常用的概率分布类型及其特征
常用的概率分布类型及其特征
3．1 二点分布和均匀分布
1、两点分布
许多随机事件只有两个结果。如抽检产品的结果合格或不合格；产品或者可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取0和1。它服从的分布称两点分布。
其概率分布为：
其中 Pk=P（X=Xk），表示X取Xk值的概率：
0≤P≤1。
X的期望 E（X）=P
X的方差 D（X）=P（1—P）
2、均匀分布
如果连续随机变量X的概率密度函数f（x）在有限的区间[a，b]上等于一个常数，则X服从的分布为均匀分布。
其概率分布为：
X的期望 E（X）=（a+b）/2
X的方差 D（X）=（b-a）2/12
3．2 抽样检验中应用的分布
3．2．1 超几何分布
假设有一批产品，总数为N，其中不合格数为d，从这批产品中随机地抽出n 件作为被检样品，样品中的不合格数X服从的分布称超几何分布。
X的分布概率为：
X=0，1，……
X的期望 E（X）=nd/N
X的方差 D（X）=（（nd/N）（（N-d）/N）（（N-n）/N））（1/2）3．2．2 二项分布
超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。
假设有一批产品，不合格品率为P，从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。
X的概率分布为：
0 x=0，1，……，n X的期望 E（X）=np X的方差 D（X）=np（1-p） 3．2．3 泊松分布 泊松分布比二项分布更重要。我们从产品受冲击（指瞬时高电压、高环境应力、高负载应力等）而失效的事实引入泊松分布。假设产品只有经过一定的冲击次数后，产品才失效，又设这些冲击满足三个条件： （1）、两个不相重叠的时间间隔内产品所受冲击次数相互独立； （2）、在充分小的时间间隔内发生两次或更多次冲击的机会可忽略不计； （3）、在单位时间内发生冲击的平均次数λ（λ＞0）不随时间变化，即在时间间隔Δt内平均发生λΔt次冲击，它和Δt 的起点无关。 则在[0，t]时间内发生冲击的次数X服从泊松分布，其分布概率为： X的期望 E（X）=λt X的方差 D（X）=λt 假设仪表受到n次冲击即发生故障，则仪表在[0，t]时间内的可靠度为： 其中：x =0，1，2，……，λ＞0，t＞0。 3．2．4 x2分布 本分布是可靠性工程中最常用的分布之一，虽然其概率密度形式较复杂，但可由标准正态分布推出。 设有v个相互独立的随机变量X1，X2，…… Xv，它们服从于标准正态分布N （0，1）。记x2 =X12 + X22 +…Xv2 ，x2读作“卡方”则x2服从的分布称为x2分布。它的概率密度函数为： 该式称为随机变量x2服从自由度为V的x分布。 式中：V—为自由度，是个自然数 x2分布最重要的性质是： 当m为整数时： 3．3 产品的寿命分布 3．3．1 指数分布 指数分布是电子产品在可靠性工程学中最重要的分布。通常情况下，电子产品在剔除了早期故障后，到发生元器件或材料的老化变质之前的随机失效阶段其寿命服从指数分布规律。 指数分布是唯一的失效率不随时间变化而变化的连续随机变量的概率分布。容易推出： 指数分布有如下三个特点： 1．平均寿命和失效率互为倒数； MTBF=1/λ 2．特征寿命就是平均寿命； 3．指数分布具有无记忆性。（即产品以前的工作时间对以后的可能工作时间没有影响） 3．3．2 威布尔分布 从上面的描述可知，指数分布只适用于浴盆曲线的底部，但任何产品都有早期故障，也总有耗损失效期。在可靠性工程学中用威布尔分布来描述产品在整个寿命期的分布情况。 将指数分布中的（-λt）替换为（-（t/η）m），就得到威布尔分布。容易得到： 3．3．3 正态分布与对数正态分布 正态分布又称为常态分布或高斯分布。它的概率密度函数为： 式中：-∞＜x＜∞ 分布函数记为： 对数正态分布是指：若寿命T的对数lnT服从正态分布N（u，σ），则T服从对数正态分布。它的概率密度函数为： 式中：t，σ为正数，μ和σ分别称为对数正态分布的“对数均值”和“对数标准差”。 3．4 为进行统计推断所构造的分布 3．4．1 t分布（学生氏分布） t—分布常用于区间估计、正态总体的假设检验以及机械概率设计之中。服从t—分布的随机变量记住t。它是服从标准正态分布N（0，1）的随机变量U和服从自由度为v的x2分布的随机变量x2（v）的函数。 它的概率密度函数f（t）为： 3．4．2 F—分布 F分布主要用于两个总体的假设检验与方差分析。服从F分布的随机变量F 是两个相互独立的x2分布随机变量x2（v1）和x2（v2）的函数： 式中：F只能取正值。F分布的概率密度函数为： 另外还有β—分布等。 中位秩是β—分布的中位数，一般用下式求出： 中位秩值≈（i-0.3）/(n+0.4) 式中：n为样本总数。 常用的概率分布类型及其特征 3．1 二点分布和均匀分布 1、两点分布 许多随机事件只有两个结果。如抽检产品的结果合格或不合格；产品或者可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取0和1。它服从的分布称两点分布。 其概率分布为： 其中 Pk=P（X=Xk），表示X取Xk值的概率： 0≤P≤1。 X的期望 E（X）=P X的方差 D（X）=P（1—P） 2、均匀分布 如果连续随机变量X的概率密度函数f（x）在有限的区间[a，b]上等于一 个常数，则X服从的分布为均匀分布。 其概率分布为： X的期望 E（X）=（a+b）/2 X的方差 D（X）=（b-a）2/12 3．2 抽样检验中应用的分布 3．2．1 超几何分布 假设有一批产品，总数为N，其中不合格数为d，从这批产品中随机地抽出n件作为被检样品，样品中的不合格数X服从的分布称超几何分布。 X的分布概率为： X=0，1，…… X的期望 E（X）=nd/N X的方差 D（X）=（（nd/N）（（N-d）/N）（（N-n）/N））（1/2）3．