概率论与数理统计 教案 3.1 一维连续型随机变量及其分布

《概率论与数理统计》教学设计方案PAGE21.知识与技能目标理解一维连续型随机变量及其概率密度函数、分布函数的概念，会根据概率密度函数计算分布函数，熟练掌握均匀分布、指数分布和正态分布.2.能力与思维目标采用举例法，使学生在生动的例子中理解一维连续型随机变量的概念，掌握其概率密度函数、分布函数及其关系，会通过一维随机变量的概率密度函数计算其分布函数；通过对典型案例的探究，使学生了解均匀分布、指数分布、正态分布的应用并会查标准正态分布表．3.情感态度与价值观目标将一维连续型随机变量与之前学过的一维离散型随机变量进行比较，让学生了解其异同．要求：通过具体的例子，让学生体会到均匀分布、指数分布、正态分布来源于实践又服务于实践，培养学生运用软件Python和随机变量解决实际问题的能力，从而增强其学习本课程的兴趣．1.一维连续型随机变量的概率密度函数、分布函数的概念；2.分布函数的计算．处理措施：举例．1.连续型随机变量在某个具体的点处取值的概率为零；2.正态分布．处理措施：应用图示法直观展示以及举例展示相关概念．思政元素融入1.严谨性与工匠精神。连续型随机变量的概率计算依赖于概率密度函数的积分，微小的区间误差可能导致结果偏差。因此在工程测量、产品检测等实际工作中，“差之毫厘，谬以千里”。例如，汽车零件的尺寸若超出正态分布的允许范围，可能引发安全事故。通过案例让学生体会：严谨的数学思维是工匠精神的基础，每一个数据、每一次计算都承载着责任。2.尊重规律与坚守准则。正态分布、指数分布等是自然界和社会现象的“统计规律”，概率密度函数积分=1的“规范性”则象征着“规则的边界”。正如概率分布遵循客观规律，行业生产有技术标准、社会运行有法律法规。例如，食品保质期的设定基于指数分布的可靠性分析，企业必须遵守《产品质量法》，不得伪造数据。引导学生认识到：尊重客观规律、坚守职业准则是立身之本。思考：1.案例中，“新能源汽车的续航里程”属于离散型随机变量还是连续型随机变量？为什么？2.若续航里程服从正态分布，根据企业公布的“均值600公里、标准差30公里”，如何理解“99.7%的车辆续航在510-690公里范围内”？这一结论与连续型随机变量的概率计算方式有何关联？3.结合测试数据，你认为企业公布的续航分布是否可信？若要验证，需通过什么指标描述这些数据的分布特征？4.企业公布的续航数据是否应坚守“真实性”原则？统计数据的诚信对于消费者权益和行业发展有何影响？设随机变量的分布函数为，若存在实数轴上的一个非负可积函数，使得对任意实数有，则称为连续型随机变量。分布函数的角色：描述“累积概率”分布函数是描述连续型随机变量概率分布的基础工具，它表示“取值不超过”的累积概率。例如：续航里程的分布函数，表示“续航不超过500公里”的概率为10%。分布函数的性质：（1）单调不减：时，；（2）极限性：，；（3）连续性：区别于离散型的阶梯函数，连续型随机变量的分布函数是连续函数。对比维度离散型随机变量连续型随机变量取值特点有限个或可列个孤立点充满某一区间的连续值概率描述工具分布律（点概率）分布函数（累积概率）单点概率可不为0（关键区别）（1）（2）学生在学习通上观看视频，思考知识点一：知识点二：知识点三：教学环节主要教学内容学生活动安排一、反转课堂，帮助学生绘制知识线（共10分钟）向学生展示【情景与问题1】引例，结合案例，提问学生：【提问学生】1.案例中，“新能源汽车的续航里程”属于离散型随机变量还是连续型随机变量？为什么？（引导学生回忆离散与连续型变量的核心区别）2.若续航里程服从正态分布（连续型分布），根据企业公布的“均值600公里、标准差30公里”，如何理解“99.7%的车辆续航在510-690公里范围内”？这一结论与连续型随机变量的概率计算方式有何关联？（铺垫正态分布的“3σ原则”及区间概率的概念）3.企业公布的续航数据是否应坚守“真实性”原则？统计数据的诚信对于消费者权益和行业发展有何影响？（呼应“数据真实是统计生命线”的思政主题）【解析、反思与课程思政融入点】1.