四、分立隨機變數

(Discrete Random Variables)

(Chapter 4)

劉仁沛教授
國立台灣大學農藝學研究所生物統計組
國立台灣大學流行病學與預防醫學研究所
國家衛生研究院生物統計與生統資訊組
jpliu@ntu.edu.tw

【本著作除另有註明，網站之內容皆採用 創用CC 姓名標示-非
商業使用 - 相同方式分享 3.0 台灣 授權條款釋出】

1 111/10/03 Jen-pei Liu, PhD

  機率分布 (Probability Distribution)

 二項分布 (Binomial Distribution)

 卜瓦松分布 (Poisson Distribution)

2 111/10/03 Jen-pei Liu, PhD

 分立隨機變數

 例：擲硬幣三次
令 X 為出現正面的次數
X 可能的值為 0,1,2,3
 在未擲硬幣三次前不知 X 之值
 但 X 出現為 0,1,2 或 3 之可能性可用機率表之
 X 為整數故 X 稱為分立隨機變數 (Discrete Random
Variables)
 其相應的機率稱為分立隨機變數之機率分布

3 111/10/03 Jen-pei Liu, PhD

 分立隨機變數

 擲硬幣三次的樣品空間
HHH,HHT,HTH,THH
HTT, THT,TTH, TTT
X Event 機率
0 ｛ TTT ｝ 1/8
1 ｛ HTT,THT,TTH ｝ 3/8
2 ｛ HHT,HTH,THH ｝ 3/8
3 ｛ HHH ｝ 1/8
4 111/10/03 Jen-pei Liu, PhD
 分立隨機變數

 例：擲硬幣三次正面出現至少二次的機率
P(X≧2)=P(X=2)+P(X=3)
=3/8+1/8
=1/2
正面出現少於二次的機率
P(X ＜ 2)= 1-P(X≧2)
=1-1/2
=1/2
5 111/10/03 Jen-pei Liu, PhD
 分立變數期望值 (Expected Value)

 分立變數期望值 (Expected Value)

μ = E(X) =  x P(x )
i i

 分立變數期望值為該變數可能值的加權平均，
其權數為該數值出現的機率。

6 111/10/03 Jen-pei Liu, PhD

 分立變數期望值 (Expected Value)

例：擲硬幣三次出現正面 (H) 之機率分布及期望值

x p(x) xp(x)
0 1/8 0
1 3/8 3/8
2 3/8 6/8
3 1/8 3/8
和 1 12/8=1.5=

7 111/10/03 Jen-pei Liu, PhD

 例：某流行歌曲的收聽率（排行）

評分 (x) 機率 p(x) x‧p(x)

1 0.07 0.07
2 0.07 0.14
3 0.22 0.66
4 0.21 0.84
5 0.43 2.15
和 1 3.86=
8 111/10/03 Jen-pei Liu, PhD
 例：保險公司壽險額＄ 20,000 ，保費＄ 300/
year

利潤 x 機率 x‧p(x)
p(x)
$300 0.999 299.7
( 保險人未死亡 )
$300-20,000=-19,700 0.001 -19.7
( 保險人死亡 )
和 280== 利潤

9 111/10/03 Jen-pei Liu, PhD

 靠期望值做生意

 大樂透頭彩 2 億， 49 號取 6 號，要不要玩 ?
- 大樂透 1/ C649  7.15 108
- 買一張 50 元，中獎得 2 億的機率為7.15 108
- 期望值為
(199,999,950)(7.15 10 8 )  ( 50)(1  (7.15 10 8 ))  35.698
- 平均而言，每個買彩券的人樂捐了 35.698 元 ( 另一種稅 ?)
- 要不要玩 ?
- 多人參加對誰有利 ?
- 每天十萬人買大樂透，收入 350 萬，一年 12 億 7750 萬

10 111/10/03 Jen-pei Liu,

Jen-pei
PhD Liu, PhD
 分立變數的變方 (Variance)

