{-\frac{2}{3}} - e^{-\frac{4}{3}}$

（2）根据无记忆性，

$P(X>25|X<10)=P(X>15)=\int_{15}^{\infty} \cfrac{1}{15} e^{-\frac{x}{15}} \, {\rm d}x = e^{-1}$

例 3： 设一地段相邻两次交通事故的间隔时间（小时） $X$ 服从参数为 2/13 的指数分布。求：已知在已过去的 13 小时中没有发生交通事故，那么在未来的 2 小时内不发生交通事故的概率。

解：

$F(x) = \begin{cases} 1 - e^{-\lambda x}, & x>0; \\ 0, & x\leq 0. \end{cases}$

已知 $X\sim E(\lambda), \lambda = 2/13$ .

$P(X>15|X>13)=P(X>2)=1-F(2)=e^{-\frac{2}{13} ·2}=e^{-\frac{4}{13}}$

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 215,539评论 6赞 497
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 91,911评论 3赞 391
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 161,337评论 0赞 351
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 57,723评论 1赞 290
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 66,795评论 6赞 388
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 50,762评论 1赞 294
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 39,742评论 3赞 416
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 38,508评论 0赞 271
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 44,954评论 1赞 308
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 37,247评论 2赞 331
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 39,404评论 1赞 345
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,104评论 5赞 340
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 40,736评论 3赞 324
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 31,352评论 0赞 21
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,557评论 1赞 268
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 47,371评论 2赞 368
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 44,292评论 2赞 352

均匀分布和指数分布

均匀分布和指数分布

均匀分布的定义

性质：均匀分布具有等可能性

均匀分布的概率计算

指数分布的定义

性质：指数分布具有无记忆性

推荐阅读更多精彩内容