概率论中三个重要分布
t分布的α分为点
对于给定的α(0<α<1)，称满足条件
P{t t (n)}
的点tα(n)为t分布上的α分为点 由t分布概率密度函数的对称性有
t1 (n) t (n)
t分布α分为点的求法
t分布α分为点的求法：
对于n≤45的α分为点可查表求得； 当n充分大（n>45）时，近似地有
F分布
χ2分布的α分为点
对于给定的α(0<α<1) ，称满足条件
P( (n) (n))
2 2
的点 (n) 为χ2(n)分布的α分为点
2
χ2分布α分为点的求法
χ2分布α分为点的求法：
对于n≤45的α分为点可查表求得； 当n充分大（n>45）时，近似地有
1 (n) (u 2n 1) 2 2
三个重要分布
χ2分布 t分布 F分布
2分布 χ
χ2分布的定义
设X为正态分布总体的随机变量，其平均数及 X 方差分别为μ和σ2，即X~N(μ,σ2)， 为来自该 总体的n个样本值x1, x2, …, xn的样本平均数，则 样本统计量
( xi X ) 2
i 1 n
2
2 ~ 2 (n 1)
2
其中uα为标准正态分布上的α分为点
例题分析
1. 2. 3.
2 0.05 (12) n=12, α=0.05, 求 2 0.95 (12) n=12, α=0.95, 求 2 2 ) n=18, α=0.95, 求 0.95 (18和 0.05 (18) 使得 2 2 2 P( 0.95 (18) 0.05 (18)) 0.9 2 n=50, α=0.05, 求 0.05 (50)
其中Γ( · )为伽玛函数
t分布的统计特性
t(n-1)分布具有对称性，且以t=0为对称 轴，其随机变量取值范围为(-∞,∞) t(n-1)分布期望值为0，方差为(n-1)/(n-3)， 即 E (t (n 1)) 0 n 1 D (t (n 1)) , 当n 3 n3
t分布的统计特性（续）
t (n) u
其中uα为标准正态分布上的α分为点
例题分析
1. 2. 3.
4.
n=9, α=0.05, 求t0.05(9) n=9, α=0.95, 求t0.95(9) n=18, 求t0.025(18)及t0.975(18)，使得 P(t0.975(18)≤t≤ t0.025(18))=0.95 n=50, α=0.05，求t0.05(50)
是自由度为n-1的卡方分布，记作χ2(n-1)。 注意： 整个χ2是一个符号，并不是χ的平方
χ2统计量
χ2统计量也可表示成
2
( xi X ) 2
i 1 n
2
(n 1) s 2
2
χ2分布的概率密度函数
χ2(n)分布的概率密度为
n y 1 1 n2 y2 e 2 , y 0 f ( y) 2 Γ (n 2) 0, 其他 其中Γ x dx
0
χ2分布的统计特性
χ2分布的变量值始终为正 χ2(n)分布的形状取决于其自由度n的大 小，通常为不对称的右偏分布，但随着 自由度的增大逐渐趋于对称 χ2分布的期望为：E(χ2(n))=n，方差为： D(χ2(n))=2n χ2分布具有可加性。若U~χ2(n1)， V~χ2(n2)，则U+V～χ2(n1+n2)
4.
t分布
t分布的定义
设总体随机变量X~N(μ,σ2)，x1, x2, …, xn 为取自该总体的n个随机样本，当σ2未 知时，以样本方差s2替代，则 X t ~ t (n 1) s n
是自由度为n-1的t分配，记为t(n-1)
t分布的概率密度
t(n-1)的概率密度函数为
t 2 n f (t ) (1 ) 2, t n 1 n 1 (n 1) Γ ( ) 2 n Γ( ) 2
t(n-1)分布的形状类似标准正态分布，但 由于t(n-1)的方差大于1（当n>3时，(n1)/(n-3)>1），所以t(n-1)分布比标准正态 分布更分散。即t(n-1)的概率密度函数是 中央部分较标准正态分布低，而两尾部 分则较标准正态分布高
t分布的统计特性（续）
当抽样数目n增大时，t(n-1) 的方差越来 越接近1，同时t(n-1)分布的形状也越来越 接近标准正态分布。理论上，当n→∞时 t(n-1)与标准正态分布完全一致。一般认 为n≥30就说t(n-1)与标准正态分布非常接 近
概率论第二章知识点
第二章知识点：1.离散型随机变量：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 为一个离散随机变量。
2.常用离散型分布：（1）两点分布（0-1分布）：若一个随机变量X 只有两个可能取值，且其分布为12{},{}1(01)P X x p P X x pp ====-<<则称X 服从12,x x 处参数为p 的两点分布。
两点分布的概率分布：12{},{}1(01)P X x p P X x pp ====-<<两点分布的期望：()E X p =两点分布的方差：()(1)D X p p =-（2）二项分布： 若一个随机变量X 的概率分布由式{}(1),0,1,...,.k k n k n P x k C p p k n -==-=给出，则称X 服从参数为n,p 的二项分布。
