概率论与数理统计 | 您所在的位置:网站首页 › 随机变量x的分布函数例题 › 概率论与数理统计 |
一维离散型随机变量
基本概念
随机变量
随机变量就是随机事件的数值体现。 例如投色子记录色子的点数,记录的点数其实就是一个随机变量,他是这个点数出现的数值体现。 注意: 随机变量X = X(e) , 是一个单实值函数,每个随机事件的结果只能对应一个随机变量。X(e)体现的是对随机事件的描述,本质上也是随机事件。X(e)的各个取值都有一定的概率。在进行实验之前知道X(e)可能会有哪些取值,并且每种取值都有可能出现。 离散型随机变量随机变量分为两种:连续型和离散型,跟函数的连续和间断类似。 连续型有无穷多个,不能列举离散型可以一一列举出来,也可以是无限个,但是跟自然数能够一一对应 分布律随机变量的各个取值对应的概率称为分布律,可以作为计算公式 一般会用一个表格来表示 注意: 所有的概率都在0-1之间所有概率的和为1 常见的离散型随机变量分布 0-1分布实验只有两种结果,取值用0和1表示 分布律为: X01Pp1-p 二项分布对一个只有 A 和 A ˉ A和\bar A A和Aˉ的事件进行n次实验,事件发生的次数服从二项分布 用表示 B ( n , p ) B(n,p) B(n,p),事件不发生的概率为 1 − B ( n , p ) 1-B(n,p) 1−B(n,p) 分布律: P ( n , p ) = C n k ∗ p k ∗ ( 1 − p ) n − k P(n,p) = C_n^k * p^k * (1-p)^{n-k} P(n,p)=Cnk∗pk∗(1−p)n−k(k为事件发生的次数) 泊松分布泊松分布用于描述一定事件或者空间中事件发生次数的概率,用 Π ( λ ) Π(\lambda) Π(λ)表示( λ \lambda λ为该时间或空间内事件发生的平均次数。) 分布律: P ( X = k ) = λ k e − λ k ! P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} P(X=k)=k!λke−λ 泊松分布例题 泊松定理当二项分布B(n,p)的n较大,且p较小时,二项分布大致服从泊松分布Π(np) 即 P ( X = k ) = C n k p k ( 1 − p ) n − k = ( n p ) k e − n p k ! P(X=k) = C_n^kp^k(1-p)^{n-k} = \frac{(np)^ke^{-np}}{k!} P(X=k)=Cnkpk(1−p)n−k=k!(np)ke−np 泊松定理例题 离散型随机变量分布函数注释: F(x)是一个不减函数P{a < x |
CopyRight 2018-2019 实验室设备网 版权所有 |