概率论与数理统计--第二章

概率论与数理统计第二章笔记一、引言概率论与数理统计是数学中的一个重要分支，它研究的是随机现象的规律性和统计规律性。

在第二章中，我们将深入探讨随机变量及其分布，以及随机变量的数字特征。

二、随机变量及其分布1. 随机变量的定义及分类在概率论与数理统计中，随机变量是描述随机现象数值特征的变量。

根据随机变量可取的值的性质，可以分为离散随机变量和连续随机变量。

离散随机变量只取有限个或无限可数个值，而连续随机变量则可以取在一定范围内的任意一个值。

2. 随机变量的分布及特征随机变量的分布是描述其取值的概率规律。

对于离散随机变量，常见的分布包括二项分布、泊松分布等；对于连续随机变量，则有均匀分布、正态分布等。

通过对随机变量的分布进行分析，可以推导出其数字特征，如均值、方差等。

三、随机变量数字特征1. 随机变量数字特征的意义随机变量的数字特征是对其分布的定量描述，包括均值、方差、标准差等。

这些数字特征可以帮助我们更直观地理解随机变量的分布规律，从而作出合理的推断和决策。

2. 随机变量数字特征的计算对于离散随机变量，其均值、方差的计算可通过对其分布进行加权平均；对于连续随机变量，则需要进行积分计算。

这些计算方法在实际问题中起着重要作用，例如在风险评估、市场预测等方面的应用。

四、总结和回顾概率论与数理统计第二章主要介绍了随机变量及其分布，以及随机变量的数字特征。

通过对离散和连续随机变量的分类和分布进行深入讨论，我们对随机现象的规律性有了更清晰的认识。

通过数字特征的计算，我们可以更准确地描述和解释随机现象的规律，为实际问题的分析和决策提供了有力工具。

个人观点和理解在学习概率论与数理统计第二章的过程中，我深刻认识到随机变量和其分布对于随机现象的定量分析至关重要。

通过对数字特征的计算，我们可以更准确地描述和解释随机现象的规律，这对于我在日常生活和工作中的决策和分析将有着实质性的帮助。

结论概率论与数理统计第二章所介绍的内容为我们提供了深入了解随机现象规律性的基础，并且为日后的学习和实践奠定了坚实的基础。

第二章 随机变量及其分布上一章研究内容： 事件（集合A ）→ 概率（数）．本章将用函数研究概率，函数是数与数的关系，即需要用数反映事件——随机变量．事件（数）→ 概率（数）．§2.1 随机变量及其分布2.1.1.随机变量的概念随机试验的样本点有些是定量的：如掷骰子掷出的点数，电子元件使用寿命的小时数．有些是定性的：如掷硬币正面或反面，检查产品合格或不合格．对于定性的结果也可以规定其数量性质：如掷硬币，正面记为1，反面记为0；检查产品，合格记为1，不合格记为0．随机试验中，可将每一个样本点ω 都对应于一个实数X (ω)，称为随机变量（Random Variable ），常用大写英文字母X , Y , Z 等表示随机变量，而随机变量的具体取值通常记为小写英文字母x , y , z ．对于随机变量首先应掌握它的全部可能取值：如掷硬币，⎩⎨⎧=反面正面,0,1X ，X 的全部可能取值为0, 1；掷两枚骰子，X 表示掷出的点数之和，X 的全部可能取值为2, 3, 4, … , 12 ；观察某商店一小时内的进店人数X ，X 的全部可能取值为0, 1, 2, … ；电子元件使用寿命，用X 表示使用的小时数，X 的全部可能取值为 ),0[∞+； 一场足球比赛（90分钟），用X 表示首次进球时间（分钟），若为0:0，记X = 100，X 的全部可能取值为 (0, 90 )∪{100}；注意：1. 每个样本点都必须对应于一个实数，2．不同样本点可以对应于同一个实数，3．随机变量的每一取值或取值范围都表示一个事件．应掌握将随机变量的取值或取值范围描述为事件，又能将事件用随机变量表达的方法． 例 掷一枚骰子，用X 表示出现的点数，则 X = 1表示出现1点；X > 4表示点数大于4，即出现5点或6点；X ≤ 0为不可能事件．又出现奇数点，即X = 1, 3, 5；点数不超过3，即X ≤ 3． 例 X 表示商店一天中某商品的销售件数（顾客的需求件数）， 则 X = 0表示没有销售；X ≤ 10表示销售不超过10件．又销售5件以上（不含5件）即X > 5；若该商店准备了a 件该商品，事件“能满足顾客需要”，即X ≤ a ． 例 X 表示一只电子元件的使用寿命（小时）， 则 X = 1000表示该元件恰好使用了1000小时，X ≥ 800表示该元件使用寿命在800小时以上． 例 90分钟足球比赛，X 表示首次进球时间（分钟），且0:0时，记X = 100， 则 X = 10表示上半场第10分钟首次进球．又上半场不进球即X > 45；开场1分钟内进球即X ≤ 1．如果随机变量X 的全部可能取值是有限个或可列个，则称为离散型随机变量．（注：可列个即可以排成一列，一个一个往下数，如非负整数0, 1, 2, 3, … ）离散型随机变量的全部可能取值是实数轴上一些离散的点，而连续型随机变量的全部可能取值是实数轴上一个区间或多个区间的并，如电子元件使用寿命X （小时），全部可能取值是),0[∞+．下面按离散型和连续型分别进行讨论．2.1.2. 离散随机变量的概率分布列对于随机变量还应该掌握它的每一取值或取值范围表示事件的概率．定义 如果随机变量X 的全部可能取值是有限个或可列个，则称为离散型随机变量．设离散型随机变量X 的全部可能取值为x 1, x 2, …, x k , …，则X 取值x k 的概率p k = p (x k ) = P {X = x k }, k = 1, 2, …… 称为离散型随机变量的概率分布函数（Probability Distribution Function ，PDF ），简称概率分布或概率函数．直观上，又写为L LLL)()()(2121k kx p x p x p Px x x X 或 ⎟⎟⎠⎞⎜⎜⎝⎛L L L L)()()(~2121k k x p x p x p x x x X ， 称为X 的概率分布列．如掷一枚骰子，X 表示出现的点数，X 的分布列为616161616161654321PX ． 概率函数基本性质：（1）非负性 p (x k ) ≥ 0 , k = 1, 2, ……； （2）正则性1)(1=∑∞=k kxp ．这是因为事件X = x 1 , X = x 2 , … , X = x k , … 是一个完备事件组， 故P {X = x 1} + P {X = x 2} + … + P {X = x k } + … = P (Ω) = 1，即p (x 1) + p (x 2) + … + p (x k ) + … = 1． 例 设盒中有2个红球3个白球，从中任取3球，以X 表示取得的红球数．求X 的分布列． 解：X 的全部可能取值0, 1, 2 ，样本点总数为1035=⎟⎟⎠⎞⎜⎜⎝⎛=n ，X = 0表示“取到3个白球”，所含样本点个数为1330=⎟⎟⎠⎞⎜⎜⎝⎛=k ，有1.0101)0(==p ， X = 1表示“取到1个红球2个白球”，所含样本点个数为612231=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=k ，有6.0106)1(==p ， X = 2表示“取到2个红球1个白球”，所含样本点个数为322132=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=k ，有3.0103)2(==p ． 故X 的分布列为3.06.01.0210P X．求离散型随机变量X 的概率分布步骤： （1）找出X 的全部可能取值，（2）将X 的每一取值表示为事件， （3）求出X 的每一取值的概率．例 现有10件产品，其中有3件不合格．若不放回抽取，每次取一件，直到取得合格品为止．用X 表示抽取次数，求X 的概率分布． 解：X 的全部可能取值1, 2, 3, 4 ，X = 1表示“第1次就取得合格品”，有107)1(=p ， X = 2表示“第2次取得合格品且第1次是不合格品”，有30797103)2(=⋅=p ， X = 3表示“第3次取得合格品且前两次是不合格品”，有12078792103)3(=⋅⋅=p ， X = 4表示“第4次取得合格品且前三次是不合格品”，有1201778192103)4(=⋅⋅⋅=p ， 故X 的分布列为120112073071074321PX ． 例 上例若改为有放回地抽取，又如何？ 解：X 的全部可能取值1 , 2 , … , n , … ，7.0107)1(==p ，21.0107103)2(=⋅=p ，7.03.0)3(2×=p ，…，7.03.0)(1×=−k k p ，…， 故X 的概率函数为L ,2,1,7.03.0)(1=×=−k k p k ；X 的分布列为LL L L 7.03.07.03.021.07.032112××−k PkX ．