一、伯努利概型
在许多问题中,我们对试验感兴趣的是试验中某事件
A
A
A是否发生。在这类问题中,我们可以把事件域取为
F
=
{
∅
,
A
,
A
ˉ
,
Ω
}
\mathcal F=\{\emptyset, A, \bar A, \Omega\}
F={∅,A,Aˉ,Ω},这种只有两个可能结果的试验称为伯努利试验。
在伯努利试验中,首先要给出下面概率:
P
(
A
)
=
p
,
P
(
A
ˉ
)
=
q
(1)
P(A)=p, P(\bar A)=q\tag1
P(A)=p,P(Aˉ)=q(1)
其中,
p
≥
0
,
q
≥
0
,
p
+
q
=
1
p\ge0, q\ge0, p+q=1
p≥0,q≥0,p+q=1
现在考虑重复进行
n
n
n次独立的伯努利试验,这里的重复是指每次试验中事件
A
A
A出现的概率都不变,这样的试验称为
n
n
n重伯努利试验,记作
E
n
E^n
En。它有以下4个约定:
- 每次试验至多出现两个可能结果之一: A A A和 A ˉ \bar A Aˉ
- A A A在每次试验中出现的概率 p p p保持不变
- 各次试验相互独立
- 共进行 n n n次试验
n
n
n重伯努利试验
E
n
E^n
En的样本点形如:
(
A
1
^
,
A
2
^
,
⋯
,
A
n
^
)
(\hat {A_1}, \hat {A_2}, \cdots, \hat {A_n})
(A1^,A2^,⋯,An^),其中
A
i
^
\hat {A_i}
Ai^是
A
i
A_i
Ai或
A
i
ˉ
\bar{A_i}
Aiˉ,分别表示第
i
i
i次试验中出现
A
A
A或
A
ˉ
\bar A
Aˉ,显然这种样本点共有
2
n
2^n
2n个,这是一个有限的样本空间。假设
n
n
n次试验中出现
l
l
l次事件
A
A
A,那么会有
n
−
l
n-l
n−l次事件
A
ˉ
\bar A
Aˉ,从而可以得到相应的概率为:
P
(
A
1
^
,
A
2
^
,
⋯
,
A
n
^
)
=
p
l
q
n
−
l
(2)
P(\hat {A_1}, \hat {A_2}, \cdots, \hat {A_n})=p^lq^{n-l}\tag2
P(A1^,A2^,⋯,An^)=plqn−l(2)
以伯努利试验为模型探讨机票超售问题。每个订座旅客当作一次试验,则他不登机记作事件
A
A
A,登机记作事件
A
ˉ
\bar A
Aˉ,
P
(
A
)
P(A)
P(A)可以由过去统计资料得出。主要的难点在于能否把旅客是否登机看作是独立的,显然对于购买团体票的旅客作此假定是不适合的。此外,大型的交通堵塞等偶然事件也会使这个假定偏离,不过在一般场合作此假定还是合理的。那么全体订座旅客数
n
n
n作为试验总数,这便构成伯努利概型。
二、伯努利概型中的一些分布
2.1 伯努利分布
若只进行一次试验,或者事件
A
A
A出现,或者不出现,其概率由
(
1
)
(1)
(1)式给出,称为伯努利分布。
2.2 二项分布
假设进行了
n
n
n重伯努利试验,以
b
(
k
;
n
,
p
)
b(k;n,p)
b(k;n,p)记作事件
A
A
A出现
k
k
k次的概率,很容易可以计算得到:
b
(
k
;
n
,
p
)
=
C
n
k
p
k
q
n
−
k
,
k
=
0
,
1
,
2
⋯
,
n
(3)
b(k;n,p)=C_n^kp^kq^{n-k}, k=0,1,2\cdots,n\tag3
b(k;n,p)=Cnkpkqn−k,k=0,1,2⋯,n(3)
注意到
b
(
k
;
n
,
p
)
,
k
=
0
,
1
,
2
⋯
,
n
b(k;n,p), k=0,1,2\cdots,n
b(k;n,p),k=0,1,2⋯,n是二项式
(
q
+
p
s
)
n
(q+ps)^n
(q+ps)n展开式中
s
k
s^k
sk项的系数,所以
(
3
)
(3)
(3)被称为二项分布。
2.3 几何分布
假设进行了
n
n
n重伯努利试验,以
g
(
k
;
p
)
g(k;p)
g(k;p)记作事件
A
A
A首次出现在第
k
k
k次试验的概率,那么前
k
−
1
k-1
k−1次都出现事件
A
ˉ
\bar A
Aˉ,所以
g
(
k
;
p
)
=
q
k
−
1
p
,
k
=
1
,
2
,
⋯
,
n
(4)
g(k;p)=q^{k-1}p, k=1, 2, \cdots, n\tag4
g(k;p)=qk−1p,k=1,2,⋯,n(4)
g
(
k
;
p
)
g(k;p)
g(k;p)是几何级数的一般项,所以
(
4
)
(4)
(4)称为几何分布。
2.3 帕斯卡分布
假设进行了
n
n
n重伯努利试验,以
f
(
k
;
r
,
p
)
f(k;r,p)
f(k;r,p)记作第
r
r
r次成功出现在第
k
k
k次试验,则必有
k
≥
r
k\ge r
k≥r,很容易计算得:
f
(
k
;
r
,
p
)
=
C
k
−
1
r
−
1
p
r
−
1
q
k
−
r
p
=
C
k
−
1
r
−
1
p
r
q
k
−
r
(5)
f(k;r,p)=C_{k-1}^{r-1}p^{r-1}q^{k-r}p=C_{k-1}^{r-1}p^{r}q^{k-r}\tag 5
f(k;r,p)=Ck−1r−1pr−1qk−rp=Ck−1r−1prqk−r(5)
f
(
k
;
r
,
p
)
f(k;r,p)
f(k;r,p)成为帕斯卡分布,特别当
r
=
1
r=1
r=1时,我们得到几何分布。
2.4 多项分布
二项分布可以很容易的推广到
n
n
n次重复独立试验且每次试验可能有若干个结果的情形。把每次试验的可能结果记为
A
1
,
A
2
,
⋯
,
A
r
A_1, A_2, \cdots, A_r
A1,A2,⋯,Ar,
P
(
A
i
)
=
p
i
,
i
=
1
,
2
,
⋯
,
r
P(A_i)=p_i, i=1, 2, \cdots, r
P(Ai)=pi,i=1,2,⋯,r,且
p
1
+
p
2
+
⋯
+
p
r
=
1
,
p
i
≥
0
p_1+p_2+\cdots+p_r=1, p_i\ge0
p1+p2+⋯+pr=1,pi≥0,当
r
=
2
r=2
r=2时,就是伯努利试验。
在这种推广的伯努利试验中,我们不难得出在
n
n
n次试验中,
A
1
A_1
A1出现
k
1
k_1
k1次,
A
2
A_2
A2出现
k
2
k_2
k2次,
A
r
A_r
Ar出现
k
r
k_r
kr次的概率为:
n
!
