全球专业中文经管百科,由121,994位网友共同编写而成,共计436,015个条目

离散型随机变量

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

(重定向自离散性随机变量)

离散型随机变量(Discrete Type Random Variable)

目录

什么是离散型随机变量[1]

  设X是一个随机变量,如果它全部可能的取值只有有限个或可数无穷个,则称X为一个离散型随机变量。

  设X1X2,…是随机变量X的所有可能取值,对每个取值XiX = xi是其样本空间S上的一个事件,为描述随机变量X,还需知道这些事件发生的可能性(概率)。

  定义1 设离散型随机变量X的所有可能取值为xi(i=1,2,…),

  P(X = xi) = Pi,i = 1,2,...

  称为X的概率分布或分布律,也称概率函数。

  常用表格形式来表示X的概率分布:

Xx1x2...xn...
Pip1p2...pn...

  由概率的定义,Pi(i = 1,2,...)必然满足:

  (1)P_i \ge 0,i=1, 2, …;

  (2)
Pi = 1
i

  【例1】 某篮球运动员投中篮圈的概率是0.9,求他两次独立投篮投中次数X的概率分布.[2]

  解 X可取0,1,2为值,记Ai={第i次投中篮圈},i=1,2,则P(A1) = P(A2) = 0.9

  P(X=0)=P(\overline{A_1} \overline{A_2}) = P(\overline{A_1})P(\overline{A_2})=0.1 \times 0.1=0.01

  P(X=1)=P(A_1 \overline{A_2} \cup \overline{A_1}A_2)

  =P(A_1 \overline{A_2})+P(\overline{A_1} A_2) = 0.9 \times 0.1 + 0.1 \times 0.9 = 0.18

  P(X=2)=P(A_1 A_2)=P(A_1)P(A_2)=0.9 \times 0.9=0.81

  且 PX = 0 + PX = 1 + Px = 2 = 1

于是,X的概率分布可表示为

X012
P_i0.010.180.81

  关于分布律的说明

  若已知一个离散型随机变量X的概率分布:

Xx_1x_2...x_n...
P_ip_1p_2...p_n...

  则可以求得X所生成的任何事件的概率,特别地,

  P{a \le X \le b}=P{ \bigcup_{a \le x_i \le b}{X=x_i}}= \sum_{a \le x_i \le b}p_i

  例如,设X的概率分布由例1给出,则

  P{x<2}=P{x=0}+P{X=l}=0.0l+0.18=0.19

  P{-2 \le X \le 6}=P{X=0}+P{X=1}+P{X=2}=1

常见的离散型随机变量的分布[3]

  (1)两点分布(0-1分布)

  若随机变量X只可能取0和1两个值,且它的分布列为P{X=1}=p,PX = 0 = lP(0 < P < 1),则称X服从参数为p的两点分布,记作X~B(1, p)。其分布函数为

F(X) = \begin{cases} 0, & x<0 \\ 1-p, & 0 \le x <1 \\ 1, & x \ge 1 \end{cases}

  (2)二项分布

  若随机变量X的分布律为P{X=k}=C_n^k p^k (1-p)^{n-k}(k=0, 1, 2, ..., n) 且0<P<1,则称X服从参数为n,P的二项分布,记作x~B(n,P)。


  (3)泊松(Poisson)分布

  若随机变量X所有可能取值为0,1,2,…,它取各个值的概率为

  P{X=k}=\frac{\lambda ^k}{k!} e^{- \lambda},(k=0,1,2,…)

  式中:λ > 0是常数,则称X服从参数为 λ泊松分布,记为X ~ Π(λ)

参考文献

  1. 徐建豪,陆健华.概率论与数理统计 第三版 简明版.中国人民大学出版社,2009.08.
  2. [吴赣昌.概率论与数理统计 农林类.中国人民大学出版社,2009.06]
  3. 张景雄.第3章 数理统计基础 空间信息的尺度、不确定性与融合.武汉大学出版社,2008.12.
本条目对我有帮助107
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您认为本条目还有待完善,需要补充新内容或修改错误内容,请编辑条目投诉举报

本条目由以下用户参与贡献

Dan,李光恩,黄堃.

评论(共1条)

提示:评论内容为网友针对条目"离散型随机变量"展开的讨论,与本站观点立场无关。
M id 429188ae3d7316bdba06c273d2b05f79 (Talk | 贡献) 在 2020年10月11日 22:50 发表

谢谢,例子举得很明白

回复评论

发表评论请文明上网,理性发言并遵守有关规定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP

闽公网安备 35020302032707号