2．2 二项分布 超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。 假设有一批产品，不合格品率为P，从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。 X的概率分布为： 0 目录 摘要 (1) 关键词 (1) Abstract (1) Key words (1) 引言 (1) 1 几种常见的具有可加性的分布 (1) 1.1 二项分布 (2) 1.2 泊松分布（Possion分布） (3) 1.3 正态分布 (4) 1.4 伽玛分布 (6) 1.5 柯西分布 (7) 1.6 卡方分布 (7) 2 具有可加性的概率分布间的关系 (8) 2.1 二项分布的泊松近似 (8) 2.2 二项分布的正态近似 (9) 2.3 正态分布与泊松分布间的关系 (10) 2.4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布的关系 (11) 3 小结 (12) 参考文献 (12) 致谢 (13) 概率论中几种具有可加性的分布及其关系 概率论中几种具有可加性的分布及其关系 摘要 概率论与数理统计中概率分布的可加性是一个十分重要的内容.所谓分布的可加性指的是同一类分布的独立随机变量和的分布仍属于此类分布.结合其特点，这里给出了概率论中几种具有可加性的分布：二项分布，泊松分布，正态分布，柯西分布，卡方分布以及伽玛分布.文章讨论了各类分布的性质及其可加性的证明，这里给出了证明分布可加性的两种方法，即利用卷积公式和随机变量的特征函数.除此之外，文章就可加性分布之间的各种关系，如二项分布的泊松近似，棣莫佛-拉普拉斯中心极限定理等，进行了不同层次的讨论. 关键词 概率分布 可加性 相互独立 特征函数 Several Kinds of Probability Dstribution and its Relationship with Additive Abstract Probability and mathematical statistics in the probability distribution of additivity is a very important content.The distribution of the so-called additivity refers to the distribution of the same kind of independent random variables and distribution are still belong to this kind of https://www.docsj.com/doc/eb3055824.html,bined with its characteristics, here given several has additivity distribution in probability theory: the binomial distribution, poisson distribution and normal distribution and cauchy distribution, chi-square distribution and gamma distribution.Article discusses the nature of all kinds of distribution and its proof of additivity, additive of proof distribution are also given two methods, namely using convolution formula and characteristic function of a random variable. In addition, this paper the relationships between the additive property distribution, such as the binomial distribution of poisson approximation, Di mo - Laplace's central limit theorem, and so on, has carried on the different levels of discussion. Key Words probability distribution additivity property mutual independence characteristic function 引言 概率论与数理统计是研究大量随机现象的统计规律性的学科，在概率论与数理统计中，有时候我们需要求一些随机变量的和的分布，在这些情形中，有一种求和类型比较特殊，即有限个相互独立且同分布的随机变量的和的分布类型不变，这一求和过程称为概率分布的“可加性”.概率分布中随机变量的可加性是一个相当重要的概念，本文给出了概率论中常见的六种具有可加性的分布，包括二项分布，泊松分布，正态分布，伽玛分布，柯西分布和卡方分布.文章最后讨论了几项分布之间的关系，如二项分布的泊松近似，正态近似等等. 1 几种常见的具有可加性的分布 在讨论概率分布的可加性之前，我们先来看一下卷积公式和随机变量的特征函数,首先来看卷积公式[1]： ①离散场合的卷积公式 设离散型随机变量ξζ,彼此独立，且它们的分布列分别是n k a k P k ,1,0,)(???===ζ和.,,1,0,)(n k b k P k ???===ξ则ξζ?+=的概率分布列可表示 几种常见的概率分布 一、 离散型概率分布 1. 