2-2 离散型随机变量及其分布
合集下载
第二章 随机变量及其分布(第2讲)
分布函数还具有相当好的性质，有利于用数 学分析方法来处理；
引入随机变量和分布函数，在随机现象与数 学分析之间搭起了桥梁。
学习内容
§2.1 随机变量 §2.2 离散型随机变量及其分布 §2.3 随机变量的分布函数 §2.4 连续型随机变量及其分布 §2.5 随机变量函数的分布
引言
连续型随机变量（random variables of continuous type)
四、几种重要的连续型分布 均匀分1. 布均的匀实分际布背景是： 并概f ( x率且)随=与取⎪⎩⎪⎨⎧机0b这值−1变a个在量小（其x ∈X它区a取[a,,间bb值）] 的在中是 记长区一 为任度个间意成概X（小正~率aU区比密,[ab间度。,)b上内]函，的数.
利用分布函数与概率密度函数之间的关系，可以求得服从均匀 分布的随机变量 X 的分布函数
f
(x)
=
⎪⎧ ⎨
1 3
,
⎪⎩0 ,
0≤ x≤3 其它
∫ ∫ 所求概率 P{0 ≤ X ≤ 2}=
2 f (x )dx =
0
2 0
1 3
dx
=
2 3
四、几种重要的连续型分布
2.指数分布
定义: 若随机变量X的概率密度函数
X
~
f
(
x)
=
⎧λ
⎨
e−λ
x
⎩0
x>0 x≤0
称 X 服从参数为λ的指数分布,记为X~E(λ) (λ>0),
学习内容
§2.1 随机变量 §2.2 离散型随机变量及其分布 §2.3 随机变量的分布函数 §2.4 连续型随机变量及其分布 §2.5 随机变量函数的分布
引言
§2.2节学习的分布律对于非离散型型随 机变量失效
引入随机变量和分布函数，在随机现象与数 学分析之间搭起了桥梁。
学习内容
§2.1 随机变量 §2.2 离散型随机变量及其分布 §2.3 随机变量的分布函数 §2.4 连续型随机变量及其分布 §2.5 随机变量函数的分布
引言
连续型随机变量（random variables of continuous type)
四、几种重要的连续型分布 均匀分1. 布均的匀实分际布背景是： 并概f ( x率且)随=与取⎪⎩⎪⎨⎧机0b这值−1变a个在量小（其x ∈X它区a取[a,,间bb值）] 的在中是 记长区一 为任度个间意成概X（小正~率aU区比密,[ab间度。,)b上内]函，的数.
利用分布函数与概率密度函数之间的关系，可以求得服从均匀 分布的随机变量 X 的分布函数
f
(x)
=
⎪⎧ ⎨
1 3
,
⎪⎩0 ,
0≤ x≤3 其它
∫ ∫ 所求概率 P{0 ≤ X ≤ 2}=
2 f (x )dx =
0
2 0
1 3
dx
=
2 3
四、几种重要的连续型分布
2.指数分布
定义: 若随机变量X的概率密度函数
X
~
f
(
x)
=
⎧λ
⎨
e−λ
x
⎩0
x>0 x≤0
称 X 服从参数为λ的指数分布,记为X~E(λ) (λ>0),
学习内容
§2.1 随机变量 §2.2 离散型随机变量及其分布 §2.3 随机变量的分布函数 §2.4 连续型随机变量及其分布 §2.5 随机变量函数的分布
引言
§2.2节学习的分布律对于非离散型型随 机变量失效
2离散型随机变量的分布列
X的所有可能取值是0,1,2,3.
P(X=0)=
C36 C130
=
20 120
=
1 6
,
P(X=1)=
C62C14 C130
=
60 120
=
1 2
,
P(X=2)=
C
2 4
C16
C130
=
36 120
=
3 10
,
P(X=3)=
C34 C130
=
4 120
=
1 30
.
∴X的分布列为
X
0
1
2
3
1
1
3
1
P
6
栏目索引
X
x1
x2
…
xi
…
xn
P
p1
p2
…
pi
…
pn
此表称为离散型随机变量X的概率分布列,简称为X的分布列,有时
也用等式P(X=xi)=pi,i=1,2,…,n表示X的分布列.
(2)分布列的性质
(i)pi③ ≥0 ,i=1,2,3,…,n;
n
(ii) pi 1. i 1
栏目索引
3.常见的离散型随机变量的概率分布
η
0
1
2
P
0.1
0.3
0.3
栏目索引
3 0.3
栏目索引
1-2 (2015北京朝阳一模改编)如图所示,某班一次数学测试成绩的茎叶 图和频率分布直方图都受到了不同程度的污损,其中,频率分布直方图 的分组区间分别为[50,60),[60,70),[70,80),[80,90),[90,100],据此解答以 下问题. (1)求全班人数及分数在[80,100]之间的频率; (2)现从分数在[80,100]之间的试卷中任取3份分析学生的失分情况,设 抽取的试卷分数在[90,100]的份数为X,求X的分布列.
2-2离散型随机变量及其分布律
松定理（第二章）和中心极限定理（第五章），利用这些定理
可以近似计算出它们的值．
3．泊松分布
定义 2.5 如果随机变量 X 的分布律为
P{X k} k e ， k 0,1, 2,L ， 0 ，
k!
就称 X 服从参数为 的泊松分布，记为 X ~ P() ．
【注 1】 P{X
k
k}
e
0 ， k 0,1, 2,L
一般地，在随机试验 E 中，如果样本空间 只包含两个
样本点
{1,2}，且
X
0, 1,
若 =1 , 若 =2 ,
则 X ~ B(1, p) ，其中 p P{X 1} P({2}) ．
在现实生活中，0 1两点分布有着广泛的应用．例如某产品 合格与不合格；某课程的考试及格与不及格；某事件 A 发生与 不发生等许多现象都能够刻划成 0 1两点分布．
§2 离散型随机变量及其分布律
一、离散型随机变量及其分布律的概念 定义 2.1 若随机变量 X 的取值为有限个或可列无限多个，就 称 X 为离散型随机变量．
定义 2.2 设 X 为离散型随机变量，其所有可能的取值为 x1, x2 ,L , xi ,L ，且
P{X xi} pi ， i 1, 2,L ．
的概率为 0.6 ，求该射手在 4 次射击中，命中目标次数 X 的
分布律，并问 X 取何值时的概率最大． 解 将每次射击看成一次随机试验，所需考查的试验结果只
有击中目标和没有击中目标，因此整个射击过程为 4 重的贝
努里试验．故由题意知， X ~ B(4, 0.6) ，即
P{X k} C4k 0.6k 0.44k ， k 0,1, 2,3, 4 ．
P{X
10}
2-2离散型随机变量的概率分布
实例2 抛一颗骰子n次,观察是否 “出现 1 点”, 就是 n重伯努利试验.
