()概率与概率分布.pptVIP

第 3 章 概率与概率分布 3.1 随机事件及其概率 3.2 随机变量及其概率分布 3.3 大数定律与中心极限定理 一、随机变量的概念 一、随机变量的概念 随机变量——表示随机试验结果的变量 取值是随机的，事先不能确定取哪一个值 一个取值对应随机试验的一个可能结果 用大写字母如X、Y、Z...来表示，具体取值则用相应的小写字母如x、y、z…来表示 根据取值特点的不同，可分为： 离散型随机变量——取值可以一一列举 连续型随机变量——取值不能一一列举 二、随机变量的概率分布 1. 离散型随机变量的概率分布 2. 连续型随机变量的概率密度 3. 分布函数 1. 离散型随机变量的概率分布 X的概率分布——X的有限个可能取值为xi与其概率 pi（i=1，2，3，…，n）之间的对应关系。 概率分布具有如下两个基本性质： （1） pi≥0，i=1,2,…,n； （2） 离散型概率分布的表示： 概率函数：P(X= xi)= pi 分布列： 分布图 2. 连续型随机变量的概率密度 连续型随机变量的概率分布只能表示为： 数学函数——概率密度函数f (x)和分布函数F (x) 图 形——概率密度曲线和分布函数曲线 概率密度函数f (x)的函数值不是概率。 连续型随机变量取某个特定值的概率等于0 只能计算随机变量落在一定区间内的概率 ——由x轴以上、概率密度曲线下方面积来表示 概率密度f (x) 的性质 （1） f (x)≥0。概率密度是非负函数。 （2） 3. 分布函数 适用于两类随机变量概率分布的描述 分布函数的定义： F(x)＝P{X≤x} 三、随机变量的数字特征 1. 随机变量的数学期望 2. 随机变量的方差和标准差 3. 两个随机变量的协方差和相关系数 1. 随机变量的数学期望 又称均值 描述一个随机变量的概率分布的中心位置 离散型随机变量 X的数学期望： 相当于所有可能取值以概率为权数的平均值 连续型随机变量X 的数学期望： 数学期望的主要数学性质 若k是一常数，则 E (k X) ＝k E(X) 对于任意两个随机变量X、Y，有 E(X+Y)＝E(X)＋E(Y) 若两个随机变量X、Y相互独立，则 E(XY)＝E(X) E(Y) 2. 随机变量的方差 方差是它的各个可能取值偏离其均值的离差平方的均值，记为D(x)或σ2 公式： 离散型随机变量的方差： 连续型随机变量的方差： 方差和标准差（续） 标准差＝方差的平方根 方差和标准差都反映随机变量取值的分散程度。 它们的值越大，说明离散程度越大，其概率分布曲线越扁平。 方差的主要数学性质： 若k是一常数，则 D(k)＝0；D(kX)＝k2 D(X) 若两个随机变量X、Y相互独立，则 D(X+Y)＝D(X)＋D(Y) 【例3-10】 试求优质品件数的数学期望、方差和标准差。 解： 3.两个随机变量的协方差和相关系数 协方差的定义 相关系数 相关系数ρ具有如下的性质： 相关系数ρ是一个无量纲的值 0≤| ρ| ≤0 当ρ=0，两个变量不相关（不存在线性相关） 当 | ρ|=1，两个变量完全线性相关 四、常见离散型随机变量的概率分布 1. 二项分布 2. 泊松分布 3. 超几何分布 1. 二项分布（背景） （背景）——n重贝努里试验： 一次试验只有两种可能结果 用“成功”代表所关心的结果，相反的结果为“失败” 每次试验中“成功”的概率都是 p n 次试验相互独立。 1. 二项分布 在n重贝努里试验中，“成功”的次数X服从参数为n、p的二项分布，记为 X ～B(n , p) 二项分布的概率函数： 二项分布图形 p＝0.5时，二项分布是以均值为中心对称 p≠0.5时，二项分布总是非对称的 p0.5时峰值在中心的左侧 p0.5时峰值在中心的右侧 随着n无限增大，二项分布趋近于正态分布 【例3-11】 某单位有4辆汽车，假设每辆车在一年中至多只发生一次损失且损失的概率为0.1。试求在一年内该单位：（1）没有汽车发生损失的概率；（2）有1辆汽车发生损失的概率；（3）发生损失的汽车不超过2辆的概率。 解：每辆汽车是否发生损失相互独立的，且损失的概率相同，因此，据题意，在4辆汽车中发生损失的汽车数X ～B(4,0.1)。 利用Excel计算二项分布概率 进入Excel表格界面，点击任一空白单元格（作为