概率论常用统计分布60页PPT

第一章 随机事件及其概率
内容提要
一、随机事件
1、随机试验：观察一定 综合条件的实现。（条 件
实现就完成一次试验） 一般用字母‘ E ’表示试验。
2、样本空间：试验可能 出现的全部结果组成的 集
合。一般用字母‘ ’表示，组成样本空间的 元素称
为样本点，（或称为基 本事件）一般用字母‘ ’表
示。
3、随机事件：样本空间 的子集称为随机事件。 一
这些题目所考的知识点 实际上是相同的， 本质上式一样的。
编辑ppt
பைடு நூலகம்
7
三、随机事件概率的定
义
1 、概率的统计定义：设
随机事件 A 在 n 次重
复试验中出现了
k 次， P ( A ) k 。 n
2 、概率的古典定义：若
随机试验
E 满足
10 { 1, , n } 2 0 P ( 1) P ( n ) 则称 E 是古典概率模型。
A i 表示
A 表示至少有一个盒子无
N
球，则 A A i
i1
B 表示每个盒子至少有一
N
个球，则 B A i
编辑ppt
i1
3
5、事件 A 与 B 互不相容 AB . 6、事件 A 与 B 相互对立 A B 且 AB
注：相互对立的事件一定是互不相容的事件，反
之不一定。
7、两个事件的差A B AB A发生但 B不发生。 8、事件运算的一条性质：
P ( Ai ) 1 P ( Ai )
i 1
i 1
n
n
7 0、 P ( Ai ) P ( Ai )
P ( Ai A j )
P ( Ai A j Ak )
i 1

• 在概率论中所说的事件（event）相 当于集合论中的集合（set）。而概 率则是事件的某种函数。
• 为什么会这么说呢，让我们看掷两个 骰子的试验。
§4.2 概率的运算
• 如所关心的是两骰子点数之和，则 下表包含了所有36种可能试验结果 的搭配和相应的点数和。
两骰子
第一个的点数
点数和 1 2 3 4 5 6
• 在掷10次骰子中有一半或以上的次数 得到5或6的概率又是多少呢？
• 读者很快就可能很快会得到答案。但 再复杂一些，也许就不简单了。
§4.2 概率的运算
• 我们需要了解怎样从简单的情况计算 稍微复杂情况时的概率。
• 需要读者回忆一下上中学时学过的集 合概念，比如两个集合的交和并，互 余（互补）等概念。
§4.2 概率的运算: 3.概率的乘法
• 但是由于一个人抽中，其他人就不 可能抽中，
• 所以，这三个事件不独立。刚才的 乘法规则不成立；
• 这 P会(A得时2∩到A，错3)误＝P(的0A；1(∩1如/A3)错32)=误＝1/9照。P搬(A乘1∩法A2规) 则＝
§4.2 概率的运算: 3.概率的乘法
• 但是如果两个事件可能同时发生 时这样做就不对了。
§4.2 概率的运算: 2.概率的加法
• 假定掷骰子时，一个事件A为“得到 偶数点”（有3种可能：2、4、6点）， 另一个事件B为“得到大于或等于3点” （有4种可能：3、4、5、6点）；
• 这样，事件A的概率显然等于3/6=1/2， 即 P(A)=1/2 。 而 事 件 B 的 概 率 为 P(B)=4/6=2/3。
事件： 两骰子点数和
集合： 相应的试验结果（两个数字分别 表示第一和第二个骰子的点数）
集合中元素 的个数

