几个典型的离散型随机变量
概率论与数理统计之离散型随机变量
电子科技大学
离散型随机变量
14.12.13
lim P{ X n k }
n
lk
k!
e , k 1,2,
l
证明略. 思考：你能从条件 lim npn l 0,
n
中分析出什么结论吗？ 注
n
lim npn l
即数列{ pn } 与 { 1 n } 是同阶的无穷小.故
即 10k 10 P{ X a } e 0.95 k 0 k!
a
电子科技大学
离散型随机变量
14
14.12.13
查表可得
10k 10 e 0.9166 0.95 k 0 k!
10k 10 e 0.9513 0.95 k 0 k!
15
这家商店在月底保证存货不少于15件就 能以95%的概率保证下个月该种商品不会 脱销.
p (1 p)
电子科技大学
离散型随机变量
k n
14.12.13
从n次试验中选出k 次试验有C 种不同的 方式.
且各种方式的事件互不相容，由概率的有 限可加性可得
Pn ( k )
结论成立.
k Cn
p (1 p)
k
n k
,
称随机变量X 服从二项分布 ,记为X ～ B(n, p). (0—1)分布可以看作X ～B(1, p).
14.12.13
故
F ( x ) P{ X x }
P[ { X xi }] P{ X xi }
xi x
xi x
二、贝努里试验和二项分布 E1：抛一枚硬币出现正反面; E2：检查一件产品是否合格; E3：射击，观察是否命中; 贝努里 试验
离散型随机变量例子
离散型随机变量例子
随机变量是概率论中一个重要的概念，所谓随机变量，指的是一个可以取几种不同可能值的变量，其中每一种可能值的发生概率可以用概率论来描述。
离散型随机变量是指可能取值为有限数或者数目可算的有限或无穷多实数的随机变量。
下面我们就来看看几个典型的离散型随机变量例子。
1、伯努利随机变量：伯努利随机变量是指一个随机变量，它只有两种可能的结果，也就是只有 0 或 1。
它具有 0 的概率为 p，另一个结果就是 1 的概率也就是 1-p。
2、离散型随机变量的数学期望：离散型随机变量的数学期望是指随机变量的均值。
它的计算方法是把变量的各种可能值乘以其对应的概率，然后求和，就可以得到数学期望的值。
3、二项分布：二项分布是指一个随机变量 X 的概率分布如果是一个多次独立试验的离散型结果，它的取值就是 0 到 n 之间的整数。
它的概率分布可以用下面的公式来表示：P（X=k）={nchoose k}p^kq^{nk}
4、泊松分布：泊松分布是一个特殊的二项分布，它只有两个参数，一个是λ，另一个是 n。
- 1 -。
常见离散型随机变量的分布
P(X=2) =0.2304 P(X=4) =0.2592
P(X=3) =0.3456 P(X=5) =0.07776
若A和A是n重伯努利实验的两个对立结果,“成功”
可以指二者中任意一个, p 是“成功”的概率.
例如: 一批产品的合格率为0.8,有放回地抽取 4次, 每次一件, 取得合格品件数X, 以及取得不合 格品件数Y均服从分布为二项分布. “成功”即取得合格品的概率为p=0.8,
X对应的实验次数为n=4, 所以, X~B(4,0.8)
类似,Y~B(4,0.2)
二项分布的期望与方差 X ~ b(n, p)
1 如第i 次试验成功 X i 0 如第i 次试验失败
i 1,2,, n.
