概率论与数理统计教程(二)-随机变量及其分布04：常用离散分布

§ 2.4 常用离散分布
每个随机变量都有一个分布, 不同的随机变量可以有不同的分布,
也可以有相同的分布. 随机变量有千千万万个, 但常用分布并不是很多,
熟悉这些常用分布对认识其他分布会很有启发. 常用分布亦分为两类:
离散分布和连续分布, 本节讲常用离散分布, 下节讲常用连续分布.
2.4.1 二项分布
一、二项分布
如果记 $X$ 为 $n$ 重伯努利试验中成功 (记为事件 $A$ ) 的次数, 则 $X$
的可能取值为 0 , $1,\cdots ,n$. 记 $p$ 为每次试验中 $A$ 发生的概率, 即
$P(A)=p$, 则 $P(\bar{A})=1-p$.
因为 $n$ 重伯努利试验的基本结果可以记作
$$\omega =\left({\omega }_1,{\omega }_2,\cdots ,{\omega }_n\right),$$
其中 ${\omega }_i$ 或者为 $A$, 或者为 $\bar{A}$. 这样的 $\omega$ 共有
$2^n$ 个, 这 $2^n$ 个样本点 $\omega$ 组成了样本空间 $\Omega$.
下面求 $X$ 的分布列, 即求事件 { X = k } \{X=k\} { X=k} 的概率. 若某个样本点
ω = ( ω 1 , ω 2 , ⋯   , ω n ) ∈ { X = k } \omega=\left(\omega_{1}, \omega_{2}, \cdots, \omega_{n}\right) \in\{X=k\} ω=(ω1​,ω2​,⋯,ωn​)∈{ X=k}
意味着 ${\omega }_1,{\omega }_2,\cdots ,{\omega }_n$ 中有 $k$ 个 $A,n-k$
个 $\bar{A}$, 所以由独立性知,
$$P(\omega )=p^k(1-p{)}^{n-k}.$$
而事件 { X = k } \{X=k\} { X=k} 中这样的 $\omega$ 共有
$\left(\begin{array}{l}n\\ k\end{array}\right)$ 个, 所以 $X$ 的分布列为
$$P(X=k)=\left(\begin{array}{l}n\\ k\end{array}\right)p^k(1-p{)}^{n-k},k=0,1,\cdots ,n.$$
这个分布称为二项分布, 记为 $X\sim b(n,p)$.
容易验证其和恒为 1 , 即
$$\sum _{k=0}^n\left(\begin{array}{l}n\\ k\end{array}\right)p^k(1-p{)}^{n-k}=[p+(1-p){]}^n=1.$$
由此可见, 二项概率
$\left(\begin{array}{l}n\\ k\end{array}\right)p^k(1-p{)}^{n-k}$ 恰好是
$n$ 次二项式 $(p+(1-p){)}^n$ 的展开式中的第 $k+1$ 项,
这正是其名称的由来.
二项分布是一种常用的离散分布, 臂如,
- 检查 10 件产品, 10 件产品中不合格品的个数 $X$ 服从二项分布
$b(10,p)$, 其中 $p$为不合格品率.
- 调查 50 个人, 50 个人中患色盲的人数 $Y$ 服从二项分布 $b(50,p)$, 其中
$p$ 为色盲率.
- 射击 5 次, 5 次中命中次数 $Z$ 服从二项分布 $b(5,p)$, 其中 $p$
为射手的命中率.
例 2.4.1 某特效药的临床有效率为 0.95 , 今有 10 人服用, 问至少有 8
人治愈的概率是多少?
解 设 $X$ 为 10 人中被治愈的人数, 则 $X\sim b(10,0.95)$, 而所求概率为
$$\begin{array}{rl}P(X⩾8)& =P(X=8)+P(X=9)+P(X=10)\\ & =\left(\begin{array}{c}10\\ 8\end{array}\right)0.95^{8}0.05^2+\left(\begin{array}{c}10\\ 9\end{array}\right)0.95^{9}0.05+\left(\begin{array}{c}10\\ 10\end{array}\right)0.95^{10}\\ & =0.0746+0.3151+0.5987=\mathrm{0.9884.}\end{array}$$
10 人中至少有 8 人被治愈的概率为 0.9884 .
例 2.4.2 设随机变量 $X\sim b(2,p),Y\sim b(3,p)$. 若
$P(X⩾1)=5/9$, 试求 $P(Y⩾1)$.
解 由 $P(X⩾1)=5/9$, 知 $P(X=0)=4/9$, 所以
$(1-p{)}^2=4/9$, 由此得 $p=1/3$. 再由 $Y\sim b(3,p)$ 可得
$$P(Y⩾1)=1-P(Y=0)=1-{\left(1-\frac{1}{3}\right)}^3=\frac{19}{27}.$$
二、二点分布
$n=1$ 时的二项分布 $b(1,p)$ 称为二点分布, 或称 0-1 分布,
或称伯努利分布, 其分布列为
$$P(X=x)=p^x(1-p{)}^{1-x},x=0,1.$$
或记为
$X$ 0 1

---

$P$ $1-p$ $P$
二点分布 $b(1,p)$ 主要用来描述一次伯努利试验中成功 (记为 $A$ ) 的次数 (
0 或 1$)$.
很多随机现象的样本空间 $\Omega$ 常可一分为二, 记为 $A$ 与 $\bar{A}$,
由此形成伯努利试验. $n$重伯努利试验是由 $n$
个相同的、独立进行的伯努利试验组成, 若将第 $i$ 个伯努利试验中 $A$
出现的次数记为 $X_i(i=1,2,\cdots ,n)$, 由于 $n$ 重伯努利试验中,
每个伯努利试验是相互独立的, 故其产生的 $n$ 个随机变量
$X_1,X_2,\cdots ,X_n$ 也相互独立 (随机变量的独立性定义见 §3.2),
且服从相同的二点分布 $b(1,p)$. 此时其和
$$X=X_1+X_2+\cdots +X_n$$
就是 $n$ 重伯努利试验中 $A$ 出现的总次数, 它服从二项分布 $b(n,p)$.
这就是二项分布 $b(n,p)$ 与二点分布 $b(1,p)$ 之间的联系,
即服从二项分布的随机变量总可分解为 $n$ 个独立同为二点分布的随机变量之和.
三、二项分布的数学期望和方差
设随机变量 $X\sim b(n,p)$, 则
$$\begin{array}{rl}E(X)& =\sum _{k=0}^{n}k\left(\begin{array}{l}n\\ k\end{array}\right)p^k(1-p{)}^{n-k}=np\sum _{k=1}^n\left(\begin{array}{l}n-1\\ k-1\end{array}\right)p^{k-1}(1-p{)}^{(n-1)-(k-1)}\\ & =np[p+(1-p){]}^{n-1}=np.\end{array}$$
又因为
$$\begin{array}{rl}E\left(X^2\right)& =\sum _{k=0}^n{k}^2(\begin{array}{}\end{array}\\ & \\ & \\ & \\ & \end{array}$$