(3) 二项概率公式 若 X 表示 n 重伯努利试验中事件 A 发生的次数, 则 X 所有可能取的值为
0, 1, 2, , n.
当 X k (0 k n) 时, 即 A 在 n 次试验中发生了 k 次.
AAA AAA ,
泊松资料
泊松分布的图形
泊松分布随机数演示
上面我们提到
二项分布 np ( n )泊松分布
单击图形播放/暂停 ESC键退出
合理配备维修工人问题
例5 为了保证设备正常工作, 需配备适量的维修 工人 (工人配备多了就浪费 , 配备少了又要影响生 产),现有同类型设备300台,各台工作是相互独立的, 发生故障的概率都是0.01.在通常情况下一台设备 的故障可由一个人来处理(我们也只考虑这种情况 ) ,问至少需配备多少工人 ,才能保证设备发生故障 但不能及时维修的概率小于0.01?
把检查一只元件是否为一级品看成是一次试 验, 检查20只元件相当于做20 重伯努利试验.
解 以 X 记 20 只元件中一级品的只数, 则 X ~ b(20, 0.2), 因此所求概率为
P{ X k} 20(0.2)k (0.8)20k , k 0,1,,20. k
P{ X 0} 0.012 P{ X 4} 0.218 P{ X 8} 0.022 P{ X 1} 0.058 P{ X 5} 0.175 P{ X 9} 0.007 P{ X 2} 0.137 P{ X 6} 0.109 P{ X 10} 0.002 P{ X 3} 0.205 P{ X 7} 0.055
一、离散型随机变量的分布律
定义 设离散型随机变量X 所有可能取的值为 xk (k 1,2,), X 取各个可能值的概率, 即事件 { X xk } 的概率, 为
(3) 二项概率公式 若 X 表示 n 重伯努利试验中事件 A 发生的次数, 则 X 所有可能取的值为
0, 1, 2, , n.
当 X k (0 k n) 时, 即 A 在 n 次试验中发生了 k 次.
AAA AAA ,
泊松资料
泊松分布的图形
泊松分布随机数演示
上面我们提到
二项分布 np ( n )泊松分布
单击图形播放/暂停 ESC键退出
合理配备维修工人问题
例5 为了保证设备正常工作, 需配备适量的维修 工人 (工人配备多了就浪费 , 配备少了又要影响生 产),现有同类型设备300台,各台工作是相互独立的, 发生故障的概率都是0.01.在通常情况下一台设备 的故障可由一个人来处理(我们也只考虑这种情况 ) ,问至少需配备多少工人 ,才能保证设备发生故障 但不能及时维修的概率小于0.01?
把检查一只元件是否为一级品看成是一次试 验, 检查20只元件相当于做20 重伯努利试验.
解 以 X 记 20 只元件中一级品的只数, 则 X ~ b(20, 0.2), 因此所求概率为
P{ X k} 20(0.2)k (0.8)20k , k 0,1,,20. k
P{ X 0} 0.012 P{ X 4} 0.218 P{ X 8} 0.022 P{ X 1} 0.058 P{ X 5} 0.175 P{ X 9} 0.007 P{ X 2} 0.137 P{ X 6} 0.109 P{ X 10} 0.002 P{ X 3} 0.205 P{ X 7} 0.055
一、离散型随机变量的分布律
定义 设离散型随机变量X 所有可能取的值为 xk (k 1,2,), X 取各个可能值的概率, 即事件 { X xk } 的概率, 为
第二节 离散型随机变量及其分布
说明： 1) 泊松分布与二项分布的关系：这两个分布的数学模 型都是Bernoulli概型。Poisson分布是二项分布当n很大 p 很小时的近似计算。 2) Poisson分布主要用于描述一些稀有事件，如地震、 火山爆发、特大洪水等等。
例3.1.3 (进货问题）由某商店过去的销售记录知
道，海尔彩电每月的销售数可用参数为λ =5的泊 松分布来描述，为了以95%以上的把握保证月底不 脱销，问商店在月底至少应进多少台？ 解：设每月的销售数为X，月底进N台，则
其概率分布为 P ( X 1) 3 10 即X服从两点分布。
7 P( X 0) 10
(2) 二项分布 B ( n, p )
背景：n 重Bernoulli 试验中，每次试验感兴 趣的事件A 在 n 次试验中发生的次数 —— X是一离散型随机变量
若P ( A ) = p , 则
Pn ( k ) P ( X k ) C p (1 p)
P{ X 1} 1 P{ X 0} =1 0.99
成功次数服从二项概率
400
0.9820
B(400, 0.01)
有百分之一的希望，就要做百分之百的努力!
(3) Poisson 分布 ( ) 或 P ( )
k! 其中 0 是常数，则称 X 服从参数为 的Poisson 分布，记作 ( ) 或 P ( )
k n k
n k
, k 0,1,, n
称 X 服从参数为n, p 的二项分布(也叫Bernolli 分布).记作
X ~ B( n, p)
0 – 1 分布是 n = 1 的二项分布.
例3.1.1 一大批产品的次品率为0.1，现从中取
出15件．试求下列事件的概率： B ={ 取出的15件产品中恰有2件次品 } C ={ 取出的15件产品中至少有2件次品 }
例3.1.3 (进货问题）由某商店过去的销售记录知
道，海尔彩电每月的销售数可用参数为λ =5的泊 松分布来描述，为了以95%以上的把握保证月底不 脱销，问商店在月底至少应进多少台？ 解：设每月的销售数为X，月底进N台，则
其概率分布为 P ( X 1) 3 10 即X服从两点分布。
7 P( X 0) 10
(2) 二项分布 B ( n, p )
背景：n 重Bernoulli 试验中，每次试验感兴 趣的事件A 在 n 次试验中发生的次数 —— X是一离散型随机变量
若P ( A ) = p , 则
Pn ( k ) P ( X k ) C p (1 p)
P{ X 1} 1 P{ X 0} =1 0.99
成功次数服从二项概率
400
0.9820
B(400, 0.01)
有百分之一的希望，就要做百分之百的努力!
(3) Poisson 分布 ( ) 或 P ( )
k! 其中 0 是常数，则称 X 服从参数为 的Poisson 分布，记作 ( ) 或 P ( )
k n k
n k
, k 0,1,, n
称 X 服从参数为n, p 的二项分布(也叫Bernolli 分布).记作
X ~ B( n, p)
0 – 1 分布是 n = 1 的二项分布.
