一食品店有三种蛋糕出售,由于售出哪种蛋糕是随机的。因而,售出一只蛋糕的价格是一个随机变量，

就是二项分布，多次独立的0-1分布就是二项分布，退化的二项分布就是0-1分布（也就是只做一次试验）。贝努利分布这种叫法不常见，就我所知，我只在斯坦福公开课机器学习中见过主讲人Andrew说过这种叫法，而实际上他想表达的就是0-1分布。

主要是概念上的区别：伯努利分布指的是对于随机变量X有，参数为p(0<p<1)，如果它分别以概率p和1-p取1和0为值。在n次独立重复的伯努利试验中，设每次试验中事件A发生的概率为p。用X表示n重伯努利试验中事件A发生的次数，则X的可能取值为0，1，…，n,且对每一个k（0≤k≤n）,事件{X=k}即为“n次试验中事件A恰好发生k次”，随机变量X的离散概率分布即为二项分布（Binomial Distribution）。相关信息：在生产实践过程中会有来自很多方面因素的影响，所有这些因素的综合作用导致过程动荡，从而体现出一些质量特性的不稳定性，概率论与数理统计一些统计技术可以帮助我们了解和监控这些波动，帮助我们朝着有利于我们的方向发展。在生产实践中有一类现象，我们研究的对象只产生两种可能结果，他们的分布规律就是二项分布，二项分布应用很广泛。

两点分布就是伯努利分布。当伯努利试验成功，令伯努利随机变量为1。若伯努利试验失败，令伯努利随机变量为0。其成功机率为p，失败机率为q=1-p，在N次试验后，其成功期望E(X)为p，方差D(X)为p(1-p)。D（X）=p(1-p)<=((p+1-p)/2)^2=0.25当p=1-p即p=0.5时取最大值。

伯努利分布指的是对于随机变量X有, 参数为p(0<p<1)，如果它分别以概率p和1-p取1和0为值。EX= p,DX=p(1-p)。伯努利试验成功的次数服从伯努利分布,参数p是试验成功的概率。伯努利分布是一个离散型机率分布，是N=1时二项分布的特殊情况，为纪念瑞士科学家詹姆斯·伯努利(Jacob Bernoulli 或James Bernoulli)而命名一个非常简单的试验是只有两个可能结果的试验，比如正面或反面，成功或失败，有缺陷或没有缺陷，病人康复或未康复。为方便起见，记这两个可能的结果为0和1，下面的定义就是建立在这类试验基础之上的

楼上说反了吧

—— wikipedia 伯努利试验 ： 是只有两种可能结果（成功或失败）的单次随机试验，即对于一个随机变量X而言： 伯努利过程 ： 与 伯努利过程相关的随机变量 有： 背景引入: 在实际中的案例结果往往只有两种结果（正、反）。例如：抛硬币、明天下不下雨、买彩票中奖与不中奖、疾病生存还是死亡、合格与不合格等等。这样的事件便是伯努利试验。 定义： 伯努利分布（Bernoulli distribution）又名 两点分布 或 0-1分布 ，是一个 离散型概率分布 ，是最简单的离散型概率分布。若伯努利随机试验成功，则伯努利随机变量取1。若伯努利试验失败，则伯努利随机变量取值为0。记其成功概率为p，失败概率为q=1-p。 概率密度函数： 期望： 方差： 背景引入： 对同一个硬币扔10次，出现3次正面朝上的概率。扔硬币的过程便是一个伯努利过程，正面朝上次数的概率就是二项分布。 定义： Binomial Distribution是 n个独立的伯努利试验 中 成功的次数 的离散概率分布，其中每次试验的成功概率为p。实际上，当 n = 1 时，二项分布就是 伯努利分布 。二项分布是显著性差异的二项试验的基础。—— wikipedia 概率质量函数： 如果随机变量X服从参数n和p为的二项分布，我们记 。 n次试验中正好得到k次成功的概率 由概率质量函数给出： 二项分布是一个 概率分布族 ，随着试验次数n和成功概率p的不同而不同，且它 与正态分布关系密切 。 期望： 方差： 在n次伯努利试验中，试验k次才得到 第一次成功的概率 ，也就是说： 前k-1次都失败 ，第k次成功的概率。记为 。 概率质量函数： 期望： 方差： 描述了由有限个物体中 抽出n个物件，成功抽出指定种类的物件 的个数（ 不放回抽取 ）。例如在有N个样本，其中K个是不及格，N-K个是及格的，超几何分布描述了在该N个样本中抽出n个，其中k个是不及格的概率。记为 。 概率质量函数： [图片上传失败...(image-dbc806-1589359103817)] 泊松分布适合于描述 单位时间 或 单位空间 内随机事件发生的 次数 的概率分布。记为 。 概率质量函数： [图片上传失败...(image-41616c-1589359103817)] 期望： 方差： 在二项分布的伯努利试验中，如果 试验次数n很大 ，二项分布的 概率p很小 ，且乘积 λ= np 比较适中，则事件出现的次数的概率可以用泊松分布来逼近。