记为X~b(n,p)(或B(n,p)). 两点分布的概率分布：{}(1),0,1,...,.k kn k n P x k C p p k n -==-=二项分布的期望：()E X np =二项分布的方差：()(1)D X np p =-（3）泊松分布：若一个随机变量X 的概率分布为{},0,0,1,2,...!kP X k e k k λλλ-==>=则称X 服从参数为λ的泊松分布，记为X~P (λ)泊松分布的概率分布：{},0,0,1,2,...!kP X k e k k λλλ-==>=泊松分布的期望：()E X λ=泊松分布的方差：()D X λ=4.连续型随机变量：如果对随机变量X 的分布函数F(x)，存在非负可积函数()f x ，使得对于任意实数x ，有(){}()xF x P X x f t dt -∞=≤=⎰，则称X 为连续型随机变量，称()f x 为X 的概率密度函数，简称为概率密度函数。
5.常用的连续型分布： （1）均匀分布：若连续型随机变量X 的概率密度为则称X 在区间（a,b ）上服从均匀分布，记为X~U(a,b)均匀分布的概率密度： 均匀分布的期望：()2a bE X +=均匀分布的方差：2()()12b a D X -=（2）指数分布：若连续型随机变量X 的概率密度为00()0xe xf x λλλ-⎧>>=⎨⎩则称X 服从参数为λ的指数分布，记为 X~e (λ)指数分布的概率密度：00()0xe xf x λλλ-⎧>>=⎨⎩⎪⎩⎪⎨⎧<<-=其它,0,1)(b x a ab x f ⎪⎩⎪⎨⎧<<-=其它,0,1)(bx a ab x f指数分布的期望：1()E X λ=指数分布的方差：21()D X λ=（3）正态分布：若连续型随机变量X 的概率密度为22()21()x f x ex μσ--=-∞<<+∞则称X 服从参数为μ和2σ的正态分布，记为X~N(μ,2σ)正态分布的概率密度：22()21()x f x ex μσ--=-∞<<+∞正态分布的期望：()E X μ=正态分布的方差：2()D X σ=（4）标准正态分布：20,1μσ==2222()()x t xx ex e dt ϕφ---∞=⎰标准正态分布表的使用： （1）0()1()x x x φφ<=--（2）~(0,1){}{}{}{}()()X N P a x b P a x b P a x b P a x b b a φφ<≤=≤≤=≤<=<<=-（3）2~(,),~(0,1),X X N Y N μμσσ-=故(){}{}()X x x F x P X x P μμμφσσσ---=≤=≤={}{}()()a b b a P a X b P Y μμμμφφσσσσ----<≤=≤≤=-定理1： 设X~N(μ,2σ),则~(0,1)X Y N μσ-=6.随机变量的分布函数：设X 是一个随机变量，称(){}F x P X x =≤为X 的分布函数。
概率论的知识点总结
概率论的知识点总结1.概率的基本概念概率是描述随机事件发生可能性的数学工具，其基本概念包括样本空间、事件和概率空间。
样本空间是随机试验的所有可能结果的集合，事件是样本空间的子集，概率空间包括样本空间和定义在样本空间上的概率测度。
2.概率分布概率分布描述了随机变量可能取值的概率情况。
概率分布分为离散分布和连续分布两种。
常见的离散分布包括伯努利分布、二项分布、泊松分布等；常见的连续分布包括均匀分布、正态分布、指数分布等。
概率密度函数和累积分布函数是描述连续分布的重要工具。
3.随机变量随机变量是一种具有随机性的变量，它可以取样本空间中的某些值。
随机变量分为离散随机变量和连续随机变量。
离散随机变量的概率分布由概率质量函数描述，连续随机变量的概率分布由概率密度函数描述。
4.数学期望和方差数学期望是随机变量的平均值，描述了随机变量的位置参数；方差是随机变量与其数学期望之间的离散程度，描述了随机变量的分散程度。
数学期望和方差是描述随机变量性质的重要指标，它们具有许多重要的性质，如线性性质、切比雪夫不等式等。
5.大数定律大数定律是描述随机变量序列平均值的收敛性质的定理。
大数定律包括弱大数定律和强大数定律两种。
弱大数定律描述了随机变量序列平均值收敛于数学期望的概率性质，强大数定律描述了随机变量序列平均值几乎必然收敛于数学期望的性质。
6.中心极限定理中心极限定理是概率论中一个重要的定理，描述了大量独立随机变量的和呈现出正态分布的性质。
中心极限定理包括林德伯格-莱维中心极限定理、李亥莱中心极限定理等。
中心极限定理在统计学和金融学中具有重要的应用价值，它解释了正态分布在自然界和人类活动中的普遍性。
以上是概率论的一些重要知识点，概率论作为一门基础数学学科，不仅具有重要的理论意义，而且在实际应用中有着广泛的应用价值。
随着数据科学和人工智能的快速发展，概率论的应用前景将更加广阔。
概率论-随机变量的几种重要分布及数字特征
2. 若X 是随机变量，若C是常数，则 E(CX ) CE( X );
3. 若 ( X ,Y )是二维随机向量，则
E( X Y ) E( X ) E(Y );
注： 推广到 n 维随机向量，有
n
n
E( Xi ) E(Xi )
i 1
ห้องสมุดไป่ตู้
i 1
数学期望的性质
4. 若 ( X ,Y ) 是二维随机向量，且 X ,Y相互独立,
E( X )E(Y ) E( XY ) E( X )E(Y ).
