分布列概念

1.分布列定义：设离散型随机变量所有可能取得的值为x1,x2,…,x3,…xn,若取每一个值xi(i=1,2,…，n)的概率为，则称表x1x2…xi…xnPP1P2…Pi…Pn为随机变量的概率分布，简称的分布列.离散型随机变量的分布列都具有下面两个性质：（1）Pi≥0,i=1,2，…，n；（2）P1+P2+…+Pn=1要点四、两类特殊的分布列1.两点分布随机变量X的分布列是ξ01P像上面这样的分布列称为两点分布列．要点诠释：(1)若随机变量X的分布列为两点分布,则称X服从两点分布,而称P(X=1)为成功率.(2)两点分布又称为0-1分布或伯努利分布(3)两点分布列的应用十分广泛,如抽取的彩票是否中奖；买回的一件产品是否为正品；新生婴儿的性别；投篮是否命中等等；都可以用两点分布列来研究.2.超几何分布一般地，在含有件次品的件产品中，任取件，其中恰有件次品，则则事件{X=k｝发生的概率为,其中，且．称分布列为超几何分布列．如果随机变量X的分布列为超几何分布列，则称随机变量X服从超几何分布iiPxP)(1ppMNnX(),0,1,2,,knkMNMnNCCPXkkmCmin{,}mMn,,,,nNMNnMNN01XmPnNnMNMCCC00nNmnMNmMCCC要点一、条件概率的概念1.定义设、为两个事件，且，在已知事件发生的条件下，事件B发生的概率叫做条件概率。用符号表示。读作：发生的条件下B发生的概率。要点诠释在条件概率的定义中，事件A在“事件B已发生”这个附加条件下的概率与没有这个附加条件的概率是不同的，应该说，每一个随机试验都是在一定条件下进行的．而这里所说的条件概率，则是当试验结果的一部分信息已知，求另一事件在此条件下发生的概率．2．P（A｜B）、P（AB）、P（B）的区别P（A｜B）是在事件B发生的条件下，事件A发生的概率。P（AB）是事件A与事件B同时发生的概率，无附加条件。P（B）是事件B发生的概率，无附加条件．它们的联系是：．要点诠释一般说来，对于概率P(A|B)与概率P(A)，它们都以基本事件空间Ω为总样本，但它们取概率的前提是不相同的。概率P(A)是指在整个基本事件空间Ω的条件下事件A发生的可能性大小，而条件概率P(A|B)是指在事件B发生的条件下，事件A发生的可能性大小。例如，盒中球的个数如下表。从中任取一球，记A=“取得蓝球”，B=“取得玻璃球”。基本事件空间Ω包含的样本点总数为16，事件A包含的样本点总数为11，故。玻璃木质总计红235蓝4711总计61016如果已知取得玻璃球的条件下取得蓝球的概率就是事件B发生的条件下事件A发生的条件概率，那么在事件B发生的条件下可能取得的样本点总数应为“玻璃球的总数”，即把样本空间压缩到玻璃球全体。而在事件B发生的条件下事件A包含的样本点数为蓝玻璃球数，故。要点二、条件概率的公式AB()0PAA(|)PBA(|)PBAA()(|)()PABPABPB11()16PA42(|)63PAB1．计算事件B发生的条件下事件A发生的条件概率，常有以下两种方式：①利用定义计算．先分别计算概率P（AB）及P（B），然后借助于条件概率公式求解．②利用缩小样本空间的观点计算．在这里，原来的样本空间缩小为已知的条件事件B，原来的事件A缩小为事件AB，从而，即：，此法常应用于古典概型中的条件概率求解．要点诠释概率P(B|A)与P(AB)的联系与区别：联系：事件A，B都发生了。区别：①在P(B|A)中，事件A，B发生有时间上的差异，事件A先发生事件B后发生；在P(AB)中，事件A，B同时发生；②基本事件空间不同在P(B|A)中，事件A成为基本事件空间；在P(AB)中，基本事件空间仍为原基本事件空间。2．条件概率公式的变形．