二项分布 n 次独立的贝努利实验，其实验结果的分布（一种结果出现x 次的概率是多少的分布）即为二项分布 应用二项分布的重要条件是：每一种实验结果在每次实验中都有恒定的概率，各实验之间是重复独立的 平均数： (Y)np X E μ== 方差与标准差：2(1)X np P σ=- ;X σ=特例：（0-1）分布 若随机变量X 的分布律为 1(x k)p (1p)k k p -==- k=0,1；0 复抽样，抽样成功的次数X 的概率分布服从超几何分布，如福利彩票 二、 连续型概率分布 1. 均匀分布 若随机变量X 具有概率密度函数 (x)f = 则称X 在区间（a ，b ）上服从均匀分布，记为X ~ U(a ，b) 在区间（a ，b ）上服从均匀分布的随机变量X 的分布函数为 0F(x),1 x a x a a x b b a b x ? 是常数， 则称X 服从以λ 为参数的指数分布，记作~()X E λ ，X 的分布函数为 1,0(x)0,0 x e x F x λ-?-≥=? 目录 1. 均匀分布 (1) 2. 正态分布（高斯分布） (2) 3. 指数分布 (2) 4. Beta分布（：分布） (2) 5. Gamm 分布 (3) 6. 倒Gamm分布 (4) 7. 威布尔分布（Weibull分布、韦伯分布、韦布尔分布） (5) 8. Pareto 分布 (6) 9. Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) 2 10. 分布（卡方分布） (7) 8 11. t分布................................................ 9 12. F分布 ............................................... 10 13. 二项分布............................................ 10 14. 泊松分布（Poisson 分布）............................. 11 15. 对数正态分布........................................ 1. 均匀分布 均匀分布X ~U（a,b）是无信息的，可作为无信息变量的先验分布。 2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量 很可能服从正态分布，记作 X~N （」f 2）。正态分布为方差已知的正态分布 N （*2）的参数」的共轭先验分布。 1 空 f （x ）： —— e 2- J2 兀 o' E(X)， Var(X) _ c 2 3. 指数分布 指数分布X ~Exp （ ）是指要等到一个随机事件发生，需要经历多久时间。其 中，.0为尺度参数。指数分布的无记忆性： Plx s t|X = P{X t}。 f （X ）二 y o i E(X) 一 4. Beta 分布（一：分布） f （X ）二 E(X) Var(X)= (b-a)2 12 Var(X)二 1 ~2 概率论中几种常用的重要的分布 摘要：本文主要探讨了概率论中的几种常用分布，的来源和他们中间的关系。其在实际中的应用。 关键词 1 一维随机变量分布 随机变量的分布是概率论的主要内容之一，一维随机变量部分要介绍六中常 用分布，即( 0 －1) 分布、二项分布、泊松分布、均匀分布、指数分布和正态分布． 下面我们将对这六种分布逐一地进行讨论． 随机事件是按试验结果而定出现与否的事件。它是一种“定性”类型的概念。为了进一步研究有关随机试验的问题，还需引进一种“定量”类型的概念，即，根据试验结果而定取什么值（实值或向量值）的变数。称这种变数为随机变数。本章内将讨论取实值的这种变数—— 一维随机变数。 定义1.1 设X 为一个随机变数，令 ()([(,)])([]),()F x P X x P X x x =∈-∞=-∞ +∞. 这样规定的函数()F x 的定义域是整个实轴、函数值在区间[0,1]上。它是一个普通的函数。成这个函数为随机函数X 的分布函数。 有的随机函数X 可能取的值只有有限多个或可数多个。更确切地说：存在着有限多个值或可数多个值12,,...,a a 使得 12([{,,...}])1P X a a ∈= 称这样的随机变数为离散型随机变数。称它的分布为离散型分布。 【例1】下列诸随机变数都是离散型随机变数。 （1）X 可能取的值只有一个，确切地说，存在着一个常数a ,使([])1P X a ==。称这种随机变数的分布为退化分布。一个退化分布可以用一个常数a 来确定。 （2）X 可能取的值只有两个。确切地说，存在着两个常数a ，b ，使 ([{,}])1P X a b ∈=.称这种随机变数的分布为两点分布。如果([])P X b p ==，那 么，([])1P X a p ===-。因此，一个两点分布可以用两个不同的常数,a b 及一个在区间（0,1）内的值p 来确定。 特殊地，当,a b 依次为0,1时，称这两点分布为零-壹分布。从而，一个零-壹分布可以用一个在区间（0，1）内的值p 来确定。 （3）X 可能取的值只有n 个：12,...,a a （这些值互不相同），且，取每个i a 值 上机实习常用分布概率计算的Excel应用利用Excel中的统计函数工具，可以计算二项分布、泊松分布、正态分布等常用概率分布的概率值、累积（分布）概率等。这里我们主要介绍如何用Excel来计算二项分布的概率值与累积概率，其他常用分布的概率计算等处理与此类似。 §3.1 二项分布的概率计算 一、二项分布的（累积）概率值计算 用Excel来计算二项分布的概率值P n(k)、累积概率F n(k)，需要用BINOMDIST函数，其格式为： BINOMDIST (number_s，trials, probability_s, cumulative) 其中 number_s：试验成功的次数k； trials：独立试验的总次数n； probability_s：一次试验中成功的概率p； cumulative：为一逻辑值，若取0或FALSE时，计算概率值P n(k)；若取1 或TRUE时，则计算累积概率F n(k)，。 