d 第三章 几种常见的概率分布律
10! 1 2 1 8 p(2) ( ) ( ) 45(210 ) 0.0439453 2!(10 2)! 2 2
10! 1 1 9 p(1) ( ) ( ) 10(2 10 ) 0.0097656 1!(10 1)! 2 2
10! 1 0 1 10 p(0) ( ) ( ) 210 0.0009766 0!(10 0)! 2 2
积平分到两侧尾区，则每一尾区的曲线下面积 只有α/ 2，满足P（|U| > uα/ 2）＝α 时的uα/ 2称为 α正态分布双侧临界值。
利用正态分布上侧临界值表(附表3)可以查出某 些α的上、下侧及双侧临界值uα、-uα和uα/2。
第五节 另外几种连续型概率分布
• 指数分布 • Γ 分布
第六节 中心极限定理
三、正态分布表
1、正态分布表（附表2）：是根据标准正态分布累积分布函数 编制的，全称标准正态分布累积分布函数表，表中数值是由 标准正态分布累积分布函数公式计算出来的。
2、正态分布表中数值的含义： 表示随机变量U的取值落在区 间（－∞，u）内的概率。 3、正态分布表的作用：用它可 以查出随机变量落在任一区 间内的概率。 4、正态分布表的查法：
第三章
几种常见的 概率分布律
本章内容
一、离散型概率分布律 二项分布 泊松分布 二、连续型概率分布律 正态分布 三、中心极限定理
第一节 二项分布（binomial distribution）
一、应用二项分布概率函数的条件
随机试验的每次试验有两种不同的结果， 它们互不相容，各自出现的概率恒定； 独立地将此随机试验重复n次，在n次试
1. 正态分布的密度函数
μ：总体平均数 σ：总体标准差
以N(μ, σ2)表示平均数为μ，标 准差为σ的正态分布。
2. 正态分布的累积分布函数
二、标准正态分布
1. 概念
标准正态分布： μ=0，σ=1 时的正态分布 称为标准正态分布，以N(0, 1)表示标准正 态分布(standard normal distribution)。
一、符合泊松分布的条件
在二项分布中，当某事件出现的概率特别 小 （ φ→0 ） ， 而 样 本 含 量 又 很 大 （n→∞ ）且 nφ=μ 时，二项分布就变 成泊松分布。泊松分布实际上是二项分 布的极限分布。
二、泊松分布的概率函数
p y
y
y!
e ,
y 0,1,2
三、服从泊松分布的随机变量的特征数
服从标准正态分布的随机变量U的值落在(0,1.21)间的概率是多少？
解：P(|U|<u)=1-2φ(-u)=1-0.05000=0.95000
6、普通正态分布的标准化
① 普通正态分布标准化的原因
随机变量Y服从N(μ,σ2)，计算Y落在特定区间内的概
率很困难，可以先把N(μ,σ2)转化为标准正态分布，
p y C 1
y n y
n y
1 0 15 n C ( ) ( ) 1 0.99 16 16
0 n
15 ( ) n 0.01 n 71.4 16 结论：最少需要72只F2 代家兔才能以99%的概率至少
得到一只棕色短毛兔。
第二节 泊松分布(Poisson distribution)
3、推论
若已知总体平均数为μ，标准差为σ，那么，
不论该总体是否为正态分布，对于从该总体所
抽取的含量为n的样本，当n充分大时，其平 均数渐近服从正态分布N (μ, σ2/n )。
4、在生物统计学中的地位
中心极限定理在生物统计学中占有极其重要 的地位。有了这个定理，才能从单个样本的n
个数据所得到的统计量对总体进行估计。
利用正态分布表，查u= - 0.82及u=1.15时的Φ(u)的值。
解：查正态分布表知，u=-0.82时，Φ(u)=0.20611。
u=1.15时，Φ(u)=0.87493。
【例3.8】 解：P(0<U<u)=φ(u)-1/2=0.88686-0.5=0.38686 【例3.9】
服从标准正态分布的随机变量U的值落在±1.96间的概率是多少？
验中，一种结果出现y次的概率可以通过
二项分布概率函数计算出来。
二、二项分布概率函数表达式：
p( y) C (1 )
y n y n y
, y 0,1,2,, n
