高等数学 / 系统课时

概率密度与积分

概率密度与积分

对具有概率密度的随机变量,任一点的概率都等于零。区间概率由对密度积分得到,本课将用概率密度函数和定积分计算区间概率,并建立密度、概率与分布函数之间的联系。

学习目标

  • 理解概率密度值与概率的区别
  • 会用定积分计算连续随机变量的区间概率
  • 掌握概率密度必须满足的两个基本条件

概率密度不是概率

设连续随机变量 XX 的概率密度函数为 f(x)f(x)。合法的概率密度必须满足非负性与归一化。

f(x)≥0f(x)\ge 0

以及

∫−∞+∞f(x) dx=1\int_{-\infty}^{+\infty} f(x)\,dx=1

f(x)f(x) 表示概率在数轴附近分布得有多密,但函数在某一点的高度并不等于该点的概率。对具有密度的随机变量,P(X=c)=0P(X=c)=0。区间概率取决于对应面积,若该区间内密度为零,概率也为零。密度高于 1 仍可以是合法密度,例如在 [0,1/2][0,1/2] 上恒为 22,其余处为零。

概率密度曲线下的区间面积

用积分计算区间概率

设 a<ba<b,随机变量落在区间 [a,b][a,b] 内的概率为

P(a≤X≤b)=∫abf(x) dxP(a\le X\le b)=\int_a^b f(x)\,dx

例如,若 XX 在区间 [0,4][0,4] 上均匀分布,则密度为

f(x)=14,0≤x≤4f(x)=\frac{1}{4},\quad 0\le x\le 4

因此,XX 落在 [1,3][1,3] 内的概率是

P(1≤X≤3)=∫1314 dx=12P(1\le X\le 3) =\int_1^3 \frac{1}{4}\,dx =\frac{1}{2}

这里密度高度为 1/41/4,区间宽度为 22,面积为 1/21/2。概率来自“高度乘宽度”的累计,而不是只看曲线高度。

分布函数是累计概率

分布函数 F(x)F(x) 定义为随机变量不超过 xx 的概率:

F(x)=P(X≤x)=∫−∞xf(t) dtF(x)=P(X\le x)=\int_{-\infty}^{x} f(t)\,dt

它把从最左端到当前位置的密度不断累积起来。由于端点的概率为零,区间概率可以写成

P(a≤X≤b)=F(b)−F(a)P(a\le X\le b)=F(b)-F(a)

在密度 ff 连续的点,分布函数满足 F′(x)=f(x)F'(x)=f(x)。例如均匀分布的密度在两个支持区间端点发生跳变,不能在这些点直接套这个等式。这再次体现了“密度是局部变化率,分布函数是累计结果”的关系。

在 AI 中如何理解

概率密度常用于描述模型输出与数据噪声。例如,回归模型可能假设误差服从正态分布;生成模型需要学习数据在连续空间中的概率分布;给定数据分布时,可通过分位数找到覆盖指定概率的取值区间。例如等尾的 90% 区间取第 5 和第 95 百分位。用于估计未知参数的置信区间则按其构造方法和重复抽样覆盖率定义。

期望也建立在同一思想上。当 ∫∣g(x)∣f(x) dx<∞\int|g(x)|f(x)\,dx<\infty 时,g(X)g(X) 的有限期望为

E[g(X)]=∫−∞+∞g(x)f(x) dxE[g(X)]=\int_{-\infty}^{+\infty} g(x)f(x)\,dx

它不是简单平均所有可能值,而是按概率密度对不同取值进行加权累计。

易混淆点

  • 密度值可以大于 11,只要全区间积分仍等于 11
  • 曲线越高只表示附近更密集,不表示单点概率更大
  • 对连续随机变量,P(a<X<b)P(a<X<b) 与 P(a≤X≤b)P(a\le X\le b) 相同,因为端点概率为 00
  • 积分区间超出密度的有效范围时,超出部分贡献为 00
按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

概率密度与积分

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通