0 x
则t , dt d
1-(x)
x1
2
3
F(x) 1
(t )2
1 x e
2 2
dt
x
2
e 2 d
( x )
2
2
4. P{a X b} (b ) ( a )
P{X b} (b ) P{X a} 1 (a )
例6
设 X ~ N(1,4) , 求 P (0 X 1.6)
解：X 的密度函数为
f
x
1 10
e
x 10
0
x0 x0
令：B={ 等待时间为10-20分钟 }
则 PB P10 X 20
20
1
x
e 10 dx
10 10
x
e 10
20
e 1
e 2
0.2325
10
例5 假定一大型设备在任何长为 t 的时间内发生
故障的次数 N( t ) 服从参数为t 的Poisson分布,
P(2
X
4)
4
2
2
2
2
(0)
0.3
2
0.8
P( X 0) 0.2
解二 图解法
0.2 0.15
0.1 0.05
0.3 0.2
-2
2
4
6
由图 P( X 0) 0.2
例 3 原理
设 X ~ N ( , 2), 求 P(| X | 3 )
解 P(| X | 3 ) P( 3 X 3 )
应用场合:
若随机变量Ｘ在区间(a,b)内等可能的取值，则
X ~ U a,b
例3 秒表的最小刻度差为0.01秒. 若计时精度 是取最近的刻度值, 求使用该秒表计时产生的 随机误差X 的概率密度, 并计算误差的绝对值 不超过0.004秒的概率.

随机变量及其分布
首页 返回 退出
§2.2 离散型随机变量及其分布律
定义 设离散型随机变量 X 所有可能取的值为xk , k = 1, 2,
X 取各个可能值的概率,即事件{ X xk } 的概率，为
P{ X xk } pk , k 1, 2, .
称此为离散型随机变量 X 的分布律.
随机变量及其分布
首页 返回 退出
定义2.1 设随机试验E, 其样本空间S, 若对样本
空间每一个样本点e, 都有唯一一个实数X(e)与之对
应，那么就把这个定义域为S的单值实值函数X=X(e),
称为随机变量。
随机变量通常用大写字母X,Y,Z 或希腊字母 ξ,η等表示.
而表示随机变量所取的值时,一般采用小写字母x,y,z等.
量方面，如，投掷一枚均匀骰子，我们观察出现的点
数。
记X=“出现的点数”
则X的可能取1, 2, …, 6中任一个数，可见X是变量；
又X取那个值不能事先确定，故此X的取值又带有随机
性.
有了随机变量，有关事件的表示也方便了，如
{X=2}, {X≤2}, ……
随机变量及其分布
首页 返回 退出
这样的例子还有很多. 又如，研究手机的使用寿命
或写成
随机变量及其分布
5
P( X k )
6
k 1
1
, k 1, 2,
6
首页 返回 退出
常见离散型随机变量
（一）“0-1”分布
设随机变量 X 只可能取 0 和1 两个值，它的分布律
为
k
P X k p（
1 p)1k k 0,1
(0 p 1)

一. 连续型随机变量的概率密度 1.定义 若对于随机变量 X 的分布函数，存在非负
函数 f ( x)，使得对于任意实数 x 有:
x
F ( x) f (t)dt ( P( X x))
则称 X 为连续型变量，f ( x)为 X 的概率密度函数 注 ▲ 连续型随机变量与离散型随机变量的区别
离散型： P( X xk ) 0 连续型：P( X xk ) 0
机
多，而且还不能一 一列
变 连续型随机变量 量
举，而是充满一个区间
例如，“电视机的寿命”，实际中
常 遇到的“测量误差”等等.
概率统计
第二章知识结构图
随机变量
离散型随 机变量
连续型随 机变量
分布律
分布 函数
函数的 分布
概率 密度
分布 函数
函数的 分布
定义 常用分布
概率统计
定义 常用分布
第四节 连续型随机变量及其概率密度
0 x 0
则称 X 为服从参数 的指数分布.
概率统计
二 . 连续型随机变量的分布函数
定义: 若定义在 (, )上的可积函数 f ( x)
满足： (1). f ( x) 0
(2). f ( x)dx 1
f (x)确定了 分布函数F(x)，
则称 F ( x)
x
f ( x)dx
f (x)是F(x)的 导函数， F(x)是f (x)的一
(2) 某段时间内候车室的旅客数目为 X , 则它也是一个随机变量，它可以取 0 及一切 自然数。X 是定义在样本空间，则：
S e {人数 人数 0}
X X (e)的值域RX [0, )
概率统计
二. 随机变量的分类 离散型随机变量

