随机变量的概念.ppt
合集下载
第七章随机变量及其分布小结PPT课件(人教版)
,进一步体会概率模型的作用及概率思想和方法的特点.
第1课时 条件概率、乘法公式及全概率公式
条件概率公式:PA|B=
PAB
,
PB
加法公式:如事件 B,C 互斥,则有 P( B
C | A) P( B | A) P(C | A).
乘法公式:PAB=PBPA|B,
PAB
.
P ( A)
P ( A)
P ( B)
P ( B) 2
A产生,则B一定产生
P ( A)
由此可得, 若A B,则P ( B | A) 1,P ( A | B )
.
P ( B)
课本48页
夯实概念
2.下列说法正确的是(
)
P(B)
是可能的
P(A)
A.P(B|A)=P(AB)
B.P(B|A)=
C.0<P(B|A)<1
D.P(A|A)=0
P(AB)
1
解析:∵ P(B|A)=
,
≥1,
P(A) P(A)
∴P(B|A)≥P(AB),故 A 不正确;
当 P(A)=1 时,P(B)=P(AB),
P(B)
则 P(B|A)=P(B)=
,所以 B 正确;
P(A)
而 0≤P(B|A)≤1,P(A|A)=1,∴ C、D 不正确.
击落,求飞机被击落的概率.
解:设 A={飞机被击落},Bi={飞机被 i 人击中},i=1,2,3,则
P(A|B1)=0.2,P(A|B2)=0.6,P(A|B3)=1.
P(B1)=0.4×0.5×0.3+0.6×0.5×0.3+0.6×0.5×0.7=0.36,
P(B2)=0.4×0.5×0.3+0.4×0.5×0.7+0.6×0.5×0.7=0.41,
第1课时 条件概率、乘法公式及全概率公式
条件概率公式:PA|B=
PAB
,
PB
加法公式:如事件 B,C 互斥,则有 P( B
C | A) P( B | A) P(C | A).
乘法公式:PAB=PBPA|B,
PAB
.
P ( A)
P ( A)
P ( B)
P ( B) 2
A产生,则B一定产生
P ( A)
由此可得, 若A B,则P ( B | A) 1,P ( A | B )
.
P ( B)
课本48页
夯实概念
2.下列说法正确的是(
)
P(B)
是可能的
P(A)
A.P(B|A)=P(AB)
B.P(B|A)=
C.0<P(B|A)<1
D.P(A|A)=0
P(AB)
1
解析:∵ P(B|A)=
,
≥1,
P(A) P(A)
∴P(B|A)≥P(AB),故 A 不正确;
当 P(A)=1 时,P(B)=P(AB),
P(B)
则 P(B|A)=P(B)=
,所以 B 正确;
P(A)
而 0≤P(B|A)≤1,P(A|A)=1,∴ C、D 不正确.
击落,求飞机被击落的概率.
解:设 A={飞机被击落},Bi={飞机被 i 人击中},i=1,2,3,则
P(A|B1)=0.2,P(A|B2)=0.6,P(A|B3)=1.
P(B1)=0.4×0.5×0.3+0.6×0.5×0.3+0.6×0.5×0.7=0.36,
P(B2)=0.4×0.5×0.3+0.4×0.5×0.7+0.6×0.5×0.7=0.41,
随机变量及其分布
记
p(xi)P{Xxi}, i1, 2,
(21)
则称{p(xi) i1 2 }为X的概率分布 有时也将p(xi)记为pi 用
下列表格形式来表示 并称之为X 的概率分布表
4
概率分布的性质
任何一个离散型随机变量的概率分布{p(xi)}必然满足下 列性质
1 p(xi)0 i1 2
(22)
((22))ii pp((xxi)i)11
事件的概率与密度函数的关系
(1)连续型随机变量X落于区间(a b]上的概率为
b
P{a X b} F(b) F(a)a f (x)dx
(2)连续型随机变量X落于点x上的概率为
P{Xx}0
(212)
(213)
19
例28 设X是在[a b]上等可能投点的位置 其分布函数为
0, F (x) bx1,aa ,
x
x
F(x) 0 F() lim F(x)1
若函数Fx)满足上述三
x
条性质 则它一定是某个随
(3)右连续性 F(x0)F(x) 机变量X的分布函数
10
三、分布函数
定义24(分布函数) 设X是一随机变量 则称函数
F(x)P{Xx} x( )
(29)
为随机变量X的分布函数 记作X ~F(x)
分布函数的性质 随机变量的分布函数必然满足下列性质
0 x1, x1.