即对二项分布B(n,p)的概率值P n(k)和累积概率F n(k)，有 P n(k)=BINOMDIST(k,n,p,0)；F n(k)= BINOMDIST(k,n,p,1) 现结合下列机床维修问题的概率计算来稀疏现象（小概率事件）发生次数说明计算二项分布概率的具体步骤。 例3.1某车间有各自独立运行的机床若干台，设每台机床发生故障的概率为0.01，每台机床的故障需要一名维修工来排除，试求在下列两种情形下机床发生故障而得不到及时维修的概率： （1）一人负责15台机床的维修； （2）3人共同负责80台机床的维修。 原解：（1）依题意，维修人员是否能及时维修机床，取决于同一时刻发生故障的机床数。 设X表示15台机床中同一时刻发生故障的台数，则X服从n=15,p=0.01的二项分布： X～B(15,0.01)， 而 P(X= k)= C15k(0.01)k(0.99)15-k，k = 0, 1, …, 15 故所求概率为 P(X≥2)=1-P(X≤1)=1-P(X=0)-P(X=1) =1-(0.99)15-15×0.01×(0.99)14 =1-0.8600-0.1303=0.0097 （2）当3人共同负责80台机床的维修时，设Y表示80台机床中同一时刻发生故障的台数，则Y服从n=80、p=0.01的二项分布，即 Y～B(80,0.01) 此时因为 n=80≥30, p=0.01≤0.2 所以可以利用泊松近似公式：当n很大，p较小时（一般只要n≥30,p≤0.2时），对任一确定的k,有（其中 =np） 考试练习题常用概率 分布 第四章 选择题： 1．二项分布的概率分布图在 条件下为对称图形。 A ．n > 50 B ．π=0.5 C ．n π=1 D ．π=1 E ．n π> 5 2．满足 时，二项分布B （n,π）近似正态分布。 A ．n π和n （1－π）均大于等于5 B ．n π或n （1－π）大于等于5 C ．n π足够大 D ．n > 50 E ．π足够大 3. 的均数等于方差。 A ．正态分布 B ．二项分布 C ．对称分布 D ．Poisson 分布 E ．以上均不对 4．标准正态典线下，中间95%的面积所对应的横轴范围是 。 A ．－∞到+1.96 B ．－1.96到+1.96 C ．－∞到+2.58 D ．－2.58到+2.58 E ．－1.64到+1.64 5．服从二项分布的随机变量的总体均数为 。 A ．n （1－π） B ．（n －1）π C ．n π（1－π） D ．n π 6．服从二项分布的随机变量的总体标准差为 。 A . B . （1-π）（1-π）（ -）π1 C . D . π（1-π）（π 7.设X 1,X 2分别服从以λ1,λ2为均数的Poisson 分布,且X 1与X 2独立,则X 1+X 2服从以 为方差的Poisson 分布。 A . B .λ2λ12+2λ 2λ1+ C . D . 2λ2λ1+（） 2λ2λ1+（） E .λ2λ12+2 8．满足 时，Poisson 分布Ⅱ（λ）近似正态分布。 A．λ无限大 B．λ>20 C．λ=1 D．λ=0 E．λ=0.5 9．满足时，二项分布B（n，π）近似Poisson分布。 A．n很大且π接近0 B．n→∞ C．nπ或n（1－π）大于等于5 D．n很大且π接近0.5 E．π接近0.5 10．关于泊松分布，错误的是。 A．当二项分布的n很大而π很小时，可用泊松分布近似二项分布 B．泊松分布均数λ唯一确定 C．泊松分布的均数越大，越接近正态分布 D．泊松分布的均数与标准差相等 E．如果X1和X2分别服从均数为λ1和λ2的泊松分布，且相互独立。则 X1+X2服从均数为λ1+λ2的泊松分布。 11．以下分布中，均数等于方差的分布是。 A．正态分布 B．标准正态分布 C．二项分布 D．Poisson分布 E．t 分布 12．随机变量X服从正态分布N（μ1，σ12），Y服从正态分布N（μ2，σ 2），X与Y独立，则X－Y服从。 2 A．N（μ1+μ2，σ12－σ22） B．N（μ1－μ2，σ12－σ22） C．N（μ1－μ2，σ12+σ22） D．N（0，σ12+σ22） E．以上均不对 13．下列叙述中，错误的是。 A．二项分布中两个可能结果出现的概率之和为1 B．泊松分布只有1个参数λ C．正态曲线下的面积之和为1 第一章随机事件和概率 （1）排列组合公式 )! ( ! n m m P n m- =从m个人中挑出n个人进行排列的可能数。 )! (! ! n m n m C n m- =从m个人中挑出n个人进行组合的可能数。 （2）加法和乘法原理加法原理（两种方法均能完成此事）：m+n 某件事由两种方法来完成，第一种方法可由m种方法完成，第二种方法可由n种方法来完成，则这件事可由m+n 种方法来完成。 乘法原理（两个步骤分别不能完成这件事）：m×n 某件事由两个步骤来完成，第一个步骤可由m种方法完成，第二个步骤可由n 种方法来完成，则这件事可由m×n 种方法来完成。 （3）一些常见排列重复排列和非重复排列（有序）对立事件（至少有一个） 顺序问题 （4）随机试验和随机事件如果一个试验在相同条件下可以重复进行，而每次试验的可能结果不止一个，但在进行一次试验之前却不能断言它出现哪个结果，则称这种试验为随机试验。试验的可能结果称为随机事件。 （5）基本事件、样本空间和事件在一个试验下，不管事件有多少个，总可以从其中找出这样一组事件，它具有如下性质： ①每进行一次试验，必须发生且只能发生这一组中的一个事件； ②任何事件，都是由这一组中的部分事件组成的。 这样一组事件中的每一个事件称为基本事件，用ω来表示。 基本事件的全体，称为试验的样本空间，用Ω表示。 一个事件就是由Ω中的部分点（基本事件ω）组成的集合。通常用大写字母A，B，C，…表示事件，它们是Ω的子集。 Ω为必然事件，?为不可能事件。 不可能事件（?）的概率为零，而概率为零的事件不一定是不可能事件；同理，必然事件（Ω）的概率为1，而概率为1的事件也不一定是必然事件。 （6）事件的关系与运算①关系： 如果事件A的组成部分也是事件B的组成部分，（A发生必有事件B发生）：B A? 如果同时有B A?，A B?，则称事件A与事件B等价，或称A等于B：A=B。 A、B中至少有一个发生的事件：A B，或者A+B。 属于A而不属于B的部分所构成的事件，称为A与B的差，记为A-B，也可表示为A-AB或者B A，它表示A发生而B不发生的事件。 A、B同时发生：A B，或者AB。A B=?，则表示A与B不可能同时发生，称 事件A与事件B互不相容或者互斥。基本事件是互不相容的。 Ω-A称为事件A的逆事件，或称A的对立事件，记为A。它表示A不发生的 目录 1.均匀分布 (1) 2.正态分布（高斯分布） (2) 3.指数分布 (2) 4.Beta分布（β分布） (2) 5.Gamma分布 (3) 6.倒Gamma分布 (4) 7.威布尔分布(Weibull分布、韦伯分布、韦布尔分布) (5) 8.Pareto分布 (6) 9.Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) χ分布（卡方分布） (7) 10.2 11.t分布 (8) 12.F分布 (9) 13.二项分布 (10) 14.泊松分布（Poisson分布） (10) 15.对数正态分布 (11) 1.均匀分布 均匀分布~(,) X U a b是无信息的，可作为无信息变量的先验分布。 1()f x b a = - ()2 a b E X += 2 ()()12 b a Var X -= 2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量很可能服从正态分布，记作2~(,)X N μσ。正态分布为方差已知的正态分布 2(,)N μσ的参数μ的共轭先验分布。 22 ()2()x f x μσ-- = ()E X μ= 2()Var X σ= 3. 指数分布 指数分布~()X Exp λ是指要等到一个随机事件发生，需要经历多久时间。其中0λ>为尺度参数。指数分布的无记忆性：{}|{}P X s t X s P X t >+>=>。 (),0 x f x e x λλ-=> 1 ()E X λ = 2 1 ()Var X λ = 4. Beta 分布（β分布） Beta 分布记为~(,)X Be a b ，其中Beta(1,1)等于均匀分布，其概率密度函数可凸也可凹。如果二项分布(,)B n p 中的参数p 的先验分布取(,)Beta a b ，实验数据（事件A 发生y 次，非事件A 发生n-y 次），则p 的后验分布(,)Beta a y b n y ++-，即Beta 分布为二项分布(,)B n p 的参数p 的共轭先验分布。 10 ()x t x t e dt ∞--Γ=? 1 1()()(1)()() a b a b f x x x a b --Γ+= -ΓΓ ()a E X a b = + 2 ()()(1) ab Var X a b a b = +++ 5. Gamma 分布 Gamma 分布即为多个独立且相同分布的指数分布变量的和的分布，解决的 经典高考概率分布类型 题归纳 -CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN 经典高考概率分布类型题归纳 高考真题 一、超几何分布类型 二、二项分布类型 三、超几何分布与二项分布的对比 四、古典概型算法 五、独立事件概率分布之非二项分布（主要在于如何分类） 六、综合算法 高考真题 2010年 22、（本小题满分10分）（相互独立事件） 某工厂生产甲、乙两种产品，甲产品的一等品率为80%，二等品率为20%；乙产品的一等品率为90%，二等品率为10%。生产1件甲产品，若是一等品则获得利润4万元，若是二等品则亏损1万元；生产1件乙产品，若是一等品则获得利润6万元，若是二等品则亏损2万元。设生产各种产品相互独立。 （1）记X （单位：万元）为生产1件甲产品和1件乙产品可获得的总利润，求X 的分布 列； （2）求生产4件甲产品所获得的利润不少于10万元的概率。 【解析】本题主要考查概率的有关知识，考查运算求解能力。满分10分。 （1）由题设知，X 的可能取值为10，5，2，-3，且 P （X=10）=0.8×0.9=0.72， P （X=5）=0.2×0.9=0.18， P （X=2）=0.8×0.1=0.08， P （X=-3）=0.2×0.1=0.02。 由此得X 的分布列为： （2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。 由题设知4(4)10n n --≥，解得14 5 n ≥， 又n N ∈，得3n =，或4n =。 所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为0.8192。 第二章 随机变量及其分布 复习 一、随机变量. 1. 随机试验的结构应该是不确定的.试验如果满足下述条件： ①试验可以在相同的情形下重复进行；②试验的所有可能结果是明确可知的，并且不止一个；③每次试验总是恰好出现这些结果中的一个，但在一次试验之前却不能肯定这次试验会出现哪一个结果. 它就被称为一个随机试验. 2. 离散型随机变量：如果对于随机变量可能取的值，可以按一定次序一一列出，这样的随机变量叫做离散型随机变量.若ξ是一个随机变量，a ，b 是常数.则b a +=ξη也是一个随机变量.一般地，若ξ是随机变量，)(x f 是连续函数或单调函数，则)(ξf 也是随机变量.也就是说，随机变量的某些函数也是随机变量. 3、分布列：设离散型随机变量ξ可能取的值为： ,,,,21i x x x ξ取每一个值),2,1( =i x 的概率p x P ==)(ξ，则表称为随机变量ξ的概率分布，简称ξ的分布列. 121i 注意：若随机变量可以取某一区间内的一切值，这样的变量叫做连续型随机变量.例如：]5,0[∈ξ即ξ可以取0～5之间的一切数，包括整数、小数、无理数. 