例 若离散型随机变量的概率函数为kCk p =)(，k = 1, 2, 3, 4，且C 为常数． 求：（1）C 的值，（2）P {X = 3}，（3）P {X < 3}．解：（1）由正则性知：1432)4()3()2()1(=+++=+++CC C C p p p p ，即11225=C ，故2512=C ．（2）254)3(}3{===p X P ， （3）25182562512)2()1(}3{=+=+=<p p X P ． 2.1.3.随机变量的分布函数连续型随机变量在单个点取值概率为零，如电子元件使用寿命恰好为1000小时这个事件的概率就等于零，因此连续型随机变量不能考虑概率函数．为了用单独一个变量表示一个区间，特别地取区间 (−∞, x ]．定义 随机变量X 与任意实数x ，称F (x ) = P {X ≤ x }，−∞ < x < +∞为X 的累积分布函数（Cumulative Distribution Function ，CDF ），简称分布函数．P {a < X ≤ b } = P {X ≤ b } − P {X ≤ a } = F (b ) − F (a )，P {X > a } = 1 − P {X ≤ a } = 1 − F (a )，由概率的连续性知)0()(lim }{lim }{−==≤=<−−→→a F x F x X P a X P ax ax ，且P {X = a } = P {X ≤ a } − P {X < a } = F (a ) − F (a – 0)，可见X 在任一区间上或任一点取值的概率都可用分布函数表示． 例 已知随机变量X 的分布列为3.05.02.0210PX ，求X 的分布函数．解：X 的全部可能取值为0, 1, 2，当x < 0时，F (x ) = P {X ≤ x } = P (∅) = 0， 当0 ≤ x < 1时，F (x ) = P {X ≤ x } = p (0) = 0.2，当1 ≤ x < 2时，F (x ) = P {X ≤ x } = p (0) + p (1) = 0.7， 当x ≥ 2时，F (x ) = P {X ≤ x } = P (Ω ) = 1，故⎪⎪⎩⎪⎪⎨⎧≥<≤<≤<=.2,1,21,7.0,10,2.0,0,0)(x x x x x F若离散型随机变量的全部可能取值为x 1, x 2, ……，概率函数p (x k ) = p k ，k = 1, 2, ……，则分布函数∑≤=≤=xx kk xp x X P x F )(}{)(．且离散型随机变量的分布函数F (x )是单调不减的阶梯形函数，X 的每一可能取值x k 是F (x )的跳跃点，跳跃高度是相应概率p (x k )．例 已知某离散型随机变量X 的分布函数为⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<≤<≤<≤−−<=,5,1,52,6.0,20,4.0,01,3.01,0)(x x x x x x F 求X 的分布列． 解：X 的全部可能取值是F (x )的跳跃点，即 −1, 0, 2, 5，跳跃高度依次为：p (−1) = 0.3 − 0 = 0.3； p (0) = 0.4 − 0.3 = 0.1； p (2) = 0.6 − 0.4 = 0.2； p (5) = 1 − 0.6 = 0.4．故X 的分布列为4.02.01.03.05201PX −．分布函数的基本性质：（1）单调性，F (x ) 单调不减，即x 1 < x 2时，F (x 1) ≤ F (x 2)； （2）正则性，F (−∞) = 0，F (+∞) = 1；（3）连续性，F (x ) 右连续，即)()(lim 00x F x F x x =+→． 证：（1）当x 1 < x 2时，{X ≤ x 1} ⊂ {X ≤ x 2}，有F (x 1) ≤ F (x 2)；（2）F (−∞) = P {X < −∞} = P (∅) = 0，F (+∞) = P {X < +∞} = P (Ω ) = 1；（3）任取单调下降且趋于x 0的数列{x n }，有}{}{}{lim 01x X x X x X n n n n ≤=≤=≤∞=∞→I ，根据概率的连续性知}{}{}{lim 01x X P x X P x X P n n n n ≤=⎟⎟⎠⎞⎜⎜⎝⎛≤=≤∞=∞→I ，即)()(lim 00x F x F x x =+→． 但F (x )不一定左连续，任取单调增加且趋于x 0的数列{x n }，有}{}{}{lim 01x X x X x X n n n n <=≤=≤∞=∞→U ，得}{}{}{lim 01x X P x X P x X P n n n n <=⎟⎟⎠⎞⎜⎜⎝⎛≤=≤∞=∞→U ， 故}{)(}{)(lim 0000x X P x F x X P x F x x =−=<=−→．2.1.4. 连续随机变量的概率密度函数离散型随机变量的全部可能取值是有限或可列个点，连续型随机变量的全部可能取值是实数区间．但连续型随机变量在单独一个点取值的概率为0，其概率函数无实际意义，对于连续随机变量通常考虑其在某个区间上取值的概率，这就需要讨论分布函数．连续型随机变量的分布函数是连续函数． 注意：概率为0的事件不一定是不可能事件．定义 随机变量X 的分布函数F (x )，若存在函数p (x )，使 ∫∞−=xdu u p x F )()(，则称X 为连续型随机变量，p(x )为X 的概率密度函数（可以理解为：p (u )为概率密度，p (u )du 为X 在该小区间内取值的概率，∫∞−x 为从−∞ 到x 无限求和．几何意义：在平面上作出密度函数p (x )的图形，则阴影部分的面积即为F (x )的值．密度函数基本性质：（1）非负性 p (x ) ≥ 0；（2）正则性 1)(=∫∞+∞−dx x p ．因)()(x F du u p x =∫∞−，有1)()(=+∞=∫∞+∞−F dx x p ．连续型随机变量的性质：设连续型随机变量X 的概率密度函数为p (x )，分布函数为F (x )，则有 （1）∫=−=≤<21)()()(}{1221x x dx x p x F x F x X x P ；（2）当p (x ) 连续时，p (x ) = F ′(x )； 因∫∞−=x du u p x F )()(，当p (x ) 连续时，有)(])([)(x p du u p x F x=′=′∫∞−（3）X 在单独一个点取值的概率为0，其分布函数为连续函数；（4）P {x 1 < X ≤ x 2} = P {x 1 ≤ X ≤ x 2} = P {x 1 < X < x 2} = P {x 1 ≤ X < x 2}，即连续型．．．随机变量在某区间内的概率与区间开闭无关，离散型则不成立；（5）只在有限个点上取值不相同的密度函数对应于同一个分布函数，一般，只在概率为0的数集上取值不相同的密度函数都对应于同一个分布函数．例 设F (x ) = A + B arctan x 为某连续型随机变量X 的分布函数． 求：（1）A , B ； （2）}31{≤≤−X P ； （3）密度函数p (x )． 解：（1）由正则性 F (−∞) = 0，F (+∞) = 1，得：02π)arctan (lim =−=+−∞→B A x B A x ，12π)arctan (lim =+=++∞→B A x B A x ，故21=A ，π1=B ；（2）x x F arctan π121)(+=，得1274ππ1213ππ121)1()3(}31{=⎥⎦⎤⎢⎣⎡⎟⎠⎞⎜⎝⎛−⋅+−⎟⎠⎞⎜⎝⎛⋅+=−−=≤≤−F F X P ． （3）密度函数)1π(1)()(2x x F x p +=′=．例 已知⎩⎨⎧<<−=,,0,10),()(32其它x x x C x p是某连续型随机变量X 的密度函数，求：（1）C ， （2）}211{<<−X P ， （3）分布函数F (x )．解：（1）由正则性：1)(=∫∞+∞−dx x p ，得1120)4131()43()(10431032==−−=−=−∫C C x x C dx x x C ，故C = 12；（2）165)641241(12)43(12)(12)(}211{2104321032211=−=−=−==<<−∫∫−x x dx x x dx x p X P ；（3）X 的全部可能取值为 [0, 1]，分段点0, 1，当x < 0时，0)()(==∫∞−xdu u p x F ，当0 ≤ x < 1时，4304303234)43(12)(12)()(x x u u du u u du u p x F xxx−=−=−==∫∫∞−，当x ≥ 1时， 1)(12)()(132=−==∫∫∞−du u u du u p x F x，故⎪⎩⎪⎨⎧≥<≤−<=.1,1,10,34,0,0)(43x x x x x x F例 已知⎩⎨⎧<<−=,,0,11|,|)(其它x x x p是某连续型随机变量X 的密度函数，求分布函数F (x )．