案例中，“新能源汽车的续航里程”属于离散型随机变量还是连续型随机变量？为什么？答案：“新能源汽车的续航里程”属于连续型随机变量。因为续航里程的取值是在一定区间内连续变化的，例如可以是300-600公里之间的任意数值，并非只能取有限个或可列个孤立的值，不符合离散型随机变量的特征，而符合连续型随机变量在某区间内取值的特点。2.若续航里程服从正态分布，根据企业公布的“均值600公里、标准差30公里”，如何理解“99.7%的车辆续航在510-690公里范围内”？这一结论与连续型随机变量的概率计算方式有何关联？答案：对于正态分布这里（，），有一个重要的“3σ原则”。即随机变量取值在区间内的概率约为99.7%。在本案例中。所以约99.7%的车辆续航在510-690公里范围内。连续型随机变量的概率通过概率密度函数在某区间上的积分来计算，对于正态分布，其概率密度函数，“99.7%的车辆续航在510-690公里范围内”就是对该正态分布概率密度函数在区间(510,690)上进行积分得到的结果，这体现了正态分布概率与连续型随机变量概率计算方式的紧密联系。3.企业公布的续航数据是否应坚守“真实性”原则？统计数据的诚信对于消费者权益和行业发展有何影响？答案：企业公布的续航数据应坚守“真实性”原则。统计数据的诚信对消费者权益和行业发展至关重要。对于消费者，真实的续航数据能帮助他们做出准确的购买决策。若企业虚报续航里程，消费者可能基于错误信息购买车辆，在实际使用中发现续航不足，影响出行体验，甚至可能造成经济损失，侵犯了消费者的知情权和选择权。从行业发展角度看，诚信的统计数据有助于建立健康的市场竞争环境。企业依靠真实数据进行技术研发和产品改进，能推动整个行业的技术进步。而虚假数据会导致市场信息失真，误导资源配置，使真正有技术实力、数据真实可靠的企业难以获得应有的市场份额，阻碍行业的良性发展。学生通过学习通抢答问题1，2，3。教师引导学生思考问题4学生回答问题：二、新课(70分钟)1.连续型随机变量2.概率密度函数的性质3.常见的连续型随机变量1.连续型随机变量与分布函数(1)知识回顾与引入：回顾第二章离散型随机变量的分布律，通过“新能源汽车续航里程、零件直径误差”实例，提出问题：连续取值的变量如何描述概率规律？(2)连续型随机变量定义：定义3.1.1设随机变量的分布函数为，若存在实数轴上的一个非负可积函数，使得对任意实数有，则称为连续型随机变量(3)分布函数核心讲解：定义：分布函数是描述连续型随机变量概率分布的基础工具，它表示“取值不超过”的累积概率。性质:单调不减、、、连续性(多媒体展示与离散型分布函数的图像对比:连续曲线vs阶梯函数);例3.1.1:设X~U(0,10)(均匀分布)，计算分布函数及P(3<X≤7)解答：(，P=0.4)。2.一维连续性随机变量及其概率密度定义3.1.2设随机变量的分布函数为，若存在实数轴上的一个非负可积函数，使得对任意实数有，则称为连续型随机变量，其中函数称为的概率密度函数，简称概率密度或密度函数．概率密度函数具有以下两个基本性质：(1)非负性：；(2)规范性：．由分布函数与概率密度函数的定义知：(1)对于任意实数，有；(2)若在点处连续，则有．介于曲线与轴之间的面积等于1．落在区间的概率等于区间上曲线之下的曲边梯形的面积．在的连续点处有例3.1.2已知随机变量的概率密度函数为(1)确定常数；(2)求的分布函数；(3)求．注：(1)连续随机变量在上任一点的概率恒为0，即．这表明：不可能事件的概率为0，但概率为0的事件不一定是不可能事件；类似地，必然事件的概率为1，但概率为1的事件不一定是必然事件．(2)由于连续随机变量仅取一点的概率恒为0，所以，在计算连续随机变量落在某一区间的概率时，可以不必区分该区间是开区间或闭区间或半开半闭区间．即有而这个性质在离散随机变量场合是不存在的，在离散随机变量场合计算概率要“点点计较”．(3)由于在若干点上改变密度函数的值并不影响其积分的值，从而不影响其分布函数的值，这意味着一个连续随机变量的概率密度函数不唯一．