14
四、离散型随机变量的分布函数
离散型随机变量的分布函数F(x)的共同特征是 F(x)是一 个阶梯形的函数 它在X的可能取值点处发生跳跃跳跃高度 等于相应点处的概率 而在两个相邻跳跃点之间分布函数值 保持不变
反过来 如果一个随机变量X的分布函数F(x)是阶梯型函 数 则X一定是一个离散型随机变量 其概率分布可由分布函 数F(x)惟一确定 F(x)的跳跃点全体构成X的所有可能取值 每 一跳跃点处的跳跃高度则是X在相应点处的概率
随机变量的概念与离散型随机变量.pptx
{X k} (k 0,1, 2, )
X 1
第10页/共61页
什么是随机变量X的概率分布?
一般地,随机变量X取值的概率 称为该随机变量X的概率分布.
第11页/共61页
例 设箱中有10个球,其中有2个红球,8个白 球;从中任意抽取2个,观察 抽球结果。
取球结果为 两个红球
X表示取得
2
的红球数
P
2.1 随机变量的概念与 离散型随机变量
Random Variable and Distribution
第2页/共61页
如何引入随机变量
基本思想
将样本空间数量化,即用数值来表示试验的结果
例:E:掷一颗骰子 ,观察点数.
出现 出现 出现 出现 出现 出现
1点 2点 3点 4点 5点 6点
X
1
2
3
4
5
验 A=“一次实验中抽到次品”,P(A)=3/12,
n=5 p=1/4
记X为共抽到的次品数,则
X ~ B(5, 1 )
4
P{ X
2}
C52
1 2 4
1
1 52 4
第35页/共61页
例
一大批种子发芽率为90%,今从中任取10粒.求播种后, 求(1)恰有
8粒发芽的概率;(2)不小于8粒发芽的概率。
放回抽样直到抽到次品为止。 求抽到次品时,已抽取的次数X的分布律。
解 记Ai=“第i次取到正品”,i=1,2,3,… 则 Ai , i=1,2,3,… 是相互独立的!
{X=k }= A1 A2 Ak1 Ak
X的所有可能取值为 1,2,3,… ,k,… P(X=k)= P( A1A2 Ak1 Ak ) (1-p)k-1p ,k=1,2,…
X 1
第10页/共61页
什么是随机变量X的概率分布?
一般地,随机变量X取值的概率 称为该随机变量X的概率分布.
第11页/共61页
例 设箱中有10个球,其中有2个红球,8个白 球;从中任意抽取2个,观察 抽球结果。
取球结果为 两个红球
X表示取得
2
的红球数
P
2.1 随机变量的概念与 离散型随机变量
Random Variable and Distribution
第2页/共61页
如何引入随机变量
基本思想
将样本空间数量化,即用数值来表示试验的结果
例:E:掷一颗骰子 ,观察点数.
出现 出现 出现 出现 出现 出现
1点 2点 3点 4点 5点 6点
X
1
2
3
4
5
验 A=“一次实验中抽到次品”,P(A)=3/12,
n=5 p=1/4
记X为共抽到的次品数,则
X ~ B(5, 1 )
4
P{ X
2}
C52
1 2 4
1
1 52 4
第35页/共61页
例
一大批种子发芽率为90%,今从中任取10粒.求播种后, 求(1)恰有
8粒发芽的概率;(2)不小于8粒发芽的概率。
放回抽样直到抽到次品为止。 求抽到次品时,已抽取的次数X的分布律。
解 记Ai=“第i次取到正品”,i=1,2,3,… 则 Ai , i=1,2,3,… 是相互独立的!
{X=k }= A1 A2 Ak1 Ak
X的所有可能取值为 1,2,3,… ,k,… P(X=k)= P( A1A2 Ak1 Ak ) (1-p)k-1p ,k=1,2,…
概率论与数理统计课件:随机变量及其分布
随机变量及其分布
首页 返回 退出
§2.2 离散型随机变量及其分布律
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.
随机变量及其分布
首页 返回 退出
定义2.1 设随机试验E, 其样本空间S, 若对样本
空间每一个样本点e, 都有唯一一个实数X(e)与之对
应,那么就把这个定义域为S的单值实值函数X=X(e),
称为随机变量。
随机变量通常用大写字母X,Y,Z 或希腊字母 ξ,η等表示.
而表示随机变量所取的值时,一般采用小写字母x,y,z等.
量方面,如,投掷一枚均匀骰子,我们观察出现的点
数。
记X=“出现的点数”
则X的可能取1, 2, …, 6中任一个数,可见X是变量;
又X取那个值不能事先确定,故此X的取值又带有随机
性.
有了随机变量,有关事件的表示也方便了,如
{X=2}, {X≤2}, ……
随机变量及其分布
首页 返回 退出
这样的例子还有很多. 又如,研究手机的使用寿命
或写成
随机变量及其分布
5
P( X k )
6
k 1
1
, k 1, 2,
6
首页 返回 退出
常见离散型随机变量
(一)“0-1”分布
设随机变量 X 只可能取 0 和1 两个值,它的分布律
为
k
P X k p(
1 p)1k k 0,1
(0 p 1)
海南大学《概率论与数理统计》课件 第四章 随机变量及其分布
例如:X 0 取出的n个产品中没有次品;
X 3 取出的n个产品中至多有3个次品;
X 3 取出的n个产品中有超过3个的次品.