例3.1.1 一大批产品的次品率为0.1，现从中取
出15件．试求下列事件的概率： B ={ 取出的15件产品中恰有2件次品 } C ={ 取出的15件产品中至少有2件次品 }
2-2离散型随机变量及其分布律
解: 如果新药无效, 则任一病人自动痊愈的概率为p=0.3 设X表示10名病人中自动痊愈的人数 则 X ~ b (10, 0.3)
9 P ( X 9 ) C10 (0.3)9 (0.7)109 0.00138
P ( X 9) P ( X 9 ) P ( X 10 )
（3）二项分布的图形特点：X∽b(n,p)
Pk Pk
0
...
n=10, p=0.7
n
0
..
n=20, p=0.5
.. n
说明:
a. 对于固定n及p，随着k的增加 ,概率P(X=k) 先是随之增加， 并在(n+1)p或者[(n+1)p] 达到最大值，随后单调减少。 b. 如果p>0.5，图形高峰右偏；如果p<0.5，图形高峰左偏。
说明：
k P ( X k ) C n p k (1 p )n k 0 a. 可验证二项分布满足概率充分条件 n k k C n p (1 p )n k ( p+1-p )n 1 k 0
k b. 式Cn pk (1 p)nk 为二项式( p 1 p)n 一般项,故二项分布.
c. n 1, B(n, p)即为0 1分布, P( X k ) pk qnk (k 0,1)
k d . n次试验中至多出现m次( m n): P (0 X m ) C n p k q n k k 0 m
np p或np p 1 np p N e. 事件A最可能发生次数k 其它 [np p] k (即使概率P ( X k ) C n p k (1 p)n k 达到最大值的k .
启示：一次试验中概率很小，但在大量重复试验中几乎必然发生
9 P ( X 9 ) C10 (0.3)9 (0.7)109 0.00138
P ( X 9) P ( X 9 ) P ( X 10 )
（3）二项分布的图形特点：X∽b(n,p)
Pk Pk
0
...
n=10, p=0.7
n
0
..
n=20, p=0.5
.. n
说明:
a. 对于固定n及p，随着k的增加 ,概率P(X=k) 先是随之增加， 并在(n+1)p或者[(n+1)p] 达到最大值，随后单调减少。 b. 如果p>0.5，图形高峰右偏；如果p<0.5，图形高峰左偏。
说明：
k P ( X k ) C n p k (1 p )n k 0 a. 可验证二项分布满足概率充分条件 n k k C n p (1 p )n k ( p+1-p )n 1 k 0
k b. 式Cn pk (1 p)nk 为二项式( p 1 p)n 一般项,故二项分布.
c. n 1, B(n, p)即为0 1分布, P( X k ) pk qnk (k 0,1)
k d . n次试验中至多出现m次( m n): P (0 X m ) C n p k q n k k 0 m
np p或np p 1 np p N e. 事件A最可能发生次数k 其它 [np p] k (即使概率P ( X k ) C n p k (1 p)n k 达到最大值的k .
启示：一次试验中概率很小，但在大量重复试验中几乎必然发生
2-2离散型随机变量及其分布律
P(X=2)=C (0.05) (0.95) = 0.007125
思考：本例中的“有放回”改为”无放回” 思考： 本例中的“有放回”改为”无放回”？ 不是伯努利试验。 各次试验条件不同,此试验就不是伯努利试验 此时, 各次试验条件不同,此试验就不是伯努利试验。此时, 1 2 只能用古典概型求解. 古典概型求解 只能用古典概型求解. C C
3. 泊松分布
定义 若一个随机变量 X 的概率分布为 λke−λ P{ X = k} = , k = 0,1,2,⋯, k! 则称 X 服从参数为 λ 的泊松分布， 泊松分布， 记为 X ~ P (λ ) 或 X ~ π (λ ). 易见， 易见，1) P { X = k } ≥ 0; ( k −λ ∞ ∞ ∞ λk λe −λ (2)∑P{X = k} = ∑ =e ∑ k! k=0 k ! k=0 k=0
泊松分布是常见的一种分布： 泊松分布是常见的一种分布： 地震 火山爆发 特大洪水
商场接待的顾客数 电话呼唤次数 交通事故次数
4. 二项分布的泊松近似
很大时， 对二项分布 b( n, p ), 当试验次数 n 很大时， 计 算其概率很麻烦. 例如， 算其概率很麻烦 例如，b(5000, 0.001), 要计算
.
二、几种常见分布
1. 两点分布 只可能取x 设随机变量 X 只可能取 1与x2两个值 , 它的 分布律为 x x
X pi
p 1− p
1
2
0< p<1
则称 X 服从x1 , x2处参数为 的两点分布。 处参数为p的两点分布。
说明： 只可能取0与 两个值 说明：若随机变量 X 只可能取 与1两个值 , 它的 分布律为 0 1
则随机变量 X的分布律为 X 的分布律为
概率论§2.1 随机变量-§2.2离散型随机变量
0, w = (b1 , b2 ), (b1 , b3 ), (b2 , b3 ) 1, w = (a1 , b1 ), (a1 , b2 ), (a1 , b3 ) X = X (w ) = (a2 , b1 ), (a2 , b2 ), (a2 , b3 ) 2, w = (a1 , a2 )
18
分布函数的性质
(1) F(x)是x的不减函数 ，即
x1 x2 , F ( x1 ) F ( x2 )
(2)
F ( ) = lim F ( x ) = 0
x
F ( ) = lim F ( x ) = 1
x
理解：当x→+时,{X≤x}愈来愈趋于必然事件. (3)右连续性: 对任意实数 x0 ,
P ( X x ) = 1 P ( X x ) = 1 F ( x );
21
例1 设F1 ( x )与F2 ( x )分别为随机变量X 1与X 2
的分布函数，为了使 ( x ) = aF1 ( x ) bF2 ( x ) F
是某一随机变量的分布函数，则下列各组值 中应取（A）
3 2 ( A) a = , b = 5 5
连续型随机变量
如：“电视机的使用寿命”，实际中常遇到 的 24 “测量误差”等。
§2.2 离散型随机变量及其分布
定义 如果随机变量X 只取有限个或可列无限 多个不同可能值，则称X 为离散型随机变量. 例如, 抛一枚硬币，X 可取0,1有限个值。 可知X为一个离散型随机变量。 例如，电话交换台一天内接到的电话个数
F ( x0 0) = lim F ( x ) = F ( x0 )
x x0
19
如果一个函数满足上述三条性质，则一 定是某个随机变量 X 的分布函数。也就是说， 性质(1)-(3)是判别一个函数是否是某个随机 变量的分布函数的充分必要条件。
2-2离散型随机变量及其分布律
k P{ X k } C10 0.2k 0.810k , k 0,1,10
即P
X
0
1
2 0.30
3 0.20
4 0.09
5 0.03
6
7
8 0.00
9 0.00
10 0.00
0.11 0.27
0.01 0.00
P ( X 1) P ( X 0) P ( X 1)
1 0.2 0.89 =0.38. 0.810 +C10
第二章 一维随机变量及其分布
第二节 离散型随机变量及其分布律
一、离散型随机变量的分布律
对于离散型随机变量，我们所关心的问题： （1）随机变量所有可能的取值有哪些？ （2）取每个可能值的概率是多少？ 定义 设x1，x2，…为离散型随机变量X的可能取值， p1，p2，…为 X 取 x1，x2，… 的概率，即 P(X=xi ) = pi (i=1,2,…) (1)
(0 p 1) ，则在n重伯努利试验中事件A出现k次 的概率为
C pq
k n
k
n k
其中p q 1
k 0,1,, n.
k k n k pq 若随机变量 X 的分布律为 PX k Cn
其中 k 0,1,, n; 0 p 1; q 1 p. 即 X p
k e xk e x，易知 1. 利用级数 k 0 k ! k 0 k!
