概率论与数理统计第2章 一维随机变量及其分布.pptVIP

2.3.2 常见的连续型随机变量的密度函数 1.均匀分布 如果连续型随机变量X的密度函数为: 称X服从区间［a,b］上的均匀分布,记为X~U［a,b］ * 图2.3.3 均匀分布U[2, 4]的密度函数f(x)曲线图 * 图2.3.4 均匀分布U [2, 4]的分布函数F(x)曲线图 * 如图2.3.4所示，对于服从［a,b］上均匀分布的随机变量X，其取值落入［a,b］中任一子区间内的概率只与该子区间的长度成正比，与子区间的位置无关。因此， 均匀分布可用来描述在某个区间上 具有等可能结果的随机现象的统计规律性。特别地，它在随机模拟中有广泛应用。 * 2.指数分布 如果连续型随机变量X的密度函数为: 则称X服从参数为λ的指数分布，记为X~Γ(1,λ)，“Γ”读作“咖玛”。 * 图2.3.5 指数分布的密度函数图 * 称某一事件相继两次发生之间的时间间隔为等待时间。指数分布常用来描述对某一事件发生的等待时间。例如，乘客在公共汽车站的等车时间，各种随机服务系统的服务时间、等待时间，电话的通话时间等。指数分布也经常用来作为各种“寿命”（即等待用坏的时间）分布的近似，因此在可靠性理论和排队论中有广泛应用。另外，指数分布是唯一具有“无记忆性”的连续型分布。 * 指数分布与泊松分布关系密切，一般说来，如果用泊松分布描述某事件在特定时间间隔中发生的次数，则指数分布给出两次事件发生之间的间隔时间的分布，见下例。 * 3.正态分布 如果连续型随机变量X的密度函数为 其中μ，σ均为常数，σ0，则称X服从参数为μ与σ2的正态分布，记为X~N(μ,σ2)。密度函数如图2.3.6，分布函数如图2.3.7。 * * 图2.3.6 正态分布的密度函数图 * 出版社 理工分社 概率论与数理统计 第2章 一维随机变量及其分布 2.1 随机变量及其分布函数 2.1.1 随机变量 第1章研究了随机事件及其概率，这种局限于考虑个别随机事件概率的研究方法缺乏一般性，为了更方便地研究随机试验的各种结果及其概率，把随机试验的结果与实数对应起来是切实可行的方案，也就是说把随机试验的结果数量化，从而引入随机变量的概念。现实社会中，有些随机试验的结果本身就是数量化的，有些则不是。 * 定义2.1.1 设Ω为试验E的样本空间，如果定义于Ω上的单值实值函数X(ω)，对于任意实数x，{ω:X(ω)≤x,ω∈Ω}都是事件（即使得X(ω)≤x成立的那些样本点ω组成的集合是E的事件），则称X(ω)为Ω上的一个随机变量。 * （1）随机变量X不是简单的变量，而是定义于样本空间上满足一定条件的单值实函数。 （2）如果X是随机变量，则{X=a}、{Xa}、{Xa}、{X≥a}、{aXb}、{aX≤b}、{a≤Xb}、{a≤X≤b}等都是事件，都可以求其概率，其中a，b均为实数，且ab。 * 2.1.2 随机变量的分布函数 有了随机变量，随机事件就可以用随机变量的取值来表示。 对随机变量不但要知道它取哪些数值，更希望知道它取这些数值的概率。但概率是集合函数，讨论起来很不方便。自然的想法是能不能把集合函数化为普通的实函数？因为微积分中讨论的都是这类函数，对它非常熟悉。引入随机变量的概念后，这个问题的答案是肯定的。因为如果X是随机变量，则对任意实数x，{X≤x}都是事件，都可以求它的概率P{X≤x}， 这个概率显然是x的函数，它随着x的变化而变化。 * * 图2.1.1 离散型分布函数 * 图2.1.2 连续型分布函数 * 2.2 离散型随机变量及其分布 2.2.1 离散型随机变量及其分布律 定义2.2.1 如果随机变量X取有限多个或可列多个不同的值，则称X为离散型随机变量。 * * * 注意：如果已知离散型随机变量X的分布律pi(i=1,2,…)，利用式(2.2.1)，可以计算X的分布函数F (x)，反之，如果已知某离散型随机变量X的分布函数F (x)，利用式(2.2.2)，则也可以计算X的分布律pi。 * 2.2.2 常见的离散型随机变量的分布律 1.退化分布 如果P{X=c}=1，其中c为常数，则称X服从退化（单点）分布。退化分布是确定性现象的概率模型。 * 2.两点分布 如果随机变量X的分布律为： * 两点分布是贝努里试验的概率模型。在贝努里试验中，设其中一事件（结果）A发生的概率为p，若用X表示A发生的次数，则X的可能取值为0，1，且P{X=1}=P(A)=p，P{X=0}=P(A)=1-p，于是X服从参数为p的0-1分布。 * 3.二项分布 二项分布是离散型