解：
6 6 X ~ ( ), 且 P X 0 e 即 e e 6
P { X 2 } 1 P { X 2 } 1 P { X 0 } P { X 1 }
6 6 1 e 6 e 0 . 9826
A={X=1}，B={X=2}，C={X=0}
② 设Y为进行5次试验中成功的次数，则 D={Y=1}，F={Y1},G={Y3}
随机变量的分类
离散型随机变量 随机变量 连续型 非离散型 奇异型（混合型）
§2 离散型随机变量的分布律(P27)
定义 若随机变量X取值x1, x2, …, xn, … ，且取这些 值的概率依次为p1, p2, …, pn, …, 则称 P{X=xk}=pk, (k=1, 2, … ) 为X的分布律。 可表为 X～ P{X=xk}=pk, (k=1, 2, … )， 或…
k k n
k 0 , 1 , , n
若以X表示n重贝努里试验中事件A发生的次数， P(A)=p, 则称X服从参数为n,p的二项分布。 记作X~b(n,p), 其分布律为：
P { X k } p ( 1 p ), ( k 0 , 1 ... n ) C n
kk
n k
例2 掷一颗骰子10次，求（1）双数点出现6次的概率？ （2）“3”点出现两次的概率？ 解：(1)设X表出现双数点的次数，则X~b(10，1/2） 6 6 10 6 6 10 1 1 1 所求概率： P ( X 6 ) C ( ) ( ) C ( ) 10 10 2 2 2 (2) 设Y表出现“3”点的次数，则Y~b(10，1/6） 2 1258 所求概率为： P ( Y 2 ) C () () 10

n=20，π=0.5
π=0.5时,不同n值对应的二项分布
n=5，π=0.3
n=10，π=0.3
n=30，π=0.3
π=0.3时,不同n值对应的二项分布
二项分布图的形态取决于π和n,高峰在µ= πn处
➢ 当π=0.5,图形是对称的； ➢ 当π≠0.5,图形不对称；π离0.5愈远,对称性愈差,
但随着n的增大,分布趋向于对称.
〔2〕其中最少有2人感染的概率有多大？
解：P(x ≥ 2)= x1=5∑02 C150x 0.13x(0.97)150-x
= 1 -（C1500 0.130 × 0.97150 +C1501 0.131 × 0.97149） ≈1
〔3〕其中最少有20人感染的概率有多大？
解：P(x ≥
150
20)=
∑C150x
第一节 二项分布及其应用
1.1 二项分布的概念和函数 1.2 二项分布的特征 1.3 二项分布的应用
一、二项分布的概念 和概率函数
摸球模型
一个袋子里有5个乒乓球,其中2个黄球、3个白球, 我们进行摸球游戏,每次摸1球,放回后再摸.先后摸 100次,请问：
⑴摸到0次黄球的概率是多大？
解：① 每次摸到白球的概率 =0.6
〔1〕至多有4人患先天性心脏病的概率是多少？ 〔2〕至少有5人患先天性心脏病的概率是多少？
举例2：实验室显示某100cm2的培养皿中平均菌落数为6
个,试估计<1>该培养皿中菌落数小于3的概率,
<2>大于1个的概率.
解析：菌落长、不长
二项分布
长概率很小, n很大
Poission分布
故:
=nπ=6 (1) P(x＜3)=

表4—1 抛掷一枚硬币发生正面朝上的 试验记录
上一张 下一张 主 页 退 出
从表4-1可看出，随着实验次数的增多， 正面朝上这个事件发生的频率越来越稳定地接 近0.5，我们就把0.5作为这个事件的概率。
在一般情况下，随机事件的概率p是不可 能准确得到的。通常以试验次数n充分大时随机 事件A的频率作为该随机事件概率的近似值。
上一张 下一张 主 页 退 出
二、概 率
（一）概率的统计定义 研究随机试验，仅知道可能发生哪些随机
事件是不够的，还需了解各种随机事件发生的 可能性大小，以揭示这些事件的内在的统计规 律性，从而指导实践。这就要求有一个能够刻 划事件发生可能性大小的数量指标，这指标应 该是事件本身所固有的，且不随人的主观意志 而改变，人们称之为概率（probability）。 事件A的概率记为P（A）。
P(x=xi)=pi i=1,2,… (4—3) 则称 （4—3）式为离散型随机变量x的概 率分布或分布。常用 分 布 列 (distribution series)来表示离散型随机变量：
上一张 下一张 主 页 退 出
x1 x2 … xn …. p1 p2 … pn … 显然离散型随机变量的概率分布具有pi≥0 和Σpi=1这两个基本性质。 三、连续型随机变量的概率分布
第一节 事件与概率
一、事 件 （一）必然现象与随机现象 在自然界与生产实践和科学试验中，人 们会观察到各种各样的现象，把它们归纳起 来，大体上分为两大类：
上一张 下一张 主 页 退 出
一类是可预言其结果的，即在保持条件不 变的情况下，重复进行试验，其结果总是确定 的，必然发生（或必然不发生）。这类现象称 为必然ite phenomena）。
这样定义的概率称为 统计概率 （statistics probability），或者称后验概 率（posterior probability）。