解：分段点−1, 0, 1，当x < −1时，0)()(==∫∞−xdu u p x F ；当−1 ≤ x < 0时， 212122)()()(22121x x u du u du u p x F xxx−=+−=−=−==−−∞−∫∫； 当0 ≤ x < 1时，21221022)()()(220212001x x u u udu du u du u p x F xxx+=++=+−=+−==−−∞−∫∫∫；当x ≥ 1时， 1)()()(101=+−==∫∫∫−∞−udu du u du u p x F x．故⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<≤+<≤−−<=.1,1,10,21,01,21,0,0)(22x x x x xx x F§2.2 随机变量的数学期望对于随机变量，还应当掌握反映其平均值、分散程度等的指标，这就需要引入数学期望和方差等概念． 2.2.1.数学期望的概念例 甲、乙两个射击选手，在射击训练中甲射了10次，其中3次10环，1次9环，4次8环，2次7环；乙射了15次，其中2次10环，9次9环，2次8环，2次7环．问谁的表现更好？ 分析：比较他们射中的平均环数甲共射中3 × 10 + 1 × 9 + 4 × 8 + 2 × 7 = 85环，平均每次射中5.81085=环； 乙共射中2 × 10 + 9 × 9 + 2 × 8 + 2 × 7 = 131环，平均每次射中73.815131=&环． 故乙的表现更好．一般地，若在n 次试验中，出现了m 1次x 1，m 2次x 2，…，m k 次x k ，（其中m 1 + m 2 + … + m k = n ），则平均值为∑==+++ki i i k k n mx n x m x m x m 12211L ，即平均值等于取值与频率乘积之和．因n 很大时，频率稳定在概率附近，即平均值将稳定在取值与概率乘积之和附近． 2.2.2.数学期望的定义定义 设离散型随机变量X 的分布列是⎟⎟⎠⎞⎜⎜⎝⎛L L L L )()()(~2121k kx p x p x p x x x X ，如果级数∑∞=1)(k k k x p x 绝对收敛，则称之为X 的数学期望（Expectation ），记为E (X )． 数学期望的实际意义是反映随机变量的平均取值，是其全部可能取值以相应概率为权数的加权平均．如X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛−2.04.01.03.04102，则E (X) = (−2) × 0.3 + 0 × 0.1 + 1 × 0.4 + 4 × 0.2 = 0.6． 例 某人有4发子弹，现在他向某一目标射击，若命中目标就停止射击，否则直到子弹用完为止．设每发子弹命中率为0.4，以X 表示射击次数，求E (X )． 解：先求X 的分布列，X 的全部可能取值为1, 2, 3, 4，X = 1，第一枪就命中， p (1) = 0.4；X = 2，第一枪没有命中，第二枪命中，p (2) = 0.6 × 0.4 = 0.24； X = 3，前两枪没有命中，第三枪命中，p (3) = 0.6 2 × 0.4 = 0.144； X = 4，前三枪没有命中， p (4) = 0.6 3 = 0.216．则X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛216.0144.024.04.04321，故E (X ) = 1 × 0.4 + 2 × 0.24 + 3 × 0.144 + 4 × 0.216 = 2.176．例 若X 的概率函数为L ,2,1,21)2(==⎟⎟⎠⎞⎜⎜⎝⎛−k kp k k，求E (X )． 解：因∑∑∞=∞=−=⋅−11)1(21)2(k kk k k k k 收敛但不是绝对收敛，故E (X ) 不存在．离散型随机变量的数学期望是取值乘概率求和：∑∞=1)(k k k x p x ，类似可定义连续型随机变量的数学期望是取值乘密度积分：∫+∞∞−dx x xp )(．定义 设连续型随机变量X 的密度函数为p (x )．如果广义积分∫+∞∞−dx x xp )(绝对收敛，则称之为X 的数学期望，记为E (X )．例 已知连续型随机变量X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其它x x x p 求E (X )．解：32322)()(1310=⋅=⋅==∫∫∞+∞−x xdx x dx x xp X E ． 例 已知X 的密度函数为⎩⎨⎧<<+=.,0,20,)(其它x bx a x p 且32)(=X E ，求a , b ． 解：由正则性得122)2()()(2220=+=⋅+=+=∫∫∞+∞−b a x b ax dx bx a dx x p ，又32382)32()()()(20322=+=⋅+⋅=+==∫∫∞+∞−b a x b x a dx bx a x dx x xp X E ，故21,1−==b a ． 例 已知X 的密度函数为+∞<<∞−+=x x x p ,)1π(1)(2，求E (X )．解：因+∞∞−+∞∞−+∞∞−+∞∞−+=⋅+=+=∫∫∫)1ln(π21)(21)1π(1)1π()(2222x x d x dx x x dx x xp 发散， 故E (X )不存在． 2.2.3.数学期望的性质设X 为随机变量，g (x ) 为函数，则称Y = g (X ) 为随机变量函数，Y 也是一个随机变量．下面不加证明地给出随机变量函数的数学期望计算公式．定理 设X 为随机变量，Y = g (X ) 为随机变量函数，则（1）若X 为离散型随机变量，概率函数为p(x k ), k = 1, 2, …，则∑∞===1)()()]([)(k k k x p x g X g E Y E ；（2）若X 为连续型随机变量，密度函数为p (x )，则∫+∞∞−==dx x p x g X g E Y E )()()]([)(．数学期望具有以下性质：（1）常数的期望等于其自身，即E (c ) = c ；（2）常数因子可移到期望符号外，即E (aX ) = a E (X )；（3）随机变量和的期望等于期望的和，即E [g 1 (X ) + g 2 (X )] = E [g 1 (X )] + E [g 2 (X )]． 证明：（1）将常数c 看作是单点分布p (c ) = 1，故E (c ) = c p (c ) = c ；（2）以连续型为例加以证明，)()()()(X aE dx x xp a dx x axp aX E ===∫∫+∞∞−+∞∞−；（3）以连续型为例加以证明，∫∫∫+∞∞−+∞∞−+∞∞−+=+=+dx x p x g dx x p x g dx x p x g x g X g X g E )()()()()()]()([)]()([212121= E [g 1 (X )] + E [g 2 (X )]．由性质（2）、（3）知随机变量线性组合的期望等于期望的线性组合，可见数学期望具有线性性质． 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛−3.04.01.02.02101， 求E (2X +1)，E (X 2)．解：E (2X +1) = −1 × 0.2 + 1 × 0.1 + 3 × 0.4 + 5 × 0.3 = 2.6；E (X 2) = 1 × 0.2 + 0 × 0.1 + 1 × 0.4 + 4 × 0.3 = 1.8． 例 已知圆的半径X 是一个随机变量，密度函数为⎪⎩⎪⎨⎧<<=.,0,31,21)(其他x x p 求圆面积Y 的数学期望． 解：圆面积Y = π X 2，故3π1332π21π)(π)(3133122=⋅=⋅==∫∫∞+∞−xdx x dx x p x Y E ． 例 设国际市场对我国某种出口商品的需求量X （吨）的密度函数为⎪⎩⎪⎨⎧<<=.,0,40002000,20001)(其他x x p 设每售出一吨，可获利3万美元，但若销售不出，每积压一吨将亏损1万美元，问如何计划年出口量，能使国家获利的期望最大．解：设计划年出口量为a 吨，每年获利Y 万美元．当X ≥ a 时，销售a 吨，获利3a 万美元；当X < a 时，销售X 吨，积压a − X 吨，获利3X − (a − X ) = 4X − a 万美元；即⎩⎨⎧<≤−≤≤==.2000,4,4000,3)(a X a X X a a X g Y则4000200024000200020003)2(2000120001320001)4()()()(aa a a x a ax x dx a dx a x dx x p x g Y E +−=⋅+⋅−==∫∫∫+∞∞− 8250)3500(10001400071000122+−−=−+−=a a a ， 故计划年出口量为3500吨时，使国家获利的期望最大．