10. 离散型随机变量

离散型随机变量

0-1 分布的定义

若 $X$ 的概率分布律为

$$\begin{array}{ccc}X& 0& 1\\ P& 1-p& p\end{array}$$

其中 $0<p<1$，就称 $X$ 服从参数为 $p$的 0-1 分布（或两点分布），记为 $X\sim 0-1(p)$ 或 $X\sim B(1,p).$

其分布律还可以写为： $P(X=k)=p^k(1-p{)}^{1-k},k=0,1.$

(X服从退化分布：若 $P(X=c)=1.$)

---

0-1 分布的应用：

对于一个随机实验，若它的样本空间只包含两个元素，即 S = { e 1 , e 2 } , S=\{e_1,e_2\}, S={e1​,e2​},我们总能在 $S$ 上定义一个服从 (0-1) 分布的随机变量

$$X=\{\begin{array}{l}0,当e=e_1;\\ 1,当e=e_2,\end{array}$$

来描述这个随机实验的结果。

---

一个随机实验，设 $A$ 是随机事件，且 $P(A)=p(0<p<1).$ 若仅考虑事件 $A$ 发生与否，就可以定义一个服从参数为 $p$ 的 0-1 分布的随机变量：

$$X=\{\begin{array}{l}1,若A发生\\ 0,若A不发生（即\overline{A}发生），\end{array}$$

来描述这个随机实验的结果。

只有两个可能结果的试验，称为贝努利（Bernoulli）试验，故两点分布有时也称为贝努利分布。

---

例 1： 投掷一颗均匀的骰子，考虑 6 点是否出现，用 $Y$ 表示该实验结果，求 $Y$ 的概率分布律。

解： 由题意知，令

$$Y=\{\begin{array}{l}1,抛出的点数为6；\\ 0,抛出的点数不为6.\end{array}$$

则 $Y$ 的分布律为

$$\begin{array}{ccc}Y& 0& 1\\ P& 5/6& 1/6\end{array}$$

或写为 $P(X=k)=(\frac{1}{6}{)}^k(\frac{5}{6}{)}^{1-k},k=0,1.$即 $Y\sim 0-1(\frac{1}{6})$

事实上 $Y$ 也可以看做是掷一次骰子，点数为 6 的次数。

---

$n$ 重贝努利试验： 设试验 $E$ 只有两个可能的结果：$A$ 或 $\overline{A}$，且 $P(A)=p,0<p<1$.将 $E$ 独立地重复地进行 $n$ 次，则称这一串重复的独立试验为 $n$ 重贝努利试验

$n$ 重贝努利试验 试验结果的次数统计规律：

设 $A$ 为结果,$X$ 表示 $n$ 重贝努利试验 中结果 $A$ 发生的次数

则 $X$ 的可能取值为 $0,1,...,n$，且 P { X = k } = C n k p k ( 1 − p ) n − k P\{X=k\}=C_{n}^{k}p^{k}(1-p)^{n-k} P{X=k}=Cnk​pk(1−p)n−k

---

二项分布的定义

若 $X$ 的概率分布律为

P { X = k } = C n k p k ( 1 − p ) n − k , k = 0 , 1 , . . . , n P\{X=k\}=C_{n}^{k}p^{k}(1-p)^{n-k},k=0,1,...,n P{X=k}=Cnk​pk(1−p)n−k,k=0,1,...,n

其中 $n\ge 1,0<p<1$，就称 $X$ 服从参数为 $n,p$ 的二项分布（Binomial），记为 $X\sim B(n,p)$

---

泊松分布的定义

若 $X$ 的概率分布律为

$$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,2,...,$$
其中 $\lambda >0$，就称 $X$ 服从参数为 $\lambda$ 的泊松分布（Poisson），记为 $X\sim \pi (\lambda )或X\sim P(\lambda )$.

---

二项分布与泊松分布有以下近似公式：

当 $n>10,p<0.1$ 时，

$$C_n^k{p}^k(1-p{)}^{n-k}\approx \frac{{\lambda }^k{e}^{-\lambda }}{k!}，其中\lambda =np.$$

即当 $n>10,p<0.1$ 时，二项分布 $B(n,p)$ 可以用泊松分布 $\pi (np)$ 来近似。

---

例 2： 某地区一个月内每 200 个成年人中有 1 个会患上某种疾病，设各人是否患病相互独立。若该地区一社区有 1000 个成年人，求某月内该社区至少有 3 人患病的概率。

解： 设该社区 1000 人种有 $X$ 个人患病，则 $X\sim B(1000,p)$，其中 $p=1/200$.

$P(X\ge 3)=1-P(X=0)-P(X=1)-P(X=2)$

$=1-(\frac{199}{200}{)}^{1000}-C_{1000}^1(\frac{1}{200}{)}^1(\frac{199}{200}{)}^{999}-C_{1000}^2(\frac{1}{200}{)}^2(\frac{199}{200}{)}^{998}=0.8760$

利用泊松分布进行近似计算，取 $\lambda =1000\times \frac{1}{200}=5,$

$P(X\ge 3)=1-P(X=0)-P(X=1)-P(X=2)$

$\approx 1-\frac{e^{-5}}{0!}-\frac{5e^{-5}}{1!}-\frac{5^2{e}^{-5}}{2!}=0.8753.$

这里由二项分布计算的结果，与泊松分布近似计算的结果非常相近。

---

几何分布的定义

若 $X$ 的概率分布律为

$$P(X=k)=p(1-p{)}^{k-1},k=1,2,3,...,$$

其中 $0<p<1$，称 $X$ 服从参数为 $p$ 的几何分布（Geometric），记为 $X\sim Geom(p).$