n=试验次数（或样本含量） y=在n次试验中事件A出现的次数 φ=事件A发生的概率（每次试验都是恒定的） 1-φ=事件A的对立事件发生的概率
第三节 另外几种离散型概率分布
• 超几何分布 • 负二项分布
第四节 正态分布
normal distribution
随机变量数据大部分集中在平均数附近， 在平均数两侧呈对称分布，即两头少， 中间多，两侧对称，数据的这种分布规 律称为正态分布。 正态分布密度函数的图
像，称为正态曲线。
一、正态分布的密度函数和分布函数
（5）曲线和X坐标轴所夹的面积等于1。 （6）正态分布表查出的φ(u)的值表示随机变量 U落入区间（-∞, u）的概率。 （7）累积分布函数图形的特点是围绕点 （0, 0.5）对称。 （8）正态分布的偏斜度γ1=0 ，峭度γ2=0。
5. 一些重要值
68.27%
68.27%
95.00% 99.00%
F (3) p(3) p(2) p(1) p(0) 0.1718751
三、服从二项分布的随机变量的特征数
平均数： μ=nφ 方差： σ2=nφ(1-φ)
随着样本含量的增加，偏斜度和峭度趋 向于0，二项分布逐渐接近于正态分布。
四、二项分布应用实例
例：3.2 例：3.3 例：3.4
作业：
习题第3、4、12、13、15题。
【例3.5】
麦田内平均每10m2 有1株杂草，现在要问每100m2麦田中， 有0株杂草，1株杂草，2株杂草，…的概率是多少？ 每100m2麦田中，平均杂草数为： 110 10(株) 解： y 每100m2麦田中，有y株杂草的概率为：
杂草数 （y） 概率 [ p(y) ]
10 p( y ) y!e10
-2.58 -1.96
95.00% 99.00% 1 1.96 2.58 μ-2.58σ
μ-1.96σ μ-σ
μ μ+σ μ+1.96σ μ+2.58σ
-1
0
正态分布概率密度曲线在 标准正态分布 面积或概率 面积或概率 态分布 正态分布 正态分布 -1～+1的区间内占总ห้องสมุดไป่ตู้积 68.27% 68.27% 的 68.27% ， 在 -1.960 ～ -1～1 μ±σ μ±σ +1.960的区间内占总面积 95.00% 95.00% .96 -1.96～1.96 μ±1.96σ μ±1.96σ 的 95% 99.00% 99.00% ； 在 -2.576 ～ .58 -2.58～2.58 μ±2.58σ μ±2.58σ +2.576的区间内占总面积 的99%。
central limit theorem 1、概念 中心极限定理 ：研究随机变量和的极限
分布是正态分布的一类定理。
2、内容
假设被研究的随机变量Y，可以表示为许多 相互独立的随机变量Yi的和，那么，如果Yi
的数量很大，而且每一个别的Yi对于Y所起
的作用又很小，则Y可以被认为服从或近似
地服从正态分布。
平均数： μ=nφ 方差： σ2=μ
四、泊松分布的应用
Poisson分布是描述在一定空间（长度、面积和体 积）或一定时间间隔内点子散布状况的理想化 模型（主要用于描述在单位时间或空间中稀有 事件的发生数）。
例如：
1. 放射性物质在单位时间内的放射次数；
2. 在单位容积充分摇匀的水中的细菌数；
3. 野外单位空间中的某种昆虫数等。
解：
四、正态分布的临界值
1、正态分布的上侧临界值：正态曲线右侧尾区α面
积下所对应的u值uα满足 P（U > uα）＝α
uα称为α的正态分布
上侧临界值。
2、正态分布的下侧临界值：正态曲线左侧尾区α面
积下所对应的u值-uα满足 P（U < -uα）＝α -uα称为α的正态分布 下侧临界值。
3、正态分布的双侧临界值：将正态曲线下α面
【例3.4】
用 棕 色 正 常 毛 (bbRR) 的 家 兔 和 黑 色 短 毛 (BBrr)兔杂交，杂种F1 为黑色正常毛长的 家兔，F1 雌、雄兔近亲交配，问最少需要 多少只F2 代的家兔，才能以99%的概率至 少得到一只棕色短毛兔？
