数学建模竞赛04概率和分布定稿.pptVIP

四、机会的度量：概率和分布 概率是0和1之间的一个数目，表示某个事件发生的可能性或经常程度。 你买彩票中大奖的机会很小(接近0) 但有人中大奖的概率几乎为1 你被流星击中的概率很小(接近0) 但每分钟有流星击中地球的概率为1 你今天被汽车撞上的概率几乎是0 但在北京每天发生车祸的概率是1。 发生概率很小的事件称为小概率事件(small probability event)； 小概率事件不那么可能发生，但它往往比很可能发生的事件更值得研究。 在某种意义上，新闻媒体的主要注意力大都集中在小概率事件上。 1 离散变量的分布 离散变量只取离散的值，比如骰子的点数、网站点击数、顾客人数等等。每一种取值都有某种概率。各种取值点的概率总和应该是1。 当然离散变量不不仅仅限于取非负整数值。 一般来说，某离散随机变量的每一个可能取值xi都相应于取该值的概率p(xi)，这些概率应该满足关系 1.1 二项分布 最简单的离散分布应该是基于可重复的有两结果（比如成功和失败）的相同独立试验（每次试验成功概率相同）的分布，例如抛硬币。 比如用p代表得到硬币正面的概率，那么1－p则是得到反面的概率。 如果知道p，这个抛硬币的试验的概率分布也就都知道了。 这种有两个可能结果的试验有两个特点： 一是各次试验互相独立， 二是每次试验得到一种结果的概率不变（这里是得到正面的概率总是p）。 类似于抛硬币的仅有两种结果的重复独立试验被称为Bernoulli试验（Bernoulli trials）。 下面试验可看成为Bernoulli试验： 每一个进入某商场的顾客是否购买某商品 每个被调查者是否认可某种产品 每一个新出婴儿的性别。 根据这种简单试验的分布，可以得到基于这个试验的更加复杂事件的概率。 为了方便，人们通常称Bernoulli试验的两种结果为“成功”和“失败”。 和Bernoulli试验相关的最常见的问题是：如果进行n次Bernoulli试验，每次成功的概率为p，那么成功k次的概率是多少？ 这个概率的分布就是所谓的二项分布(binomial distribution)。 这个分布有两个参数，一个是试验次数n，另一个是每次试验成功的概率p。 基于此，二项分布用符号B(n,p)或Bin(n,p)表示。 由于n和p可以根据实际情况取各种不同的值，因此二项分布是一族分布， 族内的分布以这两个参数来区分。 二项分布的概率通常用二项分布表来查出。但一般统计软件可以很容易得到这个概率。 在目前统计软件发达的情况下，涉及的二项分布一般都自动处理了；在处理实际问题中很少会遇到直接计算二项分布概率的情况。 但这里还是给出其一般公式。下面p(k)代表在n次Bernoulli试验中成功的次数的概率，p为每次试验成功的概率。有 1.2 多项分布 和二项分布最类似的是多项分布（multinomial distribution）。 二项分布的每次试验中只有两种可能的结果，而多项分布则在每次试验中有多种可能的结果。 比如在调查顾客对5个品牌的饮料的选择中，每种品牌都会以一定的概率中选，假定这些概率为p1，p2，p3，p4，p5。每次试验的结果只可能有一个，因此这些概率的和为1，即p1+p2+p3+p4+p5=1。 在多项分布问题中（用上面5个品牌的例子说明），所关心的是在n次试验中（这里是调查），选择5个品牌的人数分别为m1，m2，m3，m4，m5的概率。自然m1+m2+m3+m4+m5＝n。 类似于二项分布，多项分布的符号可以为M（n；p1，p2，p3，p4，p5），也有用“MN”或“Multi”来表示； 1.3 Poisson分布 另一个常用离散分布是Poisson分布（翻译成“泊松分布”或“普阿松分布”）。 它可以认为是衡量某种事件在一定期间出现的数目的概率。 比如说在一定时间内顾客的人数、打入电话总机电话的个数、放射性物质放射出来并到达某区域的粒子数等等。 在不同条件下，同样事件在单位时间中出现同等数目的概率不尽相同。 比如中午和晚上某商店在10分钟内出现5个顾客的概率就不一定相同。 因此，Poisson分布也是一个分布族。族中不同成员的区别在于事件出现数目的均值l不一样。 参数为l的Poisson分布变量的概率分布为（p(k)表示Poisson变量等于k的概率） 参数为3、6、10的Poisson分布（只标出了20之内的部分）这里点间的连线没有意义，仅仅为读者容易识别而画，因为Poisson变量仅取非负整数值 1.4 超几何分布 假定有一批500个产品，而其中有5个次品。假定该产品的质量检查采取随机抽取20个产品进行检查。如果抽到的20个产品中含有2个或更多不合格产品，则整个500个产品将会被退回。 这时，人们想知道，该批产品被退回的概率是多少？这种概率就满足超几何分布（hype