则 X X1 X2 Xn Xi ~ (0 1)分布 EX i p, DX i p(1 p)
两点分布的期望与方差
设X服从参数为p的0-1分布，则有
E(X ) p
E(X 2) p
X
0
1
pk 1 p
p
D( X ) E( X 2 ) [E( X )]2 p p2 p(1 p)
二、二项分布
若在一次伯努利实验中成功（事件A发生）的概率 为p(0<p<1),独立重复进行n次, 这n次中实验成功的 次数（事件A发生的次数）X的分布列为:
E(X ) 1 p
D(X )
q p2
EX 2 k 2 pqk1 p[ k(k 1)qk1 kqk1]
k 1
k 1
k 1
qp(
qk ) EX
qp( q ) 1 q
1 p
k 1
qp
2 (1 q)3
1 p
2q 1 p2 p
2
离散型随机变量的例子
离散型随机变量的例子
1. 你看抛硬币不，正面或反面朝上，这就是一个离散型随机变量的典型例子呀！每次抛硬币，结果都是不确定的，就好像人生的选择一样，每一次都充满了未知和惊喜呢！
2. 彩票算吧！彩票的中奖号码不就是离散型随机变量嘛。
你想想，买的时候你根本不知道会中还是不会中，那心情，一会儿期待得不行，一会儿又觉得没啥希望，这感觉多刺激呀！
3. 骰子的点数也属于离散型随机变量哦。
在玩游戏的时候，扔出骰子的那一刻，谁知道会是几点呢，心里是不是会有点小紧张，小期待呀，就像等待一个重要的消息一样。
4. 生男生女也是呀，宝宝还没出生前，你知道是男孩还是女孩吗？不知道对吧，这就是个离散型随机变量嘛，多神奇呀！
5. 抽查产品的质量合格与否，这也是离散型随机变量呢。
每次抽检都像是一场冒险，合格了大家开心，不合格就着急上火，这不就跟生活中的起伏一样吗？
6. 学生考试及格或不及格，也可以看成离散型随机变量呢。
考试前的忐忑，等待成绩的焦急，那种感觉是不是特别熟悉？这就像在人生道路上等待一个个结果一样。
我的观点结论就是：离散型随机变量在我们生活中无处不在，给我们的生活带来了很多不确定和乐趣，同时也让我们体验到各种不同的心情和经历。
概率论-2-3 常见离散型随机变量的分布
离散型 连续型
随机变量所取的可能值是有限多个或无限 可列个, 叫做离散型随机变量.
随机变量所取的可能值可以连续地充满某个 区间,叫做连续型随机变量.
引入分布的原因
以认识离散随机变量为例, 我们不仅 要知道 X 取哪些值,而且还要知道它 取这些值的概率各是多少,这就需要 分布的概念.有没有分布是区分一般 变量与随机变量的主要标志.
例 某服装商店经理根据以往经验估计每名顾客购买 服装的概率是0.25，在10个顾客中有3个及3个以上顾 客购买服装的概率是多少？最可能有几个顾客购买服 装？
解 设X 表示购买服装的顾客数目，
则 X ~ B(10,0.25)，所以有 3 个及 3 个以上顾客购买服装的概率为
2
P{X 3} 1 P{X k} 2 k0 1 C1k0 (0.25)k (0.75)10k 0.4744 k 0
k 1, 2,
q 1 p
其中，0<p<1，则称X服从参数为p的几何分布，记做
X G( p).
几何分布可作为描述某个试验 “首次成功”的概率模型.
5、超几何分布
如果随机变量X的概率分布为
P{X
k}
CMk
Cnk N M
CNn
(k 0,1, , min(M , n))
其中N,M,n 均为自然数,则称随机变量X服从超几何分 布，记做 X H (M , N, n).
或
X
0
1
pk 1 p
p
则称 X 服从 0-1 分布或两点分布.
例 200件产品中,有190件合格品，10件不合格 品，现从中随机抽取一件，若规定
X
常见的离散型随机变量的分布
30台设备发生故障不能及时维修为事件 Ai
则
P( Ai )
P(Y
2)
k 2
e0.3 0.3k k!
0.0369 i 1,2,3
三个人各独立负责30台设备发生故障不能及时
维修为事件 A1 A2 A3 3
PA1 A2 A3 1 P( Ai )
i1
1 (1 0.0369)3 0.1067 0.013459
例1 独立射击5000次，每次的命中率为0.001, 求 (1) 最可能命中次数及相应的概率；
(2) 命中次数不少于2 次的概率.
解 (1) k = [( n + 1)p ] = [( 5000+ 1)0.001] = 5
P5000(5) C55000(0.001)5 (0.999)4995 0.1756
0 1 2 34 5 6 7 8
.039 .156 .273 .273 .179 .068 .017 .0024 .0000
P 0.273•
由图表可见 , 当 k 2或3 时， 分布取得最大值
P8(2) P8(3) 0.273 此时的 k 称为最可能成功次数
•••••••••
012345678
(1) 问至少要配备多少维修工人，才能保证当设 备发生故障时不能及时维修的概率小于0.01?
(2) 问3个人共同负责90台还是3个人各自独立负 责30台设备发生故障不能及时维修的概率低？
解 (1) 设 需要配备 N 个维修工人,设 X 为90 台
设备中发生故障的台数，则 X ~ B( 90, 0.01)
90
P( X N ) C9k0 (0.01)k (0.99)Nk
k N 1
令 90 0.01 0.9
离散型随机变量
1．离散型随机变量
随着试验结果变化而变化的变量称为随机变量，常用字母X ，Y ，ξ，η，…表示，所有取值可以一一列出的随机变量，称为离散型随机变量． 2．离散型随机变量的分布列及性质
(1)一般地，若离散型随机变量X 可能取的不同值为x 1，x 2，…，x i ，…，x n ，X 取每一个值x i (i ＝1,2，…，n )的概率P (X ＝x i )＝p i ，则表
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 ＝x i )＝p i ，i ＝1,2，…，n 表示X 的分布列．
(2)离散型随机变量的分布列的性质 ①p i ≥0，i ＝1,2，…，n ； ② i ＝1n
p i ＝1.