历史上，泊松分布是作为二项分布的 近似，于1837年由法国数学家泊松引入的 . 近数十年来，泊松分布日益显示其重要性 , 成为概率论中最重要的几个分布之一 . 在 实际中，许多随机现象服从或近似服从泊 松分布. 二十世纪初罗瑟福和盖克两位科学家在 观察与分析放射性物质放出的 粒子个数 的情况时,他们做了2608 次观察(每次时 间为7.5 秒)发现放射性物质在 规定的一段时间内, 其放射的粒 子数X 服从泊松分布.
即P
X
0
1
2 0.30
3 0.20
4 0.09
5 0.03
6
7
8 0.00
9 0.00
10 0.00
0.11 0.27
0.01 0.00
P ( X 1) P ( X 0) P ( X 1)
1 0.2 0.89 =0.38. 0.810 +C10
第二章 一维随机变量及其分布
第二节 离散型随机变量及其分布律
一、离散型随机变量的分布律
对于离散型随机变量，我们所关心的问题： （1）随机变量所有可能的取值有哪些？ （2）取每个可能值的概率是多少？ 定义 设x1，x2，…为离散型随机变量X的可能取值， p1，p2，…为 X 取 x1，x2，… 的概率，即 P(X=xi ) = pi (i=1,2,…) (1)
(0 p 1) ，则在n重伯努利试验中事件A出现k次 的概率为
C pq
k n
k
n k
其中p q 1
k 0,1,, n.
k k n k pq 若随机变量 X 的分布律为 PX k Cn
其中 k 0,1,, n; 0 p 1; q 1 p. 即 X p
k e xk e x，易知 1. 利用级数 k 0 k ! k 0 k!
历史上，泊松分布是作为二项分布的 近似，于1837年由法国数学家泊松引入的 . 近数十年来，泊松分布日益显示其重要性 , 成为概率论中最重要的几个分布之一 . 在 实际中，许多随机现象服从或近似服从泊 松分布. 二十世纪初罗瑟福和盖克两位科学家在 观察与分析放射性物质放出的 粒子个数 的情况时,他们做了2608 次观察(每次时 间为7.5 秒)发现放射性物质在 规定的一段时间内, 其放射的粒 子数X 服从泊松分布.
概率论与数理统计第2章随机变量及其分布
1 4
)0
(
3 4
)10
C110
(
1 4
)(
3 4
)9
0.756.
(2)因为
P{X
6}
C160
(
1)6 4
(
3 4
)4
0.016
,
即单靠猜测答对 6 道题的可能性是 0.016,概率很小,所
以由实际推断原理可推测,此学生是有答题能力的.
二项分布 b(n, p) 和 (0 1) 分布 b(1, p ) 还有一层密切关
P{X 4} P(A1 A2 ) P(A1)P(A2 ) 0.48 ,
P{X 6} P(A1A2 ) P(A1)P(A2 ) 0.08 , P{X 10} P(A1A2 ) P(A1)P(A2 ) 0.32 , 即 X 的分布律为
X 0 4 6 10
P 0.12 0.48 0.08 0.32
点 e, X 都有一个数与之对应. X 是定义在样本空间 S 上的
一个实值单值函数,它的定义域是样本空间 S ,值域是实数
集合 {0,1,2},使用函数记号将 X写成
0, e TT , X＝X (e) 1, e HT 或TH ,
2, e HH.
▪
例2.2 测试灯泡的寿命.
▪
样本空间是 S {t | t 0}.每一个灯泡的实际使用寿命可
(2)若一人答对 6 道题,则推测他是猜对的还是有答 题能力.
解 设 X 表示该学生靠猜测答对的题数,则
X
~
b(10,
1) 4
.
(1) X 的分布律为
P{X
k}
C1k0
(
1)k 4
(
3 4
最新概率论与数理统计第二章随机变量及其分布
X
x1
x2
…
xn
…
pk
p1
p2
…
pn
…
在离散型随机变量的概率分布中，事件“X=x1〞， “X=x2〞....“X=xk〞,...构成一个完备事件组。因此， 上述概率分布具有以下两个性质：
(1) pk 0,k 1,2,
(2)pk 1 k
满足上两式的任意一组数pk ,k 1,2, 都可以成为 离散型随机变量的概率分布。对于集合xk ,k 1,2,
解 按第一种方法。以X记“第1人维护的20台中同一时刻发 生故障的台数〞，以Ai(i＝1，2，3，4)表示事件“第i人 维护的20台中发生故障不能及时维修〞，那么知80台中 发生故障而不能及时维修的概率为
P(A1UA2UA3UA4)≥P(A1)＝P{X≥2}．
而X～b(20，0．01)，故有 1 P{X2}1P{Xk} k0
b (k 1 ;n ,p ) kq
kq
当k<(n+1)p时，b(k;n,p)>b(k-1;n,p)
当k=(n+1)p时，b(k;n,p)=b(k-1;n,p)
当k>(n+1)p时，b(k;n,p)<b(k-1;n,p)
因为(n+1)p不一定是正整数，所以存在正整数m，使 得(n+1)p-1＜m≤(n+1)P,当k=m时达到极大值。
k=1,2, …
P{X=k}= (1-p)k-1p,
并称X服从参数为p的几何分布。
几何分布的无记忆性
在贝努利试验中，等待首次成功的时间 服从几何 分布。现在假定在前m次试验中没有出现成功，那么为 了到达首次成功所再需要的等待时间 ′也还是服从几 何分布，与前面的失败次数m无关，形象化地说，就是 把过去的经历完全忘记了。因此无记忆性是几何分布所 具有的一个有趣的性质。但是更加有趣的是，在离散型 分布中，也只有几何分布才具有这样一种特殊的性质。
《概率论》第2章2离散型随机变量-24页文档资料
C n k p k ( 1 p ) n k ( k 0 ,1 ,2 ,,n )
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 11/23
则
P{X1}P(A1) p
P{X2}P(A1A2)P(A2| A1)P(A1) p(1 p)
P{X3}P(A1A2A3) P (A 3|A 1A 2)P (A 2|A 1 )P (A 1 ) p(1 p)2
P{X 4} P (A 1 A 2A 3A 4) P (A 1 A (12 A 3 pA )4 3)
故 X的分布律为
P{X 0} 1 8
P{X
1}
3 8
P{X 2} 3 8
所有样本点 遍历一次
全部和为1
P{X 3} 1 8
分布律有什么特点
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 3/23
pk0, k1,2,
pk 1
k 1
pk P{X xk}
k1
k1
P
U{X
k 1
xk }
P(S) 1
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 8/23
