概率与数理统计-2-离散型随机变量及其分布律.pptxVIP

概率与数理统计-2-离散型随机变量及其分布律汇报人：AA2024-01-19

离散型随机变量基本概念分布律及数学期望方差、标准差和协方差大数定律与中心极限定理离散型随机变量在实际问题中应用案例分析：离散型随机变量在实际问题中建模与求解目录

01离散型随机变量基本概念

定义与性质定义离散型随机变量是指其可能取值的个数是有限的或可列的随机变量。性质离散型随机变量具有可列个可能取值，且每个可能取值对应的概率是非负的，所有可能取值的概率之和等于1。

123随机变量只取0和1两个值，且取1的概率为p，取0的概率为1-p。0-1分布在n次独立重复的伯努利试验中，事件A恰好发生k次的概率分布。二项分布描述单位时间内随机事件发生的次数的概率分布，常用于描述稀有事件的概率分布。泊松分布常见离散型随机变量

03分布函数性质不同离散型随机变量的分布函数是阶梯状的；而连续型随机变量的分布函数是连续的、光滑的。01取值方式不同离散型随机变量的取值是离散的、可列的；而连续型随机变量的取值是连续的、充满一个区间。02概率描述方式不同离散型随机变量的概率用概率函数或分布律描述；而连续型随机变量的概率用概率密度函数描述。离散型随机变量与连续型随机变量区别

02分布律及数学期望

分布律定义离散型随机变量的分布律，即描述随机变量取各个值的概率的规律，通常以概率质量函数（PMF）的形式表示。分布律性质离散型随机变量的分布律必须满足非负性和归一性，即每个取值的概率非负，且所有取值的概率之和为1。分布律定义及性质

数学期望是描述随机变量取值“平均水平”的量，对于离散型随机变量，其数学期望等于各取值与其对应概率的乘积之和。数学期望定义数学期望具有线性性质，即对于任意常数a和b，以及随机变量X和Y，有E(aX+bY)=aE(X)+bE(Y)。此外，数学期望还具有单调性、有界性和可加性等性质。数学期望性质数学期望定义及性质

常见离散型随机变量分布律和数学期望二项分布描述n次独立重复试验中成功次数X的分布律。其数学期望E(X)=np，其中n为试验次数，p为单次试验成功的概率。几何分布描述进行一系列独立重复试验直到首次成功所需次数X的分布律。其数学期望E(X)=1/p，其中p为单次试验成功的概率。泊松分布描述单位时间内随机事件发生的次数X的分布律。其数学期望E(X)=λ，其中λ为单位时间内事件发生的平均次数。超几何分布描述从有限总体中不放回地抽取n个样本时，样本中成功个体数X的分布律。其数学期望E(X)=n(M/N)，其中N为总体容量，M为总体中成功个体的数量，n为样本容量。

03方差、标准差和协方差

方差的定义方差是各数据与其平均值之差的平方的平均数，用字母D(X)表示。非负性方差永远是非负的。确定性常数的方差为零。可加性独立随机变量之和的方差等于各随机变量方差之和。方差定义及性质

标准差的定义非负性标准化可比性标准差定义及性质标准差是方差的算术平方根，用字母σ表示。标准差是数据标准化的依据，标准化后的数据均值为0，标准差为1。标准差永远是非负的。对于不同单位或不同波动范围的数据，标准差提供了一个统一的比较标准。

协方差的定义协方差是衡量两个随机变量联合变化程度的一个量，用字母Cov(X,Y)表示。Cov(X,Y)=Cov(Y,X)。独立随机变量对的协方差之和等于各对随机变量协方差之和。当X=Y时，Cov(X,Y)=D(X)，即方差是协方差的特例。通过标准化处理，可以得到相关系数ρ=Cov(X,Y)/(σXσY)，其中σX和σY分别是X和Y的标准差。相关系数ρ衡量了两个随机变量的线性相关程度。对称性与方差的关系标准化可加性协方差定义及性质

04大数定律与中心极限定理

大数定律含义大数定律是描述随机现象平均结果稳定性的定理，即在大量重复试验中，随机事件的频率近似于它的概率。种类包括弱大数定律和强大数定律，弱大数定律指出随机变量序列的算术平均值依概率收敛于期望值，而强大数定律则指出随机变量序列的算术平均值几乎必然收敛于期望值。应用在保险、金融、医学等领域中，大数定律被广泛应用于评估风险和制定决策。

中心极限定理是概率论中的一组定理，它指出在大量独立随机变量的和的分布近似于正态分布。含义种类应用包括独立同分布的中心极限定理、李雅普诺夫中心极限定理等。在统计学中，中心极限定理为许多统计推断方法提供了理论基础，如假设检验和置信区间等。030201中心极限定理

对于离散型随机变量，大数定律表明当试验次数足够多时，随机事件的频率将接近其概率。因此，在实际应用中，可以通过大量重复试验来估计离散型随机变量的概率分布。大数定律应用对于离散型随机变量的和，中心极限定理指出其分布将近似于正态分布。因此，在处理涉及大量离散型随机变量的和的问题时，可以利用正态分布的性质进行近似计算和分析。中心极限定理