典型例题： 1、随机变量ξ的分布列为(),1,2,3(1) c P k k k k ξ== =+……，则P(13)____ξ≤≤= 2、袋中装有黑球和白球共7个，从中任取两个球都是白球的概率为1 7 ，现在甲乙两人从袋中轮流摸去一 球，甲先取，乙后取，然后甲再取……，取后不放回，直到两人中有一人取到白球时终止，用ξ表示取球的次数。（1）求ξ的分布列（2）求甲取到白球的的概率 3、5封不同的信，放入三个不同的信箱，且每封信投入每个信箱的机会均等，X 表示三哥信箱中放有信件树木的最大值，求X 的分布列。 4 已知在全部50人中随机抽取1人抽到喜爱打篮球的学生的概率为5 ． （1）请将上面的列联表补充完整； （2）是否有99.5％的把握认为喜爱打篮球与性别有关？说明你的理由； （3）已知喜爱打篮球的10位女生中，12345,,A A A A A ，，还喜欢打羽毛球，123B B B ，，还喜欢打乒乓球，12C C ，还喜欢踢足球，现再从喜欢打羽毛球、喜欢打乒乓球、喜欢踢足球的女生中各选出1名进行其他方面的调查，求1B 和1C 不全被选中的概率． (参考公式：2 ()()()()() n ad bc K a b c d a c b d -=++++，其中n a b c d =+++) 高考概率分布类型题归 纳 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08] 经典高考概率分布类型题归纳 高考真题 一、超几何分布类型 二、二项分布类型 三、超几何分布与二项分布的对比 四、古典概型算法 五、独立事件概率分布之非二项分布（主要在于如何分类） 六、综合算法 高考真题 2010年 22、（本小题满分10分）（相互独立事件） 某工厂生产甲、乙两种产品，甲产品的一等品率为80%，二等品率为20%；乙产品的一等品率为90%，二等品率为10%。生产1件甲产品，若是一等品则获得利润4万元，若是二等品则亏损1万元；生产1件乙产品，若是一等品则获得利润6万元，若是二等品则亏损2万元。设生产各种产品相互独立。 （1）记X （单位：万元）为生产1件甲产品和1件乙产品可获得的总利润，求X 的分布列； （2）求生产4件甲产品所获得的利润不少于10万元的概率。 【解析】本题主要考查概率的有关知识，考查运算求解能力。满分10分。 （1）由题设知，X 的可能取值为10，5，2，-3，且 P （X=10）=×=， P （X=5）=×=， P （X=2）=×=， P （X=-3）=×=。 由此得X 的分布列为： （2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。 由题设知4(4)10n n --≥，解得14 5 n ≥， 又n N ∈，得3n =，或4n =。 所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为。 （2012年）22．（本小题满分10分）（古典概型） 设ξ为随机变量，从棱长为1的正方体的12条棱中任取两条，当两条棱相交时， 0ξ=；当两条棱平行时，ξ的值为两条棱之间的距离；当两条棱异面时，1ξ=． 各种分布 泊松分布 Poisson分布，是一种统计与概率学里常见到的离散概率分布。 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积、单位体积)内随机事件的平均发生率。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为 特征函数为： 泊松分布与二项分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧10,p≦0.1时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的。 泊松分布可作为二项分布的极限而得到。一般的说，若 ,其中n很大，p很小，因而不太大时，X的分布接近于泊松分布。这个事实有时可将较难计算的二项分布转化为泊松分布去计算。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，某放射性物质发射出的粒子，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 卡方分布 卡方分布( 分布)是概率论与统计学中常用的一种概率分布。n 个独立的标准正态分布变量的平方和服从自由度为n 的卡方分布。卡方分布常用于假设检验和置信区间的计算。 若n个相互独立的随机变量ξ?、ξ?、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution），即分布（chi-square distribution），其中参数n称为自由度。正如正态分布中均值或方差不同就是另一个正态分布一样，自由度不同就是另一个分布。记为或者。 卡方分布与正态分布 卡方分布是由正态分布构造而成的一个新的分布，当自由度n很大时，分布近似为正态分布。对于任意正整数x，自由度为 k的卡方分布是一个随机变量X 的机率分布。 期望和方差 一、引言 Bayes统计起源于英国学者托马斯.贝叶斯（Thomas Bayes,1702～1761）死后发表的一篇论文“论有关机遇问题的求解”。在此论文中他提出了著名的贝叶斯公式和一些归纳推理方法，随后拉普拉斯（Laplace,P.C.1749～1827）不仅重新发现了贝叶斯定理，阐述的远比贝叶斯更为清晰，而且还用它来解决天体力学、医学统计以及法学问题。之后虽有一些研究和应用但由于其理论尚不完整，应用中出现一些问题，致使贝叶斯方法长期未被接受。直到二战后，瓦尔德(Wald,A.1902～1950)提出统计决策函数论后又引起很多人对贝叶斯研究方法的兴趣。因为在这个理论中，贝叶斯解被认为是一种最优决策函数。在Savage,L.J.(1954)、Jeffreys,H.