§3 Bernoulli试验和直线上的随机游动
1.Bernoulli 概型
定义2.3.1 (Bernoulli)试验
只有两种可能结果的实验被称为 Bernoulli试验 。在这类问题中,我们可将事件域取为:
F
=
{
∅
,
A
,
A
‾
,
Ω
}
\mathscr{F} = \{ \empty, A,\overline{A},\Omega\}
F = { ∅ , A , A , Ω } 并称出现
A
A
A 为“成功”,出现
A
‾
\overline{A}
A 为“失败”。
在某些情况中,试验的结果不止两个。但是,如果我们可以认为:出现且仅仅出现某一个特定的结果时认为其“成功”,其余任何结果都视为“失败”,则此时我们也可以把问题视为 Bernoulli 试验。
在 Bernoulli 试验中,首先需要给出下面概率:
P
(
A
)
=
p
,
P
(
A
‾
)
=
q
P(A) = p, \ \ P(\overline{A}) = q
P ( A ) = p , P ( A ) = q 显然,
p
,
q
⩾
0
p,q \geqslant 0
p , q ⩾ 0 ,且
p
+
q
=
1.
p+q = 1.
p + q = 1 .
现在,我们考虑重复进行
n
n
n 次独立的 Bernoulli 试验。
定义2.3.2 (
n
n
n 重Bernoulli试验)
在每次试验中事件
A
A
A 和事件
A
‾
\overline{A}
A 出现的概率都保持不变。我们称这样的试验为 n重Bernoulli试验 ,记为
E
n
E^{n}
E n .
对于
n
n
n 重Bernoulli试验,我们有下列的四个约定:
每次试验最多出现两个可能结果之一:
A
A
A 或
A
‾
\overline{A}
A ;
A
A
A 在每次实验中出现的概率
p
p
p 保持不变;
各次实验相互独立;
总共进行
n
n
n 次试验。
下面,我们给出
n
n
n 重Bernoulli 试验的概率空间:
n
n
n 重Bernoulli试验
E
n
E^{n}
E n 的样本点形如:
(
A
^
1
,
A
^
1
,
⋯
,
A
^
n
)
(\hat{A}_{1},\hat{A}_{1},\cdots,\hat{A}_{n})
( A ^ 1 , A ^ 1 , ⋯ , A ^ n ) 其中,
A
^
i
\hat{A}_{i}
A ^ i 是
A
i
A_{i}
A i 或
A
‾
i
\overline{A}_{i}
A i ,分别表示第
i
i
i 次试验中出现
A
A
A 或
A
‾
\overline{A}
A .显见,这样的样本点总共有
2
n
2^{n}
2 n 个,这是一个有限样本空间。 为书写方便起见,我们进行如下约定:
(
A
1
,
A
2
,
⋯
,
A
n
−
1
,
A
‾
n
)
(A_{1},A_{2},\cdots,A_{n-1},\overline{A}_{n})
( A 1 , A 2 , ⋯ , A n − 1 , A n ) 表示前
n
−
1
n-1
n − 1 次试验均出现事件
A
A
A ,而第
n
n
n 次试验出现事件
A
‾
\overline{A}
A ,简记为
A
1
A
2
⋯
A
n
−
1
A
‾
n
.
A_{1}A_{2}\cdots A_{n-1}\overline{A}_{n}.
A 1 A 2 ⋯ A n − 1 A n . 为给定
n
n
n 重Bernoulli试验的样本点的概率,我们主要考察在它中
A
A
A 或
A
‾
\overline{A}
A 出现的次数。若其中有
l
l
l 个
A
A
A ,从而有
n
−
l
n-l
n − l 个
A
‾
\overline{A}
A ,则利用试验的独立性可知:
P
(
A
^
1
A
^
1
⋯
A
^
n
)
=
P
(
A
^
1
)
P
(
A
^
2
)
⋯
P
(
A
^
n
)
P(\hat{A}_{1} \hat{A}_{1} \cdots \hat{A}_{n}) = P(\hat{A}_{1})P(\hat{A}_{2})\cdots P(\hat{A}_{n})
P ( A ^ 1 A ^ 1 ⋯ A ^ n ) = P ( A ^ 1 ) P ( A ^ 2 ) ⋯ P ( A ^ n )
=
p
l
q
n
−
l
.
=p^{l}q^{n-l}.
