# 题型四:连续型分布与密度函数 ⭐⭐⭐ ## 识别特征 - 题干出现"**均匀分布**"、区间 $[a,b]$ 上的等可能 → $U(a,b)$ - 题干出现"**指数分布**"、寿命/等待时间、失效率 $\lambda$ → $E(\lambda)$ - 题干出现"**正态分布**"、钟形曲线、$N(\mu, \sigma^2)$ → 标准正态化 - 题目要求**求密度**(已知 $F$ 求 $f$)或**求概率**(已知 $f$ 求 $P$) - 题目要求**求参数**(已知 $\int f = 1$) ## 解题流程 ```mermaid flowchart TD A[连续型问题] --> B{已知什么?} B -->|已知密度 f x| C[1. 验证归一性 ∫f dx=1] C --> D[2. 求概率 P a|已知 F x| E[1. f x = F' x 在 F 可导处] B -->|已知类型 U/E/N| F[1. 套公式] F --> G[均匀: f=1/b-a] F --> H[指数: f=λe^(-λx), x≥0] F --> I[正态: f 钟形曲线] B --> J{求什么?} J -->|求参数| K[用 ∫f dx=1 解方程] J -->|求概率| L[积分或标准化] J -->|求 F x| M[F x = ∫ -∞ to x f t dt] ``` ## 通法步骤 ### 一、均匀分布 $U(a, b)$ ⭐⭐ $$ f(x) = \begin{cases} \dfrac{1}{b-a}, & a \le x \le b \\ 0, & \text{其他} \end{cases} $$ **特征**:"在 $[a,b]$ 上**等可能**" → 密度为常数。 **分布函数**: $$ F(x) = \begin{cases} 0, & x < a \\ \dfrac{x-a}{b-a}, & a \le x \le b \\ 1, & x > b \end{cases} $$ **关键性质**:$X \sim U(a,b)$,则 $P(c \le X \le d) = \dfrac{d - c}{b - a}$(区间长度比) *极简例子:* $X \sim U(0, 2)$,求 $P(0.5 < X < 1.5)$ $$ P = \frac{1.5 - 0.5}{2 - 0} = \frac{1}{2} $$ ### 二、指数分布 $E(\lambda)$ ⭐⭐⭐ $$ f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases} $$ **特征**: - $x \ge 0$(**非负**) - 衰减曲线 - 失效率 / 寿命 / 等待时间 **分布函数**: $$ F(x) = \begin{cases} 1 - e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases} $$ **关键性质**:**无记忆性** $$ P(X > s + t \mid X > s) = P(X > t) = e^{-\lambda t} $$ *极简例子:* 元件寿命 $X \sim E(0.01)$(平均寿命 $100$ 小时),求 $P(X > 200)$ $$ P(X > 200) = 1 - F(200) = e^{-0.01 \times 200} = e^{-2} \approx 0.1353 $$ ### 三、正态分布 $N(\mu, \sigma^2)$ ⭐⭐⭐(详见 题型 5) **特征**: - 钟形对称曲线 - 关于 $x = \mu$ 对称 - $\sigma$ 越大曲线越"扁" - $\mu = 0, \sigma = 1$ 为标准正态 $N(0,1)$ **核心公式**: $$ f(x) = \frac{1}{\sqrt{2\pi} \sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}} $$ ### 四、求密度函数的标准流程 **已知 $f(x)$ 求参数**: 1. 写出归一性 $\int f(x) dx = 1$ 2. 列出方程,求未知参数 **已知 $F(x)$ 求 $f(x)$**: 1. 在 $F$ 可导处,$f(x) = F'(x)$ 2. 在 $F$ 不可导处(连续点),$f(x) = 0$ 3. 注意:连续型 $F$ 连续可导(除去有限个点) *极简例子:* 设 $f(x) = \begin{cases} kx^2, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$,求 $k$。 $$ 1 = \int_0^1 kx^2 dx = \frac{k}{3} \Rightarrow k = 3 $$ ### 五、求概率的标准流程 $$ P(a \le X \le b) = \int_a^b f(x) dx $$ **分段积分**:$f$ 在不同区间表达式不同时,积分要分段。 *极简例子:* $f(x) = \begin{cases} 2x, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$,求 $P(0.3 < X < 0.7)$ $$ P = \int_{0.3}^{0.7} 2x\, dx = x^2 \Big|_{0.3}^{0.7} = 0.49 - 0.09 = 0.40 $$ ### 六、三大分布对照表 | 分布 | 密度形状 | 取值范围 | 关键参数 | 关键性质 | |------|---------|---------|---------|---------| | $U(a,b)$ | 矩形 | $[a,b]$ | $a, b$ | 区间内常数 | | $E(\lambda)$ | 衰减曲线 | $[0, +\infty)$ | $\lambda$ | 无记忆性 | | $N(\mu, \sigma^2)$ | 钟形对称 | $(-\infty, +\infty)$ | $\mu, \sigma$ | 标准化 | ## 常见陷阱 - **均匀分布"开闭区间"**:$f$ 在 $a, b$ 处的取值($1/(b-a)$ 或 $0$)不影响概率(单点概率为 0) - **指数分布 $x \ge 0$ 限制**:$f(x) = \lambda e^{-\lambda x}$ 仅在 $x \ge 0$ 时成立,$x < 0$ 时 $f = 0$ - **正态参数识别**:$N(\mu, \sigma^2)$ 中**方差是 $\sigma^2$**(不是 $\sigma$!),$\sigma$ 是标准差 - **求密度时漏写"其他 = 0"**:必须明确写分段,$f(x)$ 在范围外是 0 - **分段积分的边界**:积分上下限要严格对应 $f$ 的非零区间 ## 经典母题 > **题目**:设 $X$ 的密度函数为 > $$f(x) = \begin{cases} cx^2, & 1 \le x \le 2 \\ 0, & \text{其他} \end{cases}$$ > > (1) 求常数 $c$; > (2) 求 $X$ 的分布函数 $F(x)$; > (3) 求 $P(1.5 < X < 1.8)$。 **解析**: **(1) 用归一性求 $c$**: $$ 1 = \int_1^2 cx^2 dx = c \cdot \frac{x^3}{3}\Big|_1^2 = c \left(\frac{8}{3} - \frac{1}{3}\right) = \frac{7c}{3} $$ $$ \Rightarrow c = \frac{3}{7} $$ **(2) 分段求 $F(x)$**: - $x < 1$:$F(x) = 0$ - $1 \le x < 2$: $$F(x) = \int_1^x \frac{3}{7} t^2 dt = \frac{t^3}{7}\Big|_1^x = \frac{x^3 - 1}{7}$$ - $x \ge 2$:$F(x) = 1$ **(3) 求概率**: $$ P(1.5 < X < 1.8) = F(1.8) - F(1.5) = \frac{1.8^3 - 1}{7} - \frac{1.5^3 - 1}{7} = \frac{5.832 - 2.375}{7} = \frac{3.457}{7} \approx 0.494 $$ 或直接积分: $$ P = \int_{1.5}^{1.8} \frac{3}{7} x^2 dx = \frac{x^3}{7}\Big|_{1.5}^{1.8} = \frac{5.832 - 3.375}{7} = \frac{2.457}{7} \approx 0.351 $$ **复盘**: - 第 (1) 步用归一性 $\int f = 1$ → 方程 → 解 $c$ - 第 (2) 步分段积分:每个区间单独写公式 - 第 (3) 步两种方法等价:积分 or 用 $F$ --- > **变式(混合型)**:设 > $$f(x) = \begin{cases} c(1 - x), & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$$ > 求 $c$ 和 $P(X > 0.5)$。 **解**: $$ 1 = \int_0^1 c(1 - x) dx = c \left[x - \frac{x^2}{2}\right]_0^1 = c \cdot \frac{1}{2} \Rightarrow c = 2 $$ $$ P(X > 0.5) = \int_{0.5}^1 2(1 - x) dx = 2 \left[x - \frac{x^2}{2}\right]_{0.5}^1 = 2(0.5 - 0.375) = 0.25 $$