由题目知，在F2代家兔中棕色短毛兔出现的概率为1/16， 解： 非棕色短毛兔出现的概率为15/16。 假设最少需要n只F2代家兔，才能以99%的概率至少得到 一个棕色短毛兔。 则在n只F2 代家兔中至少出现一只棕色短毛兔的概率为 0.99，那么在n只F2代家兔中出现0只棕色短毛兔的概率 为0.01。 n y=0 φ=1/16
再从正态分布表中查出相应的概率，从而简化计算。
② 标准化公式
u=(y -μ) /σ
（此标准化实质上是作了一个坐标轴的平移和尺度变换）
【例3.10】
已知高粱品种“三尺三”的株高Y服从正态分布N(156.2, 4.822)，求：⑴Y<161cm的概率；⑵X>164cm的概率；⑶Y 在152~162cm间的概率。
p(y)=Y的概率函数=P(Y=y)
例：3.1
从雌雄各半的100只动物中做一抽样试验。第一次从这100只动 物中随机抽取一只，记下性别后放回，再做第二次抽取。共 做了10次抽样，计算抽中3只和3只以下雄性动物的概率。
解：
n=10
p( y) Cny y (1 )n y y=3，2，1，0 φ=1/2 10! 1 3 1 7 p(3) ( ) ( ) 120(2 10 ) 0.1171876 3!(10 3)! 2 2
生物统计复习资料(精品)
第一章 统计数据的搜集与整理1.1.3 抽样从总体获得样本的过程称抽样，抽样的目的是希望通过对样本的研究推断其总体。
抽样方法有随机抽样、分类抽样等。
1.1.4 随机抽样要求总体中的任何个体都有同等的机会被抽到；要求抽样时不受任何主观因素的影响。
1.1.5 放回式抽样和非放回式抽样放回式抽样:从总体中抽出一个个体,记下它的特征后,放回总体中,再做第二次抽样。
非放回式抽样:从总体中抽出个体后,不再放回。
1.2.1 连续型数据和离散型数据连续型数据（度量数据）：与某种标准做比较所得到的数据.例如:长度，时间，重量。
对连续型数据进行分析的方法，通常称为变量的方法。
离散型数据（记数数据）：由记录不同类别个体的数目所得到的数据.例如:尾数，成活或死亡个数对离散型数据进行分析的方法，通常称为属性的方法。
1.3 样本的几个特征数1.3.1 平均数：数据集中点的度量 1.3.2 标准差：数据的变异程度平均离差 样本方差 标准差1.3.3 偏斜度和峭度偏斜度：度量数据围绕众数呈不对称的程度。
用三阶中心矩m3 ：nx x MD ∑-=||1)(22--=∑n x x s 1)(2--=∑n x x s nx x m ∑-=33)(m 3 =0 ，说明曲线对称于平均数，此时平均数等于中位数也等于众数。
m 3 >0，说明曲线向左偏斜，称左偏或正偏，此时众数小于中位数，而中位数小于平均数。
m 3<0，说明曲线向右偏斜面，称右编或负偏，此时平均数小于中位数，而中位数小于众数。
偏斜度 判断方法同m 3 峭度1.3.4 变异系数CV:用来表明样本标准差对平均数的变异幅度。
可以用来判断数据整齐程度，变异系数比较小的数据组比较整齐。
第二章 概率和概率分布2.1 概率的基本概念自然现象：确定性现象和非确定性现象（随机现象）,统计学所研究的是非确定性现象. 2.1.1 概率的统计定义设k 次随机试验，成功事件A 出现l 次，则称l /k 是K 次随机试验中成功的频率。
概率论与数理统计课件第三章
f
(x,
y)
1
21 2
1
2
exp
1
2(1 2 )
(x
1)2
2 1
2
(x
1)( y 1 2
2 )
(y
2)2
2 2
其中1、2、1、 2、都是常数，且1 0， 2 0，1 1.
则称（X,Y）服从参数为1、2、1、的二2、维 正态分布，
记为
(X
,Y)
~
N (1,
2
,
2 1
,
2 2
2F(x, y) f (x, y) xy
(5)若(X,Y)为二维连续型随机向量,联合概率密度为f(x,y),则
F(x,y) P{X x,Y y}
返回
X
18
第
页
例5 设二维随机变量（X,Y）的概率密度为
Ae2(x y) , x 0, y 0
f (x, y)
0, 其他
（1）确定常数A；
分别为(X,Y)关于X和Y的边缘分布函数.
返回
X
25
第
页
例1 设二维随机向量（X,Y）的联合分布函数为
(1 e2x )(1 e3y ), x 0, y 0,
F(x, y)
0, 其他.