3．常见离散型随机变量的分布列 (1)两点分布
若随机变量X 服从两点分布，即其分布列为
其中p ＝P (X ＝1)称为成功概率． (2)超几何分布
一般地，在含有M 件次品的N 件产品中，任取n 件，其中恰有X 件次品，则P (X ＝k )＝C k M C n －
k N －M
C n N
，k ＝0,1,2，…，
m ，其中m ＝min{M ，n }，且n ≤N ，M ≤N ，n ，M ，N ∈N *.如果随机变量X 的分布列具有下表形式，。
常见离散型随机变量
松分布 P( ), 即
C pq
其中 np.
x n
x n x
x
x!
e ,
上面我们提到 二项分布
np ( n )
泊松分布
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 品中的次品数, X ~ b(1000 , 0.001).
个产品，检查其质量后仍放回去，如此连续抽取 n 次，
则在被抽查的 n 个产品中的次品数 X 服从二项分布：
X ~ B(n, p).
4.泊松(Poisson) 分布
下面的概率分布称为泊松分布：
0 随机变量 X 的可能值： , 1, 2, , n, ● 概率函数： x p( x) e , x 0,1, 2,, n, ( 0). x! n n x 显然 p( x ) e e e 1 . x 0 x 0 x!
几个重要分布的渐近关系其中上面我们提到二项分布计算机硬件公司制造某种特殊型号的微型芯次品率达01各芯片成为次品相互独立
第二章 随机变量及其分布
§2.3 超几何分布· 二项分布· 泊松分布
1.“0-1”分布
下面的概率分布称为“0-1”分布(或两点分布)：
● 随机变量 X ●
的可能值：0, 1.
概率函数： p( x) p x q1 x , x 0, 1 (0 p 1, p q 1).
应用背景 无放回抽样
例如,设一批产品共 N 个,其中有 M 个次品.从这批产 品中任意取出 n 个产品,则取出的 n 个产品中的次品数 X 服从超几何分布 H (n, M , N ) .
常见离散型随机变量分布列示例
常见随机事件的概率与分布列示例1、耗用子弹数的分布列例 某射手有5发子弹，射击一次命中概率为0.9，如果命中就停止射击，否则一直到子弹用尽，求耗用子弹数ξ的分布列．分析：确定ξ取哪些值以及各值所代表的随机事件概率，分布列即获得．解：本题要求我们给出耗用子弹数ξ的概率分布列．我们知道只有5发子弹，所以ξ的取值只有1，2，3，4，5．当1=ξ时，即9.0)1(==ξP ；当2=ξ时，要求第一次没射中，第二次射中，故09.09.01.0)2(=⨯==ξP ；同理，3=ξ时，要求前两次没有射中，第三次射中，009.09.01.0)3(2=⨯==ξP ；类似地，0009.09.01.0)4(3=⨯==ξP ；第5次射击不同，只要前四次射不中，都要射第5发子弹，也不考虑是否射中，所以41.0)5(==ξP ，所以耗用子弹数ξ的分布列为：ξ0 1 2 3P 0.9 0.09 0.009 0.0001说明：搞清5=ξ的含义，防止这步出错．5=ξ时，可分两种情况：一是前4发都没射中，恰第5发射中，概率为0.14×0.9；二是这5发都没射中，概率为0.15，所以，541.09.01.0)5(+⨯==ξP ．当然，5=ξ还有一种算法：即0001.0)0009.0009.009.09.0(1)5(=+++-==ξP ．2、独立重复试验某事件发生偶数次的概率例 如果在一次试验中，某事件A 发生的概率为p ，那么在n 次独立重复试验中，这件事A 发生偶数次的概率为________．分析：发生事件A的次数()p n B ,~ξ，所以，),,2,1,0,1(,)(n k p q q p C k p kn k k n =-===-ξ其中的k 取偶数0，2，4，…时，为二项式n q p )(+ 展开式的奇数项的和，由此入手，可获结论．解：由题，因为()p n B ,~ξ且ξ取不同值时事件互斥，所以，[][]n n n n n n n n n p p q p q q p C q p C q p C P P P P )21(121)()(21)4()2()0(44422200-+=-++=+++=+=+=+==-- ξξξ．（因为1=+q p ，所以p p q 21-=-）说明：如何获得二项展开式中的偶数次的和？这需要抓住np q )(+与np q )(-展开式的特点：联系与区分，从而达到去除p 奇次，留下p 偶次的目的．