属性
✓ 连续型分布 ✓ 用于描述以方向、位置、周期性（环形）时间、角度等为测度
单位的数字特征
应用
✓ 医学领域内一些现象是以方向或时间度量，具有周期性特点， 如某疾病在一年内各月份的发生数、胎儿在一昼夜间各时点 分娩的频度
✓ 有些数据本身就是以角度来表示：如脑电阴图的上升角，气 象环境的风向玫瑰图
✓ 这些数据不能用通常的均数、标准差描述
1 二项分布 Binomial Distribution
应用 条件
✓ 各观察单位只能具有相互对立的一种结果，如阳性或阴 性，生存或死亡等，属于两分类资料
✓ 已知发生某一结果（阳性）的概率为π，其对立结果的概 率为1-π，实际工作中要求π是从大量观察中获得比较稳 定的数值。
✓ n次试验在相同条件下进行，且各个观察单位的观察结果 相互独立，即每个观察单位的观察结果不会影响到其他观 察单位的结果。如要求疾病无传染性、无家族性等。
9 F分布 F Distribution
属性
✓ 连续型分布 ✓ 用于方差Γ分布 Γ Distribution or Gamma Distribution
属性
✓ 连续型分布 ✓ 正偏态分布，常用于正偏态分布的拟合
11 圆形分布 Circular Distribution
5 均匀分布 Uniform Distribution
属性
✓ 连续型分布 ✓ 数值计算的误差分析 ✓ 任意分布的随机数
理解
✓ 均匀分布在自然情况下极为罕见，而人工栽培的有一定株 行距的植物群落即是均匀分布
✓ 均匀，表示可能性相等的含义
6 正态分布 Normal Distribution
属性
✓ 连续型分布 ✓ 自然界、人类社会、心理和教育中大量现象均按正态形式分布，

解
由上述分布律的表格可得
P{ X 1,Y 0} 0.030 , P{Y 0 X 1} 0.045 P{ X 1} P{ X 1,Y 1} 0.010 , P{Y 1 X 1} 0.045 P{ X 1} P{ X 1,Y 2} 0.005 , P{Y 2 X 1} 0.045 P{ X 1}
Y 的条件概率密度为 1 , 0 x y 1, fY X ( y x ) 1 x 0, 其它.
因此 X 和 Y 的联合概率密度为 f ( x , y ) fY X ( y x ) f X ( x )
1 , 0 x y 1, 1 x 0, 其它. 际 故得Y 的边缘概率密度
P { X xi , Y y j } P {Y y j }

pij p j
, i 1, 2,
为在给定Y y j 条件下 X 的条件分布列.
同理，对于一切使P{ X xi } pij pi 0的 xi , 则称
j 1

p j i P{Y y j X xi }
边际分布 联合分布 条件分布 联合分布
设( X , Y ) 在圆域 x 2 y 2 1 上服从均匀分布, 求条 例3 件概率密度 f X Y ( x y ).
解 由题意知随机变量( X ,Y ) 的概率密度为
1 π , x 2 y 2 1, f ( x, y) 0, 其它,
二
1.边际分布
边际分布和条件分布
问题：已知二维随机变量 (X, Y) 的分布， 如何求出 X 和 Y 各自的分布？
边际分布函数
已知 (X, Y) 的联合分布函数为 F(x, y)，