§2.3 随机变量的方差与标准差数学期望反映平均值，方差反映波动程度．如甲、乙两台包装机，要求包装重量为每袋500克，现各取5袋，重量为甲：498，499，500，501，502； 乙：490，495，500，505，510．二者平均值相同都是500克，但显然甲比乙好．此时比较的是它们的偏差（即取值与平均值之差）．偏差：甲：−2，−1，0，1，2；乙：−10，−5，0，5，10． 2.3.1.方差的定义定义 随机变量X 与其数学期望E (X ) 之差X − E (X ) 称为偏差．偏差有大有小，可正可负，比较时需要去掉符号，但绝对值函数进行微积分处理不方便，因此考虑偏差平方的数学期望．定义 随机变量X ，若E [X − E (X )]2存在，则称之为X 的方差（Variance ），记为Var (X ) 或D (X )．即Var (X ) = E [X − E (X )]2．显然方差Var (X ) ≥ 0，称)Var(X 为X 的标准差（Standard Deviation ）．在实际问题中，标准差与随机变量有相同的量纲．方差与标准差反映波动程度．方差越大，取值越分散；方差越小，取值越集中． 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛4.04.02.0321， 求E (X ), Var (X )．解：E (X ) = 1 × 0.2 + 2 × 0.4 + 3 × 0.4 = 2.2；Var (X ) = (−1.2)2 × 0.2 + (−0.2)2 × 0.4 + 0.82 × 0.4 = 0.56． 例 已知X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其他x x x p求E (X ), Var (X )．解：32322)()(1310=⋅=⋅==∫∫∞+∞−x xdx x dx x xf X E ； 181949821949842)98382()()32()Var(1023410232=+−=⎟⎠⎞⎜⎝⎛+−=+−=−=∫∫∞+∞−x x x dx x x x dx x p x X ．例 已知X 的全部可能取值为0, 1, 2，且E (X ) = 1.3，Var (X ) = 0.81．求X 的分布列．解：设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛c b a 210，由正则性得：a + b + c = 1，且E (X ) = 0 × a + 1 × b + 2 × c = b + 2c = 1.3，Var (X ) = (−1.3)2 × a + (−0.3)2 × b + 0.72 × c = 1.69a + 0.09b + 0.49c = 0.81， 解得a = 0.3，b = 0.1，c = 0.6，故X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛6.01.03.0210．2.3.2. 方差的性质方差具有以下性质：（1）方差计算公式：Var (X ) = E (X 2) − [E (X )]2； （2）常数的方差等于零，即Var (c ) = 0；（3）设a , b 为常数，则Var (a X + b ) = a 2 Var (X )． 证：（1）Var (X ) = E [X − E (X )]2 = E [X 2 − 2X ⋅ E (X ) + E (X )2] = E (X 2 ) − 2E (X ) ⋅ E (X ) + [E (X )]2．= E (X 2) − [E (X )]2；（2）Var (c ) = E [c − E (c )]2 = E (c − c )2 = E (0) = 0；（3）Var (a X + b ) = E [(a X + b ) − E (a X + b )]2 = E [a X + b − a E (X ) − b ]2 = a 2 E [X − E (X )]2 = a 2 Var (X )． 由性质（1），显然有以下推论：推论 对于随机变量X ，如果E (X 2) 存在，则E (X 2) ≥ [E (X )]2．以后常利用方差计算公式Var (X ) = E (X 2) − [E (X )]2计算随机变量的方差．通常用公式计算比直接用定义计算方差要方便． 例 设X 的分布列为⎟⎟⎠⎞⎜⎜⎝⎛4.04.02.0321， 求Var (X )．解：前面已求得E (X ) = 2.2，因E (X 2) = 1 2 × 0.2 + 2 2 × 0.4 + 3 2 × 0.4 = 5.4， 故Var (X ) = E (X 2) − [E (X )]2 = 5.4 − 2.22 = 0.56． 例 已知X 的密度函数为⎩⎨⎧<<=.,0,10,2)(其他x x x p 求Var (X )．解：前面已求得32)(=X E ， 因21422)(141022=⋅=⋅=∫x xdx x X E ， 故1813221)]([)()Var(222=⎟⎠⎞⎜⎝⎛−=−=X E X E X ． 对于随机变量X ，若方差Var (X ) 存在，且Var (X ) > 0．令)Var()(*X X E X X −=，有0)]()([)Var(1)]([)Var(1)Var()(*)(=−=−=⎟⎟⎠⎞⎜⎜⎝⎛−=X E X E X X E X E X X X E X E X E ； 1)Var()Var(1)](Var[)Var(1)Var()(Var *)Var(==−=⎟⎟⎠⎞⎜⎜⎝⎛−=X X X E X X X X E X X ．称X *为X 的标准化随机变量．2.3.3. 切比雪夫不等式方差反映随机变量的分散程度，切比雪夫不等式给出其定量标准．切比雪夫不等式表明大偏差概率的上限与方差成正比．定理 设X 为随机变量，且方差Var (X ) 存在，则对于任何正数ε ，都有2)Var(}|)({|εεX X E X P ≤≥−．证明：以连续型随机变量为例证明，设X 的密度函数为p (x )，有∫≥−=≥−εε|)(|)(}|)({|X E x dx x p X E X P ，且∫∞+∞−−=−=dx x p X E x X E X E X )()]([)]([1)Var(22222εεε，故222|)(|22)Var()()]([)()]([}|)({|εεεεεX dx x p X E x dx x p X E x X E X P X E x =−≤−≤≥−∫∫∞+∞−≥−，得证．注：切比雪夫不等式的等价形式2)Var(1}|)({|εεX X E X P −≥<−．如随机变量X 的数学期望为E (X ) = 10，方差Var (X ) = 1，则由切比雪夫不等式可得43211}2|10{|}128{2=−≥<−=<<X P X P ． 例 设随机变量X 的全部可能取值为),0[∞+，且数学期望E (X ) 存在，试证：对任何正数a ，都有)(1}{X E aa X P ≤≥． 证明：以连续型随机变量为例证明，设X 的密度函数为p (x )，有∫+∞=≥a dx x p a X P )(}{，且∫∫+∞+∞∞−==0)()(1)(1dx x p a x dx x xp a X E a ，故)(1)()(}{0X E adx x p a x dx x p a x a X P a =≤≤≥∫∫+∞+∞，得证．定理 设随机变量X 的方差存在，则Var (X ) = 0的充分必要条件是存在常数b ，使得X 几乎处处收敛于b ，即P {X = b } = 1．证：充分性，设存在常数b ，使得P {X = b } = 1，有P {X ≠ b } = 0，即E (X ) = b P {X = b } = b ，故Var (X ) = E [X − E (X )]2 = E (X − b )2 = 0 × P {X = b } = 0； 必要性，设X 的方差Var (X ) = 0，因事件U +∞=+∞→⎭⎫⎩⎨⎧≥−=⎭⎬⎫⎩⎨⎧≥−=>−11|)(|lim 1|)(|}0|)({|n n n X E X n X E X X E X ，则01)Var(lim 1|)(|lim 1|)(|}0|)({|21=⎟⎠⎞⎜⎝⎛≤⎭⎬⎫⎩⎨⎧≥−=⎟⎟⎠⎞⎜⎜⎝⎛⎭⎬⎫⎩⎨⎧≥−=>−+∞→+∞→+∞=n X n X E X P n X E X P X E X P n n n U ， 可得P {| X − E (X )| > 0} = 0，即P {| X − E (X )| = 0} = 1，取b = E (X )，有b 为常数， 故P {X = b } = 1．