 分立變數的變方

σ =  (x - μ) p(x i )=  x p(x i ) - μ
2 2 2 2
i i

分立變數之變方為每個可能值與期望值偏差平方之
加權平均，權數為其數值之機率

2
σ = SD = σ

11 111/10/03 Jen-pei Liu, PhD

 擲三個硬幣出現正面之變方計算表

x x- (x- )2 p(x) (x- )2‧p(x)

0 -1.5 2.25 1/8 0.28125
1 -0.5 0.25 3/8 0.09375
2 0.5 0.25 3/8 0.09375
3 1.5 2.25 1/8 0.28125
0.75=2

σ= 0.75=0.8660
12 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial distribution)

 二項分佈 (Binomial distribution)

試驗結果僅有二個結果
擲硬幣：正，反
種子發芽：發芽，不發芽
小孩性別：男，女
殺蟲劑成效：死亡，存活
政策：贊成；反對
進入商店：購買；不購買
一般：成功 (S) ；失敗 (F)

13 111/10/03 Jen-pei Liu, PhD

 二項分佈 (Binomial distribution)

 問題：根據過去經驗一個顧客進入
某一家商店會購買商品的機率為
0.4(40 ％ ) ，請問三位顧客中
有二位會購買商品之機率為何？

隨機變數 X ：購買商品的顧客
可能出現的值： 0,1,2,3
問題 :p(x=2)=?

14 111/10/03 Jen-pei Liu, PhD

 二項分佈 (Binomial distribution)

 問題特性：
1. 本試驗包括三個相同的小試驗
每一小試驗是顧客購買商品
2. 每一小試驗只有二種結果
購買 (S) 或不購買 (F)
3.P(S)=0.4 ； P(F)=1-P(S)=0.6
4. 每一個顧客買的機率均為 0.4
5. 每一個顧客均獨立購買商品 ( 不受他人影響 )

15 111/10/03 Jen-pei Liu, PhD

 二項分佈 (Binomial distribution)

 樣品空間
SSS FFS
SSF FSF
SFS SFF
FSS FFF
X=2 之事件包含的結果為
｛ SSF,SFS,FSS ｝

16 111/10/03 Jen-pei Liu, PhD

 二項分佈 (Binomial distribution)

P(SSF)=P(S)P(S)P(F)=(0.4)(0.4)(0.6)=(0.4)20.6
P(SFS)=P(S)P(F)P(S)=(0.4)(0.6)(0.4)=(0.4)20.6
P(FSS)=P(F)P(S)P(S)=(0.6)(0.4)(0.4)=(0.4)20.6
P(X=2)=P(SSF)+P(SFS)+P(FSS)
=(0.4)20.6+(0.4)20.6+(0.4)20.6
=3(0.4)20.6

17 111/10/03 Jen-pei Liu, PhD

 1. 0.4 為顧客購買商品之機率＝ p
2. 0.6 為顧客不購買商品之機率＝ q ＝ (1-p)
3. 3 為 X=2 事件包含結果之個數
即 3 位顧客中有兩位顧客會
購買商品的可能組合
SSF→ 第一位，第二位
SFS→ 第一位，第三位
FSS→ 第二位，第三位
4.
 3
P ( x  2)    (0.4) 2 (0.6)
 2
18 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial Distribution)

1. 試驗包括 n 個相同小試驗
2. 每個小試驗包括二個結果成功 (S) 或失敗 (F)
3. 成功機率為 p, 失敗機率為 q=1-p
4. 小試驗間為互相獨立
5. X 為成功次數
6.  n  x n x n!
P( x)    p q  p x qn x
 x x !( n  x)!
附表 2 (P.469-480)
19 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial Distribution)

n
μ = E(X) =  X P(X )
i=0
i i

n
 n  x n-x n
n!
= x p q = x p x q n-x
x=0 x x=0 x!(n-x)!
n-1
(n-1)!
= np  p x-1q n-x
x=1 (x-1)!(n-x)!