二项分布？系统有自带函数binopdfY = binopdf(X,N,P)例如binopdf(0,200,0.02)结果输出为 0.0176

两点分布的参数 伯努利分布（英语：Bernoulli distribution，又名两点分布或者0-1分布，是一个离散型概率分布，为纪念瑞士科学家雅各布·伯努利而命名。)若伯努利试验成功，则伯努利随机变量取值为1。若伯努利试验失败，则伯努利随机变量取值为0。

不能 离散型随机变量X服从参数为____的二点分布，这里的参数应指为1的随机变量（即试验成功）对应参数。参见百度百科：当伯努利试验（二点分步即伯努利分布）成功，令伯努利随机变量为1。若伯努利试验失败，令伯努利随机变量为0。其成功机率为p，失败机率为q =1-p，其成功期望E(X)为p，方差。若X服从概率为p的伯努利分布，则记为X~Bern(p).

表示X是连续型随机变量，满足区间(2，4)上的均匀分布。具体来说就是X的值可以在区间（2，4）上随机选取，选到每个值的概率相等。随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。扩展资料：随机变量在不同的条件下由于偶然因素影响，可能取各种不同的值，故其具有不确定性和随机性，但这些取值落在某个范围的概率是一定的，此种变量称为随机变量。随机变量可以是离散型的，也可以是连续型的。一个随机变量所取的值可以是离散的（如掷一颗骰子的点数只取1到6的整数，电话台收到的呼叫次数只取非负整数），也可以充满一个数值区间，或整个实数轴（如液体中悬浮的微粒沿某一方向的位移）。参考资料来源：百度百科——随机变量

随机变量的独立性判断方法为：通过联合分布函数和边缘分布函数，或者联合概率密度和边缘概率密度来进行判断。两个随机变量的独立性只能通过联合分布函数和边缘分布函数，或者联合概率密度和边缘概率密度来进行判断。随机变量X， Y相互独立可以推出E(XY)=E(X)E(Y) ，也就是可以推导出两者不线性相关，但不能排除其它非线性相关性，也就不能说明两者相互独立。可见，两个随机变量不相关并非一定能推得两者相互独立的结论。随机变量（random variable）表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。随机变量的基本类型：1、离散型。离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。2、连续型。连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

随机变量b是二项分布。事件发生的概率为p，重复n次。它的期望E=np，方差为np（1-p）。在概率论和统计学中，二项分布是n个独立的成功/失败试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。事件的概率表示了一次试验中某一个结果发生的可能性大小。若要全面了解试验，则必须知道试验的全部可能结果及各种可能结果发生的概率，即随机试验的概率分布。随机变量的两种类型：离散型随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

如果二维随机变量X,Y的分布函数F{x,y}为已知，那么因此边缘分布函数FX(x)，FY(y)可以由(X,Y)的分布函数所确定。如果二维随机变量X,Y的分布函数F{x,y}为已知，那么随机变量x，y的分布函数FU0001d5d1{x}和Fu028f{y}可由F{x,y}求得。则FU0001d5d1{x}和Fu028f{y}为分布函数F{x,y}的边缘分布函数。扩展资料：离散型随机变量：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型型随机变量：在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

如图所示：因为，(X，Y)是二维离散型随机变量。所以，xy也是离散型随机变量。先求出xy的概率分布列。再求xy的期望：比如 P(x＝0)＝1/2，P(x＝1)＝1/2 P(y＝0)＝1/2，P(y＝1)＝1/2 则，P(xy＝0)＝3/4 P(xy＝1)＝1/4 所以，E(XY)＝0×(3/4)＋1×(1/4)＝1/4。当随机变量的可取值全体为一离散集时称其为离散型随机变量，否则称其为非离散型随机变量，这是很大的一个类，其中有一类是极其常见的，随机变量的取值为一(n)维连续空间。计算方法：随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。

