分布列概念.docx

1、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 xi,x2,3Xx若 取每一个值xi(i=1,2, , -n)的概率为P( xi) Pi，则称表X1X2XiXnPP1P2PiPn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) Pi+P2+n+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E01P1 PP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

2、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M件次品的N件产品中，任取n件，其中恰有 X件次品，则则事件X=k n N,M N,n, M,N N 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X01?mPC 0 C n 0 CM CN M?q m q n m CM CN MCn J NCN要点一、条件概率的概念1.定义设A、B为两个事件，且P(A) 0，在已知事件 A发生的条件下，事件B发生的概率叫做条件概率。用符号 P(B |

3、A) 表示。P(B| A)读作：A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：P(A| B) P(AB).P(B)要点诠释一般说来，对于概率

4、P(A|B)与概率P(A)，它们都以基本事件空间 Q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 Q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Q包含的样本点总数为 16，事件A包含的样本点总数为 11，故P(A) 11。16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

5、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，4 2故 P(A| B)6 3要点二、条件概率的公式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P(A|B)需求解.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，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

6、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P(A|B) P(AB)揭示了 P ( B)、P (A | B )、P (AB)的关系，常常用于知二求 P(B)一，即要熟练应用它的变形公式如，若 P ( B) 0,贝U 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

7、率也有加法公式：P ( BU 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A (或B )是否发生对事件 B (或A)发生的概率没有影响，即P(B | A) P(B),这样的两个事件叫做相互独立事件。若A与B是相互独立事件，则 A与B , A与B , A与B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A B表示事件A、B同时发生。(1 )若 A与B是相互独立事件，则 P(A B) P(A) P(B)；(2)若事件A, A2丄,An相互独立，那么这 n个事件同时发生的概率，等于每个事件 发生的概

8、率的积，即: P(A A2 L An) P(A) P(A2)L P(An)。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 A、B相互独立事件的充要条件是 P(A B) P( A) P(B)。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

9、 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 A B，恰有一个发生记为事件 A B A B , 至多有一个发生记为事件 A B A B A B，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)1 P(A) P(B)P (A B)0P (A) P ( B)P(A B)1 -

10、P (A) +P ( B)P(A) P(B)P(A BAB)P (A) +P (B)P(A) P(B) P(A) P(B)P(A B A B A B)11 - P (A) P ( B)要点二、独立重复试验的概率公式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：Pn(k) C；kpk(1 p)n k (k=0, 1, 2，n).令 k 0 得， 在 n 次独立重 复试验中 ， 事件 A 没有发生的概率为0 0 n nPn (0) Cn0p0(1 p)n (1 p)n令 k n 得， 在 n 次独立重 复试验中 ， 事件 A 全.部.发.

11、生.的.概.率.为. Pn(n) Cnnpn(1 p)0 pn。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

12、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 n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 p，则此事件不发生的概率为 q 1 p，那么在n次独立重复试验中事件 A恰好发生k次的概率是k k nkPn( k) Pn(k) Cnkpkqn k,( k 0,1,2,., n )

13、 ; 01knP、 0 n CnP qC 1 1 rCnP q1小k k Cn p qkc n nCn p C由于表中第二行恰好是二项展开式(q p)n c0pqn Clp1qn1 C：pkqnk C：pnq0 中各对应项的值,所以称这样的随机变量 服从参数为 n , p的二项分布，记作 B(n, p) 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

14、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XX2XiPp1 p2 pi 则称E X1 p1 X2 p2 XnPn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，令口 p2 pn，则有p111P2

15、pn - , E (X1 X2 xn),所以的数学期望又称为平均数、均n n值。(3 )随机变量的均值与随机变量本身具有相同的单位.2.性质:E()E E ;若ab (a、b是常数)，是随机变量，则 也是随机变量，有E(a b)aEb ；E(ab)aE b的推导过程如下：的分布列为XiX2Xiaxi bax2 baxi bPRP于是 E (axi b) p (ax? b)p2 (axi b)pi =a(xi Pi x2 p2 xp )b(pi p2 pi )=aE bE(a b) aE b。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Xi, X2，Xn ,它们的平均

16、值为 x，那么各数据与 X的差的平方的 平均数S2 - (xi x)2 + (x2 x )2 + (xn x)2叫做这组数据的方差。n2离散型随机变量的方差：般地，若离散型随机变量 的概率分布为XiX2XiPPiP2Pi则称 D = (Xi E )2 Pi + (X2 E )2 P2 + + (Xn E )2 Pi + 称为随机变 量 的方差，式中的E是随机变量 的期望.D的算术平方根 D 叫做随机变量 的标准差，记作要点诠释：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；随机变量 的方差、标准差也是随机变量 E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(

17、标准差)越小，随机变量的取值就越稳定(越靠近 平均值)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：D E ( 2) (E )24.方差的性质：若 a b (a 、 b 是 常 数 ) ， 是 随 机 变 量 ， 则 也 是 随 机 变 量 ，D D (a b) a2D ；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 p 的二点分布，则期望 E p方差 D p(1 p).证明： P( 0) q,P( 1) p, 0 p 1, p q 1二 E 0 q 1 p pD (0 p)2 q (1 p)2 p p(1 p).2、二项分布：若

