随机变量及分布ppt课件_2.pptVIP

第二章 随机变量及其分布; 例：试验E—掷骰子，每次出现的结果与一个数值对应，我们可用朝上面的点数值来代表相应的事件（样本点），这样，可引进一个变量 X 代表朝上面的点数,X 的取值为1，2，3，4，5，6； ( X =i)代表相应的基本事件（样本点），任一事件都和 X 的取值落在一个范围对应。如事件A—朝上的点数超过3，可用(X3)表示。; 例：试验E—电话台单位时间内收到的用户呼唤次数。记呼唤次数为 X，则 X 是一个变量，取值为0，1，2，…,( X =i)代表相应的基本事件（样本点）。;随机变量的定义; 例如：在 n 重贝努利试验概型中，记事件A出现的次数为X ，则X为一随机变量。则事件“在 n 重贝努利试验中，事件Ａ出现 k次”就可以简单地记作（ X = k），从而有：; 例如：E—掷色子，随机变量X表示朝上面的点数。则： P（X?1）=1/6， P（X?2）=2/6， P（X?5.7）=5/6， P（X?0）=0， P（X?6）=1， P（X?13.3）=1， P（X?-4.12）=0 ; 设X=X(ω)为一个随机变量，对任意实数 x，函数 F( x )= P( X ≤ x) 称为随机变量 X=X(ω) 的分布函数。;? 分布函数的性质;所以 P(x1 ? X ? x2) = P( X ? x2) – P( X ? x1) = F(x2) –F(x1) 其中x1，x2为任意实数，且 x1 ? x2 。;这就是说，若已知 X 的分布函数，我们就能知道X 落在任一区间的概率。分布函数完整地描述了随机变量的概率分布情况。;? 随机变量的分类;　　为了描述离散型随机变量X的分布 ，不仅要知道X的所有可 能的取值，还要知道X取这些可能值的概率。;若离散型 随机变量X 所有可能的取值为 x 1 , x 2 , … , 对应的概率为 p 1 , p 2 , …。 即： P (X= x i ) = p i , i = 1, 2, … (1) 则称式 (1) 为随机变量 X 的概率函数或概率分布或 分布律。;若离散型随机变量X的概率分布为： ;若离散型随机变量X的概率分布为： ;会求离散型随机变量的概率分布（确定常数）；;例2：随机变量?的概率分布为：;　　若X所有可能的取值只有两个 x 0 和 x 1 ，其分布为 P (X = x 0 ) = p , P (X = x 1 ) = q 其中：0 p 1 , p + q = 1 ，则称 X 服从两点分布。;　　若X的分布列为： P (X = x k ) = 1/n , k = 1, 2, … , n 且当 i ? j 时， x i ? x j ，则称 X 服从离散型均匀分布。;　　在可列重贝努利试验中，随机变量X 表示 “事件A 首次发生所需的试验次数”， 则 X的概率分布为： P (X = k ) = (1-p)k - 1 p , k = 1, 2, … 则称 X 服从参数为 p 的几何分布。;　　若随机变量X表示“n重贝努里试验中事件A出 现的次数”， X的可能取值为0,1,2, … , n , 对应的概率分布为：;　　二项分布中 X 共有 n + 1 个可能的取值 0, 1, … , n，使 P (X = k ) 取最大值的 k 记作 k 0，称 k 0 为二项分布的最可能值。 把 P (X= k ) 的最大值 P ( X = k 0 ) 称为二项分布的最大概率。; 某工厂每天用水量保持正常的概率为3/4，且每天用水量是 否正常相互独立。求：(1) 最近６天内用水量正常的天数分布 (2) 在最近６天内至少有５天用水量正常的概率。 （3）最可能正常的天数。;例：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 k 0。;X 服从超几何分布，其概率函数为：;设 X 表示发芽的种子数，则 X 近似服从二项分布 B(10, 0.9);其中 ? 0 为常数，则称 X 服从参数为 ? 的普哇松分布， 简记为X ? P( ? )。;例：;每月的销售数量为X，则X ? P(10 )。;　二项分布的泊松逼近;如何描述这类随机变量呢？; 连续型随机变量的定义; 概率密度函数的性质：;（1）对任意实数 a ，连续型随机变量 X取该值的概率为 0，