一维随机变量及分布列.pptVIP

第二章 离散型随机变量§2.1 一维随机变量及分布 在第一章里,我们研究了随机事件及其概率;细心的读者可能会注意到,在某些例子中,随机事件和实数之间存在着某种客观的联系.例如,在贝努里概型这一节中,曾经讨论过“在n重贝努里试验中,事件A出现k次”这一事件的概率,如果令 ξ=n重贝努里试验中事件A出现的次数 则上述“n重贝努里试验中事件A出现k次”这个事件就可以简单地记作(ξ=k) ,从而有 * * 在上面的讨论中,我们遇到了两个变量: ξ和η,这两个变量取什么值,在每次试验之前是不能确定的,因为它们的取值依赖于试验的结果,也就是说它们取值是随机的.人们常常称这种变量为随机变量,由前面的两个例子可知,有了随机变量,至少使随机事件的表达在形式上简洁的多了.但是这个好外毕竟只是形式上的,在以后的讨论中,读者会看到引入“随机变量”这个概念还有更为深远的意义. 在上述第一个例子中,对每个试验的结果, “自然地”对应着一个实数,而在第二个例子中,这种对应的关系是人为地建立起来的.由此可见,无论是哪一种情形,所谓随机变量,不过是试验结果(即样本点!)和实数之间的一个对应关系,这与数学分析中熟知的“函数”概念本质上是一回事. 只不过在函数概念中,函数f(x)的自变量是实数x,而在随机变量的概念中,随机变量ξ(ω)的自变量是样本点ω.因为对每一个试验结果ω,都有实数ξ(ω)与之对应,所以ξ(ω)的定义域是样本空间Ω,显然值域是实数轴.此外,重要的一点是,虽然在试验这前不能肯定随机变量ξ(ω)会取哪一个数值,但是对于任一实数a,我们可以研究{ξ(ω) }发生的概率,也就是ξ(ω)会取到什么样的统计规律.在这一章里我们先研究一类比较特殊的随机变量. 定义 2.1 定义在样本空间Ω上,取值于实数域R,且只取有限个或可列个值的变量ξ=ξ(ω),称作是一维(实值)离散型随机变量,简称为离散型随机变量. 例 2.1 设Ω={某无线电厂1980年一季度出厂的12寸电视机},对ω∈Ω,令 ξ(ω)= ω在一年中出故障的次数 则ξ(ω)是Ω上的一个一维离散型随机变量, ξ(ω)的可能取值范围为(0,1,2…).在试验(即取定某一架电视机)之前,前不能断定ξ会取哪一个值,但是我们可以知道(ξ=0) ﹑(ξ=1) ﹑…这些事件又发生的概率(也就是在总体中所占的比例).事实上,可以把这些电视机一年中发生故障次数的分布情况列成下表: 并且称(2.2)或(2.2)为随机变量ξ(ω)分布列,也称为分布律,有时就简称为分布. 从表2.1中可以看到,理论舒畅(概率)和观察值(频率)两者是符合得相当好的.事实上,在一些相当直观和人合乎实际情况的前提下,人们已经证明这个随机变量的分布列是一个普哇松分布,我们在稍后将给出一个比较直观的论证.由于许多实际问题中的随机变量都可以用普哇松分布来描述,从而使得普哇松分布对于概率论的应用来说,有着很重要的作用;而概率论理论的研究又表明普哇松分布在理论上也有其特殊重要的地位,这里我们只就二项分布与普哇松分布之间的关系证明下述定理. *