8
关于随机变量的补充说明
• 引入随机变量之后, 可以更方便地表示事件。 • 随机变量的确定不仅与样本空间有关, 也与试验
的研究目的有关。 • 随机变量满足函数的单值对应关系。 • 随机变量不仅有取值的不同, 取到这些值的概率
②正则性: p( xi ) 1 . i 1
这两条性质也是随机变量分布列的充要条件。
由概率的意义和随机变量的完备性容易证明。
25
二、离散型随机变量的分布函数
由分布列可以写出其分布函数 F ( x) P( xi ) xi x
它的图形是有限(或无穷)级数的阶梯函数〔右连续 〕
F(x)
1
0
x
26
27
X的分布列为
X1 2 3 P 0.6 0.3 0.1
X的分布函数为
0, x 1; 0.6, 1 x 2; F ( x) 0.9, 2 x 3; 1 , x 3.
注意:由分布列求分布函数是概率累加的过程.
并且,总有: 当x xmin时,F ( x) 0; 当x xmax时,F ( x) 1.
解 (1) 根据分布函数的性质可知
F() 1, F() 0
依题意可得
18
F() A π B 1 2
F() A π B 0 2
联立上面两个方程可以解得 A 1,B 1 2π
(2) 随机变量 X 落在(-1,1)内的概率可以表示为
P{1 X 1} F (1 0) F (1)
P{a X b} F(b 0) F(a 0);
P{a X b} F(b 0) F(a).
X 3 取出的n个产品中至多有3个次品;
X 3 取出的n个产品中有超过3个的次品.
8
关于随机变量的补充说明
• 引入随机变量之后, 可以更方便地表示事件。 • 随机变量的确定不仅与样本空间有关, 也与试验
的研究目的有关。 • 随机变量满足函数的单值对应关系。 • 随机变量不仅有取值的不同, 取到这些值的概率
②正则性: p( xi ) 1 . i 1
这两条性质也是随机变量分布列的充要条件。
由概率的意义和随机变量的完备性容易证明。
25
二、离散型随机变量的分布函数
由分布列可以写出其分布函数 F ( x) P( xi ) xi x
它的图形是有限(或无穷)级数的阶梯函数〔右连续 〕
F(x)
1
0
x
26
27
X的分布列为
X1 2 3 P 0.6 0.3 0.1
X的分布函数为
0, x 1; 0.6, 1 x 2; F ( x) 0.9, 2 x 3; 1 , x 3.
注意:由分布列求分布函数是概率累加的过程.
并且,总有: 当x xmin时,F ( x) 0; 当x xmax时,F ( x) 1.
解 (1) 根据分布函数的性质可知
F() 1, F() 0
依题意可得
18
F() A π B 1 2
F() A π B 0 2
联立上面两个方程可以解得 A 1,B 1 2π
(2) 随机变量 X 落在(-1,1)内的概率可以表示为
P{1 X 1} F (1 0) F (1)
P{a X b} F(b 0) F(a 0);
P{a X b} F(b 0) F(a).
随机变量的定义定义
条件随机变量
01
定义
条件随机变量是指在给定某些变量的条件下,另一个变量 的概率分布。
02 03
描述
条件随机变量通常用于描述两个或多个随机事件之间的条 件关系,例如在概率图模型中,条件随机变量被用来表示 节点之间的条件依赖关系。
应用
条件随机变量在许多实际问题中都有应用,例如在自然语 言处理中,给定上下文的情况下,下一个词的概率分布可 以用条件随机变量来表示;在推荐系统中,给定用户历史 行为的情况下,用户的兴趣偏好可以用条件随机变量来表 示。
02
相关系数的定义
相关系数是协方差与两个随机变量各自方差的比值,用于衡量两个随机
变量的线性相关程度。
03
协方差与相关系数的性质
协方差和相关系数具有对称性、非负性、规范性等性质,这些性质使得
协方差和相关系数成为描述两个随机变量之间线性关系的重要指标。
03
CATALOGUE
随机变量的应用
在统计学中的应用
方差的定义
方差是随机变量取值与期望值之差的平方的平均值,用于衡量随机变量取值的离散程度 。
方差的性质
方差具有非负性、规范性、可加性等性质,这些性质使得方差成为描述随机变量离散程 度的重要指标。
协方差与相关系数
01
协方差的定义
协方差是两个随机变量取值之间线性关系的度量,反映了两个随机变量
同时取值的波动情况。