= np(p+q) n-1 = np

20 111/10/03 Jen-pei Liu, PhD

 二項分佈 (Binomial Distribution)
n
2
E(X ) =  P(X i )
X
i=0
2

n
 n  x n-x n
n!
= x  p q = x
2 2
p x q n-x
x=0 x x=0 x!(n-x)!
n
x(x-1)n! x n-x n!
= [ p q x p x q n-x ]
x=0 x!(n-x)! x!(n-x)!
(n-2)!
n-2
= n(n-1)p  2
p x-2 q n-x  np
x=2 (x-2)!(n-x)!

= n(n-1)p 2 (p+q) n-2 + np = n(n-1)p 2 + np

21 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial Distribution)

 i
2
σ
2
= (x - μ) p(x i )
=  x p(x i ) - μ
2
i
2

2 2
=n(n-1)p + np -(np)
= n 2 p 2 -np 2 +np-n 2 p 2
2
= np - np
= np(1-p) = npq
22 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial Distribution)

 二項分布之期望值與變方
 = np
2 = npq
= npq
n 個相同小試驗其成功機率
為 p 之二項分立隨機變數，記為 X~Bin(n,p)

23 111/10/03 Jen-pei Liu, PhD

  有一醫學試驗進行某新藥品對某疾病的治療效果，
我們希望新藥品治癒率達 90 ％，（無效率為 10
％）。今試驗 20 位病人，若其治癒率可靠，則
應有多少病人治癒？而最多有 15 位病人治癒之
機率為多少？

由二項分布期望值公式，其治癒人數為：
E(X)=np=20(0.9)=18 人

24 111/10/03 Jen-pei Liu, PhD

 而最多有 15 位病人治癒之機率可利用二項分布累計機率
公式求得： 15
P ( X  15)   f ( x)
x 0
15
 20 
  （  0.9）
（x
0.1）20 x
x 0  x 

 0.0432(表二)
至少有 16 位病人治癒的機率為：

P( X  16)  1  p ( X  15)
 1  0.0432
 0.9568

25 111/10/03 Jen-pei Liu, PhD

 [ 例 4.10] 有一健保意見調查，若設 80 ％居民
贊成，今獨立隨機訪問 15 位居民，
至少
有 8 位居民贊成之機率為多少？有
10 個至 14 個居民 ( 包括 10 與 14)
贊成之機率有多少？
(1) 至少有 8 位居民贊成之機率為
Pr(X≧8)=1-Pr(X≦7)
今 n=15, x=7, p=0.8 查附表 2 得
Pr(X ≦7)=0.0042
26 111/10/03 Jen-pei Liu, PhD
 二項分佈 (Binomial Distribution)

故至少有 8 位居民贊成之機率為 1-0.0042=0.9958

(2) 有 10 至 14 位居民贊成之機率為
Pr(10≦X≦14)
=P(X≦14)-P(X≦9)
=0.9648-0.0611=0.9037

27 111/10/03 Jen-pei Liu, PhD

 卜瓦松分布 (Poisson Distribution)

 卜瓦松分布為稀少事件個數之分布
二項分布中 n 很大且 p 很小時，其分布即變成
卜瓦松分布 ( 時間及空間 )
例：某十字路口每月發生車禍之次數
每年騎兵被馬踢死之人數
某機場塔台每半年發生錯誤的次數
一 c.c. 血液中某種細菌之個數
附表 3(P.481-P.482)

28 111/10/03 Jen-pei Liu, PhD

 卜瓦松分布 (Poisson Distribution)
 x
e 
p( X  x) 
x!
 為卜瓦松分布之平均

‧ 卜瓦松分布之特性 : 平均數 = 變方
=2
σ= μ

29 111/10/03 Jen-pei Liu, PhD

 卜瓦松分布 (Poisson Distribution)


μ x e- 

E(X)=  xP(x)=  x
x=0 x=0 x!

μ x e-  
μ x-1e - 
=  =μ  =μ.
x=1 (x-1)! x=1 (x-1)!

