第一节 随机变量的概念
设 Ω 是 随 机 试 验 E 的 样 本 空 间 , 若 ∀ ω ∈ Ω , 有 唯 一 的 实 数 值 X ( w ) 与 之 对 应 , 则 称 X ( w ) 为 随 机 变 量 , 简 记 为 X . 设\Omega是随机试验E的样本空间,若\forall\omega\in\Omega,有唯一的实数值X(w)与之对应,则称X(w)为随机变量,简记为X. 设Ω是随机试验E的样本空间,若∀ω∈Ω,有唯一的实数值X(w)与之对应,则称X(w)为随机变量,简记为X.
第二节 离散型随机变量及其概率分布
离散型随机变量
我们称可能取值是有限个或可列无穷多个的随机变量为离散型随机变量.
离散型随机变量的概率分布或分布律
设 离 散 型 随 机 变 量 X 所 有 可 能 取 值 为 : x 1 , x 2 , ⋯ , x k , ⋯ , X 取 各 个 可 能 值 的 概 率 为 P { X = x k } = p k , k = 1 , 2 , ⋯ 设离散型随机变量X所有可能取值为:x_1,x_2,\cdots,x_k,\cdots,\\ X取各个可能值的概率为P\{X=x_k\}=p_k,k=1,2,\cdots 设离散型随机变量X所有可能取值为:x1,x2,⋯,xk,⋯,X取各个可能值的概率为P{
X=xk}=pk,k=1,2,⋯①
则称①式为离散型随机变量X的概率分布或分布律.
分布律也可以写成
( x 1 x 2 ⋯ x n ⋯ p 1 p 2 ⋯ p n ⋯ ) \begin{pmatrix} x_1 & x_2 & \cdots & x_n & \cdots\\ p_1 & p_2 & \cdots & p_n & \cdots\\ \end{pmatrix} (x1p1x2p2⋯⋯xnpn⋯⋯)②
或者
X ∣ x 1 x 2 ⋯ x n ⋯ P ∣ p 1 p 2 ⋯ p n ⋯ \begin{matrix} X |x_1 & x_2 & \cdots & x_n & \cdots\\ \hline P|p_1 & p_2 & \cdots & p_n & \cdots\\ \end{matrix} X∣x1P∣p1x2p2⋯⋯xnpn⋯⋯
由概率的定义易知,离散型随机变量X的分布律应满足:
( 1 ) P { X = x k } = p k ≥ 0 , k = 1 , 2 ⋯ (1)P\{X=x_k\}=p_k\geq0,k=1,2\cdots (1)P{
X=xk}=pk≥0,k=1,2⋯
( 2 ) ∑ k = 1 ∞ P { X = x k } = ∑ k = 1 ∞ p k = 1 (2)\sum\limits_{k=1}^{\infty}P\{X=x_k\} = \sum\limits_{k=1}^{\infty}p_k = 1 (2)k=1∑∞P{
X=xk}=k=1∑∞pk=1
离散型随机变量的常见分布(分布律,记号)
1.两点分布(0-1分布)
若随机变量X只有0,1两种取值,则它的分布律为
X ∣ 0 1 P ∣ 1 − p p \begin{matrix} X| &0 & 1\\ \hline P| &1-p &p\\ \end{matrix} X∣P∣01−p1p或者 P { X = k } = p k ( 1 − p ) 1 − k ( k = 0 , 1 , 0 < p < 1 ) P\{X=k\} =p^k (1-p)^{1-k}(k=0,1,0<p<1) P{
X=k}=pk(1−p)1−k(k=0,1,0<p<1)
则称X服从两点分布或0-1分布,记为X~B(1,p)
2.二项分布
在n重伯努利试验中,设X为事件A发生的次数,则X可能取的值为0,1, ⋯ \cdots ⋯,n它取这些值的概率为
P { X = k } = C n k p k ( 1 − p ) n − k , k = 0 , 1 , ⋯ , n P\{X=k\} =\mathrm{C}_n^k p^k (1-p)^{n-k}, k=0,1,\cdots,n P{
X=k}=Cnkpk(1−p)n−k,k=0,1,⋯,n
由二项式定理
∑ k = 0 n P { X = k } = ∑ k = 0 n C n k p k ( 1 − p ) n − k = [ p + ( 1 − p ) ] n = 1 \sum\limits_{k=0}^{n}P\{X=k\} =\sum\limits_{k=0}^{n}\mathrm{C}_n^kp^k (1-p)^{n-k}=[p+(1-p)]^n=1 k=0∑nP{
X=k}=k=0∑nCnkpk(1−p)n−k=[p+(1−p)]n=1
若随机变量的分布律为
P { X = k } = C n k p k ( 1 − p ) n − k ( k = 0 , 1 , ⋯ , n , 0 < p < 1 ) , P\{X=k\} =\mathrm{C}_n^k p^k (1-p)^{n-k}(k=0,1,\cdots,n,0<p<1), P{
X=k}=Cnkpk(1−p)n−k(k=0,1,⋯,n,0<p<1),
则称X服从二项分布,记为X~B(n,p)
在n重伯努利试验中,事件A发生的次数X是服从二项分布的.设随机变量X~B(n,p),若P{X=k}在X=m处取得最大值,则称P{X=m}为二项分布的中心项,m称为最可能成功次数,对于给定的n及p,可以证明m=[(n+1)p].若(n+1)p为正整数,则m=(n+1)p及m=(n+1)p-1均为最可能成功次数.
3.泊松分布
泊松定理
设 若 随 机 变 量 X n 服 从 二 项 分 布 , 分 布 律 为 P { X = k } = C n k p k ( 1 − p ) n − k ( k = 0 , 1 , ⋯ , n , 0 < p < 1 ) 设若随机变量X_n服从二项分布,分布律为P\{X=k\} =\mathrm{C}_n^kp^k (1-p)^{n-k}(k=0,1,\cdots,n,0<p<1) 设若随机变量Xn服从二项分布,分布律为P{
X=k}=Cnkpk(1−p)n−k(k=0,1,⋯,n,0<p<1)
设 λ 是 一 常 数 , lim n → ∞ n p n = λ , 则 对 固 定 的 k 有 设\lambda是一常数,\lim\limits_{n \to \infty}np_n=λ,则对固定的k有 设λ是一常数,n→∞limnpn=λ,则对固定的k有
lim n → ∞ C n k p k ( 1 − p ) n − k = λ k k !