特别地，当X与Y 独立时，有 cov( X ,Y ) 0.
协方差的性质 1. 协方差的基本性质
(1) cov( X , X ) D( X ); (2) cov( X ,Y ) cov(Y , X ); (3) cov(aX ,bY ) abcov( X ,Y ), 其中 a,b 是
定理1 设 X 是一个随机变量，Y g( X ), 且E(X ) 存
在, 于是
(1) 若X 为离散型随机变量，其概率分布为
P{ X xi } pi , i 1,2,
若 g(xi ) pi 绝对收敛，则Y的数学期望为
i 1
E(Y ) E[g( X )] g(xi ) pi;
cov( X ,Y )
[x E( X )][ y E(Y )] f ( x, y)dxdy.
协方差的定义
利用数学期望的性质，易将协方差的计算化简.
cov( X ,Y ) E{[ X E( X )][Y E(Y )]} E( XY ) E( X )E(Y ) E(Y )E( X )
x0
三大抽样分布
三大抽样分布众所周知，在概率论中有二项分布、正态分布、泊松分布着三大分布，而统计学中也有三大抽样分布，分别是x2分布、t布和F分布。
这三大抽样分布的发现正好是现代统计学的形成时期，对于以参数统计推断为主要内容的现代统计学理论的形成有着重要意义。
X2分布的发现来源于Kad Pears0n创立X2拟合优度理论的过程，而t分布的发现来源于Gosset小样本理论的创立过程，F分布则是来源于Fisher创立方差分析理论的过程。
三大抽样分布的研究意义c．R．Rao曾经说过“在终极的分析中，一切知识都是历史，在抽象的意义下，一切科学都是数学，在理性的基础上，所有的判断都是统计学。
”这句话一语道破统计学的重要性。
三大抽样分布在统计学理论中占据着重要地位，由此可见，研究三大抽样分布对于科学研究有着重要意义。
在实际工作中，统计工作者对于三大抽样分布的研究必不可少，通过研究三大抽样分布的产生、发展和完善，能够充分了解三大抽样分布理论的重要性。
具体到统计学三大分布，对于三大分布理论的研究，能够在充分吸收前人研究成果的基础上不断进行理论创新，从而推动科学技术的进步。
纵观所有的科技进步，无一不是在充分研究前人成果的基础上发展而来的研究统计学三大抽样分布，对于我国社会经济发展有着重要的推动作用。
三大抽样分布产生于19世纪末20世纪初，在统计学的发展过程中，每一次新的分析统计数据概率模型的发现，统计学理论都会发生一次重大飞跃。
为此，要想研究三大抽样分布，就应该对其发展过程进行研究。
统计量是样本的函数，是随机变量，有其概率分布，统计量的分布称为抽样分布。
X2分布x2的早期发展由于受到中心极限定理和正态误差理论的影响，正态分布一直在统计学中占据重要地位。
在很多数学家和哲学家心目中，正态分布是唯一可用的分析和解释统计数据的方法。
但是随着时代的发展，一些学者开始对正态性提出了质疑，随后，在多位科学家的试验验证下，正态分布与实际数据拟合不好的情况日渐凸显出来，科学家纷纷开始研究比正态分布范围更广的分布类型，波那个人产生了偏态分布，其中，x2就是最早的偏态分布最早引入偏态分布的是JamesClerk Maxwel，他在研究气体分子运动的过程中引入了X2分布。
概率论三大分布四大定理
概率论三大分布四大定理概率论是统计学的一个分支，它讨论和研究一些随机事件发生的概率。
它的研究对于进行统计分析和做出经验推断都非常重要。
概率论主要分为三大分布及四大定理。
首先来谈谈三大分布：正态分布、泊松分布和二项式分布。
正态分布又称高斯分布，是一种表征连续随机变量的概率分布，由其特殊的曲线形式，常可以清楚直观地反映出总体中随机变量分布的特点。
它具有平均值、标准差和期望值等参数，常用于描述一般性普适性状。
泊松分布也称为指数分布，这种分布可以用来描述一定时间内发生某类事件的次数。