3、根据分布列求随机变量组合的分布列例 已知随机变量ξ 的分布列为ξ－2 －1 0 1 2 3P121123 124 121 122 121 分别求出随机变量221,2ξ η ξ η ==的分布列． 解： 由于ξ η 211=对于不同的ξ 有不同的取值x y 21=，即2321,121,2121,021,2121,121665544332211========-==-==x y x y x y x y x y x y ，所以1η 的分布列为1η－121- 021 132 P121123 124 121 122 121 22ξ η =对于ξ 的不同取值－2，2及－1，1，2η分别取相同的值4与1，即2η 取4这个值的概率应是ξ 取－2与2值的概率121与122合并的结果，2η 取1这个值的概率就是ξ 取－1与1值的概率123与121合并的结果，故2η 的分布列为 2η0 1 4 9P124 124 123 121 说明：在得到的1η 或2η 的分布列中，1η 或2η 的取值行中无重复数，概率得中各项必须非负，且各项之和一定等于1．4、成功咨询人数的分布列例 某一中学生心理咨询中心服务电话接通率为43，某班3名同学商定明天分别就同一问题询问该服务中心．且每人只拨打一次，求他们中成功咨询的人数ξ的分布列．分析：3个人各做一次试验，看成三次独立重复试验，拨通这一电话的人数即为事件的发生次数ξ，故符合二项分布．解：由题：⎪⎭⎫ ⎝⎛43,3~B ξ，所以3,2,1,0,4143)(33=⎪⎭⎫ ⎝⎛⎪⎭⎫ ⎝⎛==-k C k P kk k ξ，分布列为ξ 0 1 2 3P641 649 6427 6427说明：次独立重复实验中，以事件发生的次数ξ为随机变量．5、盒中球上标数于5关系的概率分布列例 盒中装有大小相等的球10个，编号分别为0，1，2，…，9，从中任取1个，观察号码是“小于5”“等于5”“大于5”三类情况之一．规定一个随机变量，并求其概率分布列．分析：要求其概率的分布列可以先求个小球所对应的概率．解：分别用321,,x x x 表示题设中的三类情况的结果：1x 表示“小于5”的情况，2x 表示“等于5”的情况，3x 表示“大于5”的情况．设随机变量为ξ ，它可能取的值为ξ ,,,321x x x 取每个值的概率为P x P ==)(1ξ （取出的球号码小于5）＝105， P x P ==)(2ξ （取出的球号码等于5）＝101， P x P ==)(3ξ （取出的球号码大于5）＝104． 故ξ 的分布列为ξ1x 2x 3xP21101 52小结：分布列是我们进一步解决随机变量有关问题的基础，因此准确写出随机变量的分布列是很重要的，但是我们不能保证它的准确性，这时我们要注意运算的准确性外，还可以利用11=∑=ni ip进行检验．6、求随机变量的分布列例 一袋中装有5只球，编号为1，2，3，4，5，在袋中同时取3只，以ξ 表示取出的3只球中的最大号码，写出随机变量ξ 的分布列．分析：由于任取三个球，就不是任意排列，而要有固定的顺序，其中球上的最大号码只有可能是3，4，5，可以利用组合的方法计算其概率．解：随机变量ξ 的取值为3，4，5．当ξ ＝3时，即取出的三只球中最大号码为3，则其他二球的编号只能是1，2，故有;101C C )3(3523===ξ P当ξ ＝4时，即取出的三只球中最大号码为4，则其他二球只能在编号为1，2，3的3球中取2个，故有;103C C )4(3523===ξ P当ξ ＝5时，即取出的三只球中最大号码为5，则其他二球只能在编号为1，2，3，4的4球中取2个，故有.53106C C )5(3523====ξ P因此，ξ 的分布列为ξ3 4 5P101103 106 说明：对于随机变量ξ 取值较多或无穷多时，应由简单情况先导出一般的通式，从而简化过程．7、取得合格品以前已取出的不合格品数的分布列例 一批零件中有9个合格品与3个不合格品．安装机器时，从这批零件中任取一个．如果每次取出的不合格品不再放回去，求在取得合格品以前已取出的不合格品数的分布列．分析：取出不合格品数的可能值是0，1，2，3，从而确定确定随机变量的可能值．解：以ξ 表示在取得合格品以前取出的不合格品数，则ξ 是一个随机变量，由题设ξ 可能取的数值是0，1，2，3．