~
2 (n1 ),
2 2
~
2 (n2 ), 且它们相互独立，
则
2 1
2 2
~
2 (n1
n2 )
《概率统计》
返回
下页
结束
4. 2分布的百分位点
对给定的α（0＜α＜1）
（1）称满足
P{ 2
2
(n)}
，即
f ( y)dy
x2 ( n)
的点为 2分布的上100α百分位点。
f(y)
（2）称满足
注：在研究中，往往关心每个个体的一个(或几个)数量指标和 该数量指标在总体中的分布情况. 这时，每个个体具有的数量 指标的全体就是总体.
或，总体：研究对象的某项数量指标的值的全体.
《概率统计》
某批 灯泡的 寿命
该批灯泡寿命的 全体就是总体
返回
下页
结束
为推断总体分布及各种特征，按一定规则从总体中抽取若 干个体进行观察试验，以获得有关总体的信息，这一抽取过程 为 “抽样”.
( x)
（1）称满足条件 P{X＞Xα} =α，
α
即
( x)dx
X
的点Xα为N(0，1)分布的上100α百分位点.
X1－α
0
由于 P{X X } 1 记 －Xα= X1－α
（2）称满足条件 P {| X | X }
2
2
的点 X 为N(0，1)分布的双侧100α百分位点.
X
2
则
E(X )
E(1 n
n i 1
Xi)
1 n
n i 1
E(Xi )
1 n
n
D(X ) D(1 n
n i1
Xi)

图5.1.1 SONY彩电彩色浓度分布图q
表5.1.1 各等级彩电的比例(%)
等级
I
|X-m|<5/3
II
III
5/3<|X-m|<10/3 10/3 <|X-m|<5
IV
|X-m|>5
美产 33.3 33.3 33.3
0
日产 68.3 27.1 4.3
0.3
抽样 ：
5.1.2 样本
要了解总体的分布规律，在统计分析工作中，往往 是从总体中抽取一部分个体进行观测，这个过程称为抽 样。样本
x 344 344 x 347 347 x 351 351 x 355
x 355
由伯努里大数定律：
第25页
两点分布，只要 n 相当大，Fn(x)依概率收敛于F(x) 。
更深刻的结论：格里纹科定理
定理5.2.1 设 x1,x2,L,xn 是取自总体分布函数为F(x) 的样本F，n ( x ) 为其经验分布函数，当n 时，有
若以 p 表示这堆数中1的比例（不合格品率）， 则该总体可由一个二点分布表示：
X01 P 1p p
比如：两个生产同类产品的工厂的产品 的总体分布：
例5.1.2 在二十世纪七十年代后期，美国消费者购买
日产SONY彩电的热情高于购买美产 SONY彩电，原因何在？
原因在于总体的差异上！
➢ 1979年4月17日日本《朝日新闻》刊登调查报 告指出N(m, (5/3)2)，日产SONY彩电的彩色浓 度服从正态分布，而美产SONY彩电的彩色浓 度服从(m5 , m+5)上的均匀分布。
元件数 4 8 6 5 3 4 5 4
寿命范围 (192 216] (216 240] (240 264] (264 288] (288 312] (312 336] (336 360] (360 184]