(1961)、Good,I.J(1950)、Lindley,D.V(1961)、Box,G.E.P.&Tiao,G.C.(1973)、Berger,J.O.(1985)等贝叶斯学者的努力下，对贝叶斯方法在观点、方法和理论上不断的完善。另外在这段时期贝叶斯方法在工业、经济、管理等领域内获得一批无可非议的成功应用。贝叶斯统计的研究论文与著作愈来愈多，贝叶斯统计的国际会议经常举行。如今贝叶斯统计已趋成熟，贝叶斯学派已发展成为一个有影响的学派，开始打破了经典统计学一统天下的局面。 贝叶斯统计是在与经典统计的争论中发展起来的,现已成为统计学中不可缺少的一部分.贝叶斯统计与经典统计的主要区别就是是否利用先验信息。贝叶斯统计重视已出现的样本观测值，对尚未发生的样本观测值不予考虑。近几年来对贝叶斯统计的广泛应用，使得贝叶斯统计在可靠性问题中起到越来越重要的作用。尤其是对产品的失效率以及产品寿命的检验中，更是离不开贝叶斯统计。本文主要是探索串联系统和并联系统的可靠性，以及可靠性增长模型的Bayes估计，这些都表现出了Bayes统计在可靠性中的广泛应用。 二、绪论 （一）统计学及其发展历程 人类的统计活动源远流长，自从有了数的概念，有了计数活动，就有了统计。但作为一门学科的统计学，它的出现却晚得多。英国学者配第（W.Petty）《政治算术》一书的问世，标志着统计学的开端。 概率论是统计学的重要起源之一。14世纪时，在工商业比较繁荣的意大利以及地中海岸其他地区，由于赌博游戏盛行和保险活动的萌起。人们 常用的概率分布类型及其特征3. 1二点分布和均匀分布 1、两点分布 许多随机事件只有两个结果。如抽检产品的结果合格或不合格; 可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取服从的分布称两点分布。 其概率分布为： 其中Pk=P(X=Xk,表示X取Xk值的概率: 0< P< 1。 X的期望E (X) =P X 的方差 D (X) =P (1 —P) 2、均匀分布产品或者 0和1。它 如果连续随机变量X的概率密度函数f (x)在有限的区间［a , b］上等于个常数，则X服从的分布为均匀分布。 其概率分布为: X的期望 E (X) = (a+b) 12 X的方差 D (X) = (b-a) 2/12 3.2抽样检验中应用的分布 3. 2. 1超几何分布 假设有一批产品，总数为N,其中不合格数为d,从这批产品中随机地抽出n件作为被检样品，样品中的不合格数X服从的分布称超几何分布。 X的分布概率为： X=0, 1,…… X 的期望 E (X)二nd/N X 的方差 D (X) = ( (nd/N) ( (N-d) /N ) ( (N-n) /N ) ) (1/2 ) 3. 2. 2二项分布 超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算 起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。 假设有一批产品，不合格品率为P,从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。 X的概率分布为： P(X=x) =厂门1川0 随机变量及其分布列.几类典型的随机分布 1． 离散型随机变量及其分布列 ⑴离散型随机变量 如果在试验中，试验可能出现的结果可以用一个变量X 来表示，并且X 是随着试验的结果的不同而变化的，我们把这样的变量X 叫做一个随机变量．随机变量常用大写字母,,X Y 表示． 如果随机变量X 的所有可能的取值都能一一列举出来，则称X 为离散型随机变量． ⑵离散型随机变量的分布列 将离散型随机变量X 所有可能的取值i x 与该取值对应的概率i p (1,2,,)i n =列表表示： X X 的分布列． 2．几类典型的随机分布 ⑴两点分布 如果随机变量X 其中01p <<，1q p =-X 服从参数为p 的二点分布． 二点分布举例：某次抽查活动中，一件产品合格记为1，不合格记为0，已知产品的合格率为80%，随机变量X 为任意抽取一件产品得到的结果，则X 的分布列满足二点分布． 两点分布又称01-以这种分布又称为伯努利分布． ⑵超几何分布 一般地，设有总数为N 件的两类物品，其中一类有M 件，从所有物品中任取n 件 ()n N ≤， 这n 件中所含这类物品件数X 是一个离散型随机变量，它取值为m 时的概率为 C C ()C m n m M N M n N P X m --==(0m l ≤≤，l 为n 和M 中较小的一个)． 我们称离散型随机变量X 的这种形式的概率分布为超几何分布，也称X 服从参 数为N ，M ，n 的超几何分布．在超几何分布中，只要知道N ，M 和n ，就可以根据公式求出X 取不同值时的概率()P X m =，从而列出X 的分布列． ⑶二项分布 1．独立重复试验 如果每次试验，只考虑有两个可能的结果A 及A ，并且事件A 发生的概率相同．在相同的条件下，重复地做n 次试验，各次试验的结果相互独立，那么一般就称它们为n 次独立重复试验．n 次独立重复试验中，事件A 恰好发生k 次的概率为 ()C (1)k k n k n n P k p p -=-(0,1,2,,)k n =． 2．二项分布 若将事件A 发生的次数设为X ，事件A 不发生的概率为1q 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()C k k n k n P X k p q -==，其中0,1,2,,k n =．于是得到X 的分布列 由式 00111 0()C C C C n n n k k n k n n n n n n q p p q p q p q p q --+=++++ 各对应项的值，所以称这样的散型随机变量X 服从参数为n ，p 的二项分布， 记作~(,)X B n p ． 二项分布的均值与方差： 若离散型随机变量X 服从参数为n 和p 的二项分布，则 ()E X np =，()D x npq =(1)q p =-． ⑷正态分布 1．