伯努利试验(Bernoulli experiment)是在同样的条件下重复地、各次之间相互独立地进行的一种试验。一般地，在相同条件下重复做n次的试验称为n次独立重复试验。1.“在相同条件下”等价于各次试验的结果不会受其他实验结果的影响。2.如何判断：判断是否为伯努利试验的关键是每次试验事件A的概率不变，并且每次试验的结果同其他各次试验的结果无关，重复是指试验为一系列的试验，并非一次试验，而是多次，但要注意重复事件发生的概率相互之间没有影响。二项分布 ：在n次独立重复试验中，用ξ表示事件A发生的次数，如果事件发生的概率是P,则不发生的概率 q=1-p，那么就说ξ服从二项分布。其中P称为成功概率。记作：ξ~B(n,p)期望：Eξ=np方差：Dξ=npq几何分布 ：在第n次伯努利试验中，试验k次才得到第一次成功的机率。详细的说是：前k-1次皆失败，第k次成功的概率。如果事件发生的概率是P,则不发生的概率q=1-p，具有这种分布列的随机变量，称为服从参数p的几何分布。几何分布的期望EX= 1/p，方差DX= （1-p）/p^2.

伯努利试验 设试验E只可能有两种结果：“A”和“非A”,则称试验E为伯努利试验 例如抛硬币 其结果可有两个 若“A”表示得到正面 则“非A”表示得到反面n重伯努利试验 设试验E只可能有两个结果：“A”和“非A”则称Ewei伯努利试验 将E独立的重复地进行n次，则称这一穿重复的独立试验为n重伯努利试验 n重伯努利试验是一种很重要的数学模型，它有广泛的应用，是应用最多的数学模型之一 例如 E表示抛一枚硬币得到正或反面，将硬币抛n次，这就是n重伯努利试验二项分布亦称“伯努利分布”。设将一伯努利试验重复了n次,在这n次试验中成功次数x,x为随机变量,称为二次随机变量,其分布称为二项分布。假设每次成功的概率为p,则在n次试验中成功k次的概率为 p(x=k)=Cnk Pk(1-p)n-k (0≤k≤n)

解:(1).EY=2E(X)=2(2)E(Y)=∫(-∞,+∞)f(x)e^(-2x)dx=1/3如有意见，欢迎讨论，共同学习;如有帮助，请选为满意回答!

伯努利分布的概率密度函数公式：s^2=((m-x1)^2+(m-x2)^2+m-xn)^2)/n。在n次独立重复的伯努利试验中，设每次试验中事件A发生的概率为p。用X表示n重伯努利试验中事件A发生的次数，则X的可能取值为0，1，…，n，且对每一个k（0≤k≤n），事件（X=k）即为“n次试验中事件A恰好发生k次”，随机变量X的离散概率分布即为二项分布（Binomial Distribution）。在概率论和统计学中，二项分布是n个独立的成功/失败试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n=1时，二项分布就是伯努利分布。概率密度函数概念：在数学中，连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。当概率密度函数存在的时候，累积分布函数是概率密度函数的积分。概率密度函数一般以小写标记。连续型的随机变量取值在任意一点的概率都是0。作为推论，连续型随机变量在区间上取值的概率与这个区间是开区间还是闭区间无关。要注意的是，概率P{x=a}=0，但{X=a}并不是不可能事件。

姑且认为进行三次实验可以用中心极限定理，那你这个式子求的其实是样本均值大于2的概率，你发现没。其实，这种问有多少次大于几的，显然是伯努力问题。每一次实验，观测值大于2 的概率是2/3，那么三次之中至少有两次的概率为C(3,2) (2/3)^2 * (1/3) + C(3,3) (2/3)^3 = 20/27

这个是换元积分，另x=(t-b)/a，dx=1/adt，相应的积分上下限改变，这个是属于高数积分部分的内容

解答：设10台机床中实际开动的机床数为随机变量x，每台机床开动的概率是P=15/60=1/4∴ x～B（10，1/4）．∴ P(x=k)=C(10,k)*(1/4)^k*(3/4)^(10-k)50kW电力可以同时供给5台机床开动，∴10台机床同时开动的台数不超过5台时都可以正常工作．∴所求概率是P(x≤5)∴ 所求概率P=C(10,0)*(3/4)^10+C(10,1)*(1/4)*(3/4)^9+C(10,2)*(1/4)^2*(3/4)^8+C(10,3)*(1/4)^3*(3/4)^9 +C(10,4)*(1/4)^4*(3/4)^6+C(10,5)*(1/4)^5*(3/4)^5 (以下是按计算器的工作了。)

两点分布( two-point distribution)即“伯努利分布”。在一次试验中，事件A出现的概率为P，事件A不出现的概率为q=l -p，若以X记一次试验中A出现的次数，则X仅取0、I两个值。X的概率分布为P(X=七)=pkql¨，k=0，l，称X服从伯努利分布。 伯努利分布指的是对于随机变量X有, 参数为p(0<p<1)，如果它分别以概率p和1-p取1和0为值。ex= p="" bernoulli)而命名。 </p

