1-2一维随机变量.ppt

第二节 一维随机变量 2 一维离散型随机变量及其分布列 3 一维连续型随机变量及其密度函数 1 一维随机变量的分布函数 4 常见的分布列或密度函数 1 一维随机变量的分布函数 为 X 的分布函数(distribution function). 设 X 为 r.v., 对任意实数 x ,称函数 注：随机变量的分布函数一般不容易求解，但它架起了概率论与分析学的桥梁，在理论研究上有着很重要的地位！ 2 一维离散型随机变量及其分布列 定义 设离散型随机变量 X 所有可能取值为 ，称 为离散型随机变量 X 的分布列。 3 一维连续型随机变量及其密度函数 设 X 是随机变量, 若存在一个非负 可积函数 p ( x ), 使得 其中F ( x )是它的分布函数， 则称 X 是 连续型随机变量 ，p( x ) 是它的概率 密度函数，简称密度函数（或密度）。 定义 4 常见的分布列或密度函数 4.1 二项分布 n 重Bernoulli 试验中, X 是在 n 次试验中事件 A 发生的次数 , P (A) = p ,则 称 X 服从参数为 n, p 的二项分布，记作 二项分布是一种常见分布, 如 (I) 检查 100 件产品, 其中不合格品的个数 X 服从二项分布 b(100, p), 其中p 为不合格率. (II) 射击10 次, 命中的次数 X 服从二项分布 b(10, p), 其中 p 为射手的命中率. 注： 0 – 1 分布 (两点分布) 是否超标等等. 凡试验只有两个结果, 常用0 – 1 分布描述, 如产品是否合格、人 口性别统计、系统是否正常、电力消耗 0 p 1 或 注: 0–1 分布是 n = 1时 的二项分布, 即b(1, p) 注:二项分布b (n, p)和两点分布b (1, p)之间的一个重要关系. 记 X 为n 次独立试验中结果 A 出现的总次 数,则 X ～b(n, p). 把第i 次试验中A 出现的次数记作Xi ,则Xi∼ b(1,p), 且 X1 ,X2 , ,Xn 也是相互独立的。 于是有 X= X1+X2++Xn 4 常见的分布列或密度函数 4.2 Poisson 分布 若 其中 是常数，则称 X 服从参数为 的 Poisson 分布. 或 记作 例.放射性物质放射出的α质点数服从泊松分布。 观察长为7.5秒的时间间隔里到达某指定区域的质点数，共观察了N=2608次，共观测到10094个粒子放出。 k Nk π(3.870) 0 1 2 3 4 5 6 7 8 9 ≥10 57 203 383 525 532 408 273 139 45 27 16 54.399 210.523 407.361 525.496 508.418 393.515 253.817 140.325 62.882 29.189 17.075 总计 2608 2608.00 注：科学的计算顺序为先统计观测了2608次，有10094个粒子，继而算出λ常数。最关键的是代回泊松公式，从而预测某个时间段里的粒子数，看病的人数，细菌数目等等 10086是因为最后一项 在某个时段内（强调）： 大卖场的顾客数； 某地区拨错号的电话呼唤次数； 市级医院急诊病人数； 某地区发生的交通事故的次数. 一个容器中的细菌数； 一本书一页中的印刷错误数； 一匹布上的疵点个数； 应 用 场 合 4 常见的分布列或密度函数 4.3 几何分布 在事件 A 发生的概率为 p 的伯努利试验中，若以 X 记 A 首次出现时的试验次数，则 X 为随机变量，其概率分布为几何分布，记为 X ~ Ge(p) 。 4 常见的分布列或密度函数 4.4 均匀分布 若 X 的密度函数为 则称 X 服从区间( a , b)上的均匀分布， 记作 进行大量数值计算时, 若在小数点后第 k+1 位进行四舍五入, 则产生的误差可以看作 服从 的随机变量. 均匀分布的应用场合 即小数点后保留 k 位 4 常见的分布列或密度函数 4.5 指数分布  0 为常数, 则称 X 服从 参数为  的指数分布, 若 X 的密度函数为 无线电元件的寿命X 动物的寿命Z 指数分布 常作为各种“寿命” 分布的近似