1-1随机变量1.ppt

随机问题的建模 随机试验 随机试验是具有以下三个特征的试验： 1、试验在相同的条件下可以重复； 2、每次试验的可能结果不止一个，并能事先明确试验将会出现的所有可能； 3、每次试验前不能确定哪个结果会出现。 随机试验简称试验，通常用 E 表示 事件域F 随机事件： 在随机试验中每一种可能出现的结果一般称为随机事件，简称事件。一般用大写字母A，B，C ··· 表示 基本事件：随机试验中每个可能出现的结果（样本点）都是一个事件，并且是这个事件中最简单的事件，称为基本事件。 必然事件：样本空间Ω也可以看成为一个事件，由于每次试验中必然出现Ω中的一个样本点，所以称Ω为必然事件。 不可能事件：空集?也可以看成为一个事件，由于每次试验中必然不在?中 ，所以称?为不可能事件。 事件域 F ：是由样本空间Ω中的某些子集构成的非空集类。（集类是指以集为元素的集合。） 概率P 概念1——条件概率 定义：P(A/B)表示在B事件已发生的条件下，A事件发生的概率。 P(A/B)＝L(AB)/L(B)=P(AB)/P(B) 可看成在缩小“样本空间” ΩB上,求A发生的概率。 条件概率——三个重要公式 条件概率——Bayes公式 定义： 概念2——独立 两事件独立：A发生的概率与B发生与否无关。即 P(A/B)=P(A) 或 P(B/A)=P(B) 或 P(AB)=P(A)P(B) 独立、相容 A与B独立时，A与B相容 多个事件相互独立 A,B,C相互独立 多个事件相互独立 例：取四只相同的球，在第一只球上写上记号1 2 3，在其他的三只球上分别写上记号1、2和3，把这四只球放在一个口袋中并且随机的取出一只来。设 Ai 表示为取出的球上有记号 i 。 随机问题的建模 随机变量的引入 事件A的概率是定义在事件域F上的集合函数。 为了利用高等数学等知识来研究集合函数，必须在集合函数与高等数学所研究的点函数之间建立起联系（某种映射），从而能达到应用已知数学方法去研究随机现象的目的。 随机变量概念的引入使概率论的研究对象由具体事件抽象为随机变量，使得概率论成为一门真正的数学学科。 随机变量的引入 随机变量的定义 随机问题的建模 随机问题的建模 随机变量的分类 随机变量按其值域是离散集还是连续集分为：离散型随机变量和连续型随机变量。 随机变量统计特性的描述方法 分布律（或分布列） 分布函数 概率密度 数字特征 特征函数 各阶矩（期望、方差、相关） 分布律 离散型随机变量X的分布律（或分布列）可用表格形式来表示 分布函数 分布函数 概率密度 常用随机变量 均匀分布 高斯分布 指数分布 常用连续型随机变量1 均匀分布 典型应用： 数字4舍5入后的误差分布 农药剂量在田间的分布 人工种植的果树的分布 常用连续型随机变量2 高斯分布（或正态分布） 常用连续型随机变量3 指数分布 常用离散型随机变量1 （0-1）分布 随机变量X只可能取0或1两个值 常用离散型随机变量2 独立随机试验 将随机试验E重复进行n次，若各次试验的结果互不影响，即每次试验结果出现的概率都不依赖于其它各次试验的结果，则称这n次随机试验是独立的。 贝努利试验 设随机试验E只有两个可能结果，A及 ，且 将随机试验E 独立地重复进行n次，则称这一串重复的独立试验为n重贝努利试验，简称贝努利试验。 贝努利试验中的分布 在n重贝努利试验中，事件A可能发生 次 事件A恰好发生k次的概率——二项分布 事件A在第k次首次发生的概率——几何分布 常用离散型随机变量3 泊松分布 几个分布之间的关系 泊松（Poisson）定理 随机变量X服从二项分布，即满足 当事件出现概率特别小 (p→0)，而实验次数又非常多（n→∞），使np→λ（常数）时，二项分布就趋近于泊松分布，满足 实际计算中，只需满足： 例1.13 某人进行射击，设每次射击的命中率为0.02。独立射击400次，试求击中的次数大于或等于2的概率？ 几个分布之间的关系 高斯分布也可以作为二项分布的极限 当n??时，若q, p均不趋于0，此时的二项分布就趋近于高斯分布 N(np, npq）（来源于中心极限定理） 综合 随机问题的建模 习题 必做题 1-5 1-9 典型应用： 电话交换台一小时内收到的电话呼叫次数 纺纱车间大量纱锭在某时间间隔里断头的个数 在一个时间间隔里放射性物质发出的经过计数器的粒子数 牧草种子中的杂草种子数 随机现象 随机试验 概率空间 随机变量 引入和定义 描述方法 常用随机变量 分布律 分布函数 概率密度 数字特征 样本空间Ω 事件域 F 概率 P * 随机现象 随机试验 概率空间 样本空间Ω 事件域 F 概率 P 样本点：随机试验可能出现的结果，一般