当ξ ＝0时，即第一次就取到合格品，其概率为;750.0123)0(===ξ P 当ξ ＝1时，即第一次取得不合格品，不放回，而第二次就取得合格品，其概率为;204.0119123)1(≈⋅==ξ P 当ξ ＝2时，即第一、二次取得不合格品，不放回，第三次取得合格品，其概率为;041.0119112123)2(≈⋅⋅==ξ P 当ξ ＝3时，即第一、二、三次均取得不合格品，而第四次取得合格品，其概率为.005.099101112123)3(≈⋅⋅⋅==ξ P 所以ξ 的分布列为ξ0 1 2 3 P0.7500.2040.0410.005说明：一般分布列的求法分三步：（1）首先确定随机变量ξ的取值哟哪些；（2）求出每种取值下的随机事件的概率；（3）列表对应，即为分布列．8、关于取球的随机变量的值和概率例 袋中有1个红球，2个白球，3个黑球，现从中任取一球观察其颜色．确定这个随机试验中的随机变量，并指出在这个随机试验中随机变量可能取的值及取每个值的概率．分析：随机变量变量是表示随机试验结果的变量，随机变量的可能取值是随机试验的所有可能的结果组成．解： 设集合},,{321x x x M =，其中1x 为“取到的球为红色的球”，2x 为“取到的球为白色的球”，3x 为“取到的球为黑色的球”． 我们规定：)3,2,1()(===i i x i ξ ξ ，即当i x x =时，i x =)(ξ，这样，我们确定)(x ξ 就是一个随机变量，它的自变是量x 取值不是一个实数，而是集合M 中的一个元素，即M x ∈，而随机变量ξ 本身的取值则为1，2，3三个实数，并且我们很容易求得ξ 分别取1，2，3三个值的概率，即.2163)3(,3162)2(,61)1(========ξ ξ ξ P P P说明：确定随机变量的取值是根据随机试验的所有可能的结果．。
离散型随机变量及其分布函数
一、离散型随机变量的分布函数 二、几种常见的离散型随机变量 三、小结
一、离散型随机变量的分布函数
随机变量
离散型 非离散型
连续型 其它 (1)离散型 若随机变量所有可能的取值为有限个
或可列无穷个，则称其为离散型随机变量.
实例1 观察掷一个骰子出现的点数. 随机变量 X 的可能值是 : 1, 2, 3, 4, 5, 6.
因此 P{X 2} 1 P{X 0} P{X 1} 1 (0.98)400 400(0.02)(0.98)399 0.9972.
3. 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
P{X k} ke , 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 ~ ().
P{X k} Cnk pnk (1 pn )nk 且满足
npn 0
则对任意非负整数k , 有
lim P{X k} k e
n
k!
证明
由
pn
,得
n
P{ X
k}
n! k!(n
( k)!
pn )k
(1
pn )nk
n(n 1) (n k 1（) ）（k 1 )nk
k!
n
n
k [1 (1 1 )(1 2) (1 k 1)](1 )n (1 )k
(k 1,2,)
说明 几何分布可作为描述某个试验 “首次成功” 的概率模型.
5.超几何分布
设X的分布律为
P{X
m}
CMm
C nm NM
(m 0,1,2,, min{M , n})
常见离散型随机变量
(2) 至多有一只芯片是次品的概率.
二项分布的最可能值
定义 设 X ~ B(n, p), 使得 P{X k} 达到最大值的
k 记为 k0 , 称 k0 为二项分布的最可能值。
性质2.2.1
X ~B(n, p),则二项分布的最可能值k0
为区间(n 1) p 1, (n 1) p上的整数.
分
布 泊松分布
两点分布
n1
二项分布
n非 常 大
泊松分布
2.3 随机变量的分布函数
一、分布函数的概念 二、分布函数的性质 三、例题讲解 四、小结
一、分布函数的概念
1. 概念的引入 非离散型随机变量X不能一一列出，不能用分布
律去描述它的概率分布规律，并且可能研究它在某 一区间的概率，即
P{x1 X x2}.
X
0
1
P 1 p
p
实例
“抛硬币”试验, 观察正、反两面情况.
X
X ()
0,
1,
当 正面 , 当 反面 .
随机变量X服从(0―1)分布.
其分布律为
X
0 1
1
1
P2
2
n重伯努利试验
设试验 E只有两个可能结果 : A及A ,则称 E为 伯努利(Bernoulli)实验. 将E独立重复进行n次 , 则称这一系列试验为n重伯努利试验 .
lim
n
Cnk
pnk
(1
pn )nk
ke .
k!
注： 上述定理表明当 n很大 , p很 小(np )
时有以下近似式
Cnk
pk (1
p)nk
ke
k!
(其中 np) .