概率分布
随机变量是概率论的基本概念之一,它可以表示某一随机现象的 结果,并具有特定的概率分布。
随机事件的概率
通过随机变量,我们可以计算随机事件的概率,了解事件发生的 可能性。
随机过程的描述
在随机过程中,随机变量用于描述随机现象的变化规律,帮助我 们理解随机现象的本质。
概率论与数理统计随机变量的数字特征课件
03
通过数值模拟方法可以直观地 展示随机变量的分布情况,帮 助理解概率论与数理统计中的 概念和理论。
06
总结与展望
主要内容回顾
随机变量的概念与分类
常见随机变量的性质与 分布
01
02
03
随机变量的数字特征: 均值、方差、协方差等
04
大数定律和中心极限定 理的应用
存在的问题与不足之处
学生对概念的理解不够深入 ,容易混淆不同概念之间的
掷骰子
假设掷一个六面体的骰子,每个数字出现的概率为1/6。通过数值模拟方法计算在掷n次骰子时,每个 数字出现的次数。
结果解释与讨论
01
对于投掷硬币的实例,当n逐 渐增大时,正面和反面出现的 次数逐渐接近,符合理论上的 期望值。
02
对于掷骰子的实例,当n逐渐 增大时,每个数字出现的次数 也逐渐接近理论上的期望值。
相关系数
相关系数是协方差与两个随机变量方差的比值, 用于衡量两个随机变量的线性相关程度。
意义
协方差和相关系数可以反映两个随机变量之间的 线性相关程度,正值表示正相关,负值表示负相 关,值为0表示无关。
03
随机变量的矩与特征
矩的定义
01
矩:对于实随机变量X,其k阶原点矩定义为E[X^k]
,k为非负整数。
概率论与数理统计随机变量 的数字特征课件
目 录
• 随机变量的基本概念 • 随机变量的期望值与方差 • 随机变量的矩与特征 • 随机变量的函数与变换 • 随机变量的数值模拟与实例分析 • 总结与展望
01
随机变量的基本概念
随机变量的定义
定义
设E是随机试验,S是样本空 间,对于E的每一个样本点e ,都有唯一的实数X(e)与之对 应,则称X(e)为随机变量。
概率论与数理统计-第二章-随机变量及其分布函数ppt课件
表格: X
x1 x2
pk
p1 p2
概率分布图:
1P
xn
pn
0.5
x4 x3
x1
x2
X
.
由概率的性质易知离散型随机变量的分布列
pk
满足下列特征性质:
k 1
① pk 0(k 1,2,) [非负性]
②
pk 1 [规范性]用于确定待定参数
k 1
③ F( x) P( X x) P(X xi ). xi x
1. 2
.
【例2】设随机变量X的分布函数为
aex b, x 0
F(x)
0,
x0
解: 因为 F(x) 在 x=0 点右连续
求: 常数 a 和 b。
所以 lim F ( x) lim (ae x b) a b 0
x0
x0
又因为 F () lim (ae x b) b 1 x
1、两点分布 或(0 - 1)分布
two-point distribution
定义1 设离散型随机变量X的分布列为
X0 1 pk 1 p p
其中 0<p<1
则称 X 服从(0 - 1)分布,记作 X ~(0 - 1)分布
F(x)
(0 - 1)分布的分布函数
0 , x0 F ( x) 1 p, 0 x 1
X = “三次试验中 A 发生的次数”,
{ X 2} A1A2 A3 A1A2 A3 A1A2 A3 P{X 2} P(A1A2 A3 A1A2 A3 A1A2 A3 )
P(A1A2 A3 ) P(A1A2 A3 ) P(A1A2A3 ) P(A1)P(A2)P(A3) P(A1)P(A2)P(A3) P(A1)P(A2 )P(A3 ) C32 p2(1 p)32
离散型随机变量的分布【概率论及数理统计PPT】
P 5/8 15/56 5/56 1/56
=6/56
3.性质:(1)pn≥0,n=1,2,... (2)p1+p2+...+pn=1
(3)P(X∈A)= P( X xi ) xi A X 1 2 3 45 6
例2.1(1)中X的概率分布为 P 1/6 1/6 1/6 1/6 1/6 1/6
设A表示出现奇数点,则 P(A)=P(X∈A)
=P(X=1)+P(X=3)+P(X=5)=1/2
X
0
P 1-p
特别:
1 p
0-1分布
注:0-1分布用于描述实验只有两 种对立结果,“成功”概率为参数
p的概率分布.
