概率论分布函数的左右连续性证明

前提知识:
1、lim(b->a+0) (a, b]=空集
2、lim(a->b-0) (a, b]=空集+{b}
3、lim(b->a+0) [a, b)= {a}+空集
4、lim(a->b-0) [a, b)=空集

分布函数定义的两种定义
设x1<x2
第一种定义:
F(x2)-F(x1)=P(x1<X<=x2)
第二种定义:
F(x2)-F(x1)=P(x1<=X<x2)

先讨论第一种定义F(x2)-F(x1)=P(x1<X<=x2)的连续性
右连续即lim(x2->x1+0) (F(x2)-F(x1))=0
右连续证明
lim(x2->x1+0) (F(x2)-F(x1))= lim(x2->x1+0) P(x1<X<=x2)
上式随机变量X的区间:
lim(x2->x1+0)(x1 x2]=空集(由前提知识1可得)
P(空集)=0,于是有lim(x2->x1+0) (F(x2)-F(x1))=0
lim(x2->x1+0) F(x2)=F(x1)右连续成立

左连续即lim(x1->x2+0) (F(x2)-F(x1))=0
左连续证明
lim(x1->x2-0) (F(x2)-F(x1))= lim(x1->x2-0) P(x1<X<=x2)
上式随机变量X的区间:
lim(x1->x2-0)(x1 x2]=空集+{x2} (由前提知识2可得)
P(空集+{x2})=0+ P({x2}),于是有lim(x1->x2-0) (F(x2)-F(x1))=P({x2})
lim(x2->x1-0) F(x2)=F(x1)+ P({x2})
于是有P({x2})=0时,左连续成立,否则不左连续
当X为连续随机变量时,对于任意一个xi,都有P({xi})=0
当X为离散随机变量时,并非任意一个xi,都有P({xi})=0

总结
X为连续随机变量时,能保证分布函数左右连续
X为离散随机变量时,仅能保证分布函数右连续

对于第二种定义在连续性上的讨论步骤与上面基本相同
最后的结论
X为连续随机变量时,能保证分布函数左右连续
X为离散随机变量时,仅能保证分布函数左连续

对于此证明有待考量的地方
1、前提知识的几条都是我自己想出来的,不知道是否合理
2、在右连续证明的第一步到第二步之间之间其实少了一个步骤(左连续也类似)
lim(x2->x1+0) P(x1<X<=x2)如何到P(lim(x2->x1+0) x1<X<=x2)
对此我想到了用可列可加性去证明(极限与可列转换),不知是否可行
其他方法暂时没想到,回头问问老师再来补充吧

### 累积分布函数 (CDF) 的定义 累积分布函数(Cumulative Distribution Function, CDF)是一个描述随机变量概率特性的核心工具。对于任意给定的实数 \( x \),CDF 表示随机变量 \( X \) 取值小于或等于 \( x \) 的概率,即: \[ F_X(x) = P(X \leq x) \] 其中 \( F_X(x) \) 是随机变量 \( X \) 的累积分布函数[^1]。 ### 连续型随机变量的 CDF 计算方法 如果随机变量 \( X \) 是连续型的,则其 CDF 可通过概率密度函数(PDF, Probability Density Function)积分得到。具体表达式如下: \[ F_X(x) = \int_{-\infty}^{x} f_X(t)\, dt \] 这里 \( f_X(t) \) 是随机变量 \( X \) 的 PDF[^2]。 #### 示例代码:计算正态分布的 CDF 值 以下是 Python 中利用 `scipy.stats` 库来计算标准正态分布 CDF 的例子: ```python from scipy.stats import norm # 输入值 x_value = 0 # 使用 SciPy 计算标准正态分布的 CDF cdf_value = norm.cdf(x_value) print(f"CDF of standard normal distribution at {x_value}: {cdf_value}") ``` ### 离散型随机变量的 CDF 计算方法 当随机变量 \( X \) 是离散型时,其 CDF 则由所有可能取值的概率质量函数(PMF, Probability Mass Function)求和得出。假设 \( X \) 的 PMF 为 \( p_X(k) \),则有: \[ F_X(x) = \sum_{k \leq x} p_X(k) \] 这表明 CDF 对应的是所有不大于指定值 \( x \) 的概率之和。 ### CDF 的性质 - **单调不减性**:随着 \( x \) 的增加,\( F_X(x) \) 不会减少。 - **边界条件**:当 \( x \to -\infty \), \( F_X(x) \to 0 \); 当 \( x \to +\infty \), \( F_X(x) \to 1 \)。 ### CDF 的实际应用 在许多领域中,CDF 都有着广泛的应用。例如,在金融风险分析中可以用来评估资产价格低于某一阈值的可能性;在工程可靠性研究里用于预测设备失效时间不超过某时刻的概率等场景下均能发挥重要作用。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值