注：如果P {X = b } = 1，记为X = b , a.e.（或a.s.），称为X = b 几乎处处成立（或几乎必然成立）．这里，a.e.就是almost everywhere 的缩写，a.s.就是almost surely 的缩写．意味着不成立的情况是一个测度（或概率）等于零的集合（或事件）．§2.4 常用离散分布对于一个给定的函数，只要满足概率函数的两条基本性质：非负性、正则性，都可以成为某个离散随机变量的概率函数．但绝大多数在实际工作中并不常见，下面是几种常用的概率函数． 2.4.1.两点分布与二项分布一．两点分布两点分布只可能在两个点取值，通常就是0或1．定义 随机变量的可能取值只有两个：0或1，且概率函数为p (0) = 1 − p ，p (1) = p ， 其中0 < p < 1，称X 服从两点分布（Two-point Distribution ）或0-1分布，记为X ~ (0-1)．分布列为⎟⎟⎠⎞⎜⎜⎝⎛−p p110． 两点分布实际背景是一次伯努利试验．通常描述为：X 表示一次伯努利试验中事件A 发生的次数．非负性：p (0) = 1 − p > 0，p (1) = p > 0； 正则性：(1 − p ) + p = 1． 两点分布的数学期望为E (X ) = 0 × (1 − p ) + 1 × p = p ．又因E (X 2 ) = 02 × (1 − p ) + 12 × p = p ，故方差为Var (X ) = E (X 2 ) − [E (X )]2 = p − p 2 = p (1 − p )．二．二项分布在n 重伯努利试验中，以X 表示事件A 的发生次数，则X 的全部可能取值为0, 1, 2, …, n ，且kn k p p k n k X P −−⎟⎟⎠⎞⎜⎜⎝⎛==)1(}{． 定义 若离散型随机变量X 的概率函数为kn k p p k n k p −−⎟⎟⎠⎞⎜⎜⎝⎛=)1()(， k = 0, 1, 2, …, n ；0 < p < 1， 则称X 服从二项分布（Binomial Distribution ），记为X ~ b (n , p )．二项分布的实际背景是n 重伯努利试验． 当n = 1时，二项分布就是两点分布．非负性：0)1()(>−⎟⎟⎠⎞⎜⎜⎝⎛=−kn k p p k n k p ； 正则性：1)]1([)1()(11=−+=−⎟⎟⎠⎞⎜⎜⎝⎛=∑∑=−=nnk k n k nk p p p p k n k p ． 例 掷三枚硬币，X 表示正面朝上的次数，求X 的概率分布．解：X 的全部可能取值为0, 1, 2, 3 ，将掷每一枚硬币看作一次试验．每次试验两种结果：正面A ，反面A ；每次试验相互独立；每次试验概率5.0)(=A P ． 即n 重伯努利试验，n = 3，5.0=p ，有X ~ b (3, 0.5)，p (0) = 0.5 3 = 0.125，375.05.05.013)1(21=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， 375.05.05.023)2(12=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， p (3) = 0.5 3 = 0.125．例 现有5台机床，每台机床一小时内平均开动18分钟，且是否开动相互独立，以X 表示同一时刻开动的机床数，求X 的概率分布．解：X 的全部可能取值为0, 1, 2, 3, 4, 5 ，将每台机床是否开动看作一次试验．每次试验两种结果：开动A ，不开动A ；每次试验相互独立；每次试验概率P (A ) = 0.3． 即n 重伯努利试验，n = 5，p = 0.3，有X ~ b (5, 0.3)．p (0) = 0.7 5 = 0.16807，36015.07.03.015)1(41=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， 3087.07.03.025)2(32=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， 1323.07.03.035)3(23=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， 02835.07.03.045)4(14=××⎟⎟⎠⎞⎜⎜⎝⎛=p ， p (5) = 0.3 5 = 0.00243 ．一般地，如果随机变量X 服从二项分布，概率函数值p (k ) 将随着k 的增加，先逐渐增加，达到最大值后，又逐渐减少．通常，一个随机变量X 的概率函数或密度函数的最大值点称为X 的最可能值．二项分布b (n , p )的最可能值为⎩⎨⎧+−++++=.)1(,1)1()1(,)1(],)1[(0是正整数时当或不是正整数时当p n p n p n p n p n k 这里[x ]表示不超过x 的最大整数．如[2.3] = 2，[3.14] = 3，[−1.2] = −2．证：若X ~ b (n , p )，有n k p p k n k n p p k n k p k n k kn k ≤≤−−=−⎟⎟⎠⎞⎜⎜⎝⎛=−−0,)1()!(!!)1()(， 则11)1()!1()!1(!)1()!(!!)1()(+−−−−+−−−−−=−−k n k k n k p p k n k n p p k n k n k p k p ⎟⎠⎞⎜⎝⎛+−−−⋅−−−=−−11)1()!()!1(!1k n p k pp p k n k n k n k)1()1()1()!()!1(!1+−−+⋅−−−=−−k n k k p n p p k n k n k n k ， 当k < (n + 1) p 时，有p (k ) > p (k − 1)；当k > (n + 1) p 时，有p (k ) < p (k − 1)．如果(n + 1) p 不是正整数，取k 0 = [(n + 1) p ]，有k 0 < (n + 1) p ，即p (k 0) > p (k 0 − 1)；且k 0 + 1 > (n + 1) p ，即p (k 0 + 1) < p (k 0)． 故p (k 0) 为最大值．如果(n + 1) p 是正整数，取k 0 = (n + 1) p ，即p (k 0) = p (k 0 − 1)， 故p (k 0) 和p (k 0 − 1) 都是最大值．如X ~ B (3, 0.5)，有(n + 1) p = 4 × 0.5 = 2是正整数，最可能值k 0 = 2或1；X ~ B (5, 0.3)，有(n + 1) p = 6 × 0.3 = 1.8不是正整数，最可能值k 0 = [1.8] = 1．三．二项分布的数学期望和方差组合数公式⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=−⋅−−⋅=−⋅=⎟⎟⎠⎞⎜⎜⎝⎛11)!()!1()!1()!(!!k n k n k n k n k n k n k n k n ， （n ≥ k > 0）． 二项分布b (n , p )的数学期望为∑∑∑=−−=−=−−⎟⎟⎠⎞⎜⎜⎝⎛−−=−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅⋅=−⎟⎟⎠⎞⎜⎜⎝⎛⋅=nk k n k n k kn k nk k n k p p k n np p p k n k n k p p k n k X E 1110)1(11)1(11)1()( = np [ p + (1 − p )]n − 1 = np ．又因∑∑∑=−=−=−−⎟⎟⎠⎞⎜⎜⎝⎛⋅+−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅−=−⎟⎟⎠⎞⎜⎜⎝⎛⋅=nk k n k n k k n k nk k n k p p k n k p p k n k k p p k n k X E 002022)1()1(11)()1()( )()1(22)1()1()(22X E p p k n k k n n k k nk k n k+−⎟⎟⎠⎞⎜⎜⎝⎛−−−−⋅−=∑=− np p p k n pn n nk kn k +−⎟⎟⎠⎞⎜⎜⎝⎛−−−=∑=−−222)1(22)1( = n (n − 1) p 2 [ p + (1 − p )]n − 2 + np = (n 2 − n ) p 2 + np ，故方差为Var (X ) = E (X 2 ) − [E (X )]2 = (n 2 − n ) p 2 + np − (np )2 = − np 2 + np = np (1 − p )．