SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Understanding Continuous Random Variables and Normal Distribution in Stochastic Models

bessie avatar
bessie
20 diapositives · 339 Views · Sep 13, 2014

This guide explores simple stochastic models focusing on continuous random variables, emphasizing the normal distribution and its properties. It covers the cumulative probability distribution function (CDF) and the probability density function (PDF), illustrating how these concepts apply to real-world data like students' heights and children's birth weights. Additionally, the Central Limit Theorem is examined, demonstrating its significance in the context of independent random variables with consistent mean and variance. The document also discusses fitting normal distributions to data and verifying their adherence to statistical norms.

Understanding Continuous Random Variables and Normal Distribution in Stochastic Models - slide 1
01 / 20Understanding Continuous Random Variables and Normal Distribution in Stochastic Models
1 / 17

Télécharger la présentation

Understanding Continuous Random Variables and Normal Distribution in Stochastic Models
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Simple stochastic models 2

  2. Continuous random variable X X – can take values: - < x < + Cumulative probability distribution function: PX(x) = P(X  x) Probability density function:

  3. Normal distribution X ~ normal(,), E(X)= , V(X)=  2 pdf: cpdf:

  4. =0, =1 0.4 0.3 pdf 0.2 0.1 0 -4 -3 -2 -1 0 1 2 3 4 cpdf x

  5. Central limit theorem Y = X1 + X2 + … +Xn Xi - independent, zero mean, equal varianceV If n is large then: ~ normal(0,1)

  6. 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 Example – students body heights Histogram of students’ body heights versus normal probability density function 160 165 170 175 180 185 190 195 200 205

  7. 9 8 7 6 5 4 3 2 1 0 Example – children birth weights Histogram of children birth weights versus normal probability density function -4 x 10 0 1000 2000 3000 4000 5000 6000

  8. Binomial becomes normal 0.12 0.1 0.08 0.06 0.04 0.02 0 0 5 10 15 20 25 30 35 40 45 50 o – binomial(0.5,50) normal(25,3.5355)

  9. How do we fit normal distribution to data ? Data: X1, X2, …, Xn

  10. How do we estimate parameters of distributions using data ? • How do we verify that data follow a given distribution ?

  11. Characteristic function X – with pdf p(x) characteristic function:

  12. Properties

  13. Properties Y=aX+b, a,b - constants

  14. Characteristic function of normal distribution X ~ normal(,),

  15. Continuity theorem for characteristic functions

  16. Two dimensional distributions X, Y Probability density function: p(x,y) Cumulative pdf:

  17. Independent random variables X, Y independent pXY(x,y)=pX(x) pY(y) Convolution integral Z=X+Y pZ = pX * pY

  18. Convolution and characteristic functions Z=X+Y

  19. Use of characteristic functions to prove Central Limit Theorem Y = X1 + X2 + … +Xn i=1,2…,n so: and