概统2.1-2.2.pptVIP

* * * 随 机 量 变 其 及 分 布 为更好地揭示随机现象的规律性并利 用数学工具描述其规律, 有必要引入随机 变量来描述随机试验的不同结果. 例 电脑寿命可用一个连续变量 T 来描述. 例 检测一件产品可能出现的两个结果 , 也可以用一个离散变量来描述 随机变量 ? S X (?) 定义: 设 E 是随机试验， S 是它的样本空间， 如果对于每一个样本点 ? ，都有一个实数与 它对应，则称这个定义在样本空间上的单值 实函数： X = X (?) 是一个随机变量。 0 x §2.1 随机变量 随机变量(random variable) 的缩写为 r. v . 通过引进随机变量的概念，能够把不同的样本空间抽象化为一些定量的实数，由此就可以利用高等数学的有关方法来研究随机现象。 其次，在随机变量的概率分布中我们关注的重点是这个随机变量取某些值的概率，而不是它的取值。就象我们只关心样本空间里一些样本点发生的概率，而这些样本点本身并不是研究的重点。 随机变量 是 上的映射, 此映射具有如下特点 定义域 样本空间 ? 随机性 r.v. X 的可能取值不止一个, 试验前只能预知它的可能的取值，但不 能预知取哪个值 概率特性 X 以一定的概率取某个值 r.v.一般用大写字母 X, Y , Z , ? 或小写希腊字母 ?, ?, ? 表示. 引入r.v.后, 可用r.v.的等式或不等式表达随机事件, 例如 —— 表示 “某天9:00 ~ 10:00 接到电话次数超过100次” 这一事件 为事件A 的示性变量 r.v.的函数一般也是r.v. 可根据随机事件定义 r.v. 设 A 为随机事件，则称 在同一个样本空间可以同时定义多个 r.v., 例如 ? = {儿童的发育情况 ? } X(?) — 身高, Y(?) — 体重, Z(?) — 头围. 各 r.v.之间可能有一定的关系, 也可能没有关系—— 即 相互独立 离散型 非离散型 r.v. 分类 其中一种重要的类型为 连续性 r.v. 引入 r.v. 重要意义 ◇ 任何随机现象可 被 r.v.描述 ◇ 借助微积分方法 将讨论进行到底 §2.2离散型随机变量及其概率分布 定义 若随机变量 X 的可能取值是有限个或 可列个, 则称 X 为离散型随机变量 X P 或 离散型随机变量及分布律 即 古典概型的问题都可以采用取有限值的离散随机变量来处理。 离散随机变量所有可能的取值以及相应的概率称为它的概率分布或者分布律，一般表示成： 分布律的性质 非负性 归一性 X ~ 或 思考: 对不同的 k，随机事件{ X = xk }是 什么关系？ 例1:向画有两个区域的目标投弹，命中A区得 2分，命中B区得5分，而命中A、B区的概率分 别为0.7和0.3,求投中三弹时得分之和的分布律 解: 设X为投中三弹的得分之和 投中三次,可能是如下情况: 1)、三次中A区，此时X=2×3=6 2）、二次A区，一次B区，此时X=2×2+5=9 3）、一次A区，二次B区，此时X=2+2×5=12 4）、三次中B区，此时X=5×3=15 所以，X的可能取值为6，9，12，15 而P{X=6}=0.73=0.343 P{X=9}=3×0.72×0.3=0.441 P{X=12}=3×0.7×0.32=0.189 P{X=15}=0.33=0.027 故X的分布律为 考虑P{X5}, P{X12}, P{X20} (1) 0 – 1 分布 是否超标等等. 常见离散r.v.的分布律 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 X = xk 1 0 Pk p 1 - p 0 p 1 应用 场合 或 (2) 二项分布 n 重Bernoulli 试验中, X 是事件A 在 n 次试 验中发生的次数 , P (A) = p ,若 则称 X 服从参数为n, p 的二项分布，记作 0–1 分布是 n = 1 的二项分布 思考: 抛掷均匀硬币 10 次，正面出现次数 X 的分布？ 二项分布的背景材料 二项分布广泛应用于抽样调查的问题中，以及在金融，保险，医学，生物遗传学等等都有重要的应用。 二项分布对应于随机抽样模型中