离散型随机变量
0-1 分布的定义
若
X 的概率分布律为
XP01−p1p
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∼0−1(p) 或
X∼B(1,p).
其分布律还可以写为:
P(X=k)=pk(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={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={0,当e=e1;1,当e=e2,
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={1,若A发生0,若A不发生(即A发生),
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={1,抛出的点数为6;0,抛出的点数不为6.
则
Y 的分布律为
YP05/611/6
或写为
P(X=k)=(61)k(65)1−k,k=0,1.即
Y∼0−1(61)
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
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}=Cnkpk(1−p)n−k
二项分布的定义
若
X 的概率分布律为
P{X=k}=Cnkpk(1−p)n−k,k=0,1,...,n
其中
n≥1,0<p<1,就称
X 服从参数为
n,p 的二项分布(Binomial),记为
X∼B(n,p)
泊松分布的定义
若
X 的概率分布律为
P(X=k)=k!λke−λ,k=0,1,2,...,
其中
λ>0,就称
X 服从参数为
λ 的泊松分布(Poisson),记为
X∼π(λ)或X∼P(λ).
二项分布与泊松分布有以下近似公式:
当
n>10,p<0.1 时,
Cnkpk(1−p)n−k≈k!λke−λ,其中λ=np.
即当
n>10,p<0.1 时,二项分布
B(n,p) 可以用泊松分布
π(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∼B(1000,p),其中
p=1/200.
P(X≥3)=1−P(X=0)−P(X=1)−P(X=2)
=1−(200199)1000−C10001(2001)1(200199)999−C10002(2001)2(200199)998=0.8760
利用泊松分布进行近似计算,取
λ=1000×2001=5,
P(X≥3)=1−P(X=0)−P(X=1)−P(X=2)
≈1−0!e−5−1!5e−5−2!52e−5=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∼Geom(p).