X
x0
x1
两点分布
P 1-p p
例2.3 假定一个实验成功的概率为p(0<p<1),不断重复 进行实验,直到首次成功为止,求实验次数的概率分布。
解: 设X表示实验次数,X取值为1,2,...,n,...,
一般地,若在一次实验中成功的概率为p(0<p<1),独立重复进行n次,
这n次中实验成功的次数X服从的分布为: 记为 X~B(n,p)
P( X k) Cnk pk (1 p)nk k 0,1, 2,..., n
注:(1)随机变量X所服从的分布称为二项分布,n为实验次数; (2)该实验模型称为n次独立重复实验模型或n重贝努里实验模型; (3)若A和Ac是n重贝努里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: 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服从分布为二项分布。
所以,X的概率分布为 X 0
随机变量及其分布复习课件.ppt
有
F(x) x f(t)dt,
则称X为连续型随机变量,其中f(x)称为X的概率 密度函数,简称概率密度。
(II)概率密度的性质
( 1 ) 非 负 性 : f( x ) 0 , x R .
(2)规 范 性 :f(x)dx1. 4
( 3 )对 于 任 意 实 数 a b, 有
P{aXb}abf(x)dx . F(b)F(a)
求这个区间的端点,分二种情形讨论之:
17
(1)区间的一个端点是无穷大,即已知P(X < x) = p1 或P(X > x) = p2,求x .
利用 或
然后反查标准正态分布表,即可求出x (2)区间关于μ对称,不妨设为(μ−a,μ+a),而 P(μ−a<X<μ+a) = p,求a
18
四.随机变量的函数的分布 1.离散型随机变量函数的分布
几种重要的 离散型分布
均指 正 匀数 态 分分 分 布布 布
二项分布的 正态近似
二项分布的 泊松近似
二项 分布
泊几
松何
分分 布 布 21
例题选讲
例1 甲、乙、丙3人进行独立射击 每人的命中率依 次为03 04 06 设每人射击一次 试求3人命中总 数之概率分布律 分析 求离散型随机变量的概率分布的步骤为:(1) 写
23
例2 投掷一个均匀骰子n 次,求(1)恰好得到一个6点的概 率;(2)至少得到一个6点的概率;(3)为了以0.5的概率保 证至少得到一个6点,则至少要投掷几次?
所以至少要投掷4次.
24
例3 设 X 的分布律为 X 1012 1111 p 4444
求 Y X 2 的分布律 .
解 Y 的可能值为 (1)2, 02,12, 22; 即 0, 1, 4.
F(x) x f(t)dt,
则称X为连续型随机变量,其中f(x)称为X的概率 密度函数,简称概率密度。
(II)概率密度的性质
( 1 ) 非 负 性 : f( x ) 0 , x R .
(2)规 范 性 :f(x)dx1. 4
( 3 )对 于 任 意 实 数 a b, 有
P{aXb}abf(x)dx . F(b)F(a)
求这个区间的端点,分二种情形讨论之:
17
(1)区间的一个端点是无穷大,即已知P(X < x) = p1 或P(X > x) = p2,求x .
利用 或
然后反查标准正态分布表,即可求出x (2)区间关于μ对称,不妨设为(μ−a,μ+a),而 P(μ−a<X<μ+a) = p,求a
18
四.随机变量的函数的分布 1.离散型随机变量函数的分布
几种重要的 离散型分布
均指 正 匀数 态 分分 分 布布 布
二项分布的 正态近似
二项分布的 泊松近似
二项 分布
泊几
松何
分分 布 布 21
例题选讲
例1 甲、乙、丙3人进行独立射击 每人的命中率依 次为03 04 06 设每人射击一次 试求3人命中总 数之概率分布律 分析 求离散型随机变量的概率分布的步骤为:(1) 写
23
例2 投掷一个均匀骰子n 次,求(1)恰好得到一个6点的概 率;(2)至少得到一个6点的概率;(3)为了以0.5的概率保 证至少得到一个6点,则至少要投掷几次?
所以至少要投掷4次.
24
例3 设 X 的分布律为 X 1012 1111 p 4444
求 Y X 2 的分布律 .
解 Y 的可能值为 (1)2, 02,12, 22; 即 0, 1, 4.
2.1随机变量及其分布(1,2)课件
(4) F ( x ) 至多有可数多个间断点, 且在其间断点处,
是右连续的, 即对任何实数 a 有 lim F x F (a )
x a
任一随机变量 的分布函数 都满足以上性质, 反之, 任一满足以上性质的函数, 都可作为某一 随机变量的分布函数.
X 服从离散均匀分布.
三、分布函数 离散型随机变量的特点是: 其取值范围是有限集
或可列集. 其概率分布可用列表法表示: X x1 , x2 , x3 , ..., xn , ... p p1 , p2 , p3 , ..., pn , ...