只产生两个结果 A , 的A 试验 伯努利试验产生什么样的随机变量
将伯努利试验独立重复进行 n 次的试验
某战士用步枪对目标进行射击，记
Байду номын сангаас
A { 击中目标 } ,A { 没击中目标 } 每射击一次就是一个伯努利试验 ,如果对目标进行 n 次射
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 6/23
如果 r.v 的X 分布律为
P{X c}1
则称 r.v 服X 从 单点，分其布中 为常数c
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 11/23
则
P{X1}P(A1) p
P{X2}P(A1A2)P(A2| A1)P(A1) p(1 p)
P{X3}P(A1A2A3) P (A 3|A 1A 2)P (A 2|A 1 )P (A 1 ) p(1 p)2
P{X 4} P (A 1 A 2A 3A 4) P (A 1 A (12 A 3 pA )4 3)
故 X的分布律为
P{X 0} 1 8
P{X
1}
3 8
P{X 2} 3 8
所有样本点 遍历一次
全部和为1
P{X 3} 1 8
分布律有什么特点
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 3/23
pk0, k1,2,
pk 1
k 1
pk P{X xk}
k1
k1
P
U{X
k 1
xk }
P(S) 1
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 8/23
只产生两个结果 A , 的A 试验 伯努利试验产生什么样的随机变量
将伯努利试验独立重复进行 n 次的试验
某战士用步枪对目标进行射击，记
Байду номын сангаас
A { 击中目标 } ,A { 没击中目标 } 每射击一次就是一个伯努利试验 ,如果对目标进行 n 次射
第二章 随机变量及其分布
§2 离散型随机变量及其分布律 6/23
如果 r.v 的X 分布律为
P{X c}1
则称 r.v 服X 从 单点，分其布中 为常数c
高中数学第二章 2.1.2离散型随机变量的分布列(一)课件
答案 是.离散型随机变量的各个可能值表示的事件不会同时发生，是 彼此互斥的.
答案
返回
题型探究
重点突破
题型一 求离散型随机变量的分布列 例1 一个箱子里装有5个大小相同的球，有3个白球，2个红球，从中 摸出2个球. (1)求摸出的2个球中有1个白球和1个红球的概率； (2)有X表示摸出的2个球中的白球个数，求X的分布列.
解析 根据所给的分布列，
由离散型随机变量的性质得12＋13＋p＝1，解得 p＝16.故选 B.
解析答案
1234
2.设随机变量 ξ 的分布列为 P(ξ＝i)＝a(13)i，i＝1,2,3，则 a 的值为( C )
9
27
11
A.1
B.13
C.13
D.13
解析 由分布列的性质，得 a(13＋19＋217)＝1， ∴a＝1237.
假设身高在175 cm以上(包括175 cm)定义为“高个子〞，身高在175 cm 以下定义为“非高个子〞，且只有“女高个子〞才能担任“礼仪小姐
(1)如果用分层抽样的方法从“高个子〞和“非高个子〞中抽取5人，再从 这5人中选2人，那么至少有1人是“高个子〞的概率是多少？
解析答案
(2)假设从所有“高个子〞中选3名志愿者，用ξ表示所选志愿者中能担任 “礼仪小姐〞的人数，试写出ξ的分布列. 解 依题意，ξ的可能取值为0,1,2,3，那么 P(ξ＝0)＝CC31382＝1545，P(ξ＝1)＝CC14C31228＝2585， P(ξ＝2)＝CC24C31218＝1525，P(ξ＝3)＝CC31342＝515. 因此，ξ的分布列为
P
1 10
3 10
3 5
解析答案
易错点 无视分布列的性质致误
第二节 离散型随机变量及其分布1
概率论与数理统计
广
东
工
业
广
大 学
东 工 业
主讲教师：
大 学
上页 下页 返回
第二章 随机变量
§1 随机变量及其分布函数 §2 离散型随机变量及其分布 §3 连续型随机变量及其分布 §4 随机变量函数的分布
广 东 工 业 大 学
上页 下页 返回
§2 离散型随机变量及分布
一、离散型随机变量的定义
有些随机变量，它全部可能取的值只有有限 个，或者，虽然有无限多个可能的值，但这些值 可以无遗漏地一个接一个地排列出来（即可列 个），称这种随机变量为离散型随机变量。
二项分布描述的是n重贝努里试验中出现
“成功”（事件A发生）次数ξ的概率分
布.
在解应用题时需要注意判断问题是否
为贝努利概型，可否用二项分布求解. 广 东 工 业 大 学
上页 下页 返回
例 医生对5个人作某疫苗接种试验，设已知对试验反应呈阳性的
概率为p＝0.45，且各人的反应相互独立。若以 记反应为阳性的人数。 （1）写出 的分布律；（2）恰有3人反应为阳性的概率；（3）至少有2
0.453(1
0.45)2
0.276;
广
(3)至 少 有2人 反 应 呈 阳 性 的 概 率 是
东 工
P( 2) 1 p( 0) p( 1)
业 大
1
(1
0.45)
5
C
1 5
0.45(1
0.45)4 0.744.
上页 下页
返回
学
若X : b(n,p)，则明显地成立以下公式：
1.在n重贝努利 试验中，事件A发生的次 数在k1与k2之间的概 率是
下面求P{ξ=k}
广
东
工
业
广
大 学
东 工 业
主讲教师：
大 学
上页 下页 返回
第二章 随机变量
§1 随机变量及其分布函数 §2 离散型随机变量及其分布 §3 连续型随机变量及其分布 §4 随机变量函数的分布
广 东 工 业 大 学
上页 下页 返回
§2 离散型随机变量及分布
一、离散型随机变量的定义
有些随机变量，它全部可能取的值只有有限 个，或者，虽然有无限多个可能的值，但这些值 可以无遗漏地一个接一个地排列出来（即可列 个），称这种随机变量为离散型随机变量。
二项分布描述的是n重贝努里试验中出现
“成功”（事件A发生）次数ξ的概率分
布.
在解应用题时需要注意判断问题是否
为贝努利概型，可否用二项分布求解. 广 东 工 业 大 学
上页 下页 返回
例 医生对5个人作某疫苗接种试验，设已知对试验反应呈阳性的
概率为p＝0.45，且各人的反应相互独立。若以 记反应为阳性的人数。 （1）写出 的分布律；（2）恰有3人反应为阳性的概率；（3）至少有2
0.453(1
0.45)2
0.276;
广
(3)至 少 有2人 反 应 呈 阳 性 的 概 率 是
东 工
P( 2) 1 p( 0) p( 1)
业 大
1
(1
0.45)
5
C
1 5
0.45(1
0.45)4 0.744.
