概率论与数理统计第二章

P{ X k} C n p (1 p)
k
k
nk
, (k 0,1,..., n)
例 从某大学到火车站途中有6个交通岗,假设在各个 交通岗是否遇到红灯相互独立,并且遇到红灯的概率 都是1/3. (1)设X为汽车行驶途中遇到的红灯数,求X的分布律. (2)求汽车行驶途中至少遇到5次红灯的概率.
次数，则称X服从(0－1)分布(两点分布) X～P{X＝k}＝pk(1－p)1－k, (0<p<1) k＝0，1
或
2. 定义 设将试验独立重复进行n次，每次试验中 ，事件A发生的概率均为p，则称这n次试验为n重 贝努里试验. 若以X表示n重贝努里试验事件A发生的次数，则称
X服从参数为n,p的二项分布。记作X～B（n,p) 分布律为：
解:(1)由题意,X~B(6,1/3),于是,X的分布 律为:
例 2 某人射击的命中率为0.01，他独立射击500 次，试求其命中次数不少于2次的概率。 解 设X表示500次独立射击中命中的次数， 则X～B(500, 0.01)，故 P{X2}＝1－ P{X＝0}－P {X＝1} ＝1－0.99500－(500)(0.01)(0.99499)=…
s 0, t 0, 有 P(X s t | X s) P(X t)
3. 正态分布
正态分布是实践中应用最为广泛，在理论上研究最 多的分布之一，故它在概率统计中占有特别重要的 地位。
B
A
A，B间真实距离为，测量值为X。X的概率密 度应该是什么形态？
若随机变量
其中 为实数， >0 ，则称X服从参数为 ,2的正
第二章 随机变量及其分布

离散型随机变量 随机变量的分布函数 连续型随机变量
随机变量函数的分布
关于随机变量(及向量)的研究，是概率论的 中心内容．这是因为，对于一个随机试验，我 们所关心的往往是与所研究的特定问题有关的 某个或某些量，而这些量就是随机变量．也可 以说：随机事件是从静态的观点来研究随机现 象，而随机变量则是一种动态的观点，如数学 分析中的常量与变量的区分那样．变量概念是 高等数学有别于初等数学的基础概念．同样， 概率论能从计算一些孤立事件的概念发展为一 个更高的理论体系，其基础概念是 随机变量.简写为r.v.
0
1
Y
Pk
1
0
一般地
X
Pk
Y=g(X) 或 … Y＝g(X)～P{Y＝g(xk)}＝pk ， k＝1, 2,
（其中g(xk)有相同的，其对应概率合并。）
例12(p46)
二、连续型随机变量函数的密度函数
1、一般方法
若X～f(x), -< x< +, Y=g(X)为随机变量X 的函 数，则可先求Y的分布函数
例6 设随机变量X具分布律如右表 X 试求出X的分布函数。 P
解
0 0.1
1 0.6
2 0.3
例 向[0,1]区间随机抛一质点，以X表示质点坐 标.假定质点落在[0,1]区间内任一子区间内的概 率与区间长成正比，求X的分布函数 解： F(x)=P{X≤x} 当x<0时,F(x)=0;当x>1时,F(x)=1 当0≤x≤1时, 特别,F(1)=P{0≤x≤1}=k=1
1. 均匀分布
若X～f(x)＝ 则称X在(a, b)内服从均匀分布。记作 X~U(a, b)
对任意实数c, d (a<c<d<b)，都有
例 长途汽车起点站于每时的10分、25分、55分发车 ，设乘客不知发车时间，于每小时的任意时刻随机地 到达车站，求乘客候车时间超过10分钟的概率 15 45
解：设A—乘客候车时间超过10分钟 X—乘客于某时X分钟到达，则XU(0,60)
(2) 若X～N(, 2)，则
例 设随机变量X~N(-1,22),P{-2.45<X<2.45}=? 例 设 XN(,2),求 P{-3<X<+3}
本题结果称为3 原则.在工程应用中，通常认为 P{|X|≤3} ≈1，忽略{|X|>3}的值. 如在质量控制中，常用标准指标值±3作两条线，
答:
(3) 若x是f(x)的连续点，则
例 设随机变量X的分布函数为求f(x)
（4） 对任意实数b，若X～ f(x)，(-<x<)
，则P{X=b}＝0。
于是
例8
已知随机变量X的概率密度为
1)求常数A; 2)求X的分布函数F(x), 3)求P{X(0.5,1.5)}
二、几个常用的连续型分布
2.1 随机变量的概念
定义. 设Ω ={ω }是试验的样本空间， 如果量X是定义在Ω 上的一个单值实值 函数即对于每一个ω Ω ，有一实数 X=X(ω )与之对应，则称X(ω )为随机 变量。简记为X 随机变量常用X、Y、Z 或 、、等 表示。 随机变量的特点:
1、 X的全部可能取值是互斥且完备的 2 、X的部分可能取值描述随机事件
1. 定义
则称X为连续型随机变量， f(x)为X的概率密度 函数，简称概率密度或密度函数. 常记为
X～ f(x) , (-<x<+)
密度函数的几何意义为
2. 密度函数的性质 (1) 非负性 f(x)0，(-<x<)；
(2)归一性 性质(1)、(2)是密度函数的充要性质；
例 设随机变量X的概率密度为 求常数a.
二、分布函数的性质 1、单调不减性：若x1<x2, 则F(x1)F(x2);
2、归一 性：对任意实数x，0F(x)1，且
3、右连续性：对任意实数x，
反之，具有上述三个性质的实函数，必是某个随 机变量的分布函数。故该三个性质是分布函数的
充分必要性质。
一般地，对离散型随机变量
X～P{X= xk}＝pk, 其分布函数为 k＝1, 2, „
例 引入适当的随机变量描述下列事件： ①将3个球随机地放入三个格子中， 事件A={有1个空格}，B={有2个空格}， C={全有球}。 ②进行5次试验，事件D={试验成功一次}， F={试验至少成功一次}，G={至多成功3次}
随机变量的分类：
随机变量
2.2 离散型随机变量 定义 若随机变量X取值x1, x2, „, xn, „ 且取 这些值的概率依次为p1, p2, „, pn, „, 则称X为 离散型随机变量，而称 P{X=xk}=pk, (k=1, 2, „ )
态分布,记为N(, 2)，可表为X～N(, 2).
正态分布有两个特性：
(1) 单峰对称
密度曲线关于直线x=对称；
f()＝maxf(x)＝ .
(2) 的大小直接影响概率的分布 越大，曲线越平坦， 越小，曲线越陡峻。 正态分布也称为高斯(Gauss)分布