2.4.2.泊松分布一．泊松分布泊松分布是一种理论推导的极限分布（成立的条件和推导过程见附录）． 定义 若随机变量X 的概率函数为λλ−=e !)(k k p k， k = 0, 1, 2, …… ；λ > 0，则称X 服从参数为 λ 的泊松分布（Poisson’s Distribution ），记为X ~ P (λ)．泊松分布的实际背景是已知平均发生次数为常数λ ，实际发生次数的概率分布．如足球比赛进球数，商店进店人数，电话接听次数等．非负性：λ > 0时，0e !>−λλk k；正则性：1e e e !=⋅=⋅−∞=−∑λλλλk kk ．例 已知一场足球比赛的进球数X 服从参数λ = 2.3的泊松分布，求比分为0:0, 1:0以及总进球数超过5个的概率．解：因X ~ P(2.5)，则3.2e !3.2)(−=k k p k ， k = 0, 1, 2, ……．比分0:0，即X = 0，100.0e e !03.2)0(3.23.20===−−p （查表）；比分1:0，即X = 1，231.0100.0331.0e 3.2e !13.2)1(3.23.21=−===−−p （查表）；总进球数超过5个，即X > 5，030.0970.01e !3.21e!3.2}5{53.263.2=−=−==>∑∑=−∞=−k k k k k k X P （查表）． 例 已知某公用电话每小时内打电话的人数X 服从参数为λ = 8的泊松分布．求某一小时内无人打电话的概率，恰有10人打电话的概率，至少有10人打电话的概率．解：因X ~ P(8)，有8e !8}{−==k k X P k ． 无人打电话的概率0003.0e e !08}0{880====−−X P ，恰有10人打电话的概率099.0717.0816.0e !108}10{810=−===−X P （查表），至少有10人打电话的概率283.0717.01}9{1e !8}10{108=−=≤−==≥∑∞=−X P k X P k k （查表）． 例 已知某商店一天中某种贵重商品的销售件数X 服从泊松分布P (7)，问该商店每天应该准备多少件该商品才能以99.9%以上的概率满足顾客需要？解：设准备了a 件该商品，X ~ P(7)，则7e !7)(−=k k p k ．事件“满足顾客需要”，即X ≤ a ，有P {X ≤ a } ≥ 0.999，故查表可得a = 16． 泊松分布P (λ )的最可能值为⎩⎨⎧−=.,1,],[0是正整数时当或不是正整数时当λλλλλk 证：若X ~ P(λ)，有L ,2,1,0,e !)(==−k k k p kλλ，故k k k k k k k k p k p k k k k−⋅−=⎟⎠⎞⎜⎝⎛−⋅−=−−=−−−−−−−−−λλλλλλλλλλe )!1(1e )!1(e)!1(e !)1()(111，当k < λ 时，有p (k ) > p (k − 1)；当k > λ 时，有p (k ) < p (k − 1)．如果λ 不是正整数，取k 0 = [λ ] ，有k 0 < λ ，即p (k 0) > p (k 0 − 1)；且k 0 + 1 > λ ，即p (k 0 + 1) < p (k 0)． 故p (k 0) 为最大值．如果λ 是正整数，取k 0 = λ ，即p (k 0) = p (k 0 − 1)， 故p (k 0) 和p (k 0 − 1) 都是最大值． 二．泊松分布的数学期望和方差泊松分布P (λ )的数学期望为λλλλλλλλλλλ=⋅=−⋅=−=⋅=−∞=−−∞=−∞=−∑∑∑e e )!1(e e)!1(e!)(111k k k kk kk k k k X E ，即泊松分布的参数 λ 反映平均发生次数．又因)()!2(e e!e!)(e!)(222222X E k k k k k k k k X E k k k kk kk k+−⋅=⋅+⋅−=⋅=∑∑∑∑∞=−−∞=−∞=−∞=−λλλλλλλλλ= λ 2 e −λ ⋅ e λ + λ = λ 2 + λ ，故方差为Var (X ) = E (X 2 ) − [E (X )]2 = λ 2 + λ − (λ )2 = λ ．三．二项分布的泊松近似二项分布与泊松分布的实际背景都是反映发生次数问题．下面的定理说明了二者之间的联系，泊松分布是二项分布的一种极限分布． 定理 （泊松定理）在n 重伯努利试验中，记事件A 在每次试验中发生的概率为与试验次数n 有关的数p n ，如果当n → +∞ 时，有n p n → λ ，则λλ−−+∞→=−⎟⎟⎠⎞⎜⎜⎝⎛e !)1(lim k p p k n k k n n k n n ． 证：记λ n = n p n ，有λλ=+∞→n n lim ，因nk n n n kn n k n n n n n n p )(11)1(−−⋅−−−⎟⎠⎞⎜⎝⎛−+=⎟⎠⎞⎜⎝⎛−=−λλλλ，且e 1lim =⎟⎠⎞⎜⎝⎛−+−+∞→nnn n n λλ，λλ−=−−+∞→n k n n n )(lim ， 则λλλλ−−−⋅−+∞→−+∞→=⎟⎠⎞⎜⎝⎛−+=−e 1lim )1(lim )(n k n n n n k n n n n n n p ，又因⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=+−−=⎟⎟⎠⎞⎜⎜⎝⎛n k n k n k k n n n k n k 1111!!)1()1(L L ，且11111lim =⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−+∞→n k n n L ， 故⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−−=−⎟⎟⎠⎞⎜⎜⎝⎛−+∞→−+∞→n k n p p k n p p k n k n nk n k n k n n k n n 1111)1(!lim )1(lim L λλ−+∞→−+∞→+∞→=⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅−⋅=e !1111lim )1(lim !)(lim k n k n p k np k n k n n n k n n L ． 此定理表明对于二项分布b (n , p )，当n 很大，p 很小时，可用泊松分布P (λ ) 近似，其中λ = n p ．例 某地区每年人口意外死亡率为0.0001，现有60000人投保人身意外保险，求一年内因投保人意外死亡恰好赔付8人的概率以及赔付不超过5人的概率．解：设X 表示“一年内因投保人意外死亡而赔付的人数”，X ~ B (60000, 0.0001)．则5999289999.00001.0860000}8{××⎟⎟⎠⎞⎜⎜⎝⎛==X P ，∑=−××⎟⎟⎠⎞⎜⎜⎝⎛=≤50600009999.00001.060000}5{k kk k X P ， 但显然计算很繁琐，为便于计算，用泊松分布近似．因n = 60000很大，p = 0.0001很小，λ = np = 6，有)6(~P X &，故103.0744.0847.0e !86}8{68=−=≈=−X P ，446.0e !6}5{506=≈≤∑=−k k k X P ．2.4.3. 超几何分布一．超几何分布在N 件产品中，有M 件次品，从中不放回地取n 件，以X 表示取得的次品数．设X 取值为k ，一方面，显然有k ≤ n 且k ≤ M ，即k ≤ min{n , M }，另一方面，有k ≥ 0且n − k ≤ N − M ，可得k ≥ M + n − N ，即k ≥ max{0, M + n − N }．这样X 的全部可能取值为l , l + 1, …, L ，其中l = max{0, M + n − N }，L = min{n , M }，且⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛==n N k n M N k M k X P }{．定义 若随机变量X 的概率函数为⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=n N k n M N k M k p )(，k = l , l + 1, …, L ，l = max(0, n + M − N )，L = min(M , n )，M < N ，n < N ， 则称X 服从超几何分布（Hypergeometric Distribution ），记为X ~ h (n , N , M )．超几何分布的实际背景是古典概型中的不放回抽样检验问题． 注：有放回检验抽样问题对应的是二项分布．