求边缘分布 FX (x), FY ( y)
当x
0时，FX
(x)
lim (1
y
e2 x
)(1
e3 y
)
1
e2 x
返回
X
14
第
例3 设随机变量Y~N(0，1),令
0, X 1 1,
| Y | 1
0,
|Y
|
概率统计中几种重要分布及关系
附件6编号（注：此处编号作者不填，由论文收藏单位填写.正式论文此行提示信息删除并保留2空行.）学士学位论文概率统计中几种重要分布及关系学院名称：专业班级：学生姓名：学号：指导教师：完成日期：年月日摘要概率统计作为数学知识理论中的重要内容，对于数学学习有重要的作用.随机变量的分布是概率统计中的重要内容，对随机变量分布的学习，有利于全面掌握概率统计的相关内容.本文主要是对概率统计中几种重要分布及关系的研究，采用文献总结法和分析归纳法，通过对概率统计中二项分布、泊松分布、正态分布的概念进行阐述，对三种分布之间的联系进行分析研究，对三种分布在实际中的具体应用进行系统的表述，最终得出二项分布与泊松分布之间之间，当n的数值越大时，二者的相似度越高；二项分布与正态分布之间存在二项分布收敛于正态分布的关系；泊松分布与正态分布存在某种固定的内在联系。
通过对概率统计中几种重要分布及关系的研究，有利于旨在建立系统全面的概率统计的知识架构，加强学生对概率统计相关知识的掌握和学习.关键词：概率统计；分布；关系；应用Several important distributions and relations in probability andstatisticsAbstractProbability and statistics, as an important part of mathematical knowledge theory, plays an important role in mathematics learning. The distribution of random variables is an important part of probability and statistics. Learning the distribution of random variables is conducive to a comprehensive grasp of the relevant content of probability and statistics. This paper mainly studies several important distributions and relationships in probability and statistics, using the methods of literature summary and analysis induction, This paper expounds the concepts of binomial distribution, Poisson distribution and normal distribution in probability and statistics, analyzes the relationship between the three distributions, and systematically describes the specific application of the three distributions in practice. Finally, it comes to the conclusion that the greater the value of binomial distribution and Poisson distribution, the higher the similarity between them; there is a gap between binomial distribution and normal distribution In the relationship of binomial distribution converging to normal distribution, Poisson distribution and normal distribution have some fixed internal relations. Through the study of several important distributions and relationships in probability and statistics, it is helpful to establish a systematic and comprehensive knowledge framework of probability and statistics, and strengthen students' mastery and learning of probability and statistics related knowledge.Key words: probability and statistics; distribution; relation; application目录摘要 (I)ABSTRACT (II)1绪论 (1)1.1研究背景及意义 (1)1.1.1研究背景 (1)1.1.2研究意义 (1)1.2国内外研究现状 (1)1.2.1国内研究现状 (1)1.2.2国外研究现状 (2)1.3研究主要内容 (2)2相关概念 (4)2.1二项分布 (4)2.2泊松分布 (4)2.3正态分布 (5)3.三种分布间的联系 (7)3.1二项分布与泊松分布之间的联系 (7)3.2二项分布与正态分布之间的联系 (8)3.3泊松分布与正态分布之间的联系 (9)4.三种分布在实际中的应用 (11)4.1二项分布的具体应用 (11)4.2泊松分布的具体应用 (12)4.3正态分布的具体应用 (13)结论 (15)参考文献 (16)致谢 (17)1绪论1.1研究背景及意义1.1.1研究背景概率统计是数学课程中较为重要的数学知识点，二项分布、泊松分布、正态分布、指数分布是数学概率论中最为基础的数学知识点，也是日常练习过程中较为常见的概率分布。
高等数学3.2 分布律
解 由题设已知 X = i , Y = j的取值情况是 :
i = 1, 2, 3, 4, j 取不大于 i 的正整数, 且
P X = xi , Y = y j = P X = xi P Y = y j X = xi
11 = , 4 i i =1, 2 , 3 , 4; j i
j
Y j
同理 P
=P Y =y
j
P =
i
j
ij
,j = 1,2,
Y 通常称 Pi X (i =联合分布
布律 Pi j 的边缘分布 . 在联合分布律表中, Pi X 是联合 分布的行和, PjY 是联合分布的列和 .
例3.1设随机变量X在1,2,3,4 中等可能地取一个值, 另一个随机变量Y在1～X 中等可能地取一整数值. 试求 (X , Y)的联合分布律.
第三章 随机变量的联合概率分布
3. 2 分布律
一、定义3.3: 若二维随机向量(X , Y)只取有限个或可列个数 , 则称(X , Y)为二维离散型随机向量 . 注 (X , Y)为二维离散型随机向量 X , Y 均为离散型随机变量 当且仅当
二、定义3.4: 设随机向量(X , Y)的所有可能取值为 (xi , yj) (i , j =1 , 2, …) , 若已知
(1) pi j 0 ;
(2)
p
i j
i j
=1 .