= p l q n − l . 一般事件的概率由它所含样本点的概率求和得到。这样一来,我们已对
n
n
n 重Bernnoulli试验给定了概率空间。
Bernoulli试验是一种重要的概率模型。它是“在相同条件下进行重复试验”的一种数学模型,尤其在讨论某事件出现的频率时常用这种模型。
2. Bernoulli概型中的一些分布
2.1 Bernoulli 分布
若我们只进行一次Bernoulli试验,则这种概率分布称为 Bernoulli分布 ,这是最简单的情况。
2.2 二项分布
我们记
n
n
n 重Bernoulli试验中事件
A
A
A 出现
k
k
k 次的概率,记之为
b
(
k
;
n
,
p
)
:
b(k;n,p):
b ( k ; n , p ) :
若以
B
k
B_{k}
B k 记
n
n
n 重Bernoulli试验中事件
A
A
A 恰好出现
k
k
k 次这一事件,而用
A
i
A_{i}
A i 表示第
i
i
i 次试验中出现事件
A
A
A ,以
A
‾
i
\overline{A}_{i}
A i 表示第
i
i
i 次试验中出现
A
‾
\overline{A}
A ,则
B
k
=
A
1
A
2
⋯
A
k
A
‾
k
+
1
⋯
A
‾
n
+
⋯
+
A
‾
1
A
‾
2
⋯
A
‾
n
−
k
A
n
−
k
+
1
⋯
A
n
.
B_{k} = A_{1}A_{2} \cdots A_{k} \overline{A}_{k+1} \cdots \overline{A}_{n} + \\ \cdots +\overline{A}_{1}\overline{A}_{2} \cdots \overline{A}_{n-k}A_{n-k+1} \cdots A_{n}.
B k = A 1 A 2 ⋯ A k A k + 1 ⋯ A n + ⋯ + A 1 A 2 ⋯ A n − k A n − k + 1 ⋯ A n . 右边的每一项表示在某
k
k
k 次试验中出现事件
A
A
A ,而在另外
n
−
k
n-k
n − k 次实验中出现
A
‾
\overline{A}
A ,这种项共有
(
n
k
)
\binom{n}{k}
( k n ) 个,而且两两互不相容。
显见右边各项所对应事件的概率均为
p
k
q
n
−
k
p^{k}q^{n-k}
p k q n − k ,我们利用概率的可加性即得:
P
(
B
k
)
=
(
n
k
)
p
k
q
n
−
k
P(B_{k}) = \binom{n}{k}p^{k}q^{n-k}
P ( B k ) = ( k n ) p k q n − k 即:
b
(
k
;
n
,
p
)
=
(
n
k
)
p
k
q
n
−
k
,
k
=
0
,
1
,
2
,
⋯
,
n
b(k;n,p) = \binom{n}{k}p^{k}q^{n-k}, \ k = 0,1,2,\cdots,n
b ( k ; n , p ) = ( k n ) p k q n − k , k = 0 , 1 , 2 , ⋯ , n
注意到
b
(
k
;
n
,
p
)
,
k
=
0
,
1
,
2
,
⋯
,
n
b(k;n,p), \ k = 0,1,2,\cdots,n
b ( k ; n , p ) , k = 0 , 1 , 2 , ⋯ , n 是二项式
(
q
+
p
s
)
n
(q + ps)^{n}
( q + p s ) n 展开式中
s
k
s^{k}
s k 项的系数,因此上式称为 二项分布 。
特别地:
∑
k
=
0
n
b
(
k
;
n
,
p
)
=
∑
k
=
0
n
(
n
k
)
p
k
q
n
−
k
=
(
p
+
q
)
n
=
1.
\sum^{n}_{k=0}b(k;n,p) = \sum_{k=0}^{n}\binom{n}{k}p^{k}q^{n-k} = (p+q)^{n} = 1.
k = 0 ∑ n b ( k ; n , p ) = k = 0 ∑ n ( k n ) p k q n − k = ( p + q ) n = 1 .
2.3 几何分布
下面, 我们讨论在 Bernoulli 试验中"首次成功"出现在第
k
k
k 次试验的概率. 要使"首次成功"出现在第
k
k
k 次试验时, 必须且只需在前
k
−
1
k-1
k − 1 次试验中均出现事件
A
‾
\overline{A}
A , 而在第
k
k
k 次时出现 $A$, 因此该事件 (我们记为
W
k
W_{k}
W k ) 可表示为
W
k
=
P
(
A
‾
1
)
P
(
A
‾
2
)
⋯
P
(
A
‾
k
−
1
)
P
(
A
k
)
=
q
k
−
1
p
.
W_{k} = P(\overline{A}_{1})P(\overline{A}_{2})\cdots P(\overline{A}_{k-1})P(A_{k}) = q^{k-1}p.
W k = P ( A 1 ) P ( A 2 ) ⋯ P ( A k − 1 ) P ( A k ) = q k − 1 p . 记
g
(
k
;
p
)
=
q
k
−
1
p
,
k
=
1
,
2
,
⋯
g(k;p) = q^{k-1}p,\ \ \ \ k = 1,2,\cdots
g ( k ; p ) = q k − 1 p , k = 1 , 2 , ⋯
g
(
k
;
p
)
g(k;p)
g ( k ; p ) 是几何级数的一般项, 故称上式为 几何分布 . 此处有;
∑
k
=
1
∞
g
(
k
;
p
)
=
∑
k
=
1
∞
q
k
−
1
p
=
p
1
1
−
q
=
1.