18、离散型随机变量 服从参数为n, p的二项分布，即 B(n, P),则期望 E nP方差 D np(1- p)期望公式证明：k k n k k k n k-P( k) Cn p (1 p) Cn p q ,0 0 n 1 1 n 1Cn p q 1 CnP q3、几何分布：期望E22n2 kknk nn02Cn p q . k Cn p q . n Cn p q ,验证。4、超几何分布:若离散型随机变量 服从参数为N,M , n的超几何分布，则期望E() 现N要点四：离散型随机变量的期望与方差的求法及应用1、求离散型随机变量 的期望、方差、标准差的基本步骤:1理解 的意义，写出 可能取的全部值;

19、2求 取各个值的概率，写出分布列;X1X2XPP1P2Pi3根据分布列，由期望、方差的定义求出 E 、D 、 ：E Xi X2P2 L XnPn L2 2 2D Xi E Pi X2 E P2 L Xn E Pn L注意：常见分布列的期望和方差，不必写出分布列，直接用公式计算即可.2离散型随机变量的期望与方差的实际意义及应用1离散型随机变量的期望，反映了随机变量取值的平均水平；2随机变量的方差与标准差都反映了随机变量取值的稳定与波动、 集中与离散的程度。方差越大数据波动越大。3对于两个随机变量 1和2，当需要了解他们的平均水平时，可比较 E 1和E 2的大小。4E 1和E 2相等或很接近，当需

20、要进一步了解他们的稳定性或者集中程度时， 比较D 1和D 2，方差值大时，则表明 E比较离散，反之，则表明 E比较集中品种的优劣、仪器的好坏、预报的准确与否、武器的性能等很多指标都与这两个特征数 （数学期望、方差）有关.【典型例题】正态分布编稿：赵雷 审稿：李霞【学习目标】1.了解正态分布曲线的特点及曲线所表示的意义。2.了解正态曲线与正态分布的性质。【要点梳理】要点诠释：要点一、概率密度曲线与概率密度函数1 概念：对于连续型随机变量 X ,位于X轴上方，X落在任一区间（a, b内的概率等于它与 X轴、直线x a与直线X b所围成的曲边梯形的面积（如图阴影部分） ，这条概率曲线叫 做X的概率密

21、度曲线，以其作为图象的函数 f （x）叫做X的概率密度函数。1概率密度函数所取的每个值均是非负的。2夹于概率密度的曲线与 x轴之间的平面图形”勺面积为1图形”的面积。要点二、正态分布1.正态变量的概率密度函数 ( 0,2 .正态分布 (1)定义(2 )正态分布的期望与方差要点诠释:去估计。 是标准差，它是衡量随机变量总体波动大小的特征数， 可以用样本的标准差去估计。(2 )经验表明，一个随机变量如果是众多的、互不相干的、不分主次的偶然因素作用结果之和，它就服从或近似服从正态分布.在现实生活中，很多随机变量都服从或近似地服从正态分布例如长度测量误差;某一地区同年龄人群的身高、体重、 肺活量等；一

22、定条件下生长的小麦的株高、穗长、单位面积产量等；正常生产条件下各种产品的质量指标(如零件的尺寸、纤维 的纤度、电容器的电容量、电子管的使用寿命等) ；某地每年七月份的平均气温、平均湿度、降雨量等；一般都服从正态分布.要点三、正态曲线及其性质：1.正态曲线参数（ 0,），则称函数f（X）的图象为正态分布密度曲线， 简称正态曲线。fl2 正态曲线的性质:1曲线位于X轴上方，与X轴不相交；2曲线是单峰的，它关于直线 X 对称;13曲线在x时达到峰值2时，以x轴为渐近线，向它无限靠近5曲线与X轴之间的面积为1 ； 决定曲线的位置和对称性；平移。越大，曲线越 矮胖”表示总体的分布越分散。如下图所示。/k

23、1 J 1-3-2-1P123T要点诠释：性质说明了函数具有值域（函数值为正）及函数的渐近线（ x轴）性质并且说明了函数具有对称性；性质说明了函数在 x= 时取最值；性质说明 越大，总体分布越分 散， 越小，总体分布越集中.要点四、求正态分布在给定区间上的概率1.随机变量取值的概率与面积的关系若随机变量E服从正态分布 N（ , 2），那么对于任意实数 a、b （av b），当随机变量E 在区间（a, b上取值时，其取值的概率与正态曲线与直线 x=a, x=b以及x轴所围成的图形的面积相等如图（1）中的阴影部分的面积就是随机变量孝在区间（ a, b上取值的概率.1yyd/ 1Ky : |/KAo

24、a 1 b x Oa x O(2)o ： i(3)一般地，当随机变量在区间（一 a） 上取值时，其取值的概率是正态曲线在 x=a左侧以及x轴围成图形的面积，如图（2） 随机变量在（a, +R）上取值的概率是正态曲线在 x=a右侧以及x轴围成图形的面积，如图（3） 根据以上概率与面积的关系，在有关概率的计算中，可借助与面积的关系进行求解.2、正态分布在三个特殊区间的概率值：上述结果可用下图表示:要点诠释：若随机变量 X服从正态分布 N( , 2)，则X落在( 3 , 3 )内的概率约为0.997，落在( 3 , 3 )之外的概率约为 0.003，般称后者为小概率事件，并认为在一次试验中，小概率事件几乎不可能发生。一般的，服从于正态分布 N( , 2)的随机变量 X通常只取( 3 , 3 )之间的值,简称为3原则。3、求正态分布在给定区间上的概率方法(1 )数形结合，利用正态曲线的对称性及曲线与 x轴之间面积为1。正态曲线关于直线 x 对称，与x 对称的区间上的概率相等。例如 P(X ) P(X )； P(X a) 1 P(X a)； (2)利用正态分布在三个特殊区间内取值的概率:【典型例题】