常用离散型和连续型随机变量
常用离散型随机变量的分布函数一、离散型随机变量：（1）概念：设X 是一个随机变量，如果X 的取值是有限个或者无穷可列个，则称X 为离散型随机变量。
其相应的概率()i i P Xx p ==(12)i =、……称为X 的概率分布或分布列，表格表示形式如下：（2）性质：❶0i p ≥ ❷11ni i p ==∑ ❸分布函数()i ix xF x p==∑ ❹1{}()()i i i P X x F x F x -==-二、连续型随机变量：（1）概念：如果对于随机变量的分布函数()F x ，存在非负的函数()f x ，使得对于任意实数x ，均有：()()xF x f x dx -∞=⎰则称X 为连续型随机变量，()f x 称为概率密度函数或者密度函数。
（2）连续型随机变量的密度函数的性质：❶()0f x ≥ ❷()1f x dx +∞-∞=⎰❸{}()()()P a X b F b F a f x dx +∞-∞<≤=-=⎰❹若()f x 在x 点连续，则()()F x f x '=三、连续型随机变量和离散型随机变量的区别：(1)由连续型随机变量的定义，连续型随机变量的定义域是(),-∞+∞，对于任何x ，000{}()()0P X x F x F x ==--=；而对于离散型随机变量的分布函数有有限个或可列个间断点，其图形呈阶梯形。
(2)概率密度()f x 一定非负，但是可以大于1，而离散型随机变量的概率分布i p 不仅非负，而且一定不大于1. (3)连续型随机变量的分布函数是连续函数，因此X 取任何给定值的概率都为0.(4)对任意两个实数a b <，连续型随机变量X 在a 与b 之间取值的概率与区间端点无关，即：{}{}{}{}()()()baP a X b P a X b P a X b P a X b F b F a f x dx<<=≤≤=<≤=≤<=-=⎰即：{}{}()P X b P X b F x <=≤=四、常用的离散型随机变量的分布函数：（1）0-1分布：如果离散型随机变量X 的概率分布为：1{}k k P X k p q -==（K=0、1）()01p ≤≤ ()1q p =- 称X 服从参数为p 的0-1分布。
常见的离散型随机变量
分布列．
第二章 第四节 常见的离散型随机变量
16
Poisson分布的应用
Poisson分布是概率论中重要的分布之一．
自然界及工程技术中的许多随机指标都服 从Poisson分布．
例如，可以证明，电话总机在某一时间间 隔内收到的呼叫次数，放射物在某一时间 间隔内发射的粒子数，容器在某一时间间 隔内产生的细菌数，某一时间间隔内来到 某服务台要求服务的人数，等等，在一定 条件下，都是服从Poisson分布的．
可用 Poisson 分布近似计算．
令 np 600 0.012 7.2 ，则有
PB PX 3 1 PX 3
1 PX 0 PX 1 PX 2
1 7.20 e7.2 7.21 e7.2 7.22 e7.2 0.9745
0!
1!
2!
第二章 第四节 常见的离散型随机变量
28
12
例 3（续）
由于 n 1p 300 1 0.44 132.44 不是整数，
所以最可能的射击命中次数
k0 n 1p 132 .44 132 ． 其相应的概率为
PX k0 PX 132
C 132 300
0.44132
0.56168
0.04636
第二章 第四节 常见的离散型随机变量
第二章 第四节 常见的离散型随机变量
17
例4
设随机变量 X 服从参数为 的 Poisson 分布，而且
PX 1 PX 2， 试求 PX 4．
解：
由于随机变量 X 服从参数为 的 Poisson 分布，故 X
的分布列为
PX k k e
k!
k 0, 1, 2, 3, , n,
第二章 第四节 常见的离散型随机变量
离散型随机变量
例4. 某人射击的命中率为0.02，他独立射击400 某人射击的命中率为0.02，他独立射击400 0.02 试求其命中次数不少于2的概率。 次，试求其命中次数不少于2的概率。
普哇松定理(p65)： 设随机变量X 普哇松定理(p65)： 设随机变量Xn～B(n, p), (n＝ 2,…), 很大， 很小， np， (n＝0, 1, 2, ), 且n很大，p很小，记λ=np，则
二维离散型随机变量的分布律也可列表表示如下 二维离散型随机变量的分布律也可列表表示如下: 也可列表表示如下
X Y y1 p11 p21 pi1 ...
ij
y2 p12 p22 ... ... pi2 ...
… ... ... ... ... ... ...
yj P1j P2j Pij
… ... ... ...
