第2章 随机变量的分布与数字特征.ppt

3、n个点上的均匀分布 特殊的随机变量取n个值,等可能,即: 称X服从n个点上的均匀分布.其期望与方差分别为: 4. 二项分布 §2.5 随机变量函数的分布 此时，称X服从参数为p的两点分布(0-1分布)，或称 X是参数为p的伯努利随机变量。 显然，EX=p,DX=p(1-p) 注：在实际中，服从两点分布的随机变量通常根据实验 中某一事件A的发生与否构造出来。例如， 设P(A)=p, P( )=1-p, 则随机变量 参数为p的两点分布。这个随机变量也相当于表示A发生 的次数的随机变量。 例:在100件产品中,有95件正品,5件次品.现从中随机地取一件,假如取到每件产品的机会都相等. 若定义随机变量X为 则有 P{X=0}=0.05,P{X=1}=0.95 X服从(0-1)分布 在n重伯努利试验中，每次试验中事件A发生的概率为p,(0p1). 记X表示n次试验中事件A发生的次数，则根据伯努利概型， 此时，称X服从参数为n, p的二项分布，记作X~b(n,p). 二项分布b(1,p)就是参数为p的0-1分布。 数学期望 方差 由于 从而 X的概率分布表如下: 例:在初三的一个班中,有1/4的学生成绩优秀.如果从班中随机地找出5名学生,那么其中“成绩优秀的学生数”X服从二项分布X~B(5,1/4). 即 P{X=k}=C5k 0.25k (1-0.25)5-k k=0,1,…,5 5. 几何分布 在独立重复试验中，事件A发生的概率为p. 设X表示直到 A发生为止进行的试验次数，则X的概率分布为(几何数列) 数学期望 类似地，可以得到 从而 几何分布的无记忆性 设X服从几何分布，则对任何两个正整数m, n,有 证明 由于 这表明，几何分布对过去m次失败的信息忘记了。事实上 还可以证明，一个具有正整数值的随机变量，如果具有 无记忆性，则一定服从几何分布。 6. 超几何分布 一袋子中有N个球，N1个白球，N2个黑球，N=N1+N2 从中不放回地取n个球，X表示取到白球的数量，那么 X的分布为 这个随机变量X成为服从超几何分布。 注：当N，N1，N2与n相比充分大时，近似地把这个试验 看成是有放回地摸球，从而用二项分布来近似超几何 分布，即 数学期望与方差 7. 泊松分布 易知 方差 数学期望 二项分布的泊松逼近 作业 P62, 1,3,6,8 §2.4 常用的连续型分布 1 均匀分布 X~U[a,b]时,分布函数为 与x的取值无关. 方差 数学期望 例:设电阻值R是一个随机变量,均匀分布在900欧至1100欧.求R的概率密度及R落在950欧至1050欧的概率. 解 R的概率密度为 故有 2 指数分布 指数分布的分布函数为 指数分布在在实际中有广泛的应用,如电子元件的”寿命”,随机服务系统的服务时间等都服从指数分布. 方差 数学期望 解（1） （2） （3） 注：与几何分布类似，具有无记忆性的连续型随机变量 必定服从指数分布。所以是充要条件,只不过充分性证明 超过了本书的范围. 例2.22 3. 正态分布 正态分布是一种最常见的随机变量,正态分布的一些性质与特点使其在概率论与数理统计理论中有特别重要的地位. 3.1 正态分布的概念 如果另外再抽验100只手表,每作一次这样的检验,就得到一组不同的频率,也就有不同的日走时误差的平均值.由关于频率和概率关系的讨论知,理论上应该用概率去代替上述和式的频率,这时得到的平均值才是理论上(也是真正)的平均值. 这样我们就引出了随机变量的数学期望的概念. 定义:设离散型随机变量X的概率分布为 如若 则称 为随机变量X的数学期望,记为E(X). 如果 则称随机变量X的数学期望不存在. 注：要求 是因为离散型随机变量的取值 可以按不同顺序排列，而改变顺序时，数学期望的取值 不应改变。而 能保证不管离散型随机变 量的顺序如何， 的值都一样。 所以A的射击技术较B的好. 0.3 0.5 0.2 0.6 0.1 0.3 概率 10 9 8 10 9 8 击中环数 B A 射手名称 例:有A，B两射手，他们的射击技术如表所示，试问哪一个射手本领较好？ 解 A射击平均击中环数为 B射击平均击中环数为 解 ① 分布律为： 0.1 0.2 0.4 0.3 P 3 2 1 0 X ② 平均废品数为： 1.2 连续型随机变量的数学期望 我们已知离散型随机变量X的数学期望为 E(X)= 自然要问连续型随机变量的数学期望是什么? 设p(x) 是连续型随机变量X的密度函数,取分点 x0x1…xn+1