概率论与数理统计课件04A 重要分布.ppt

第四章：重要分布Ⅰ 0—1分布 二项分布 超几何分布 普哇松Poisson分布 指数分布 0—1分布 1. 0—1分布的定义: 设随机事件A在一次试验中出现的概率为P, x为事件A在一次试验中出现的次数,则x的概率分布为: 0—1分布 2. 0—1分布的期望与方差: 二项分布 1. 二项分布的背景: 如果事件A在一次试验中发生的概率为p, 重复进行n次试验, 则由贝努里定理知, 事件A在这n次试验中发生k次的概率为: 二项分布 2. 二项分布的定义: 如果随机变量x有概率函数: 其中0p1, q=1-p, 则称x服从参数为n,p的二项分布. 简记作x~B(n,p). 二项分布 如果x~B(n,p), 则x可看作是由n个取1概率为p的相互独立的0-1分布的随机变量xi(i=1,2,...,n)的和, 即 x=x1+x2+...+xn 其中xi是随机事件A在第i次试验中出现的次数, 且 P(A)=p 二项分布 可以证明: 二项分布 3. 二项分布的分布函数: 二项分布 4. 二项分布的相关概率计算: 二项分布 5.服从二项分布随机变量的最可能取值: 二项分布 6.服从二项分布随机变量的期望与方差: 某工厂每天用水量保持正常的概率为3/4, 求最近6天内用水量正常的天数的分布. 其分布表如下表所示 10部机器各自独立工作, 因修理调整的原因, 每部机器停车的概率为0.2. 求同时停车数目x的分布. 概率分布图如下图所示: 一批产品的废品率p=0.03, 进行20次重复抽样(每次抽一个, 观察后放回去再抽下一个), 求出现废品的频率为0.1的概率. 一些例子 (1)如果是反复地掷硬币试验掷了100次, 则x~B(100, 0.5), 最可能值是 k0=[100?0.5+0.5]=[50+0.5]=50 (2)如果x~B(1000,0.3), 则最可能值是 k0=[1000?0.3+0.3]=300 (3)在实际应用中, np+p正好是整数的情况几乎不存在,但也不排出特殊情况的可能. 某批产品有80%的一等品, 对它们进行重复抽样检验, 共取出4个样品, 求其中一等品数x的最可能值k0, 并用贝努里公式验证. 解: x~B(4, 0.8), 因np+p=4?0.8+0.8=4是整数, 所以k0=4和k0=3时P{x=k}为最大, 即3和4为最可能值. 超几何分布 1. 超几何分布的背景: 设N个元素分为两类, 有N1个元素属于第一类, N2个元素属于第二类(N1+N2=N). 从中按不重复抽样取n个(n不大于N1, 也不大于N2), 则这n个元素中恰好抽到m个第一类元素的概率为: 2. 超几何分布的定义: 如果随机变量x有概率函数: 3. 超几何分布的数学期望 超几何分布 3. 超几何分布的方差: 超几何分布 证明: 超几何分布 证明(续) 超几何分布 4. 超几何分布的极限分布为二项分布: 超几何分布 证明: 超几何分布 证明(续): 在实际应用中 (1)元素的个数N是相当大的, 例如, 从中国人民中任抽几千个人观察, 从一个工厂的几十万件产品中任抽几千件观察, 等等. (2)而在N非常大的情况下, 放回抽样和不放回抽样的结果几乎是相同的. (3)因此有, 当N很大的时候, 超几何分布可用二项分布来近似. (4)或者换句话说, 当N趋于无穷时, 超几何分布的极限是二项分布. 一大批种子的发芽率为90%, 今从中任取10粒, 求播种后, (1) 恰有8粒发芽的概率; (2) 不少于8粒发芽的概率. Poisson分布 1. Poisson分布的背景: 普哇松分布常见于所谓稠密性的问题中, 如一段时间内, 电话用户对电话台的呼唤次数, 候车的旅客数, 原子放射粒子数, 织机上断头的次数, 以及零件铸造表面上一定大小的面积内砂眼的个数等等. Poisson分布 2. Poisson分布的定义: 如果随机变量x有概率函数: Poisson分布 可以证明: Poisson分布 3. Poisson分布的数学期望: Poisson分布 4. Poisson分布的方差: Poisson分布 5. Poisson分布的相关概率计算: 一般, 概率论与数理统计的参考书后都会符有Piosson概率分布表. 只要给出参数 的值, 即可随机变量 取相应值的概率. Poisson分布 例如,参数 的Poisson概率分布表为: 例1 设x服从普哇松分布, Ex=5, 查表求:P(x=2), P(x=5), P(x=20). P5(2)=0.084224 P5(5)=0.1754