随机变量及其概率分布经典例题解析

随机变量及其概率分布经典例题解析在概率论与数理统计的研究中，随机变量及其概率分布是描述随机现象规律性的重要工具。理解随机变量的概念，掌握不同类型概率分布的性质及应用，对于解决实际问题至关重要。本文将通过若干经典例题的解析，帮助读者深化对这一核心内容的理解与运用能力。一、随机变量与概率分布的基本概念回顾在深入例题之前，我们简要回顾几个关键概念：*随机变量：设随机试验的样本空间为Ω，若对每一个样本点ω∈Ω，都有唯一的实数X(ω)与之对应，则称X=X(ω)为样本空间Ω上的随机变量。它本质上是定义在样本空间上的实值函数，用于将随机试验的结果数量化。*离散型随机变量：其可能取值为有限个或可列无限个。描述其概率特性的是概率分布律（或分布列），通常表示为P{X=x_k}=p_k，其中p_k≥0且∑p_k=1。*连续型随机变量：其可能取值充满某个区间。描述其概率特性的是概率密度函数f(x)，满足f(x)≥0且∫f(x)dx=1（积分区间为-∞到+∞）。其分布函数F(x)=P{X≤x}=∫_{-∞}^xf(t)dt。*分布函数F(x)：对任意随机变量都适用，定义为F(x)=P{X≤x}。它具有单调不减、右连续等性质，且lim_{x→-∞}F(x)=0，lim_{x→+∞}F(x)=1。二、离散型随机变量经典例题解析例题1：二项分布的应用问题：某工厂生产的一批产品中，已知次品率为p。现从中有放回地随机抽取n件进行检验，设X表示抽到的次品数。（1）写出X的分布律；（2）若n=5，p=0.1，求恰好抽到1件次品的概率；（3）若n=5，p=0.1，求抽到次品数不超过1件的概率。解析：（1）由于是有放回抽样，每次抽取相互独立，且每次抽到次品的概率均为p，抽到正品的概率为1-p。因此，X服从参数为n和p的二项分布，记为X~B(n,p)。其分布律为：P{X=k}=C(n,k)*p^k*(1-p)^(n-k)，其中k=0,1,2,...,n。这里C(n,k)是组合数，表示从n次试验中选出k次成功（抽到次品）的组合方式数。（2）当n=5，p=0.1，k=1时：P{X=1}=C(5,1)*(0.1)^1*(0.9)^(4)=5*0.1*0.6561=0.____。故恰好抽到1件次品的概率为0.____。（3）“抽到次品数不超过1件”即X=0或X=1，由于X=0与X=1互斥，故：P{X≤1}=P{X=0}+P{X=1}。P{X=0}=C(5,0)*(0.1)^0*(0.9)^5=1*1*0.____=0.____。由（2）知P{X=1}=0.____，因此P{X≤1}=0.____+0.____=0.____。点评：二项分布适用于描述n次独立重复试验（伯努利试验）中成功次数的概率分布。解题时需明确“成功”的定义（本题为抽到次品）、试验次数n及单次成功概率p。例题2：泊松分布的应用问题：某电话交换台每分钟接到的呼唤次数X服从参数λ=3的泊松分布。求：（1）每分钟恰好接到2次呼唤的概率；（2）每分钟接到呼唤次数不超过1次的概率。（泊松分布公式：P{X=k}=(λ^k*e^(-λ))/k!，k=0,1,2,...）解析：已知X~P(λ)，λ=3。（1）P{X=2}=(3^2*e^(-3))/2!=(9*e^(-3))/2≈(9*0.0498)/2≈0.2241。（2）P{X≤1}=P{X=0}+P{X=1}。P{X=0}=(3^0*e^(-3))/0!=e^(-3)≈0.0498。P{X=1}=(3^1*e^(-3))/1!=3e^(-3)≈0.1494。故P{X≤1}≈0.0498+0.1494=0.1992。点评：泊松分布常用于描述单位时间（或空间）内随机事件发生的次数。其特点是参数λ既是数学期望也是方差。当二项分布的n很大，p很小时，可用泊松分布近似（λ=np）。三、连续型随机变量经典例题解析例题3：均匀分布的应用问题：某公共汽车站每隔10分钟有一辆汽车到站，乘客到达车站的时刻是随机的，且在两辆车到达之间的任何时刻到达是等可能的。求乘客候车时间X的概率密度函数，并求候车时间不超过4分钟的概率。解析：乘客候车时间X是一个连续型随机变量。由于乘客在相邻两班车到站之间（10分钟区间）的任何时刻到达是等可能的，因此X服从区间[0,10]上的均匀分布，记为X~U[0,10]。（1）均匀分布U[a,b]的概率密度函数为：f(x)=1/(b-a)，当a≤x≤b时；f(x)=0，其他。故X的概率密度函数为：f(x)=1/10，当0≤x≤10时；f(x)=0，其他。（2）“候车时间不超过4分钟”即X≤4。对于连续型随机变量，P{X≤x}=F(x)=∫_{-∞}^xf(t)dt。因此，P{X≤4}=∫_{0}^4(1/10)dt=(1/10)*x|_{0}^4=4/10=0.4。点评：均匀分布的特点是随机变量在区间内取值具有“等可能性”，即概率只与区间长度有关，与区间位置无关。其密度函数在区间内为常数。例题4：正态分布的应用问题：设随机变量X~N(μ,σ²)，其中μ=10，σ²=4（即σ=2）。求：（1）P{X≤12}；（2）P{8<X<14}；（3）若P{X>c}=0.025，求常数c。（已知标准正态分布函数Φ(1)=0.8413，Φ(2)=0.9772，Φ(1.96)=0.9750）解析：正态分布N(μ,σ²)的概率计算通常需通过标准化变换Z=(X-μ)/σ，将其转化为标准正态分布N(0,1)，再查标准正态分布表（或利用已知的Φ值）。已知X~N(10,2²)，故Z=(X-10)/2~N(0,1)。（1）P{X≤12}=P{(X-10)/2≤(12-10)/2}=P{Z≤1}=Φ(1)=0.8413。（2）P{8<X<14}=P{(8-10)/2<Z<(14-10)/2}=P{-1<Z<2}=Φ(2)-Φ(-1)。由于Φ(-x)=1-Φ(x)，故Φ(-1)=1-Φ(1)=1-0.8413=0.1587。因此，P{8<X<14}=0.9772-0.1587=0.8185。（3）P{X>c}=0.025，即P{X≤c}=1-0.025=0.975。P{X≤c}=P{Z≤(c-10)/2}=Φ((c-10)/2)=0.975。已知Φ(1.96)=0.9750，故(c-10)/2=1.96，解得c=10+2*1.96=13.92。点评：正态分布是概率论中最重要的分布之一，广泛存在于自然现象和社会经济现象中。其密度函数呈钟形，关于μ对称。标准化是正态分布概率计算的核心步骤，需熟练掌握。记住几个常用的Φ值（如Φ(1),Φ(1.645),Φ(1.96),Φ(2),Φ(3)）有助于快速解题。四、总结与解题技巧通过以上例题解析，我们可以总结出以下几点解题技巧：1.识别分布类型：拿到问题后，首先要判断随机变量是离散型还是连续型，并尽可能识别出它服从何种常见分布（二项、泊松、均匀、正态等）。这需要对各种分布的实际背景和特征有深刻理解。2.运用分布的数学表达式：对于离散型，找到分布律P{X=x_k}=p_k；对于连续型，找到概率密度函数f(x)或分布函数F(x)。3.掌握概率计算方法：离散型通常是求和，连续型通常是积分（利用密度函数）或直接查分布函数值。对