k
1
!
k
2
!
⋯
k
r
!
p
1
k
1
p
2
k
2
⋯
p
r
k
r
(6)
\frac{n!}{k_1! k_2!\cdots k_r!}p_1^{k_1}p_2^{k_2}\cdots p_r^{k_r}\tag6
k1!k2!⋯kr!n!p1k1p2k2⋯prkr(6)
(
6
)
(6)
(6)式称为多项分布。
2.5 泊松分布
在伯努利试验中, n n n很大, p p p很小,但 λ = n p \lambda=np λ=np大小适中。在独立试验中,以 p n p_n pn代表事件 A A A在试验中出现的概率,它与试验总数 n n n有关,如果 n p n ⟶ λ np_n\longrightarrow\lambda npn⟶λ,则当 n ⟶ ∞ n\longrightarrow \infty n⟶∞时, b ( k ; n , p ) ⟶ λ k k ! e − λ (7) b(k;n,p)\longrightarrow\frac{\lambda^k}{k!}e^{-\lambda}\tag7 b(k;n,p)⟶k!λke−λ(7)
证明:
记
λ
n
=
n
p
n
\lambda_n=np_n
λn=npn,则
b
(
k
;
n
,
p
n
)
=
C
n
k
p
n
k
(
1
−
p
n
)
n
−
k
=
n
(
n
−
1
)
⋯
(
n
−
k
+
1
)
k
!
(
λ
n
n
)
k
(
1
−
λ
n
n
)
n
−
k
=
λ
n
k
k
!
(
1
−
1
n
)
(
1
−
2
n
)
⋯
(
1
−
k
−
1
n
)
(
1
−
λ
n
)
n
−
k
b(k;n,p_n)=C_n^kp_n^k(1-p_n)^{n-k}=\frac{n(n-1)\cdots(n-k+1)}{k!}(\frac{\lambda_n}{n})^k(1-\frac{\lambda_n}{n})^{n-k}=\frac{\lambda_n^k}{k!}(1-\frac{1}{n})(1-\frac{2}{n})\cdots (1-\frac{k-1}{n})(1-\frac{\lambda}{n})^{n-k}
b(k;n,pn)=Cnkpnk(1−pn)n−k=k!n(n−1)⋯(n−k+1)(nλn)k(1−nλn)n−k=k!λnk(1−n1)(1−n2)⋯(1−nk−1)(1−nλ)n−k
而对于固定的 k k k, n ⟶ ∞ n\longrightarrow \infty n⟶∞时, lim n ⟶ ∞ λ n k = λ k \lim\limits_{n\longrightarrow \infty}\lambda_n^k=\lambda^k n⟶∞limλnk=λk, lim n ⟶ ∞ ( 1 − λ n ) n − k = e − λ \lim\limits_{n\longrightarrow \infty}(1-\frac{\lambda}{n})^{n-k}=e^{-\lambda} n⟶∞lim(1−nλ)n−k=e−λ, lim n ⟶ ∞ ( 1 − 1 n ) ( 1 − 2 n ) ⋯ ( 1 − k − 1 n ) = 1 \lim\limits_{n\longrightarrow \infty}(1-\frac{1}{n})(1-\frac{2}{n})\cdots (1-\frac{k-1}{n})=1 n⟶∞lim(1−n1)(1−n2)⋯(1−nk−1)=1
所以有 b ( k ; n , p ) ⟶ λ k k ! e − λ b(k;n,p)\longrightarrow\frac{\lambda^k}{k!}e^{-\lambda} b(k;n,p)⟶k!λke−λ。
记
p
(
k
;
λ
)
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
2
⋯
(8)
p(k;\lambda)=\frac{\lambda^k}{k!}e^{-\lambda}, k=0,1,2\cdots\tag8
p(k;λ)=k!λke−λ,k=0,1,2⋯(8)
(
8
)
(8)
(8)式称为泊松分布,
λ
\lambda
λ称为它的参数。
注意到
∑
k
=
0
∞
p
(
k
;
λ
)
=
1
\sum\limits_{k=0}^\infty p(k;\lambda)=1
k=0∑∞p(k;λ)=1。