对于二维离散型随机变量而言, 联合分布律要比
联合分布函数更直观, 更便于确定( X ,Y )在某一
区域D上取值的概率, 事实上, 有
P ( X , Y ) D =
( xi , y j )
pi j ,
同时由联合分布律还可求出联合分布函数:
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。
概率论几种重要的分布
概率论几种重要的分布
概率论中有许多重要的分布，包括以下几种：
1. 正态分布（Normal Distribution）：也称为高斯分布，是最常见的分布之一。
它具有钟形曲线，对称，以及均值和方差完全定义。
在许多实际应用中，自然界中许多现象都遵循正态分布。
2. 二项分布（Binomial Distribution）：描述了在固定次数的独立重复试验中成功次数的概率分布。
每个试验有两个可能的结果，成功和失败，并且每次试验的成功概率保持不变。
3. 泊松分布（Poisson Distribution）：用于描述稀有事件在固定时间或空间上的发生次数的概率分布。
它假设事件发生的概率相等，且事件之间是相互独立的。
4. 均匀分布（Uniform Distribution）：也称为矩形分布，是一种概率分布，其中所有可能的结果的概率是相等的。
在定义了一个范围之后，均匀分布将这个范围内的概率均匀地分布。
5. 指数分布（Exponential Distribution）：用于描述独立事件发生间隔的概率分布。
它假设事件是以恒定速率独立地发生的，即它具有无记忆性。
6. t分布（Student t-Distribution）：用于小样本情况下的统计推断，当样本量较小时，t分布的尾部更加重，与正态分布相比，更容易出现极端值。
以上只是一些重要的分布，概率论还有很多其他的分布，根据实际应用的不同，可以选择合适的分布模型。
【学习课件】第三章概率论与数理统计
解 确定随机变量的取值：
及F(2,2).
p i j P Xi,Yj
F ( x , y) = P { X x , Y y}
{ P X { X i , Y i } j } { Y { X j } i } { Y j } pij
P Y j|X iP X i
xi x yjy
为 X, Y的 分 布 函 数 ， 或 X与 Y的 联 合 分 布 函 数 。
X x ,Y y X x Y y
几 何 意 义 ： 分 布 函 数 Fx0,y0表 示 随 机 点 X,Y落 在 区 域
x,y,xx0,yy0
中 的 概 率 。 如 图 阴 影 部 分 所 示 ：
y
x0, y0
X＝xi ,Y y j
P X＝xi
pij , j＝1, 2, pi
为给定条件X xi时，Y的条件概率分布律。
3、条件概率分布律
给定条件Yyj时，X的条件概率分布律记作：
X|Yyj
P X＝xi |Yyj
pij ,i＝ 1, 2, pj
X |Y yj
P X |Y y j
x1
p1 j
X , Y ～P X＝xi, Y＝y j pij , i, j＝1, 2,
则称 P X＝xi | Y y j
P X＝xi ,Y y j P Y＝y j
pij , i＝1, 2, p j
为给定条件Y y j时，X的条件概率分布律；
P Y＝y j | X＝xi
P
= limPX x,Y y lim Fx, y
y
y
0, x 0; =x2, 0 x 1;
1, 1 x.
FYy PY yPX ,Y y
= limPX x,Y y limFx, y
几种常见的分布
服从正态分布 N (, 2 ) 的随机变量
X的概率密度是
f (x)
1
e ,
(
x )2 2 2
x
2
X的分布函数P(X≤x)是怎样的呢？
设X~ N (, 2 ) , X的分布函数是
F(x) 1
x
e
(
t )2 2 2
dt
,
x
2
对于连续型随机变量，一般是给出 它的概率密度函数.
一、正态分布的定义
若r.v X的概率密度为
f (x)
1
e ,
(
x ) 2 2
2
x
2
其中 和 2 都是常数， 任意， >0， 则称X服从参数为 和 2的正态分布.
记作 X ~ N (, 2)
f (x)所确定的曲线叫作正态曲线.
P( X k) e k , k0,1,2, ,
k!
其中λ >0 是常数, 则称 X 服从参数为λ 的 泊松分布, 记作X~P(λ ).
泊松分布的图形特点：X~P(λ )
二、二项分布与泊松分布
历史上，泊松分布是作为二项分布的近 似，于1837年由法国数学家泊松引入的.