3、几个常用的离散型分布
(0-1)分布 （1） (0-1)分布(p63) 若以X表示进行一次试验事件A发生的次数， 若以X表示进行一次试验事件A发生的次数，则 称X服从(0－1)分布(两点分布) 服从(0－1)分布(两点分布) (0 分布 X～P{X＝k}＝pk(1－p)1－k, (0<p<1) k＝0，1 ＝ ， ～ ＝ ＝ － － 或 0 X 1
1 3
求：Y=X2的分布律 0
1 3
1
1 3
Y Pk
1
2 3
0
1 3
一般地
X Pk Y=g(X)
x1 p1
x2 xk p2 pk
g(x1) g(x2 ) g(xk )
或 Y＝g(X)～P{Y＝g(xk)}＝pk ， k＝1, 2, … ＝ ～ ＝ ＝ ＝ 有相同的， （其中g(xk)有相同的，其对应概率合并。） 其中 有相同的 其对应概率合并。）
2.2离散型随机变量及其分布律
2. 等可能分布
如果随机变量 X 的分布律为
X
pk
a1 1 n
a2 an 1 1 n n
其中 (ai a j ), ( i j ) , 则称 X 服从等可能分布.
例 抛掷骰子并记出现的点数为随机变量 X,
则有
X
pk
1 1 6
2 1 6
3 1 6
4 1 6
5 1 6
6 1 6
3. 贝努里(伯努利)试验和二项分布
C C P( X 2) 0.00618 C
1 2 95 5 3 100
例9 某类灯泡使用时数在1000小时以上 的概率是0.2，求三个灯泡在使用1000 小时以后最多只有一个坏了的概率.
解: 设X为三个灯泡在使用1000小时已坏的灯泡数 . 把观察一个灯泡的使用 k 3k P( X k )C (0时数看作一次试验 .8) (0.2) , k , 0,1,2,3 “使用到1000小时已坏” P{X 1} =P{X=0}+ P{X=1} 视为事件 A .每次试验, 2 0.8 出现的概率为 =(0.2)3A +3(0.8)(0.2)
k e
,
k 0,1,2, ,
X ~ P( ).
泊松分布是常见的。 例如
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
n k n k p ( 1 p ) 二项分布与泊松分布的关系 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 .
k 0,1,, n
称这样的分布为二项分布.记为 X ~ b( n, p).
二项分布
n1
两点分布
显然, 若X~B(n,p), 则 P{X=k} 表示在n次独立重复试验中A恰好发生k次的概率; P{X≤k} 表示A发生的次数不超过k次的概率;
概率论第二章3.3-3.5 (2)
2
15
55
2、指数分布
设连续型随机变量X具有概率密度
ex x 0
f (x) 0 x0
则称X服从参数为的指数分布。记作X~e()
其分布函数为
x
1 ex
F(x) P(X x) f (t)dt
0
x0 x0
例2.23 某商店出售某种商品，具历史记录分析，每
月销售量服从参数=5的泊松分布。问在月初进货时，
要库存多少件此种商品，才能以0.999的概率充分满
足顾客的需要？
解 用X表示每月销量，则X~P()= P(5)。由题意，要
求k，使得P(X≤k)≥0.999，即
k P( X i) k 5i e5 0.999
若X~U[a, b]，则X具有下述等可能性：
X落在区间[a, b]中任意长度相同的子区间里的概率是相同的。
即X落在子区间里的概率只依赖于子区间的长度，而与子区间的 位置无关。
X的分布函数
0,
F
(
x)
x 1b,
a a
,
x a, a x b, x b.
f (x)
F(x)
1 1 ba
oa
b
xo a
0, k
0,1,2,, n
n
n
P(X k)
C
k n
pk q nk
( p q)n
1
k 0
k 0
C
k n
p
k
q正n好k 是二项式(p+q)n展开式的一般项，故称二项分
布。特别地，当n=1时P(X=k)=pkq1-k(k=0,1)即为0-1
分布。
例2.19 设有一大批产品，其次品率为0.002。今从这批 产品中随机地抽查100件，试求所得次品件数的概率分 布律。 解 （视作放回抽样检验）
随机变量及其分布列
随机变量及其分布列.几类典型的随机分布一、离散型随机变量及其分布列随机变量是指在试验中可能出现的结果可以用一个变量X 来表示，并且X是随着试验的结果的不同而变化的。
离散型随机变量是指所有可能的取值都能一一列举出来的随机变量。
离散型随机变量常用大写字母X,Y表示。
离散型随机变量的分布列是将所有可能的取值与对应的概率列出的表格。
二、几类典型的随机分布1.两点分布二点分布是指随机变量X的分布列为X:1，P:pq，其中p 为0~1之间的参数，q为1-p。
伯努利试验只有两种可能结果的随机试验，因此又称为伯努利分布。