4.标准正态分布 参数＝0，2＝1的正态分布称为标准正态分布 ，记作X~N(0, 1)。
FY (y) ＝P{Yy}＝P {g(X) y}＝
然后再求Y的密度函数
此法也叫“ 分布函数法”
例 设XU(-1,1),求Y=X2的分布函数与概率密度。
当y<0时 当0≤y<1时
当y≥1时
例
设X的概率密度为fX(x),y=g(x)关于x处处可导
且是x的严格单减函数，求Y=g(X)的概率密度。 解：Y的分布函数为 FY(y)=P{Yy}=P{g(X)y} =P{X≥g-1(y)}=1-FX(g-1(y))
当生产过程的指标观察值落在两线之外时发出警报.
表明生产出现异常.
例 一种电子元件的使用寿命Ｘ（小时）服从正态分 布Ｎ(100,152),某仪器上装有3个这种元件，三个元 件损坏与否是相互独立的.求：使用的最初90小时内 无一元件损坏的概率.
解:设Y为使用的最初90小时内损坏的元件数,
则 Y~B(3,p) 其中
其密度函数表示为
分布函数表示为
一般的概率统计教科书均附有标准正态分布表 供读者查阅(x)的值。(P190附表1)如，若 Z~N（0，1）,（0.5)=0.6915, P{1.32<Z<2.43}=(2.43)-(1.32) =0.9925-0.9066 注：(1) (x)＝1－ (－x)；
解 k可取值0，1，2
P{ X＝k} ＝
C2 C3 C
3 5
k
3 k
.
例1(几何分布)从次品率为p的一大批产品中，随机 地一个个地抽取产品来检查，直到抽到次品为止.以 X表示抽取的产品件数，求X的分布律。 解：设Ai第i次抽到次品，i=1,2,3, … 则P(Ai)=p,i=1,2,…,
· 几个常用的离散型分布 （一）贝努里(Bernoulli)概型与二项分布 1. (0-1)分布 若以X表示进行一次试验事件A发生的
泊松定理表明，泊松分布是二项分布的极限分布， 当n很大，p很小时，二项分布就可近似地看成是参 数=np的泊松分布
例(负二项分布) 进行独立重复试验，每次成功的 概率为p，令X表示直到出现第m次成功为止所进行的 试验次数，求X的分布律。
解:m=1时, P{ X k} (1 p) k 1 p, k 1,2,... m>1时,X的全部取值为:m,m+1,m+2,…
定理2.1(Poisson定理) 设随机变量X n~B(n, pn), (n＝0, 1, 2,…), 且n很大，pn很小，记 n=npn，若
lim n 0
n
则
上题用泊松定理
近似地有
取 =np＝(500)(0.01)＝5, 故
P{X2}＝1－ P{X＝0}－P {X＝1} ＝1－(1＋5)e－5≈0.96. 3. 泊松(Poisson)分布P() X～P{X＝k}＝ , k＝0, 1, 2, … (0)
P{X=m+1}=P{第m+1次试验时成功并且 在前m次试验中成功了m-1次}