\sum_{k = 1}^{\infty}g(k;p) = \sum_{k = 1}^{\infty}q^{k-1}p = p \frac{1}{1-q} = 1.
k = 1 ∑ ∞ g ( k ; p ) = k = 1 ∑ ∞ q k − 1 p = p 1 − q 1 = 1 . 几何分布给出了等待事件
A
A
A 出现共需要试验
k
k
k 次的概率. 这类概率在许多问题中都有涉及.
2.4 Pascal分布
下面, 我们讨论更为复杂的情况,也就是 Pascal 分布. 可以视其为几何分布的一种推广.
考虑 Bernoulli 试验,让我们考察要经过多长时间才会出现第
r
r
r 次成功: 若第
r
r
r 次成功发生在第
ζ
\zeta
ζ 次试验,则必然有
ζ
⩾
r
.
\zeta \geqslant r.
ζ ⩾ r . 下面以
C
k
C_{k}
C k 表示"第
r
r
r 次成功发生在第
k
k
k 次试验" 这一事件,并且记其概率为
f
(
k
;
r
,
p
)
f(k;r,p)
f ( k ; r , p ) .
C
k
C_{k}
C k 发生当且仅当前面的
k
−
1
k-1
k − 1 次试验中有
r
−
1
r-1
r − 1 次成功,
k
−
r
k-r
k − r 次失败,而第
k
k
k 次试验的结果为成功,这两个事件的概率分别为:
(
k
−
1
r
−
1
)
p
r
−
1
q
k
−
r
\binom{k-1}{r-1}p^{r-1}q^{k-r}
( r − 1 k − 1 ) p r − 1 q k − r 和
p
p
p . 利用试验的独立性,得到:
P
(
C
k
)
=
(
k
−
1
r
−
1
)
p
r
−
1
q
k
−
r
⋅
p
=
P
(
C
k
)
=
(
k
−
1
r
−
1
)
p
r
q
k
−
r
.
P(C_{k}) = \binom{k-1}{r-1}p^{r-1}q^{k-r} \cdot p = P(C_{k}) = \binom{k-1}{r-1}p^{r}q^{k-r}.
P ( C k ) = ( r − 1 k − 1 ) p r − 1 q k − r ⋅ p = P ( C k ) = ( r − 1 k − 1 ) p r q k − r . 即:
f
(
k
;
r
,
p
)
=
(
k
−
1
r
−
1
)
p
r
q
k
−
r
,
k
=
r
,
r
+
1
,
⋯
f(k;r,p) = \binom{k-1}{r-1}p^{r}q^{k-r}, \ \ \ k = r,r+1,\cdots
f ( k ; r , p ) = ( r − 1 k − 1 ) p r q k − r , k = r , r + 1 , ⋯ 注意到:
∑
k
=
r
∞
f
(
k
;
r
,
p
)
=
∑
k
=
r
∞
(
k
−
1
r
−
1
)
p
r
q
k
−
r
=
∑
l
=
0
∞
(
r
+
l
−
1
r
−
1
)
p
r
q
l
=
∑
l
=
0
∞
(
r
+
l
−
1
l
)
p
r
q
l
=
∑
l
=
0
∞
(
−
r
l
)
(
−
1
)
l
p
r
q
l
=
p
r
(
1
−
q
)
−
r
=
1.
\sum_{k = r}^{\infty}f(k;r,p) = \sum_{k =r}^{\infty}\binom{k-1}{r-1}p^{r}q^{k-r} \\ = \sum_{l = 0}^{\infty} \binom{r + l - 1}{r - 1}p^{r}q^{l} = \sum_{l = 0}^{\infty} \binom{r+l-1}{l}p^{r}q^{l} \\ = \sum_{l = 0}^{\infty}\binom{-r}{l}(-1)^{l}p^{r}q^{l} = p^{r}(1-q)^{-r} = 1.
k = r ∑ ∞ f ( k ; r , p ) = k = r ∑ ∞ ( r − 1 k − 1 ) p r q k − r = l = 0 ∑ ∞ ( r − 1 r + l − 1 ) p r q l = l = 0 ∑ ∞ ( l r + l − 1 ) p r q l = l = 0 ∑ ∞ ( l − r ) ( − 1 ) l p r q l = p r ( 1 − q ) − r = 1 .
我们称
f
(
k
;
r
,
p
)
f(k;r,p)
f ( k ; r , p ) 为 Pascal分布 . 特别地,当
r
=
1
r = 1
r = 1 时,我们得到几何分布.