用它们的特征函数，参数为p伯努利随机变量T特征函数为：f(t)=q+p*e^(it)，所以X的特征函数:(f(t))^n1，同理Y的特征函数:(f(t))^n2，如果X,Y独立，那么X+Y特征函数:(f(t))^(n1+n2)，这就说明了X+Y服从你给的2项分布。如果你对特征函数一无所知可以参考《概率论》苏淳。还有好多类似的题，比如《数理统计》韦来生第2章习题一，都是用特征函数。 一楼方法貌似可以，不专业。

按公式：Fx(x)=∫(-∞,+∞)F(x,y)dy积分范围由题目给出，如果没有直接给出，按题意画出积分区域再计算积分限。

　　两点分布(two-pointdistribution)即"伯努利分布"。伯努利分布指的是对于随机变量X,参数为p(0

伯努利分布(the Bernoulli distribution)是一个离散型机率分布,为纪念瑞士科学家詹姆斯·伯努利(Jacob Bernoulli 或James Bernoulli)而命名.当伯努利试验成功,令伯努利随机变量为1.若伯努利试验失败,令伯努利随机变量为0.其成功机率为p,失败机率为q =1-p,在N次试验后,其成功期望E(X)为p,方差D(X)为p(1-P) .伯努利分布又称两点分布.

你好！二项分布，即事件发生的概率为p，重复n次。它的期望E=np,方差为np(1-p)打字不易，采纳哦！

伯努利分布(the Bernoulli distribution)是一个离散型机率分布，为纪念瑞士科学家詹姆斯·伯努利(Jacob Bernoulli 或James Bernoulli)而命名。当伯努利试验成功，令伯努利随机变量为1。若伯努利试验失败，令伯努利随机变量为0。其成功机率为p，失败机率为q =1-p，在N次试验后，其成功期望E(X)为p，方差D(X)为p(1-p)。伯努利分布又称两点分布

最大值函数。举例， 如果二维随机变量（X，Y）：取（1，2） ，（1，3），（2，2） ，（2，3）四对值，不妨设取到每个数对的概率都是1/4。 则 M=MAX（X，Y） 可以取2，3 两个值。M=2对应于{（1，2），（2，2） }；M=3对应于{（1，3），（2，3） }；

你好！根据公式，若X~N(20,40^2),则E(X)=20，D(X)=40^2。经济数学团队帮你解答，请及时采纳。谢谢！

语义上来讲，独立是指变量之间完全没有关系，但是不相关则仅要求变量之间没有线性关系，因而独立的要求更高，独立的变量一定是不相关的，但是不相关的不一定是独立的，即独立是不相关的充分不必要条件。举例说明：X,Y均匀分布在单位圆上，因为是圆是对称的，画一条线性回归的线，线的斜率可以为任意值且均匀分布。所以X和Y是不相关的，但是X，Y不是独立的，因为X、Y的取值对彼此有决定性影响。扩展资料：随机变量的类型：1、离散型离散型随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。2、连续型连续型随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。参考资料来源：百度百科-独立随机变量参考资料来源：百度百科-不相关随机变量

设密度函数为f(x),分布函数为F(x)P(X<=Y)=(x<=y积分)∫∫(x<=y积分)f(x)f(y)dxdy=∫(-∞,+∞)f(x)dx∫(x,+∞)f(y)dy=∫(-∞,+∞)f(x)[1-F(x)]dx=∫(-∞,+∞)[1-F(x)]dF(x)=-[1-F(x)]^2/2|(-∞,+∞)=1/2按照随机变量可能取得的值，可以把它们分为两种基本类型：离散型离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。扩展资料随机变量在不同的条件下由于偶然因素影响，可能取各种不同的值，故其具有不确定性和随机性，但这些取值落在某个范围的概率是一定的，此种变量称为随机变量。随机变量可以是离散型的，也可以是连续型的。如分析测试中的测定值就是一个以概率取值的随机变量，被测定量的取值可能在某一范围内随机变化，具体取什么值在测定之前是无法确定的，但测定的结果是确定的，多次重复测定所得到的测定值具有统计规律性。随机变量与模糊变量的不确定性的本质差别在于，后者的测定结果仍具有不确定性，即模糊性。

