(05)第5章 概率与概率分布2.ppt

随机变量的概念 随机变量(random variables) 一次试验的结果的数值性描述 一般用 X、Y、Z 来表示 例如: 投掷两枚硬币出现正面的数量 根据取值情况的不同分为离散型随机变量和连续型随机变量 离散型随机变量(discrete random variables) 随机变量 X 取有限个值或所有取值都可以逐个列举出来 X1 , X2，… 以确定的概率取这些不同的值 离散型随机变量的一些例子 连续型随机变量(continuous random variables) 随机变量 X 取无限个值 所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任意点 连续型随机变量的一些例子 离散型随机变量的概率分布 离散型随机变量的概率分布 列出离散型随机变量X的所有可能取值 列出随机变量取这些值的概率 通常用下面的表格来表示 离散型随机变量的概率分布 (例题分析) 离散型随机变量的概率分布(0—1分布) 一个离散型随机变量X只取两个可能的值 例如，男性用 1表示，女性用0表示；合格品用 1 表示，不合格品用0表示 列出随机变量取这两个值的概率 离散型随机变量的概率分布 (0—1分布) 离散型随机变量的概率分布(均匀分布) 一个离散型随机变量取各个值的概率相同 列出随机变量取值及其取值的概率 例如，投掷一枚骰子，出现的点数及其出现各点的概率 离散型随机变量的概率分布 (均匀分布) 离散型随机变量的数学期望和方差 离散型随机变量的数学期望(expected value) 在离散型随机变量X的一切可能取值的完备组中，各可能取值xi与其取相对应的概率pi乘积之和 描述离散型随机变量取值的集中程度 计算公式为 离散型随机变量的方差(variance) 随机变量X的每一个取值与期望值的离差平方和的数学期望，记为D(X) 描述离散型随机变量取值的分散程度 计算公式为 离散型随机变量的方差 (例题分析) 几种常见的离散型概率分布 常见的离散型概率分布 二项试验(贝努里试验) 二项分布与贝努里试验有关 贝努里试验具有如下属性 试验包含了n 个相同的试验 每次试验只有两个可能的结果，即“成功”和“失败” 出现“成功”的概率 p 对每次试验结果是相同的；“失败”的概率 q 也相同，且 p + q = 1 试验是相互独立的 试验“成功”或“失败”可以计数 二项分布(Binomial distribution) 进行 n 次重复试验，出现“成功”的次数的概率分布称为二项分布 设X为 n 次重复试验中事件A出现的次数，X 取 x 的概率为 二项分布 显然， 对于P{X=x}? 0， x =1,2,…,n，有 同样有 当 n = 1 时，二项分布化简为 二项分布的数学期望和方差 二项分布的数学期望为 E ( X ) ＝ np 方差为 D ( X ) ＝ npq 二项分布 (例题分析) 泊松分布(Poisson distribution) 用于描述在一指定时间范围内或在一定的长度、面积、体积之内每一事件出现次数的分布 泊松分布的例子 一个城市在一个月内发生的交通事故次数 消费者协会一个星期内收到的消费者投诉次数 人寿保险公司每天收到的死亡声明的人数 泊松概率分布函数 ?— 给定的时间间隔、长度、面积、体积内“成功”的平均数 e = 2.71828 x —给定的时间间隔、长度、面积、体积内“成功”的次数 泊松概率分布的期望和方差 泊松分布的数学期望为 E ( X ) = ? 方差为 D ( X ) = ? 泊松分布 (例题分析) 泊松分布(作为二项分布的近似) 当试验的次数 n 很大，成功的概率 p 很小时，可用泊松分布来近似地计算二项分布的概率，即 连续型随机变量的概率分布 连续型随机变量的概率分布 连续型随机变量的概率分布 连续型随机变量可以取某一区间或整个实数轴上的任意一个值 它取任何一个特定的值的概率都等于0 不能列出每一个值及其相应的概率 通常研究它取某一区间值的概率 用数学函数的形式和分布函数的形式来描述 概率密度函数(probability density function) 设X为一连续型随机变量，x 为任意实数，X的概率密度函数记为f(x)，它满足条件 概率密度函数 ? 密度函数 f(x)表示X 的所有取值 x 及其频数f(x) 概率密度函数 ? 在平面直角坐标系中画出f(x)的图形，则对于任何实数 x1 < x2，P(x1< X? x2)是该曲线下从x1 到 x2的面积 分布函数 (d