近数十年来，泊松分布日益显示 其重要性, 成为概率论中最重要的几 个分布之一.
f (x)
1
e ,
(
x )2 2 2
x
2
用求导的方法可以证明， x=μσ
为f (x)的两个拐点的横坐标.
这是高等数学的内容，如果忘记了，课下 再复习一下.
根据对密度函数的分析，也可初步画出正 态分布的概率密度曲线图.
用上海99年年降雨量的数据画出了 频率直方图.
分布律的名词解释
分布律的名词解释分布律，是指描述和表达随机变量在不同取值下的可能性的规则或规律。
它是概率论中的重要概念，用于描述随机事件发生的概率分布情况。
在不同的领域和学科中，分布律有着不同的表达方式和数学模型，用于研究和分析各种随机事件和现象的发生概率。
一、离散型分布律的名词解释离散型分布律用于描述随机变量只能取有限个或可数个值的情况。
常见的离散型分布律有以下几种：1. 伯努利分布：伯努利分布是最简单的分布律之一。
它描述了一个随机试验只有两个可能结果的情况，例如投硬币的结果可以是正面或反面。
伯努利分布的特点是只有一个参数p，表示事件发生的概率。
2. 二项分布：二项分布是一种多次独立且具有相同概率的伯努利试验的概率分布。
它描述了在多次重复试验中成功次数的概率分布。
二项分布有两个参数n和p，其中n表示试验次数，p表示每次试验成功的概率。
3. 泊松分布：泊松分布用于描述单位时间或单位面积内某事件发生的次数的概率分布情况。
它适用于描述独立事件在固定时间或空间上的随机性分布。
泊松分布只有一个参数λ，表示单位时间或单位面积内事件的平均发生次数。
二、连续型分布律的名词解释连续型分布律用于描述随机变量在一个区间内的值的概率分布情况。
与离散型分布律不同，连续型分布律无法用一个具体的值来表示，而是使用一个概率密度函数来表示。
1. 均匀分布：均匀分布是最简单的连续型分布之一，它描述了在一个区间内各个取值具有相同的概率密度。
均匀分布的概率密度函数为常数，表示取值在该区间内的均匀分布。
2. 正态分布：正态分布，也称为高斯分布或钟形曲线，是自然界中许多现象的分布规律。
它的概率密度函数是一个钟形曲线，对称于均值。
正态分布以其良好的数学性质和广泛适用性而在各个领域得到广泛应用。
3. 指数分布：指数分布是描述一些连续事件之间间隔时间的概率分布。
它常用于描述等待时间、寿命等现象。
指数分布的概率密度函数呈现出递减的指数函数形式。
三、应用与扩展分布律不仅仅用于描述和研究单个随机变量的概率分布，还能够通过随机过程、组合和变换等方式应用于更复杂的随机事件和现象。
概率论第三章课件
f ( x , y ) d x d y , G
例5 设二维随机变量(X，Y )具有概率密度
ke( 2 x y ) , f ( x, y) 0,
x 0, y 0 其它
(1)确定系数k；(2)求分布函数F(x，y)；(3)求概率 P{X≤Y}。 解 (1)由于
反过来还可以证明，任意一个具有上述四个性 质的二元函数，必定可以作为某个二维随机变量的 联合分布函数。 对于n维随机向量(X1，X2，…，Xn )可类似定义 分布函数如下：
对任意n个实数x1 , x2 ,, xn , n元函数 F ( x1 , x2 ,, xn ) P{ X 1 x1 , X 2 x2 ,, X n xn } 称为n维随机向量( X 1 , X 2 ,, X n )的分布函数, 或随机 向量( X 1 , X 2 ,, X n )的联合分布函数 它有类似于二维 , 随机变量的分布函数的 性质.
如果将(X，Y)看作平面上随机点的坐标，则 F(x，y)=P{X≤x，Y≤y} 就表示点(X，Y)落在图（1）中阴影部分的概率。
y
X x ,Y y
( x, y)
o
图（1）
x
y
这时，点 (X，Y)落入任一 y2 矩形区域 y1 {x1＜ X ≤x2，y1＜ Y ≤y2} 的概率，可运用概率的加法 性质求得(借助图(2))： O
G
3、说明
几何上, z f ( x, y ) 表示空间的一个曲面 .
表示介于 f (x, y)和 xoy 平面之间的空间区域的 全部体积等于1.
P {( X ,Y ) G }
P{ ( X ,Y ) G }的值等于以G为底 , 以曲面z f ( x , y ) 为顶面的柱体体积.