它具有概率分布函数及期望值、方差等参数，主要应用于线性回归模型中，广泛应用于抽样检验、可靠性分析。
二项式分布是离散随机变量的概率分布，它可以描述试验重复完成某类事情的次数。
它反映的是一系列重复实验中成功次数的概率，具有概率函数及期望值、方差等参数，主要应用于网络设计中，广泛应用于效率分析及统计检验。
接下来让我们来谈谈四大定理：大数定律、中心极限定理、方差定理和期望定理。
大数定律规定，一系列的实验结果的均值越多越接近期望值，它解释了总体均值和样本均值的关系，是概率论中最重要的定理。
中心极限定理指出，在进行大量独立重复实验时，总体随机变量的分布接近正态分布，即随着实验次数的增加，实验结果越来越接近期望值。
方差定理规定，当做一系列实验时，总体方差应越来越小，而样本方差则越来越接近总体方差，这表明样本变量的方差可以代表总体方差。
期望定理定义了实验的期望值的关系，表明总体期望值可以由样本期望值准确估计。
概率论中的三大分布及四大定理是概率研究的基础知识，也是统计分析的基础。
掌握这些基本概念和定理，可以帮助我们理解和深入探讨更多有关概率和统计的主题，从而更好地应用于各种实际领域。
数理统计主要知识点
数理统计主要知识点数理统计是统计学的重要分支，旨在通过对概率论和数学方法的研究和应用，解决实际问题上的不确定性和随机性。
本文将介绍数理统计中的主要知识点，包括概率分布、参数估计、假设检验和回归分析。
一、概率分布概率分布是数理统计的基础。
它描述了一个随机变量所有可能的取值及其对应的概率。
常见的概率分布包括：1. 均匀分布：假设一个随机变量在某一区间内取值的概率是相等的，则该随机变量服从均匀分布。
2. 正态分布：正态分布是最常见的连续型概率分布，其概率密度函数呈钟形曲线，具有均值和标准差两个参数。
3. 泊松分布：泊松分布描述了在一定时间内发生某个事件的次数的概率分布，例如在一天内发生交通事故的次数。
4. 二项分布：二项分布描述了进行一系列独立实验，每次实验成功的概率为p时，实验成功的次数在n次内取特定值的概率。
二、参数估计参数估计是根据样本数据来推断随机变量的参数值。
常见的参数估计方法包括：1. 最大似然估计：假设数据服从某种分布，最大似然估计方法寻找最能“解释”数据的那个分布，计算出分布的参数值。
2. 矩估计：矩估计方法利用样本矩来估计分布的参数值，例如用样本均值估计正态分布的均值，样本方差估计正态分布的方差。
三、假设检验假设检验是为了判断一个统计假设是否成立而进行的一种统计方法。
它包括假设、检验统计量和显著性水平三个重要概念。
1. 假设：假设指的是要进行验证的观察结果，分为零假设和备择假设两种。
2. 检验统计量：检验统计量是为了检验零假设而构造的统计量，其值代表目标样本符合零假设的程度。
3. 显著性水平：显著性水平是用来决定是否拒绝零假设的标准，通常为0.01或0.05。
四、回归分析回归分析是用来研究和描述两个或多个变量之间关系的统计方法。
它可以帮助人们了解因果关系，做出预测和控制因素的效果。
1. 简单线性回归：简单线性回归是一种简单的回归分析方法，它描述一个因变量和一个自变量之间的线性关系。
2. 多元线性回归：多元线性回归描述多个自变量和一个因变量之间的关系，通过多元回归模型可以找到最佳的回归系数，从而用来预测未来的结果。
概率论与数理统计 7.2 数理统计中的三大分布
7.2 数理统计中的三大抽样分布
在数理统计中，以标准正态变量为基石而构 造的三个著名统计量有着广泛的应用，这是因为 这三个统计量不仅有明确背景，而且其抽样分布 的密度函数有明显的数学表达式，它们被称为统 计中的“ 三大抽样分布 ” 。
1. 2 分布
数理统计
2分布是由正态分布派生出来的一种分布.
t1 (n) t (n)
o t (n)
x
t分布的上分位点t (n)可查表
求得，例t0.025(15) 2.1315.