非负性：0>⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛n N k n M N k M ；正则性：10=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛∑∑==n N n N n N k n M N k M n N k n M N k M Ll k L k ．注：比较(1 + x )M(1 + x )N − M与(1 + x )N中x n的系数可以证明⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛∑=n N k n M N k M Ll k ．例 一袋中有3个红球，2个白球，不放回地取出3个球，X 表示取得的红球数．求X 的概率分布．解：不放回抽样，N = 3，M = 2，n = 3，则X ~ h (3, 5, 3)．故X 的全部可能取值为1, 2, 3， (l = max (0, n + M − N ) = 1，L = min(n , M ) = 3)，3.0352213}1{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P ，6.0351223}2{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P ，1.0350233}3{=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛==X P ． 超几何分布h (n , N , M )的最可能值为⎪⎩⎪⎨⎧+++−++++++++++++=.21)1(,121)1(21)1(,21)1(],21)1[(0是正整数时当或不是正整数时当N M n N M n N M n N M n N M n k证：若X ~ h (n , N , M)，有)!()!()!()!(!!1)(k n M N k n M N k M k M n N n N k n M N k M k p +−−−−⋅−⋅⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛=， 故p (k ) − p (k − 1))!1()!1()!1()!1()!(!)!()!()!(!)!(!−+−−+−+−−⎟⎟⎠⎞⎜⎜⎝⎛−−+−−−−⎟⎟⎠⎞⎜⎜⎝⎛−=k n M N k n k M k n N M N M k n M N k n k M k n N M N M)]()1)(1[()!()!1()!1(!)!(!k n M N k k n k M k n M N k n k M k n N M N M +−−−+−+−+−−+−+−⎟⎟⎠⎞⎜⎜⎝⎛−=)]2()1)(1[()!()!1()!1(!)!(!+−+++−−+−+−⎟⎟⎠⎞⎜⎜⎝⎛−=N k n M k n M N k n k M k n N M N M ．当21)1(+++<N M n k 时，有p (k ) > p (k − 1)；当21)1(+++>N M n k 时，有p (k ) < p (k − 1)． 如果21)1(+++N M n 不是正整数，取21)1[(0+++=N M n k ，有21)1(0+++<N M n k ，即p (k 0) > p (k 0 − 1)；且21)1(10+++>+N M n k ，即p (k 0 + 1) < p (k 0)．故p (k 0) 为最大值．如果21)1(+++N M n 是正整数，取21)1(0+++=N M n k ，即p (k 0) = p (k 0 − 1)，故p (k 0) 和p (k 0 − 1) 都是最大值． 二．超几何分布的数学期望和方差超几何分布h (n , N , M )的数学期望为N nM n N k n M N k M N nM n N n N k n M N k M k M k n N k n M N k M k X E Ll k L lk L l k =⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅=∑∑∑===11111111)(， 又因∑∑∑===⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅+⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅−=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛⋅=L lk L l k Ll k n N k n M N k M k n N k n M N k M k k n N k n M N k M k X E )()(222 ∑=+⎟⎟⎠⎞⎜⎜⎝⎛−−−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−−−⋅−=Llk X E n N n n N N k n M N k M k k M M k k )(22)1()1(22)1()1()(2N nM N N M M n n N nM n N k n M N k M N N M M n n Ll k +−−−=+⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−−⋅−−−=∑=)1()1()1(2222)1()1()1(， 故方差为)1())(()1()1)(1()]([)()Var(222222−−−=−+−−−=−=N N n N M N nM N M n N nM N N M n nM X E X E X ． 为了便于记忆，可将超几何分布与二项分布的数学期望和方差进行比较．二项分布b (n , p )：数学期望E (X ) = np ，方差Var (X ) = np (1 − p )；超几何分布h (n , N , M )：数学期望N M nX E =)(，方差11)Var(−−⎟⎠⎞⎜⎝⎛−=N n N N M N M n X ； 可见分布h (n , N , M )中的N M 相当于二项分布b (n , p )中的p ，方差修正因子为1−−N nN ． 三．超几何分布的二项近似直观上，当抽样个数n 远小于M 及N − M 时，不放回抽样问题可近似看作有放回抽样问题，也就是此时超几何分布可用二项分布近似．定理 如果当N → +∞ 时，p NM→， (0 < p < 1)，则k n k N p p k n n N k n M N k M −+∞→−⎟⎟⎠⎞⎜⎜⎝⎛=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛)1(lim ． 证：因⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=+−−=⎟⎟⎠⎞⎜⎜⎝⎛N n N n N n n N N N n N n 1111!!)1()1(L L ， 且⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=⎟⎟⎠⎞⎜⎜⎝⎛M k M k M k M k 1111!L ，⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−−−=⎟⎟⎠⎞⎜⎜⎝⎛−−−M N k n M N k n M N k n M N kn 1111)!()(L ， 故⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−=⎟⎟⎠⎞⎜⎜⎝⎛⎟⎟⎠⎞⎜⎜⎝⎛−−⎟⎟⎠⎞⎜⎜⎝⎛−+∞→+∞→N n N n N M N k n M N k n M N M k M k M n N k n M N k M n k n k N N 1111!1111)!()(1111!lim lim L L L ⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅−⋅−=−+∞→N n N M N k n M N M k M N M N M k n k n nk n k N 111111111111)()!(!!lim L L L ⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛−−−−⎟⎠⎞⎜⎝⎛−−⋅⎟⎠⎞⎜⎝⎛−−⎟⎠⎞⎜⎝⎛−⋅⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛⋅⎟⎟⎠⎞⎜⎜⎝⎛=+∞→−+∞→N n N M N k n M N M k M N M N M k n N kn k N 111111111111lim 1lim L L L。

