【概率密度怎么求】在概率論與統計學中，概率密度函數（Probability Density Function, PDF） 是描述連續隨機變量的概率分布的重要工具。與離散型隨機變量的概率質量函數不同，連續型隨機變量的取值是無限的，因此不能直接用“某個值的概率”來描述，而是通過概率密度函數來計算某個區間內的概率。
本文將總結如何求解概率密度函數，并以表格形式展示關鍵步驟和方法。
一、概率密度函數的基本概念
| 概念 | 定義 |
| 概率密度函數（PDF） | 對于連續型隨機變量 $ X $，其概率密度函數 $ f(x) $ 滿足：$ P(a \leq X \leq b) = \int_a^b f(x) \, dx $ |
| 概率密度函數的性質 | 1. $ f(x) \geq 0 $； 2. $ \int_{-\infty}^{+\infty} f(x) \, dx = 1 $ |
二、如何求概率密度函數
1. 已知分布類型時
如果已知隨機變量服從某種已知分布（如正態分布、指數分布、均勻分布等），可以直接寫出其概率密度函數。
| 分布類型 | 概率密度函數（PDF） |
| 均勻分布 $ U(a,b) $ | $ f(x) = \frac{1}{b-a}, \quad a \leq x \leq b $ |
| 正態分布 $ N(\mu, \sigma^2) $ | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ |
| 指數分布 $ \text{Exp}(\lambda) $ | $ f(x) = \lambda e^{-\lambda x}, \quad x \geq 0 $ |
2. 從累積分布函數（CDF）導出PDF
對于一個連續型隨機變量 $ X $，若已知其累積分布函數 $ F(x) = P(X \leq x) $，則其概率密度函數為：
$$
f(x) = \fracwugoqsk{dx} F(x)
$$
即對CDF求導即可得到PDF。
3. 通過變換法求新變量的PDF
若已知隨機變量 $ X $ 的PDF為 $ f_X(x) $，且 $ Y = g(X) $ 是一個單調可逆變換，則可以通過以下公式求得 $ Y $ 的PDF：
$$
f_Y(y) = f_X(g^{-1}(y)) \cdot \left
$$
其中 $ g^{-1}(y) $ 是 $ g(x) $ 的反函數。
4. 通過聯合分布求邊緣分布的PDF
若已知二維隨機變量 $ (X, Y) $ 的聯合概率密度函數 $ f_{X,Y}(x,y) $，則可以對其中一個變量積分得到另一個變量的邊緣概率密度函數：
$$
f_X(x) = \int_{-\infty}^{+\infty} f_{X,Y}(x,y) \, dy \\
f_Y(y) = \int_{-\infty}^{+\infty} f_{X,Y}(x,y) \, dx
$$
三、總結
| 方法 | 適用情況 | 說明 |
| 已知分布類型 | 熟悉的分布（如正態、指數等） | 直接使用標準公式 |
| 由CDF求導 | 已知CDF | 對CDF求導 |
| 變換法 | 變量變換 | 利用反函數和導數進行變換 |
| 邊緣分布 | 聯合分布已知 | 積分求邊緣密度 |
通過以上方法，我們可以根據不同情況靈活地求出概率密度函數。掌握這些方法有助于更好地理解和應用概率統計知識。