但有些随机变量是非离散的,它的取值可能是 某一
区间内的一切值.
x x
lim F x 1
(4) F ( x ) 至多有可数多个间断点, 且在其间断点处,
是右连续的, 即对任何实数 a 有 lim F x F (a ) 证(1)0 F ( x ) P{ X x } 1 (2) a b 时, X a
1 P{ X 2 } P{ X 4 } P{ X 6 } ... P{ X 2n } ...
p 2 p 4 p 6 ... p 2 n ... 1 p2 1 2 2 2 1 p p 2p 1 p 2
p2
若离散型 r , v . X 的概率分布为
X p x1 p1
A x2 xk
p2
pk
则对于集合 xn n 1,2,3,... 的任一子集 A, 事件
“ X 在 A 中取值” 即“X A ” 的概率为
P{ X A } pk
xk A
只有两种对立结果: 对于贝努利试验, “A发生” 与“A不发生” 设事件A发生的概率为 p ( 0 p 1 ) 则事件 A 发生的概率为 q 1 p 令X表示 一次贝努利试验中, A发生的次数, 即
是右连续的, 即对任何实数 a 有 lim F x F (a )
x a
任一随机变量 的分布函数 都满足以上性质, 反之, 任一满足以上性质的函数, 都可作为某一 随机变量的分布函数.
X 服从离散均匀分布.
三、分布函数 离散型随机变量的特点是: 其取值范围是有限集
或可列集. 其概率分布可用列表法表示: X x1 , x2 , x3 , ..., xn , ... p p1 , p2 , p3 , ..., pn , ...
但有些随机变量是非离散的,它的取值可能是 某一
区间内的一切值.
x x
lim F x 1
(4) F ( x ) 至多有可数多个间断点, 且在其间断点处,
是右连续的, 即对任何实数 a 有 lim F x F (a ) 证(1)0 F ( x ) P{ X x } 1 (2) a b 时, X a
1 P{ X 2 } P{ X 4 } P{ X 6 } ... P{ X 2n } ...
p 2 p 4 p 6 ... p 2 n ... 1 p2 1 2 2 2 1 p p 2p 1 p 2
p2
若离散型 r , v . X 的概率分布为
X p x1 p1
A x2 xk
p2
pk
则对于集合 xn n 1,2,3,... 的任一子集 A, 事件
“ X 在 A 中取值” 即“X A ” 的概率为
P{ X A } pk
xk A
只有两种对立结果: 对于贝努利试验, “A发生” 与“A不发生” 设事件A发生的概率为 p ( 0 p 1 ) 则事件 A 发生的概率为 q 1 p 令X表示 一次贝努利试验中, A发生的次数, 即
随机变量的定义ppt课件
例如,从某一学校随机地选 一学生,测量其身高。 我们可以把可能的身高看作 一随机变量X,
然后可以提出关于随机变量X的各种问题:
例如, P(X>1.7)=?
P(X≤1.5)=?
P(1.5<X<1.7)=?
二、引入随机变量的意义 有了随机变量和随机试验中的各种事件,就
可以通过随机变量的关系式将其表达出来。 如:单位时间内某电话交换台收到的呼叫次
Hale Waihona Puke 数用X表示,它是一个随机变量。
于是:
事件{收到不少于1次呼叫}可表示为{ X ≥ 1};
事件{没有收到呼叫}可表示为{X = 0}。
随机变量概念的产生是概率论发展史上的 一个重大事件。引入随机变量后,对随机现 象统计规律的研究,就由对事件及事件概率 的研究扩大为了对随机变量及其取值规律的 研究。
事件及 事件概率
简记为 r.v. (random variable)。
随机变量的定义:
设E是随机变量,是其样本空间。如果对 每个 ,总有一个实数X()与之对应,则 称上的实值函数X()为E的一个随机变量。
随机变量通常用大写字母 X,Y,Z 或希腊字母 ζ,η 等表示
而表示随机变量所取的值 一般采用小写字母 x,y,z 等表示
量 连续型随机变量
全部可能的取值不仅无穷 多个,而且还不能一一列
举,充满了某一区间。
如“电视机的使用寿命”、“测量的误差”等。
随 离散型随机变量
机 变
量 连续型随机变量
这两种类型的随机变量因为都是随机变 量,自然有很多相同或相似之处;但因其 取值方式不同,又有其各自的特点。
学习时需要注意它们各自的特点和描述 方法。
随机变量及其 取值规律
《随机变量 》课件
正态分布
广泛应用于自然和社会科学中, 形态对称且集中在均值附近的分 布。
随机变量的应用
统计学中的应用
随机变量在统计学中广泛应 用于推断、模型估计和假设 检验等领域。
金融学中的应用
随机变量在金融学中用于模 拟风险、计算期权定价和构 建投资组合等。
工程学中的应用
随机变量在工程学中有助于 分析不确定性、预测可靠性 和设计优化。
式,用于估计随机变量与其期望之间的
3
关系。
期望、方差和标准差
解释了随机变量的期望、方差和标准差, 并讨论了它们的重要性。
大数定理和中心极限定理
讲解了大数定理和中心极限定理,揭示 了随机变量的稳定性和分布规律。
一些常见的随机变量
二项分布
描述了具有两个互补结果的随机 试验的分布。
泊松分布
用于描述单位时间内独立随机事 件发生次数的分布。
频率函数用于描述离散随机变 量的分布,概率密度函数用于 描述连续随机变量的分布。
离散随机变的分布
介绍了常见的离散随机变量分 布,如二项分布和泊松分布。
连续随机变量的分布
介绍了常见的连续随机变量分 布,如正态分布和指数分布。
随机变量的数字特征1Fra bibliotek切比雪夫不等式和马尔科夫不等
2
式
介绍了切比雪夫不等式和马尔科夫不等
总结
随机变量是概率论和数理统计中的重要概念,掌握随机变量的定义、分布和 数字特征对于深入理解概率与统计学至关重要。
《随机变量 》PPT课件
本课件介绍了随机变量的基本概念、分布以及数字特征,还探讨了随机变量 在统计学、金融学和工程学中的应用。
什么是随机变量
定义
随机变量是表示随机实验结果的数值的变量。
§8.1 随机变量概念一、什么是随机变量 如果我们引入一个变.