称这种试验为等可能概型(或古典概型)。
*
例1：一袋中有8个球，其中3个为红球，5个为黄球，设摸到每一球的可能性相等，从袋中不放回摸两球， 记A={恰是一红一黄}，求P(A)． 解：
（注：当L>m或L<0时，记 ）
例2：有N件产品，其中D件是次品，从中不放 回的取n件， 记Ak＝{恰有k件次品}，求P(Ak)． 解：
*
第四章 随机变量的数字特征 4.1 数学期望 4.2 方差 4.3 协方差及相关系数 4.4 矩、协方差矩阵 第五章 大数定律和中心极限定理 5.1 大数定律 5.2 中心极限定理 第六章 数理统计的基本概念 6.1 总体和样本 6.2 常用的分布
*
第七章 参数估计 7.1 参数的点估计 7.2 估计量的评选标准 7.3 区间估计 第八章 假设检验 8.1 假设检验 8.2 正态总体均值的假设检验 8.3 正态总体方差的假设检验 8.4 置信区间与假设检验之间的关系 8.5 样本容量的选取 8.6 分布拟合检验 8.7 秩和检验 第九章 方差分析及回归分析 9.1 单因素试验的方差分析 9.2 双因素试验的方差分析 9.3 一元线性回归 9.4 多元线性回归
解： 设 Ai={ 这人第i次通过考核 }，i=1,2,3 A={ 这人通过考核 }，
亦可：
*
例：从52张牌中任取2张，采用(1)放回抽样，（2）不放 回抽样，求恰是“一红一黑”的概率。
利用乘法公式
与 不相容
（1）若为放回抽样：
（2）若为不放回抽样：
解： 设 Ai={第i次取到红牌}，i=1,2 B={取2张恰是一红一黑}
①
②
①
1 2 N
①
②
1 2 N
……

注：P( A) 0不能 A ； P( B) 1不能 B S .
2。 A1 , A2 ,...,An , Ai Aj , i j, P( P(
n n i 1
Ai ) P( Ai )
i 1
n
证：令 Ank (k 1, 2,...), Ai Aj , i j, i, j 1, 2,....
•
5.1 大数定律 5.2 中心极限定理
•
第六章 数理统计的基本概念
• • 6.1 总体和样本 6.2 常用的分布
4
第七章 参数估计
• • • 7.1 参数的点估计 7.2 估计量的评选标准 7.3 区间估计
第八章 假设检验
• • • • • • • 8.1 8.2 8.3 8.4 8.5 8.6 8.7 假设检验 正态总体均值的假设检验 正态总体方差的假设检验 置信区间与假设检验之间的关系 样本容量的选取 分布拟合检验 秩和检验
A B 2 A＝B B A
B A
S
例： 记A={明天天晴}，B={明天无雨} B A
记A={至少有10人候车}，B={至少有5人候车} B
A
一枚硬币抛两次，A={第一次是正面}，B={至少有一次正面}
BA
13


事件的运算
A与B的和事件，记为 A B
8
§1 随机试验
确定性现象
自然界与社会Βιβλιοθήκη 活中的两类现象不确定性现象
确定性现象：结果确定 不确定性现象：结果不确定

例：
向上抛出的物体会掉落到地上 ——确定 ——不确定 明天天气状况 ——不确定 买了彩票会中奖

概率论与数理统计
2 X ~ N ( , ) ， X1 , X 2 ,... X n 是 定理 2 设总体
取自 X 的一个样本， X 与 S 为该样本的样 本均值与样本方差，则有
2 2 S 2 2 ( X i X )2 ~ 2 (n 1) （1） i 1
概率论与数理统计
设总体 X 的均值和方差 2 E( X ) , D( X ) 都存在. X1 , X 2 , , Xn 是来自总体 X 的样本，则 2 E ( X ) , D( X ) n , E ( S 2 ) 2
n n 1 1 E( X ) E( n X i ) n E( X i ) i 1 n i 1 n
n
X （2） T S / n ~ t (n 1)
概率论与数理统计
设 X1 , X 2 , , Xn 是总体 X ~ N ( , 2 ) 的样本， X , S 2分别为样本均值和样本方差，则有 X ~ t (n 1) S/ n 由定理一、定理二有 2 ( n 1) S X 2 Y ~ N ( 0 , 1) , 2 ~ (n 1) 2 / n 2 且 Y 与 独立，由 t 分布的定义有 X X / n Y ~ t (n 1) S/ n (n 1) S 2 / 2 S 2/n n 1


3 0.1 P3 |X | 99.7%. P | X | X | 0.03} 99.7%. P{| n 100

概率论与数理统计
例3 在设计导弹发射装置时, 重要事情之 一是研究弹着点偏离目标中心的距离的方 差.对于一类导弹发射装置, 弹着点偏离目标 中心的距离服从正态分布N(μ,100), 现在进 行了25次发射试验, 用S2记这25次试验中弹 着点偏离目标中心的距离的样本方差. 试求 S2超过50的概率.