1-2随机信号--随机变量.ppt

几个分布之间的关系 泊松（Poisson）定理 随机变量X服从二项分布，即满足 当事件出现概率特别小 (p→0)，而实验次数又非常多（n→∞），使np→λ（常数）时，二项分布就趋近于泊松分布，满足 实际计算中，只需满足： 例1.13 某人进行射击，设每次射击的命中率为0.02。独立射击400次，试求击中的次数大于或等于2的概率？ 几个分布之间的关系 高斯分布也可以作为二项分布的极限 当n??时，若q, p均不趋于0，此时的二项分布就趋近于高斯分布 N(np, npq）（来源于中心极限定理） 综合 1-2随机变量 本节课主要内容： 随机变量的引入-映射 随机变量的统计特性（分布律、分布函数、概率密度） 常用随机变量（连续型3个 离散型4个） 泊松定理 新知识点：离散型随机变量的概率密度表达式 习题 1-5 1-9 * 07/16/96 * ## 事件域 F ：是由样本空间Ω中的某些子集构成的非空集类。（集类是指以集为元素的集合。） 事件运算总共只有六种：包含、和、积、互不相容、差、逆 不能进一步的研究起内在的规律 一维随机变量的引入，是样本空间映射到实数轴。样本空间的样本点映射到实数轴上的点xi，因此样本点的概率就变为随机变量x取实数值xi的概率 * 07/16/96 * ## * 07/16/96 * ## 这里在给出分布函数示意图之后，结合分段函数表示法，带学生用一个式子写出分布函数 1-2随机变量 本节课主要内容： 随机变量的引入-映射 随机变量的统计特性（分布律、分布函数、概率密度） 常用随机变量（连续型3个 离散型4个） 泊松定理 新知识点：离散型随机变量的概率密度表达式 随机问题的建模 随机现象 随机试验 概率空间 样本空间Ω 事件域 F 概率 P 古典概型 几何概型 统计概型 公理化定义 某事件发生的概率是定义在事件域F上的集合函数。 事件的运算 A Ω B 包含：B?A Ω A B 和：A∪B 积：A∩B Ω B A Ω A B 差：A－B Ω 互不相容：A∩B＝? A B 逆： Ω A 随机变量的引入 事件A的概率是定义在事件域F上的集合函数。 为了利用高等数学等知识来研究集合函数，必须在集合函数与高等数学所研究的点函数之间建立起联系（某种映射），从而能达到应用已知数学方法去研究随机现象的目的。 随机变量的引入 样本空间Ω→实数轴R 随机变量概念的引入使概率论的研究对象由具体事件抽象为随机变量，使得概率论成为一门真正的数学学科。 随机变量的定义 已知一个概率空间 ，对于其样本空间 上的每一个样本 ，都有一个实数 与它相对应，从而得到单值实函数 ；若每个实数集 所对应的事件仍是事件域F 中的事件，则称这个单值实函数 为随机变量，简写为 。 随机问题的建模 1、研究的随机现象：连续抛一枚硬币三次 2、建立随机试验，满足三个条件。 8个样本点 ?1=正，正，正 ?2=正，正，反 ?3=正，反，正 ?4=正，反，反 ?5=反，正，正 ?6=反，正，反 ?7=反，反，正 ?8=反，反，反 3、建立概率空间 随机问题的建模 4、引入随机变量X，建立映射 方法1：映射到实数轴 随机问题的建模 随机变量 引入和定义 描述方法 常用随机变量 分布律 分布函数 概率密度 数字特征 随机变量的分类 随机变量按其值域是离散集还是连续集分为：离散型随机变量和连续型随机变量。 离散型随机变量只能取有限个或可列无限个值 连续型随机变量的值域是有限或无限区间上的不可列集。 例：测试白炽灯灯泡寿命，用随机变量X表示灯泡的寿命，其值域为有限区间上的不可列集，X为连续型随机变量。 随机变量统计特性的描述方法 分布律（或分布列） 分布函数 概率密度 数字特征 →仅离散型随机变量有 分布律 离散型随机变量X的分布律（或分布列）可用表格形式来表示 连续型随机变量的分布律——没有。 取值不可列，并且无限多个。 取任一实数值的概率为0。 分布函数 分布函数的定义 分布函数 分布函数的定义 离散型 连续型 分布函数 分布函数的定义 离散型 连续型 概率密度 概率密度的定义 离散型随机变量的概率密度 书P15 式1-32 随机问题的建模 随机变量 引入和定义 描述方法 常用随机变量 分布律 分布函数 概率密度 数字特征 常用随机变量 均匀分布 高斯分布 指数分布 常用连续型随机变量 常用离散型随机变量 （0-1）分布 二项分布 几何分布 泊松分布 常用连续型随机变量1 均匀分布 典型应用： 数字4舍5入后的误差分布 农药剂量在田间的分布 人工种植的果树的分布