概率密度曲线：样本数据的频率分布直方图，在样本容量越来越大时， 直方图上面的折线所接近的曲线．在随机变量中，如果把样本中的任一数据看作随机变量X ，则这条曲线称为 X 的概率密度曲线． 曲线位于横轴的上方，它与横轴一起所围成的面积是1，而随机变量X 落在指定的两个数a b ，之间的概率就是对应的曲边梯形的面积． 2．正态分布 ⑴定义：如果随机现象是由一些互相独立的偶然因素所引起的，而且每一个偶然因素在总体的变化中都只是起着均匀、微小的作用，则表示这样的随机现象的随机变量的概率分布近似服从 正态分布． 服从正态分布的随机变量叫做正态随机变量，简称正态变量． 正态变量概率密度曲线的函数表达式为 22 ()2()x f x μσ--= ，x ∈R ，其中μ，σ是参数，且0σ>， μ-∞<<+∞． 式中的参数μ和σ分别为正态变量的数学期望和标准差．期望为μ、标准差为σ的正态分布通常记作2(,)N μσ． 正态变量的概率密度函数的图象叫做正态曲线． Diagram of distribution relationships Probability distributions have a surprising number inter-connections. A dashed line in the chart below indicates an approximate (limit) relationship between two distribution families. A solid line indicates an exact relationship: special case, sum, or transformation. Click on a distribution for the parameterization of that distribution. Click on an arrow for details on the relationship represented by the arrow. Other diagrams on this site: The chart above is adapted from the chart originally published by Lawrence Leemis in 1986 (Relationships Among Common Univariate Distributions, American Statistician 40:143-146.) Leemis published a larger chart in 2008 which is available online. 经典高考概率类型题总结 一、超几何分布类型 二、二项分布类型 三、超几何分布与二项分布的对比 四、古典概型算法 五、独立事件概率分布之非二项分布（主要在于如何分类） 六、综合算法 一、超几何分布 1.甲、乙两人参加普法知识竞赛，共设有10个不同的题目，其中选择题6个，判断题4个. （1）若甲、乙二人依次各抽一题，计算： ①甲抽到判断题，乙抽到选择题的概率是多少？ ②甲、乙二人中至少有一人抽到选择题的概率是多少？ （2）若甲从中随机抽取5个题目，其中判断题的个数为X ，求X 的概率分布和数学期望. 二、二项分布 1.某市医疗保险实行定点医疗制度，按照“就近就医、方便管理”的原则，参加保险人员可自主选择四家医疗保险定点医院和一家社区医院作为本人就诊的医疗机构.若甲、乙、丙、丁4名参加保险人员所在的地区附近有A ，B ，C 三家社区医院，并且他们对社区医院的选择是相互独立的. （1）求甲、乙两人都选择A 社区医院的概率； （2）求甲、乙两人不选择同一家社区医院的概率； （3）设4名参加保险人员中选择A 社区医院的人数为X ，求X 的概率分布和数学期望． 2.某广场上有4盏装饰灯，晚上每盏灯都随机地闪烁红灯或绿灯，每盏灯出现红 灯的概率都是23，出现绿灯的概率都是13.记这4盏灯中出现红灯的数量为X ， 当这排装饰灯闪烁一次时： (1)求X ＝2时的概率； (2)求X 的数学期望． 解 (1)依题意知：X ＝2表示4盏装饰灯闪烁一次时，恰好有2盏灯出现红 灯，而每盏灯出现红灯的概率都是23， 故X ＝2时的概率P ＝C 24? ????232? ????132＝827 . (2)法一 X 的所有可能取值为0,1,2,3,4，依题意知 P(X ＝k )＝C k 4? ????23k ? ?? ??134－k (k ＝0,1,2,3,4)． ∴X 的概率分布列为 ∴数学期望E(X)＝0×18＋1×881＋2×881＋3×3281＋4×1681＝83. 三、超几何分布与二项分布的对比 有一批产品，其中有12件正品和4件次品，从中有放回地依 次任取3件，若X 表示取到次品的次数，则P （X ）＝ . 辨析： 1.有一批产品，其中有12件正品和4件次品，从中不放回地依 次任取3件，若X 表示取到次品的件数，则P （X ）＝ 2. 有一批产品，其中有12件正品和4件次品，从中有放回地依 次任取件，第k 次取到次品的概率，则P （X ）＝ 3.有一批产品，其中有12件正品和4件次品，从中不放回地依 次任取件，第k 次取到次品的概率，则P （X ）＝ 四、古典概型算法常用的概率分布类型其特征
概率论中几种具有可加性的分布及其关系
几种常见的概率分布复习过程
16种常见概率分布概率密度函数、意义及其应用
概率论中几种常用重要分布
常用分布概率计算的Excel应用
考试练习题常用概率分布教学提纲
概率统计公式大全(复习重点)汇总
16种常见概率分布概率密度函数、意义及其应用
经典高考概率分布类型题归纳
随机变量及其分布考点总结
高考概率分布类型题归纳
数据分析-分布类别
各种概率分布介绍
常用的概率分布类型及其特征
随机变量及其分布列.几类典型的随机分布
概率分布函数各种类型
经典高考概率分布类型题归纳(供参考)