公式揭示了P（B）、P（A｜B）、P（AB）的关系，常常用于知二求一，即要熟练应用它的变形公式如，若P（B）＞0，则P（AB）=P（B）·P（A｜B），该式称为概率的乘法公式．要点诠释条件概率也是概率，所以条件概率具有概率的性质．如：①任何事件的条件概率取值在0到1之间；②必然事件的条件概率为1，不可能事件的条件概率为0；③条件概率也有加法公式：P（B∪C｜A）=P（B｜A）+P（C｜A），其中B和C是两个互斥事件．要点三、相互独立事件1.定义：事件（或）是否发生对事件（或）发生的概率没有影响，即，这样的两个事件叫做相互独立事件。()(|)()PABPABPB(|)ABPABB包含的基本事件数包含的基本事件数()(|)()nABPBAnA()(|)()PABPABPBABBA(|)()PBAPB若与是相互独立事件，则与，与，与也相互独立。2．相互独立事件同时发生的概率公式：对于事件A和事件B，用表示事件A、B同时发生。（1）若与是相互独立事件，则；（2）若事件相互独立，那么这个事件同时发生的概率，等于每个事件发生的概率的积，即：。要点诠释（1）P（AB）=P（A）P（B）使用的前提是A、B为相互独立事件，也就是说，只有相互独立的两个事件同时发生的概率，才等于每个事件发生的概率的积．（2）两个事件、相互独立事件的充要条件是。3．相互独立事件与互斥事件的比较互斥事件与相互独立事件是两个不同的概念，它们之间没有直接关系。互斥事件是指两个事件不可能同时发生，而相互独立事件是指一个事件是否发生对另一个事件发生的概率没有影响。一般地，两个事件不可能既互斥又相互独立，因为互斥事件是不可能同时发生的，而相互独立事件是以它们能够同时发生为前提的。相互独立事件同时发生的概率等于每个事件发生的概率的积,这一点与互斥事件的概率和也是不同的。4.几种事件的概率公式的比较已知两个事件A，B，它们发生的概率为P（A），P（B），将A，B中至少有一个发生记为事件A+B，都发生记为事件A·B，都不发生记为事件AB，恰有一个发生记为事件，至多有一个发生记为事件，则它们的概率间的关系如下表所示：概率A，B互斥A，B相互独立P（A+B）P（A）+P（B）P（A·B）0P（A）·P（B）1－[P（A）+P（B）]P（A）+P（B）11－P（A）·P（B）要点二、独立重复试验的概率公式ABABABABABAB()()()PABPAPB12,,,nAAAn1212()()()()nnPAAAPAPAPAAB()()()PABPAPBABABABABAB1()()PAPB()PAB()()PAPB()PABAB()()()()PAPBPAPB()PABABAB1.定义如果事件A在一次试验中发生的概率为P，那么n次独立重复试验中，事件A恰好发生k次的概率为：（k=0，1，2，…，n）．令得，在n次独立重复试验中，事件A没有发生的概率为．．．．．．．．令得，在n次独立重复试验中，事件A全部发生的概率为．．．．．．．．。要点诠释：1.在公式中，n是独立重复试验的次数，p是一次试验中某事件A发生的概率，k是在n次独立重复试验中事件A恰好发生的次数，只有弄清公式中n，p，k的意义，才能正确地运用公式．2.独立重复试验是相互独立事件的特例，就像对立事件是互斥事件的特例一样，只是有“恰好”字样的用独立重复试验的概率公式计算更方便．要点三、n次独立重复试验常见实例：1.反复抛掷一枚均匀硬币2.已知产品率的抽样3.有放回的抽样4.射手射击目标命中率已知的若干次射击要点诠释：抽样问题中的独立重复试验模型：①从产品中有放回地抽样是独立事件，可按独立重复试验来处理；②从小数量的产品中无放回地抽样不是独立事件，只能用等可能事件计算；③从大批量的产品中无放回地抽样，每次得到某种事件的概率是不一样的，但由于差别太小，相当于是独立事件，所以一般情况下仍按独立重复试验来处理。