上页 下页
返回
学
若X : b(n,p)，则明显地成立以下公式：
1.在n重贝努利 试验中，事件A发生的次 数在k1与k2之间的概 率是
下面求P{ξ=k}
概率与数理统计 第二章-2-离散型随机变量及其分布律
(0–1)分布的分布律也可以写成：
P{X k} pk (1 p)1k , k 0,1,0 p 1.
两点分布的模型为：
（1）Ω= {1, 2}， 只有两个基本事件。
P({1}) = p , P({2}) = 1-p =q.
令
X
()
1, 0,
1, 2,
（2） W A A ，有两个结果。
1
2
P 0.04 0.32 0.64
PX 0 0.2 0.2 0.04
PX 1 0.80.2 0.20.8 0.32
PX 2 0.8 0.8 0.64
(2) ∵是并联电路 ∴ P{线路接通} =P{只要一个继电器接通} =P{X≥1} =P{X=1}+P{X=2}=0.32+0.64=0.96
所以，X 的概率分布为
P{X k } C4k p k (1 p )4k ,
k 0, 1, 2, 3, 4 .
(1) 伯努利试验 若随机试验E只有两个可能的结果： 事件A发生与事件A不发生，则称这样的 试验为伯努利(Bermourlli)试验。记
P(A) p, P(A) 1 p q (0 p 1),
P{X=1}：o o o Co41 p1(1 p)41
P{X=2}：o o oo oo oo C42opo2(1oop)42
P{X=3}：ooo oo o o oo oooC43 p3(1 p)43 P{X=4}：oooo C44 p4(1 p )44 p4
其中“×”表示未中，“○”表示命中。
P(A) p, P(A) 1 p ；
③ 各次试验相互独立。
我们关心的问题是：
n次的独立伯努利试验中，事件A发生的次数 及A发生k次的概率。
概率论与数理统计-第3章-第2讲-二维离散型随机变量及其分布
求分布律方法：先定值再求概率
Y
X
0
1
2
3
0
0
0
1
0
2
0
取4只球 P{X 0,Y 0} P{X 0,Y 1} P{X 1,Y 0} P{X 3,Y 2} 0
14
03 二维离散型随机变量的边缘分布律
例 盒子里装有3只黑球, 2只红球, 2只白球, 在其中任取4只球, 以 X 表示取 到黑球的只数, 以 Y 表示取到红球的只数, 求(X, Y)的联合分布律.
主讲教师 |
18
由此得 X , Y 的联合分布律为
X Y
0
1
0
0
0
6
1
0
35
1
6
2
35
35
2
3
3
2
35
35
12
2
35
35
3 0
35
16
第2讲 二维离散型随机变量及其分布
本节我们认识了二维离散型随机变量, 以及联合分布律和边 缘分布律, 要求理解它们概念和性质, 并且会求相应的概率.
17
概率论与数理统计
学海无涯, 祝你成功！
3
本讲内容
01 二维离散型随机变量 02 联合分布律 03 二维离散型随机变量的边缘分布律
4
02 联合分布律
2.联合分布律
设( X ,Y )的所有可能的取值为
(xi , y j ), i, j 1,2,
则称
P( X xi ,Y y j ) pij , i, j 1,2,
为二维随机变量( X ,Y ) 的联合概率分布, 简称概率分布或分布律.
7
02 联合分布律 已知联合分布律可以求概率
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(1) 对于发生概率低的事件, 如果试验独立进行多次, 事件必然发生; 不能轻视小概率事件.
(2) 若本例中400次射击中中靶不到两次, 可以认为 命中率不到0.02.
例4 80台同类型设备, 各台工作相互独立,发生故障 的概率都是0.01, 且一台设备的故障能由一人处理. 考虑两种配备维修工人的方法: 其一由4人维护, 每 人负责20台; 其二由三人共同维护80台. 比较这两种 方法在设备发生故障时不能及时维修的概率.
第二节 离散型随机变量 及其分布律
一、离散型随机变量的分布律 二、常见离散型随机变量的概率分布 三、小结
一、离散型随机变量的分布律
定义 设离散型随机变量X 所有可能取的值为 xk (k 1,2, ), X 取各个可能值的概率, 即事件 { X xk } 的概率, 为
P{ X xk } pk , k 1,2, . 称此为离散型随机变量X 的分布律.
的次品数，X～b( 1000 , 0.001 )
解 P{ X 2} 1 P{ X 0} P{ X 1}
1
(0.999)1000
C1 1000
(0.999)999
(0.001)
1 0.3676954 0.3680635 0.2642411
也可用泊松分布近似计算，得： np 1
P{ X 2} 1 P{ X 0} P{ X 1}
们做了2608次观察(每次时间为7.5秒)发现放射 性物质在规定的一段时间内, 其放射的粒子数X 服从泊松分布.
在生物学、医学、工业统计、保险科学及 公用事业的排队等问题中 , 泊松分布是常见的. 例如地震、火山爆发、特大洪水、交换台的电 话呼唤次数等, 都服从泊松分布.
地震
火山爆发
特大洪水
商场接待的顾客数 电话呼唤次数 交通事故次数
解 第一种方式. 记 X 为“第一人维护的20台中同 一时刻发生故障的台数”, Ai 表示事件“第 i 人维 护的20台中发生故障不能及时维修” (i = 1, 2, 3, 4),
则 X ~ b(20, 0.01), 且80台中发生故障不能及时维修的概率为
P( A1 A2 A3 A4 ) P( A1 ) P{ X 2}
P{X = 8} = 0.022 P{X = 9} = 0.007 P{X = 10} = 0.002
P{X = k} < 0.001, k > 10
图形:
规律: 当 k 增加时, 概 率 P{X = k} 先增并达 到最大值, 随后单调减 少.
例3 某人进行射击,设每次射击的命中率为0.02, 独立射击 400 次,试求至少击中两次的概率. 解 设击中的次数为 X ,
因此，当n很大时，有近似式：
n pk (1 p)nk ke (其中 np)
k
k!
即：n很大时，二项分布的概率值可以由泊松分布 的概率值近似计算。
例5 计算机硬件公司制造某种特殊型号的微型芯片，
次 品 率 达 0.1% ， 各 芯 片 成 为 次 品 相 互 独 立 。 求 在
1000只产品中至少有2只次品的概率。以X记产品中
1
C
k 80
(0.01)k
(0.99)80
k
k0
= 0.0087
因此第二种方式更科学. 工作效率提高了.
另解 按第一种方法
而 X ~ b(20,0.01), 又 np 0.2,
故有 P{ X 2} (0.2)k k 0.2 0.0175.
k2
k!
即有 P( A1 A2 A3 A4 ) 0.0175.
上面我们提到
二项分布 np ( n )泊松分布
单击图形播放/暂停 ESC键退出
泊松定理 设 0是一个常数，n是任意正整数，设
npn ，则对于任一固定的非负整数 k ，有:
lim n
n k
pnk
(1
pn )nk
k e
k!
