问题如何全面地研究随机试验e中事件的概率.pptVIP

正态分布 定义： 若随机变量 X 的概率密度为 其中?，? 都为常数且? 0，则称 X 服从参数为?，? 的正态分布，记为X ? N( ?，?2 )，有时也简称 X 为正态随机变量。X 的分布函数为 . 问题 如何全面地研究随机试验E中事件的概率? ——我们可以根据问题的性质，引入一个变量来描述随机试验的样本点，这样我们就可以利用数学分析的方法研究随机现象。 例1. 掷一枚硬币，观察其面朝上的情况 样本空间，S={正面，反面） 满足 X(正面）=1，X（反面）=0 定义映射 X: S?R 此时{?： X(?)=1}={出现正面} {?： X(0)=1}={出现反面} 称X 为掷一枚 硬币，出现 正面的次数 例2. 对于某型电子元件，任抽一件，观测其寿命( E )。 样本空间，S={ t ; t ? 0） 定义映射 X: S?R t?t X在某一范围内的取值可以表达E中的事件，如 {?: X(?)?[a, b]}={t : t?[a, b]} 实验结果本身 就是用数量 描述的 称X为任抽 一电子元 件的寿命。 以上我们定义了样本空间到实数域上的一个对应关系X： w. X(w) R 随机变量 定义： 设(S，?，P)是一概率空间，若X为样本空间 S上的函数： X：S ? R1 ? ? X(?) 满足：?x?R1,有 {?: X(?) ? x} ? ? 则称X(?)为(S, ?, P)上的一个随机变量。 常常将 {?：X(?)?x }简记为（X?x）。 随机变量与一般实函数的差别： 1. X 随试验结果的不同而取不同的值，因而在试验之前只知道它可能取值的范围，而不能预先肯定它将取哪个值。我们可以求它取某一值的概率，或她取值落入某一集合的概率。如 P(?: X(?)=1)=P(X=1), P(?: X(?)?L)=P(X ?L)。 （2） 定义域不同 有了随机变量，随机试验中的各种事件，就可以通过随机变量的取值表达出来。 可见，随机事件这个概念实际上是包容在随机变量这个更广的概念内。也可以说，随机事件是从静态的观点来研究随机现象，而随机变量则是一种动态的观点。. 离散型随机变量 1? 定义 若离散随机变量型 X 所有可能的取值为有限个或可列个，则称X为离散型随机变量。否则称为非离散型随机变量。 2. 离散型随机变量的分布 定义：若随机变量X所有可能的取值为x1，x2，…，xn，…，且X 取这些值的概率为  P(X=xi)= pi , i=1, 2, ... （2.1） 则称（2.1）式为离散型随机变量X 的分布律。 (2.1)式也可以用表格的形式表示如下: … pn … p2 p1 P … xn … x2 x1 X 性质 (1) pi ? 0, i=1，2，... (2) 例3 设随机变量 X 的概率分布为 求常数b 例4 设随机变量 X 的分布律为 1/4 1/2 a P 3 2 -1 X (1) 求 a (2) 求P(X?1/2), P(3/2 X ?5/2), P(2 ? X?3) 3. 几种常见的离散型随机变量 单点分布 例5 若随机变量X只取一个常数值C，即P(X=C)=1，则称X服从单点分布。 例6 若随机变量 X 只取两个数值0或1，其分布为 p q P 1 0 X 0-1分布 0p1, q=1-p，或记为 P(X=k)=p k q1-k , k =0,1 则称X 服从参数为p 的两点分布或参数为 p 的0-1分布。 设在一次伯努利试验中有两个可能的结果，且有P(A)=p。则在n重伯努利试验中事件A发生的次数X是一个离散型随机变量，其分布为 二项分布 k =0, 1, 2 ,?, n, 称X 服从参数为n，p的二项分布，记为 泊松分布 定义: 若离散型随机变量X 的分布为 k =0，1，2，? 其中常数 ? 0， 则称 X 服从参数为 ? 的泊松分布, 记为X ? ? ( ?)。 假设电话交换台每小时接到的呼叫次数服从参数?=3的泊松分布，求 (1) 每小时恰有k次呼叫的概率 (2) 一小时内呼叫不超过5次的概率 例7 超几何分布 例8 设一批同类型的产品共有N件，其中次品有M件。今从中任取n (假定n?N-M)件，则这 n 件中所含的