当n 45时，对于常用的的值，可用正态近似 t (n) z
例3：X ~ t(15)
（1）求 0.01的上侧分位数； （2） P( X ) 0.05，求 ； （3）P( X ) 0.95 ，求 .
记为 t ~ t(n). t分布概率密度函数为：
f (t)
[(n 1)
2]
(1
t
2
)
n1 2
,
t
(n 2) n n
t 分布的图像
y N (0,1) 数理统计
t(n)
t分布的性质： 1. 设t ~ t(n),则E(t) 0, D(t) n (n 2) (n 2)
2. t分布的密度函数关于t 0对称.当n充分大时, 其图形近似于标准正态分布概率密度的图形，
F分布的上分位点的性质：
F1 (n1, n2 )
1 F (n2 , n1 )
F分布的上分位点可查表求得.例,
F0.95 (12,9)
1 F0.05 (9,12)
1 2.80
0.357
例4. F ~ F (24,15)，求 1,2 使 P(F 2 ) 0.025 P(F 1) 0.025
理解概率分布函数常见分布公式详解
理解概率分布函数常见分布公式详解概率分布函数（Probability Distribution Function，简称PDF）是描述随机变量取值概率分布的函数，常用于统计学和概率论中。
在统计学中，常见的概率分布函数有众多的公式。
本文将详细解释几种常见的概率分布函数公式，包括均匀分布、正态分布、指数分布和泊松分布。
一、均匀分布均匀分布是最简单的概率分布函数之一，它在一个有限区间内的取值是均匀分布的。
均匀分布的概率密度函数公式为：f(x) = 1 / (b - a)，a ≤ x ≤ b其中，a和b分别是区间的上下界。
均匀分布的期望值（均值）为（a + b）/ 2，方差为（b - a）^2 / 12。
二、正态分布正态分布是自然界和社会现象中常见的概率分布函数。
它在统计学中有着重要的地位。
正态分布的概率密度函数（Probability Density Function，简称PDF）公式为：f(x) = (1 / (σ * √(2π))) * exp(-((x - μ)^2/(2σ^2)))其中，μ是期望值（均值），σ是标准差。
正态分布的期望值和方差分别为μ和σ^2。
三、指数分布指数分布是描述事件发生的时间间隔的概率分布函数，常用于可靠性工程和排队论中。
指数分布的概率密度函数公式为：f(x) = λ * exp(-λx)，x ≥ 0其中，λ是事件发生率。
指数分布的期望值为1 / λ，方差为1 / λ^2。
四、泊松分布泊松分布是描述单位时间或空间内事件发生次数的概率分布函数，常用于描述稀有事件的发生情况。
泊松分布的概率质量函数（Probability Mass Function，简称PMF）公式为：P(X = k) = (λ^k * exp(-λ)) / k!其中，λ是单位时间或空间内事件的平均发生率。
泊松分布的期望值和方差均为λ。
以上是几种常见的概率分布函数公式的详细解释。
这些概率分布函数在不同领域的应用非常广泛，能够描述和解释各种随机现象的概率分布情况。
概率论中几种常用重要分布
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 Xx 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。
概率论与数理统计中的三种重要分布
概率论与数理统计中的三种重要分布摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。
因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。
关键词：二项分布；Poisson 分布；正态分布；定义；性质一、二项分布二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生这种分布的重要现实源泉是所谓的伯努利试验。
（一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布)1．泊努利试验在许多实际问题中，我们感兴趣的是某事件A 是否发生。
例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。
在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。
为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = ()q p A P =-=1。
2．泊努利分布定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数，则⎪⎪⎭⎫⎝⎛ξp q 10~，称ξ服从参数为)10(<<p p 的Bernoulli 分布或两点分布，记为：),1(~p B ξ。
（二）二项分布[Binomial distribution]把一重Bernoulli 试验E 独立地重复地进行n 次得到n 重Bernoulli 试验。
定义：在n 重Bernoulli 试验中，设(),()1P A p P A q p ===-若以ξ记事件A 发生的次数，则ξ为一随机变量，且其可能取值为n ,,2,1,0 ，其对应的概率由二项分布给出：{}k n kk n p p C k P --==)1(ξ，n k ,,3,2,1,0 =，则称ξ服从参数为)10(,<<p p n 的二项分布，记为),(~p n B ξ。