证明 由 npn ，有：
n k
pnk (1
pn
)nk
X ~ b(1000, 0.0001),
故所求概率为 P{X 2} 1 P{X 0} P{X 1}
1 0.99991000 1000 0.0001 0.9999999 1
二项分布 np ( n )泊松分布
可利用泊松定理计算 1000 0.0001 0.1,
P{ X 2} 1 e0.1 0.1 e0.1 0.0047.
设 X 为20只产品中一级品的数量,
则 X ~ b(20, 0.2). 于是
P{ X
k}
C
k 20
(0.2)k
(0.8)20k
,k
0,1,
,20.
计算结果如下:
P{X = 0} = 0.012 P{X = 1} = 0.058 P{X = 2} = 0.137 P{X = 3} = 0.205
P{X = 4} = 0.218 P{X = 5} = 0.175 P{X = 6} = 0.109 P{X = 7} = 0.055
若 X 表示 n 重伯努利试验中事件 A 发生的次数, 则 X 所有可能取的值为
0, 1, 2, , n.
当 X k (0 k n) 时, 即 A 在 n 次试验中发生了 k 次.
AAA AAA ,
k次
nk 次
AAA A A AAA
k1 次
nk1 次
得 A 在 n 次试验中发生 k 次的方式共有 n 种, k
0!
1!
4. 泊松分布
设随机变量所有可能取的值为0, 1, 2, ,而取各个
值的概率为
ke
P{X k}
, k 0,1,2, ,
k!
其中 0是常数.则称 X 服从参数为 的泊松分
布,记为 X ~ π( ).
泊松分布的图形
泊松分布的背景及应用
二十世纪初卢瑟福和盖克两位科学家在观察
与分析放射性物质放出的粒 子个数的情况时,他
1 e1 e1 0.2642411
结论：当n≥20，p≤0.05时，用
k e
k!
n pk (1 k
pn )nk
近似效果好。
5. 几何分布
若随机变量 X 的分布律为
X 1 2 k , p q 1, pk p qp qk1 p
则称 X 服从几何分布.
实例 设某批产品的次品率为 p,对该批产品做有放 回的抽样检查 , 直到第一次抽到一只次品为止 ( 在 此之前抽到的全是正品 ), 那么所抽到的产品数 X 是 一个随机变量 , 求X 的分布律. 解 X 所取的可能值是 1, 2, 3, .
则 X ~ b(400,0.02).
X 的分布律为
P{ X k} 400(0.02)k (0.98)400k , k 0,1, ,400. k
因此 P{X 2} 1 P{X 0} P{X 1} 1 (0.98)400 400(0.02)(0.98)399 0.9972.
说明: 对于本例的结果在实际中反映出这样两个问题:
设 P( A) p (0 p 1),此时P( A) 1 p.
将 E 独立地重复地进行n 次,则称这一串重 复的独立试验为n 重伯努利试验.
实例1 抛一枚硬币观察得到正面或反面. 若将硬 币抛 n 次,就是n重伯努利试验.
实例2 抛一颗骰子n次,观察是否 “出现 1 点”, 就 (3) 二项是概n重率伯公努式利试验.
1
1
1
P{ X
k}
1
C
k 20
(0.01)k
(0.99)20
k
k0
k0
= 0.0169
即 P( A1 A2 A3 A4 ) 0.0169.
第二种方式: 记 Y 为“80台中同一时刻发生故障的 台数”, 则 Y ~ b(80, 0.01) .
则80台中发生故障不能及时维修的概率为
3
P{Y
4}
2
0.125
3
4
0.0625 0.0625
二、常见离散型随机变量的概率分布
1.两点分布
设随机变量 X 只可能取0与1两个值 , 它的分布 律为
P{X = k} = pk(1p)1k k =0Hale Waihona Puke 1 0< p < 1.
表格形式为:
X
0
1
pk 1 p
p
则称 X 服从 (0—1) 分布或两点分布.
实例1 “抛硬币”试验,观察正、反两面情况.
说明
(1) pk 0, k 1,2, ;
(2) pk 1. k 1
离散型随机变量的分布律也可表示为 X ~ x1 x2 xn p1 p2 pn
X x1 x2 xn
pk
p1 p2 pn
例1 设一汽车在开往目的地的道路上需经过四 组信号灯,每组信号灯以1 2的概率允许或禁止汽 车通过.以 X 表示汽车首次停下时,它已通过的信 号灯的组数(设各组信号灯的工作是相互独立的), 求 X 的分布律.
n(n
1) (n k!
k
1)
n
k
(1
)nk
n
k [1 (1 1) (1 k 1)](1 )n (1 )k
k!
n
n
n
n
对任意固定的k，当n→∞时，
1 (1 1 ) (1 k 1) 1 (1 )n e
n
n
n
(1 )k 1
n
得证。
说明：
在 npn （常数）中，当n很大时，pn必定很小。
按第二种方法
以Y 记 80台中同一时刻发生故 障的台数.
则有 Y ~ b(80,0.01), 又 np 0.8,
故 80 台中发生故障而不能及时维修的概率为
(2) 若本例中400次射击中中靶不到两次, 可以认为 命中率不到0.02.
例4 80台同类型设备, 各台工作相互独立,发生故障 的概率都是0.01, 且一台设备的故障能由一人处理. 考虑两种配备维修工人的方法: 其一由4人维护, 每 人负责20台; 其二由三人共同维护80台. 比较这两种 方法在设备发生故障时不能及时维修的概率.
第二节 离散型随机变量 及其分布律
一、离散型随机变量的分布律 二、常见离散型随机变量的概率分布 三、小结
一、离散型随机变量的分布律
定义 设离散型随机变量X 所有可能取的值为 xk (k 1,2, ), X 取各个可能值的概率, 即事件 { X xk } 的概率, 为
P{ X xk } pk , k 1,2, . 称此为离散型随机变量X 的分布律.
的次品数，X～b( 1000 , 0.001 )
解 P{ X 2} 1 P{ X 0} P{ X 1}
1
(0.999)1000
C1 1000
(0.999)999
(0.001)
1 0.3676954 0.3680635 0.2642411
也可用泊松分布近似计算，得： np 1
P{ X 2} 1 P{ X 0} P{ X 1}
们做了2608次观察(每次时间为7.5秒)发现放射 性物质在规定的一段时间内, 其放射的粒子数X 服从泊松分布.
在生物学、医学、工业统计、保险科学及 公用事业的排队等问题中 , 泊松分布是常见的. 例如地震、火山爆发、特大洪水、交换台的电 话呼唤次数等, 都服从泊松分布.