P{u-2σ 所以P{X 作业帮用户 2017-10-14 举报

正确答案是N(7,45)，(7,21)是错的。

一次独立观测，观测值大于3的概率是2/3，进行三次独立观测，则x服从二项分布。那么p（x>=2)=p(x=2)+p(x=3)=20/27希望你能看懂

设随机变量X和Y相互独立，且X~N(3,4) Y~(2,9)则Z=3，X－Y~(4,5)E(X)=3,E(Y)=2D(X)=4.D(Y)=9E(Z)=3E(X)-E(Y)=7D(Z)=9D(X)+D(Y)=45随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。扩展资料按照随机变量可能取得的值，可以把它们分为两种基本类型：离散型离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

简单计算一下即可，答案如图所示

分布律为：P{X=k}=(nk)p^k(1-p)^(n-k)二项分布就是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变。二项分布概率公式来描述：P=C(X,n)*π^X*(1-π)^(n-X)式中的n为独立的伯努利试验次数，π为成功的概率，（1-π）为失败的概率，X为在n次伯努里试验中出现成功的次数，表示在n次试验中出现X的各种组合情况。扩展资料：由二项式分布的定义知，随机变量X是n重伯努利实验中事件A发生的次数，且在每次试验中A发生的概率为p。因此，可以将二项式分布分解成n个相互独立且以p为参数的（0-1）分布随机变量之和。在这试验中，事件发生的次数为一随机事件，它服从二次分布。二项分布可以用于可靠性试验。可靠性试验常常是投入n个相同的式样进行试验T小时，而只允许k个式样失败，应用二项分布可以得到通过试验的概率。若某事件概率为p，现重复试验n次，该事件发生k次的概率为：P=C(n,k)×p^k×(1-p)^(n-k)。C(n,k)表示组合数，即从n个事物中拿出k个的方法数。参考资料来源：百度百科——二项分布

每一次取到的观察值都相互独立，假设用Y来表示事件，3次里每一次取值大于2的概率为2/3。那么三次之中至少有两次的概率为C(3，2) (2/3)^2 * (1/3) + C(3，3) (2/3)^3 = 20/27在第n次伯努利试验中，试验k次才得到第一次成功的机率，详细的说是：前k-1次皆失败，第k次成功的概率。如果事件发生的概率是p，则不发生的概率q=1-p。在n次独立重复试验中，用ξ表示事件A发生的次数，如果事件发生的概率是p，则不发生的概率 q=1-p，N次独立重复试验中发生k次的概率。扩展资料：将试验E重复进行n次，若各次试验的结果互不影响，则称这n次试验是相互独立的。设A、B为任意两个随机事件，且P(A)>0。则A与B相互独立P(B|A)=P(B)。随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。参考资料来源：百度百科--独立试验

这个答案中间的过程简直就是乱来，看不懂

1/9解题过程如下：max{X,Y}≤1实际上就等价于X和Y都小于等于1，而随机变量X与Y互相独立，于是P(max{X,Y}≤1)=P(X≤1) * P(Y≤1)而X和Y均服从区间 [0,3] 上的均匀分布故P(X≤1) = P(Y≤1) =1/3，所以P(max{X,Y}≤1)=P(X≤1) * P(Y≤1)=1/3 * 1/3=1/9扩展资料按照随机变量可能取得的值，可以把它们分为两种基本类型：离散型离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

(1)由已知，f(x)=1, (0<=x<=1)，f(y)=e^(-y), (y>=0)，Z大于0那么F(z)=P(X+Y<z)在坐标轴上画出积分区间即0<=z<1时，x积分区间为(0,z)，y积分区间为(0,z-x)z>=1时，x积分区间为(0,1)，y积分区间为(0,z-x)在以上区间对f(x)*f(y)=e^(-y)积分，有0<=z<1时，F(z)=e^(-z)+z-1z>=1时，F(z)=e^(-z)-e^(1-z)+1求导，有0<=z<1时，f(z)=1-e^(-z)z>=1时，f(z)=e^(1-z)-e^(-z)因此，Z的概率密度函数为f(z)=0，z<0f(z)=1-e^(-z)，0<=z<1f(z)=e^(1-z)-e^(-z)，z>=1时(2)F(z))=P(-2lnX<z)=P(X>e^(-z/2))当z<0时，F(z)=0当z>=0时，对f(x)从e^(-z/2)到1积分，得F(z)=1-e^(-z/2)求导，有f(z)=e^(-z/2)/2因此，Z的概率密度函数为f(z)=0，z<0f(z)=e^(-z/2)/2，z>=0

先求出Y-X的期望与方差如图，再用切比谢夫不等式估计概率。经济数学团队帮你解答，请及时采纳。谢谢！

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

0 1分布，就想投篮，投中记1，不中记0

你好！根据公式有E(X)=np=2.4，D(X)=np(1-p)=1.68，求解得出n=8，p=0.3。经济数学团队帮你解答，请及时采纳。谢谢！