2.超几何分布超几何分布是指有总数为N件的两类物品，其中一类有M件，从所有物品中任取n件，这n件中含有这类物品件数X 是一个离散型随机变量，它取值为m时的概率为C(n,m)C(M,m)/C(N,n)。
超几何分布只要知道N，M和n，就可以根据公式求出X取不同值时的概率P(X=m)，从而列出X的分布列。
3.二项分布二项分布是指在n次独立重复试验中，事件A发生的次数X服从二项分布，事件A不发生的概率为q=1-p，事件A恰好发生k次的概率为P(X=k)=C(n,k)p^kq^(n-k)。
其中p为事件A发生的概率，k为事件A发生的次数，n为试验的总次数。
首先，将文章中的格式错误和明显有问题的段落删除。
然后对每段话进行小幅度改写。
对于二项分布，当一个试验重复进行n次，每次成功的概率为p，失败的概率为q=1-p时，事件发生k次的概率可以用公式P(n,k) = n。
/ (k!(n-k)!) * p^k * q^(n-k)来计算。
这个公式可以展开成X的分布列，其中X表示事件发生的次数。
因为每个值都可以对应到表中的某个项，所以我们称这样的散型随机变量X服从参数为n，p的二项分布，记作X~B(n,p)。
二项分布的均值和方差可以用公式E(X) = np和D(X) = npq(q=1-p)来计算。
正态分布是一种连续型随机变量的概率分布。
2-2常见离散型随机变量
（1）求同时开动的机床台数的概率分布；
（2）若开动时每台耗电10单位，现因只能提供50单位 电能，求10台机床能正常工作的概率。
解 （1）设 ξ 表示10台机床同时开动的台数，则
ξ ~ B(10, 0.4)
P{ξ
=
k} =
Ck 10
0.4
k
0.610−
k
,
k = 0,1,2,,10
概率分布表：
ξ 012 34 5
概率统计理工常见的离散型随机变量内容提要教学要求常见的离散型随机变量的分布掌握常见的离散型随机变量的分布了解二项分布与泊松分布超几何分布的关系01分布例如
概率统计（理工）
常见的离散型随机变量
内容提要 常见的离散型随机变量的分布
教学要求 掌握常见的离散型随机变量的分布，了解 二项分布与泊松分布、超几何分布的关系
=
0.834
k=0
或求 P{10ξ ≤ 50} = P{ξ ≤ 5}
二项分布的最可能值
（1）中的 pk 先增后减，
使P{ξ = k} 取最大值的k
称为二项分布的最可能
值，记为 k0
结论：
k0
=
np + p 和 [np + p],
np +
p－1， 当np + p是整数时； 否则。
例中，n=10, p=0.4, np+p=4.4不是整数，所以 k0=4,
有4台同时开动的可能性最大。
又如：保险公司为10000人保险，每人的死亡的概率 为0.005，则死亡人数的最可能值
k0 = [10000 × 0.005 + 0.005] = 50(人)
其概率为：
P{ξ
- 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)。
27
快速排序
28
随机快速排序
pivot=A[rand(lo, hi)]
RandomQuickS
ort
29
随机快排：性能分析
30
随机快排：性能分析
• 期望的线性性质：
31
参数λ的概率意义：事件的平均发生次数
18
例:V2飞弹打伦敦弹着点分布
19
20
泊松分布的性质
21
例：昆虫卵的孵化
22
几何分布
23
几何分布的无记忆性
几何分布是唯一具有无记忆性的 离散概率分布。
24
几何分布的期望
25
例：票券收集问题
解：
26
例：票券收集问题
收集水浒108将卡片大致需要吃568包干脆面.
0.372 0.186 0.060
0.370 0.185 0.061
0.40610.011 0.013 0.014 0.015
0.015
15
16
泊松分布
泰勒展式
17
泊松分布的应用
• 泊松分布是概率论的重要分布之一，通常用于描述大量试 验中稀有事件出现次数的概率模型。
– 电话在一段时间内收到的呼叫次数 – 放射物在一段时间内放射的粒子数 – 一段时间内通过某路口的出租车数
11
二项分布取概率最大值的位置
二项分布大约在X=np附近
达到概率最大值。
12
13
泊松(Poisson)近似公式
14
按伯努利概型
按泊松
近似n=10
k0 p0=.304.19
np==020.30.0558np5==436=61=np
0.13680.305 0.377 02.3680.194 0.189 0.31840.057 0.060
几个典型的离散型随 机变量
1
0-1分布
X0
1P 1-p p
2
0-1分布的特点与用途
引入指示变量是简化问题分析的有效手段
3
例：随机置换的不动点个数
此方法具有典型意义.
4
二项分布
5
二项分布
6
二项分布的期望
7
例
8
问题: 随机选择，答对多少题的概率最大？
9
• 答对两道题概率最大
10
二项分布的最大值