概率论与数理统计-第二章习题附答案习题2-21. 设A 为任一随机事件, 且P (A )=p (0<p <1). 定义随机变量1,,0,A X A =⎧⎨⎩发生不发生.写出随机变量X 的分布律. 解X0 1P1-p p2. 已知随机变量X 只能取-1,0,1,2四个值,且取这四个值的相应概率依次为c c c c 167,85,43,21. 试确定常数c , 并计算条件概率}0|1{≠<X X P .解 由离散型随机变量的分布律的性质知，13571,24816c c c c+++= 所以3716c =.所求概率为P {X <1| X≠}=258167852121}0{}1{=++=≠-=cc c c X P X P .3. 设随机变量X 服从参数为2, p 的二项分布, 随机变量Y 服从参数为3, p 的二项分布, 若{P X ≥51}9=, 求{P Y ≥1}. 解 注意p{x=k}=kk n knC p q -,由题设5{9P X =≥21}1{0}1,P X q =-==- 故213q p =-=. 从而{P Y≥32191}1{0}1().327P Y =-==-=4. 在三次独立的重复试验中, 每次试验成功的概率相同, 已知至少成功一次的概率为1927, 求每次试验成功的概率.解 设每次试验成功的概率为p , 由题意知至少成功一次的概率是2719，那么一次都没有成功的概率是278. 即278)1(3=-p , 故 p =31. 5. 若X 服从参数为λ的泊松分布, 且{1}{3}P X P X ===, 求参数λ.解 由泊松分布的分布律可知6=λ.6. 一袋中装有5只球, 编号为1,2,3,4,5. 在袋中同时取3只球, 以X 表示取出的3只球中的最大号码, 写出随机变量X 的分布律.解 X 的分布律是X3 4 5 P 110 31035 习题2-3求分布函数F (x ), 并计算概率P {X <0}, P {X <2},P {-2≤X <1}.解 (1) F (x )=0,1,0.15,10,0.35,01,1,1.x x x x <-⎧⎪-<⎪⎨<⎪⎪⎩≤≤≥(2) P {X <0}=P {X =-1}=0.15;(3) P {X <2}= P {X =-1}+P {X =0}+P {X =1}=1;(4) P {-2≤x <1}=P {X =-1}+P {X =0}=0.35. 2. 设随机变量X 的分布函数为F (x ) = A +B arctan x -∞<x <+∞.试求: (1) 常数A 与B ; (2) X 落在(-1, 1]内的概率.解 (1) 由于F (-∞) = 0, F (+∞) = 1, 可知()0112,.2()12A B A B A B πππ⎧+-=⎪⎪⇒==⎨⎪+=⎪⎩(2){11}(1)(1)P X F F -<=--≤1111(arctan1)(arctan(1))22ππ=+-+- 11111().24242ππππ=+⋅---= 3. 设随机变量X 的分布函数为F (x )=0, 0, 01,21,1,,x xx x <<⎧⎪⎪⎨⎪⎪⎩ ≤ ≥求P {X ≤-1}, P {0.3 <X <0.7}, P {0<X ≤2}.解 P {X 1}(1)0F -=-=≤,P {0.3<X <0.7}=F (0.7)-F {0.3}-P {X =0.7}=0.2,P {0<X ≤2}=F (2)-F (0)=1.习题2-41. 选择题(1) 设2, [0,],()0, [0,].x x c f x x c ∈=∉⎧⎨⎩如果c =( ), 则()f x 是某一随机变量的概率密度函数.(A) 13. (B) 12. (C) 1. (D) 32. 本题应选(C ).(2) 设~(0,1),X N 又常数c 满足{}{}P X c P X c =<≥, 则c 等于( ).(A) 1. (B) 0. (C) 12. (D) -1. 本题应选(B).(3) 下列函数中可以作为某一随机变量的概率密度的是( ).(A) cos ,[0,],()0,x x f x π∈=⎧⎨⎩其它. (B) 1,2,()20,x f x <=⎧⎪⎨⎪⎩其它.(C)22()2,0,()20,0.≥x x f x x μσπσ--=<⎧⎪⎨⎪⎩ (D)e ,0,()0,0.≥x x f x x -=<⎧⎨⎩本题应选(D).(6) 设随机变量X 服从正态分布211(,)N μσ,Y 服从正态分布222(,)N μσ,且12{1}{1},P X P Y μμ-<>-< 则下式中成立的是( ).(A) σ1 < σ2. (B) σ1 > σ2. (C) μ1<μ2. (D) μ1 >μ2.答案是(A).(7) 设随机变量X 服从正态分布N (0,1), 对给定的正数)10(<<αα, 数αu 满足{}P X u αα>=, 若{}P X x α<=, 则x 等于( ).(A) 2u α . (B) 21α-u . (C) 1-2u α.(D)α-1u .答案是(C).2. 设连续型随机变量X 服从参数为λ的指数分布, 要使1{2}4P k X k <<=成立, 应当怎样选择数k ? 解X 其分布函数为1e ,0,()0,0.≤x x F x x λ-->=⎧⎨⎩由题意可知221{2}(2)()(1e )(1e )e e 4k k k kP k X k F k F k λλλλ----=<<=-=---=-.于是ln 2k λ=.3. 设随机变量X 有概率密度34,01,()0,x x f x <<=⎧⎨⎩其它,要使{}{}≥P X a P X a =<(其中a >0)成立, 应当怎样选择数a ?解 由条件变形,得到1{}{}P X a P X a -<=<,可知{}0.5P X a <=, 于是34d 0.5ax x =⎰, 因此42a =. 4. 设连续型随机变量X 的分布函数为20,0,()01,1,1,,≤≤x F x x x x <=>⎧⎪⎨⎪⎩求: (1) X 的概率密度; (2){0.30.7}P X <<.解 (1) 由()()F x f x '=得2,01()0,其它.x x f x <<⎧=⎨⎩ (2) 22{0.30.7}(0.7)(0.3)0.70.30.4P X F F <<=-=-=.5. 设随机变量X 的概率密度为f (x )＝ 2,01,0,x x ⎧⎨⎩ ≤≤ 其它,求P {X ≤12}与P {14X ＜≤2}. 解{P X≤12201112d 2240}x x x ===⎰; 1{4P X <≤12141152}2d 1164x x x ===⎰.6. 设连续型随机变量X 具有概率密度函数,01,(),12,0,x x f x A x x <=-<⎧⎪⎨⎪⎩≤≤其它.求: (1) 常数A ；(2) X 的分布函数F (x ).解 (1) 由概率密度的性质可得1222011201111d ()d []122x x A x x x Ax x A =+-=+-=-⎰⎰, 于是 2A =； (2) 由公式()()d x F x f x x -∞=⎰可得（过程简略）220,0,1()221, 2.1,021,12x F x x x x x x x =->⎧⎪⎪<⎪⎨⎪-<⎪⎪⎩≤≤,≤,7. 设随机变量X 的概率密度为1(1),02,()40,x x f x ⎧⎪⎨⎪⎩+<<=其它,对X 独立观察3次, 求至少有2次的结果大于1的概率. 解 2115{1}(1)d 48P X x x >=+=⎰.所以, 3次观察中至少有2次的结果大于1的概率为223333535175()()()888256C C +=.8. 设~(0,5)X U , 求关于x 的方程24420x Xx ++=有实根的概率.解 若方程有实根, 则 21632X -≥0, 于是2X ≥2. 故方程有实根的概率为P {2X ≥2}=21{2}P X -<1{22}P X =--<<21d 5x =-215=-10. 设随机变量2~(2,)X N σ, 若{04}0.3P X <<=, 求{0}P X <.解 因为()~2,X N σ2,所以~(0,1)X Z N μσ-=. 由条件{04}0.3P X <<=可知02242220.3{04}{}()()X P X P ΦΦσσσσσ---=<<=<<=--, 于是22()10.3Φσ-=, 从而2()0.65Φσ=. 所以{{}2020}P P X X σσ==--<<22()1()0.35ΦΦσσ-=-=.习题2-52. 设~(1,2),23X N Z X =+, 求Z 所服从的分布及概率密度.解 若随机变量2~(,)X N μσ, 则X 的线性函数Y aX b =+也服从正态分布, 即2~(,()).Y aX b N a b a μσ=++ 这里1,μσ==所以Z ~(5,8)N .概率密度为()f z=2(5)16,x x ---∞<<+∞. 3. 已知随机变量X 的分布律为X-1137P 0.37 0.05 0.2 0.13 0.25(1) 求Y ＝2－X 的分布律； (2) 求Y ＝3＋X 2分布律.解 (1)2－X-5 -1 1 2 3P 0.25 0.13 0.2 0.05 0.37 (2) 3＋X 23 4 12 52P 0.05 0.57 0.13 0.254. 已知随机变量X 的概率密度为()X f x ＝1142ln 20x x <<⎧⎪⎨⎪⎩，　，　，　其它，且Y ＝2－X , 试求Y 的概率密度.解 )(y F Y={P Y ≤}{2y P X =-≤}{y P X =≥2}y -1{2}P X y =-<-=1-2()d yX f x x--∞⎰. 于是可得Y 的概率密度为121,2(2)ln 20, ,()其它.Y y y f y -<<-⎧⎪=⎨⎪⎩5. 设随机变量X 服从区间(-2,2)上的均匀分布, 求随机变量2Y X =的概率密度.解 因为对于0<y <4,(){Y F y P Y=≤2}{y P X =≤}{y P y =-X y ()()XX F y F y =--.于是随机变量2Y X =的概率密度函数为()Y f y ()22X X f y f y yy=-0 4.4y y=<< 即 ()04,40,.其它f y y y=<<⎩。