要点四、离散型随机变量的二项分布1.定义：在一次随机试验中，事件A可能发生也可能不发生，在次独立重复试验中事件A发生的次数是一个离散型随机变量．如果在一次试验中事件A发生的概率是，则此事件不发生的概率为，那么在次独立重复试验中事件A恰好发生次的概率是，（）．()(1)kknknnPkCpp0k00(0)(1)(1)nnnnPCpppkn0()(1)nnnnnPnCpppnp1qpnk()()kknknnnPkPkCpq0,1,2,...,kn于是得到离散型随机变量的概率分布如下：ξ01…k…nP……由于表中第二行恰好是二项展开式中各对应项的值，所以称这样的随机变量服从参数为，的二项分布，记作．要点诠释：判断一个随机变量是否服从二项分布，关键有三：其一是独立性。即每次试验的结果是相互独立的；其二是重复性。即试验独立重复地进行了n次；其三是试验的结果的独特性。即一次试验中，事件发生与不发生，二者必居其一。2．如何求有关的二项分布（1）分清楚在n次独立重复试验中，共进行了多少次重复试验，即先确定n的值，然后确定在一次试验中某事件A发生的概率是多少，即确定p的值，最后再确定某事件A恰好发生了多少次，即确定k的值；（2）准确算出每一种情况下，某事件A发生的概率；（3）用表格形式列出随机变量的分布列。要点一、离散型随机变量的期望1.定义：一般地，若离散型随机变量的概率分布为……P……则称……为的均值或数学期望，简称期望．要点诠释：（1）均值（期望）是随机变量的一个重要特征数，它反映或刻画的是随机变量取值的平均水平．（2）一般地，在有限取值离散型随机变量的概率分布中，令…，则有…，…，所以的数学期望又称为平均数、均值。（3）随机变量的均值与随机变量本身具有相同的单位．nnqpC00111nnqpCknkknqpC0qpCnnn011100)(qpCqpCqpCqpCpqnnnknkknnnnnnnp~(,)Bnp1x2xix1p2pipE11px22pxnnpx1p2pnp1p2pnpn1E1(x2xnxn1)2．性质：①；②若(a、b是常数)，是随机变量，则也是随机变量，有；的推导过程如下：：的分布列为…………P……于是……＝……)……)＝∴。要点二：离散型随机变量的方差与标准差1.一组数据的方差的概念：已知一组数据，，…，，它们的平均值为，那么各数据与的差的平方的平均数＋＋…＋叫做这组数据的方差。2.离散型随机变量的方差：一般地，若离散型随机变量的概率分布为……P……则称＝＋＋…＋＋…称为随机变量的方差，式中的是随机变量的期望．的算术平方根叫做随机变量的标准差，记作．()EEEbabaEbaE)(baEbaE)(1x2xixbax1bax2iaxb1P2PiPE11)(pbax22)(pbax()iiaxbp11(pxa22pxiixp1(pb2pipbaEbaEbaE)(1x2xnxxx[12nS21)(xx22)(xx])(2xxn1x2xix1p2pipD121)(pEx222)(pEx2()nixEpEDD要点诠释：⑴随机变量的方差的定义与一组数据的方差的定义式是相同的；⑵随机变量的方差、标准差也是随机变量ξ的特征数，它们都反映了随机变量取值的稳定与波动、集中与离散的程度；方差（标准差）越小，随机变量的取值就越稳定（越靠近平均值）．⑶标准差与随机变量本身有相同的单位，所以在实际问题中应用更广泛。3.期望和方差的关系：4.方差的性质：若(a、b是常数)，是随机变量，则也是随机变量，；要点三：常见分布的期望与方差1、二点分布：若离散型随机变量服从参数为的二点分布，则期望方差证明：∵,,,∴2、二项分布：若离散型随机变量服从参数为的二项分布，即则期望方差期望公式证明：∵，∴22()()DEEba2()DDabaD