[讲解习题] P.279 练习8.3 1,3 1. 判断以下函数 f(x) 在各自指定的区间上 (f(x)在指定的区间外取值为0)是不是某随 机变量的密度函数?
解:⑴0 ⑵
3
4 2 8 2 3 dx |0 1 2 3 3( x 1) 9( x 1) 3
5 3 3 3 x (10x x 2 )dx (5 x 2 ) |5 01 250 250 3
⑵ P(-4<X≤1/2)= ⑶ P(1/4<X<1)=
2(1 x)dx 0.75 2(1 x)dx 0.5625
0
1/ 2
1
1/ 4
三、常见的连续型随机变量 1.均匀分布 若随机变量X的概率密度函数为
f(x)=
1 , ba 0, a xb
则称随机变量 X 服从区间 (a,b) 上的均匀分布, 记作X~U(a,b)。 例如, P.269 例 5 中乘客等车的时间 Y 就 服从于 (0,5) 上的均匀分布。它表明乘客在 (0,5)这个时间段内的任一 时刻等到车的可能性相同。
2x x4 1 1 ( ) |0 3 2 6
3
0
§8.5 方差 一、方差的定义 1. 如果 X 是离散型随机变量,其概率分布 为P(X=xk)=pk,数学期望为E(X), 则 Σ [xk-E(X)]2·pk 称为离散型随机变量X的 方差,记作D(X)。 2. 如果 X 是连续型随机变量,其概率密度 函数为f(x),数学期望为E(X), 2 则 [ x E( X )] f ( x)dx 称为连续型机变量X 的方差,记作D(X)。
由此,我们给出随机变量的数学期望的定义: [定义8.3] 如果随机变量 X 的频率分布为 P(X=xk) = pk (k=1,2,…),则称和数Σ xkpk=x1p1+x2p2+… +xkpk+…为随机变量X的数学期望,记作E(X), 即E(X)=Σ xkpk
- 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)。
例如:掷硬币试验 其结果是用汉字 正面” 例如 掷硬币试验,其结果是用汉字“正面” 掷硬币试验 其结果是用汉字“ 反面”来表示的, 数量化, 和“反面”来表示的,但可将其 数量化 即可规定:用 正面” 即可规定 用 1 表示 “正面”, 表示“反面” 用 0 表示“反面”。 设箱中有10个球,其中有2个红球, 10个球 例1.1 设箱中有10个球,其中有2个红球,8 个白球;从中任意抽取2 观察抽球结果。 个白球;从中任意抽取2个,观察抽球结果。 讨论:取球结果为: 两个白球;两个红球; 讨论:取球结果为: 两个白球;两个红球;一 红一白. 红一白. 如果用Y表示抽得的红球数, 如果用Y表示抽得的红球数,则Y的取值 此时, 为0,1,2。此时,
第三章 随机变量
在第一章和第二章,我们用字母A 在第一章和第二章,我们用字母A、B、C ...表示随机事件,并视之为样本空间Ω ...表示随机事件,并视之为样本空间Ω的子 表示随机事件 针对等可能概型, 集;针对等可能概型,主要研究了用排列组 合手段计算事件的概率, 合手段计算事件的概率,这种表达方式对全 面讨论随机试验的规律性具有较大的局限性。 面讨论随机试验的规律性具有较大的局限性。 本章,引入随机变量的概念, 本章,引入随机变量的概念,将用随机变量 来表示随机试验的结果, 来表示随机试验的结果,以便于采用高等数 学的方法描述、进而研究随机现象, 学的方法描述、进而研究随机现象,它是近 代概率论中最重要的方法, 代概率论中最重要的方法,它可以更全面地 揭示随机现象客观存在的统计规律性。 揭示随机现象客观存在的统计规律性。
§1 随机变量
Random Variable and Distribution Function R.V.将样本空间数量化, 基本思想 将样本空间数量化,即用数字来 表示试验的结果.在第一章中, 表示试验的结果.在第一章中,有些随机试验 的结果本来就用数量来表示. 的结果本来就用数量来表示. 例如: 在掷骰子试验中 结果用 在掷骰子试验中,结果用 结果用1,2,3,4,5,6 例如 来表示; 来表示 在测量灯泡的寿命中,结果用大于零的实 在测量灯泡的寿命中 结果用大于零的实 数表示. 数表示 在第一章中,也有些随机试验的结果不是 在第一章中 也有些随机试验的结果不是 用数量来表示的