3.几种常见的连续型随机变量的概率分布(1)均匀分布定义3.1.2若随机变量的密度函数为则称服从区间上的均匀分布，记为～．其分布函数为．易知，，且．在区间上服从均匀分布的随机变量落在区间中任意等长度的子区间内的可能性是相同的，或者说它落在的子区间内的概率只依赖于子区间的长度而与子区间的位置无关．事实上，对于任一长度为的子区间，，有．例3.1.3设电阻值是一个随机变量，均匀分布在～．求的概率密度及落在～的概率．(2)指数分布定义3.1.3若随机变量的密度函数为则称服从参数为的指数分布，记为～，其中参数为常数．其分布函数为．易知，，且．因为指数分布随机变量只可能取非负实数，所以指数分布常被用作各种“寿命”分布，例如电子元件的寿命、动物的寿命、电话的通话时间、随机服务系统中的服务时间等都可假定服从指数分布．指数分布在排队论和可靠性理论中有着广泛的应用．例3.1.4已知某种电子元件的寿命(单位：)服从指数分布：求这种电子元件能使用1000以上的概率．(3)正态分布定义3.1.4若随机变量的概率密度为，则称服从参数为和的正态分布，记为～．其中参数，．～的分布函数为．定义3.1.5称，时的正态分布为标准正态分布．其概率密度为，分布函数为由于标准正态分布的分布函数不含任何未知参数，故其值完全可以算出(见标准正态分布表)．标准正态分布的分布函数具有下列性质：；；．利用附表2还可以算得：；；．定义3.1.6设～，若满足条件，，则称点为标准正态分布的上侧分位数．一般正态分布都可以通过一个线性变换(标准化)化成标准正态分布．因此与正态变量有关的一切事件的概率都可通过查标准正态分布函数表获得．由此可见标准正态分布对一般正态分布的计算起着关键的作用．定理3.1.1若～，则～．定理3.1.2若～，则它的分布函数可写成对于任意区间，有查标准正态分布表得，，，……由上面结果可知，若随机变量～，则有．由此可见，随机变量落在区间之外的概率小于‰．通常认为这一概率是很小的．这个性质被实际工作者称为正态分布的“原则”（在后续的实操中进一步验证）．例3.1.5设随机变量～，求随机变量的概率密度．4.实操与案例复盘.python工具演示：(1)简要展示用python工具验证引例中在510-690公里的概率≈99.7%”）；代码：#导入必要库importscipy.statsasstats#定义正态分布参数（均值μ=600，标准差σ=30）mu=600sigma=30#计算P(X≤690)-P(X≤510)，即区间[510,690]的概率prob=stats.norm.cdf(690,loc=mu,scale=sigma)-stats.norm.cdf(510,loc=mu,scale=sigma)#输出结果print(f"续航在510-690公里的概率为：{prob:.4f}")#预期结果约为0.9973(2)用本节课知识分析企业续航数据（计算样本均值≈599.5公里，标准差≈22.3公里），初步判断数据是否符合公布的正态分布。解题思路：通过计算测试数据的样本均值和样本标准差，与企业公布的正态分布参数（μ=600，σ=30）对比，初步判断数据分布是否吻合。核心步骤：导入测试数据→计算样本均值和标准差→分析波动范围是否符合3σ原则。测试数据（20辆车型续航，单位：公里）：[580,610,595,620,570,630,585,605,590,615,560,625,598,602,575,635,588,612,592,608]#导入必要库importnumpyasnp#输入测试数据data=np.array([580,610,595,620,570,630,585,605,590,615,560,625,598,602,575,635,588,612,592,608])#计算样本均值和样本标准差sample_mean=np.mean(data)sample_std=np.std(data,ddof=1)#ddof=1表示计算样本标准差（除以n-1）#输出结果print(f