地震
火山爆发
特大洪水
商场接待的顾客数 电话呼唤次数 交通事故次数
解 第一种方式. 记 X 为“第一人维护的20台中同 一时刻发生故障的台数”, Ai 表示事件“第 i 人维 护的20台中发生故障不能及时维修” (i = 1, 2, 3, 4),
则 X ~ b(20, 0.01), 且80台中发生故障不能及时维修的概率为
P( A1 A2 A3 A4 ) P( A1 ) P{ X 2}
P{X = 8} = 0.022 P{X = 9} = 0.007 P{X = 10} = 0.002
P{X = k} < 0.001, k > 10
图形:
规律: 当 k 增加时, 概 率 P{X = k} 先增并达 到最大值, 随后单调减 少.
例3 某人进行射击,设每次射击的命中率为0.02, 独立射击 400 次,试求至少击中两次的概率. 解 设击中的次数为 X ,
因此，当n很大时，有近似式：
n pk (1 p)nk ke (其中 np)
k
k!
即：n很大时，二项分布的概率值可以由泊松分布 的概率值近似计算。
例5 计算机硬件公司制造某种特殊型号的微型芯片，
次 品 率 达 0.1% ， 各 芯 片 成 为 次 品 相 互 独 立 。 求 在
1000只产品中至少有2只次品的概率。以X记产品中
1
C
k 80
(0.01)k
(0.99)80
k
k0
= 0.0087
因此第二种方式更科学. 工作效率提高了.
另解 按第一种方法
而 X ~ b(20,0.01), 又 np 0.2,
故有 P{ X 2} (0.2)k k 0.2 0.0175.
k2
k!
即有 P( A1 A2 A3 A4 ) 0.0175.
上面我们提到
二项分布 np ( n )泊松分布
单击图形播放/暂停 ESC键退出
泊松定理 设 0是一个常数，n是任意正整数，设
npn ，则对于任一固定的非负整数 k ，有:
lim n
n k
pnk
(1
pn )nk
k e
k!
证明 由 npn ，有：
n k
pnk (1
pn
)nk
X ~ b(1000, 0.0001),
故所求概率为 P{X 2} 1 P{X 0} P{X 1}
1 0.99991000 1000 0.0001 0.9999999 1
二项分布 np ( n )泊松分布
可利用泊松定理计算 1000 0.0001 0.1,
P{ X 2} 1 e0.1 0.1 e0.1 0.0047.
设 X 为20只产品中一级品的数量,
则 X ~ b(20, 0.2). 于是
P{ X
k}
C
k 20
(0.2)k
(0.8)20k
,k
0,1,
,20.
计算结果如下:
P{X = 0} = 0.012 P{X = 1} = 0.058 P{X = 2} = 0.137 P{X = 3} = 0.205
P{X = 4} = 0.218 P{X = 5} = 0.175 P{X = 6} = 0.109 P{X = 7} = 0.055
若 X 表示 n 重伯努利试验中事件 A 发生的次数, 则 X 所有可能取的值为
0, 1, 2, , n.
当 X k (0 k n) 时, 即 A 在 n 次试验中发生了 k 次.
AAA AAA ,
k次
nk 次
AAA A A AAA
k1 次
nk1 次
得 A 在 n 次试验中发生 k 次的方式共有 n 种, k
0!
1!
4. 泊松分布
设随机变量所有可能取的值为0, 1, 2, ,而取各个
值的概率为
ke
P{X k}
, k 0,1,2, ,
k!
其中 0是常数.则称 X 服从参数为 的泊松分
布,记为 X ~ π( ).
泊松分布的图形
泊松分布的背景及应用
二十世纪初卢瑟福和盖克两位科学家在观察
与分析放射性物质放出的粒 子个数的情况时,他
1 e1 e1 0.2642411
结论：当n≥20，p≤0.05时，用
k e
k!
n pk (1 k
pn )nk
近似效果好。
5. 几何分布
若随机变量 X 的分布律为
X 1 2 k , p q 1, pk p qp qk1 p
则称 X 服从几何分布.
实例 设某批产品的次品率为 p,对该批产品做有放 回的抽样检查 , 直到第一次抽到一只次品为止 ( 在 此之前抽到的全是正品 ), 那么所抽到的产品数 X 是 一个随机变量 , 求X 的分布律. 解 X 所取的可能值是 1, 2, 3, .
则 X ~ b(400,0.02).
X 的分布律为
P{ X k} 400(0.02)k (0.98)400k , k 0,1, ,400. k
因此 P{X 2} 1 P{X 0} P{X 1} 1 (0.98)400 400(0.02)(0.98)399 0.9972.
说明: 对于本例的结果在实际中反映出这样两个问题:
设 P( A) p (0 p 1),此时P( A) 1 p.
将 E 独立地重复地进行n 次,则称这一串重 复的独立试验为n 重伯努利试验.
实例1 抛一枚硬币观察得到正面或反面. 若将硬 币抛 n 次,就是n重伯努利试验.
实例2 抛一颗骰子n次,观察是否 “出现 1 点”, 就 (3) 二项是概n重率伯公努式利试验.
1
1
1
P{ X
k}
1
C
k 20
(0.01)k
(0.99)20
k
k0
k0
= 0.0169
即 P( A1 A2 A3 A4 ) 0.0169.
第二种方式: 记 Y 为“80台中同一时刻发生故障的 台数”, 则 Y ~ b(80, 0.01) .
则80台中发生故障不能及时维修的概率为
3
P{Y
4}
2
0.125
3
4
0.0625 0.0625
二、常见离散型随机变量的概率分布
1.两点分布
设随机变量 X 只可能取0与1两个值 , 它的分布 律为
P{X = k} = pk(1p)1k k =0Hale Waihona Puke 1 0< p < 1.
表格形式为:
X
0
1
pk 1 p
p
则称 X 服从 (0—1) 分布或两点分布.
实例1 “抛硬币”试验,观察正、反两面情况.
说明
(1) pk 0, k 1,2, ;
(2) pk 1. k 1
离散型随机变量的分布律也可表示为 X ~ x1 x2 xn p1 p2 pn
X x1 x2 xn
pk
p1 p2 pn
例1 设一汽车在开往目的地的道路上需经过四 组信号灯,每组信号灯以1 2的概率允许或禁止汽 车通过.以 X 表示汽车首次停下时,它已通过的信 号灯的组数(设各组信号灯的工作是相互独立的), 求 X 的分布律.
n(n
1) (n k!
k
1)
n
k
(1
)nk
n
k [1 (1 1) (1 k 1)](1 )n (1 )k
k!
n
n
n
n
对任意固定的k，当n→∞时，
1 (1 1 ) (1 k 1) 1 (1 )n e
n
n
n
(1 )k 1
n
得证。
说明：
在 npn （常数）中，当n很大时，pn必定很小。
按第二种方法
以Y 记 80台中同一时刻发生故 障的台数.
则有 Y ~ b(80,0.01), 又 np 0.8,
故 80 台中发生故障而不能及时维修的概率为