μ x e- 

E[X(X-1)]=  x(x-1)P(x)=  x(x-1)
x=0 x=0 x!

μ x e-  
μ x-2 e- 
=  =μ 
2
 μ2
x=2 (x-2)! x  2 (x-2)!

E[X(X-1)] = E(X 2 ) - E(X) 

E(X 2 ) = E[X(X-1)] + E(X) = μ 2 + μ
 2  E(X 2 ) - {E(X)}2 = μ 2 + μ - μ 2 = μ
30 111/10/03 Jen-pei Liu, PhD
  不同之卜瓦松分布圖
(a)  = 1 (b)  = 4 (c)  = 15

31 111/10/03 Jen-pei Liu, PhD

  例：某醫院經過幾年的調查統計，平均一天有 2 位車禍病
人求診，若車禍病人屬卜瓦松分布，試求一天多於 3 位車
禍病人求診之機率。
 ＝ 2, 車禍病人 x ＝ 0,1,2,3 之機率如下表

32 111/10/03 Jen-pei Liu, PhD

 卜瓦松分布 (Poisson Distribution)

完全沒有車禍病人之機率只有 13.534 ％，
有一個車禍病人之機率為 27.067 ％，
有二個車禍病人之機率為 27.067 ％，
而有三個車禍病人之機率為 18.045 ％，
大於三個車禍病人之機率為：
P(X ＞ 3)=1-p(X≦3)=1-0.85713
=0.14287=14.287%

33 111/10/03 Jen-pei Liu, PhD

 例：設在高速公路上平均每天有 5 次車禍發生，若 x 為某天
發生車禍之隨機變數，求下列各項機率：
(a) 沒有車禍發生
(b) 少於 3 次車禍
(c) 多於 3 次車禍
高速公路來往車輛很多，平均一天發生 5 次車禍應屬於
卜瓦松分布，故上述各項機率為：

 x 50

(a) p ( X  0)  e  e5  0.00674  0.674%

x! 0!

50
5 5 5
1
5 5
2
5 5
3
(b) P ( X  3)  e e e e
0! 1! 2! 3!
=0.00674+0.03369+0.08422+0.14037
=0.26502=26.502%
(c) P(X>3)=1-P(X≦3)=1-0.26502=0.73498=73.498%
34 111/10/03 Jen-pei Liu, PhD
 μ=5 時二項分布與卜瓦松分布比較表
卜瓦松
p 0.5 0.10 0.05
分布
n 10 50 100 機率
x　 　 　 　
0 0.0010 0.0052 0.0059 0.0067
1 0.0098 0.0286 0.0312 0.0337
2 0.0439 0.0779 0.0812 0.0842
3 0.1172 0.1386 0.1396 0.1404
4 0.2051 0.1809 0.1781 0.1755
5 0.2461 0.1849 0.1800 0.1755
6 0.2051 0.1541 0.1500 0.1462
7 0.1172 0.1076 0.1060 0.1044
8 0.0439 0.0643 0.0649 0.0653
9 0.0098 0.0333 0.0349 0.0363
10 0.0010 0.0152 0.0167 0.0181
>10 0 0.0094 0.0115 0.0137
　 1.0000 1.0000 1.0000 1.0000
35 111/10/03 Jen-pei Liu, PhD
 總結 (Summary)

 n  x n x
 機率分布 P( x)    p q
 x
 二項分布
 ＝ np
2 ＝ npq
 卜瓦松分布
e   x
P( x) 
x!
 ＝ 2
36 111/10/03 Jen-pei Liu, PhD
 習題：

 P.105: 2,3

 P.106: 5

37 111/10/03 Jen-pei Liu, PhD

版
權
聲
明

頁碼 作品 授權條件 作者 / 來源

1-38 轉載自 Microsoft Office 2003 多媒體藝廊，

依據 Microsoft 服務合約及著作權法第 46 、 52 、
65 條合理使用。

31 國立臺灣大學 農藝系 劉仁沛 教授。