2、数学定义 设E是一个随机试验,其样本空 数学定义:设 是一个随机试验, 间为Ω={ω}.如果对每一个样本点ω Ω={ω}.如果对每一个样本点 间为Ω={ω}.如果对每一个样本点ω∈ Ω , 总存在一个实数X(ω)与之对应, X(ω)与之对应 总存在一个实数X(ω)与之对应,则得到一个 从样本空间Ω到实数集R 的单值实函数X= 从样本空间Ω到实数集RX的单值实函数X= 随机变量. X(ω),我们称 我们称X 的一个随机变量 X(ω),我们称X为E的一个随机变量. 简记为 R.V. (Random variable) R.V
随机变量不是自变量,它是一个特殊的函 随机变量不是自变量 它是一个特殊的函 数 (样本点的函数 样本点的函数) 样本点的函数 随机变量的取值可看作是数轴上的点
0 ( )
例1.2 某灯泡厂所产的一批灯泡中灯泡的 寿命X 寿命X。 [0,+∞ X 的可能取值为 [0,+∞) 例1.3 某电话总机在一分钟内收到的呼 叫次数Y. 叫次数Y. ,,... Y 的可能取值为 0,1,2,,...
例1.4 在[0,1]区间上随机取点,该点 [0,1]区间上随机取点 区间上随机取点, 的坐标X. 的坐标X. [0,1]上的全体实数 上的全体实数。 X 的可能取值为 [0,1]上的全体实数。
注:这些试验都已非古典 概型了。 概型了。
※ 请注意随机变量与普通函数的区别: 请注意随机变量与普通函数的区别: 普通函数的区别 1>.随机变量的定义域不一定是数集; 随机变量的定义域不一定是数集 随机变量的定义域不一定是数集 2>.随机变量的取值具备随机性。 随机变量的取值具备随机性。 随机变量的取值具备随机性 ※ 随机变量的两个特征 随机变量的两个特征: 1).它是一个变量 它不是自变量,是样 它是一个变量,它不是自变量 它是一个变量 它不是自变量, 本点的函数: 本点的函数 2).它的取值是随机的,是具有一定的 它的取值是随机的, 它的取值是随机的 概率: 概率
定义域是 Ω!
※ 两个主要问题: 两个主要问题: 研究随机变量可能取哪些值; ①研究随机变量可能取哪些值; 研究随机变量取这些值的概率各是多少。 ②研究随机变量取这些值的概率各是多少。 3、用随机变量表示事件 若X是随机试验 的一个随机变量,那么 是随机试验E的一个随机变量 是随机试验 的一个随机变量, {X=1}, {X<a}, {a≤X<b} ,{X=2k,k∈N}及 ∈ 及 {X∈[a,b]} 等都表示E中的随机事件 ∈ 等都表示E中的随机事件; 反之,E中的事件通常都可以用X的不同 反之, 中的事件通常都可以用X 取值来表示. 取值来表示.
{
只有限个或可列无限多个可能的 离散型 ---只有限个或可列无限多个可能的
非离散型
{
取值
连续型 混合型
如在掷骰子试验中, 如在掷骰子试验中,用X表示出现的点数, 表示出现的点数, 出现偶数点”可表示为: 则“出现偶数点”可表示为: X=2}∪ {X=2}∪ {X=4} ∪{X=6} “出现的点数小于4”可表示为:{X< 4} 出现的点数小于4 可表示为: 4} 出现的点数小于 或{X≤ 3}
二、随机变量的分类
“两只红球”=“Y取到值2”, 可记为 {Y=2} 两只红球” 取到值2 一红一白” 到值1 “一红一白”=“Y取到值1”, 可记为 {Y=1} 两只白球” 到值0 “两只白球”=“Y取到值0”,可记为 {Y=0}
随机变量的定义: 随机变量的定义:
1、直观定义 一个变量,若其取值随着试验 直观定义:一个变量 一个变量, 的结果的变化而变化,即其取值具有随机性, 的结果的变化而变化,即其取值具有随机性, 能事先知道它的所有可能取值, 且①能事先知道它的所有可能取值,②不能 事先确定它将要取哪一个值;则称这个变量 事先确定它将要取哪一个值; 随机变量,常用大写字母X 表示。 为随机变量,常用大写字母X、Y、Z等表示。