3. 直线上的随机游动
定义2.3.3 (随机游动)
我们考虑位于
x
x
x 轴上的一个质点,并限制它只能位于整数点. 在时刻
t
=
0
t = 0
t = 0 时, 它处于初始位置
a
a
∈
Z
a \ \ a \in \mathbb{Z}
a a ∈ Z , 以后每个单位时间他总受到某个外力的随机作用使位置发生变化,分别以概率
p
p
p 和概率
q
=
1
−
p
q = 1-p
q = 1 − p 向正方向/负方向移动一个单位.
在这个问题中, 我们所感兴趣的是质点在时刻
t
=
n
t = n
t = n 时的位置. 我们称用这种方式描述的质点运动为 随机游动 .
定义2.3.4 (无限制随机游动和有吸收壁的随机游动)
若质点可在整个数轴的整数点上游动,则称这种随机游动为 无限制随机游动 .
若在某点
d
d
d 设有一个吸收壁, 质点一旦到达该点则被吸收从而不再游动, 因而游动过程结束,称这种随机游动为 在
d
d
d 点有吸收壁的随机游动 .
此外, 我们还可以相应地考虑带有 “反射壁” 及 “弹性壁” 的随机游动, 在一个随机游动中还可以存在不止一个壁.
当
p
=
q
=
1
2
p = q = \frac{1}{2}
p = q = 2 1 时,称这样的随机游动为 对称的 , 此时质点向两方向移动的可能性相等.
在自然科学中, 我们可以将大量的问题都归结为随机游动问题. 例如: 随机游动模型可作为布朗运动的初步近似. 概率论中的一些古典问题也可引导到随机游动问题. 实际上, 随机游动可以视为 Bernoulli试验的一种描述法.
下面,我们简介随机游动的两个最简单的模型:
3.1 无限制随机游动
假定质点在时刻
0
0
0 从原点出发, 以
S
n
S_{n}
S n 记它在时刻
t
=
n
t = n
t = n 时的位置. 为了使质点在时刻
t
=
n
t = n
t = n 时位于
k
k
k (
k
k
k 也可以是负整数), 质点必须而且只需在前
n
n
n 次游动中向右游动的次数比向左游动的次数多
k
k
k 次.
若以
x
x
x 记它在前
n
n
n 次游动中向右游动的次数,
y
y
y 记向左游动的次数,则
{
x
+
y
=
n
x
−
y
=
k
\begin{cases} x + y = n \\ x - y = k\end{cases}
{ x + y = n x − y = k 即
x
=
n
+
k
2
x = \frac{n+k}{2}
x = 2 n + k , 因为
x
x
x 是整数, 故
k
k
k 必须和
n
n
n 具有相同的奇偶性.
事件
{
S
n
=
k
}
\{S_{n} = k\}
{ S n = k } 发生相当要求在前
n
n
n 次游动中有
n
+
k
2
\frac{n+k}{2}
2 n + k 次向右,
n
−
k
2
\frac{n-k}{2}
2 n − k 次向左. 利用二项分布即得:
P
{
S
n
=
k
}
=
(
n
n
+
k
2
)
q
n
−
k
2
p
n
+
k
2
.
P\{S_{n} = k\} = \binom{n}{\frac{n+k}{2}}q^{\frac{n-k}{2}}p^{\frac{n+k}{2}}.
P { S n = k } = ( 2 n + k n ) q 2 n − k p 2 n + k . 当
k
k
k 和
n
n
n 奇偶性相反时, 概率为
0.
0.
0 .
3.2 两端带有吸收壁的随机游动
假定质点在时刻
t
=
0
t = 0
t = 0 时, 位于
x
=
a
x = a
x = a , 而在
x
=
0
x = 0
x = 0 和
x
=
a
+
b
x = a+b
x = a + b 处各有一个吸收壁,我们求质点在
x
=
0
x = 0
x = 0 被吸收或在
x
=
a
+
b
x = a+b
x = a + b 被吸收的概率. 使用的是差分方程法:
若以
q
n
q_{n}
q n 记质点的初始位置为
n
n
n , 而最终在
a
+
b
a+b
a + b 点被吸收的概率, 显然;
q
0
=
0
,
q
a
+
b
=
1
q_{0} = 0,\ \ q_{a+b} = 1
q 0 = 0 , q a + b = 1 若某时刻质点位于
x
=
n
x = n
x = n , 此处
1
⩽
n
⩽
a
+
b
−
1
1 \leqslant n \leqslant a+b-1
1 ⩽ n ⩽ a + b − 1 , 则它要被
x
=
a
+
b
x = a+b
x = a + b 吸收.
有两种实现方式: 第一种是接下去的一次移动是向右的, 从而最终被
x
=
a
+
b
x = a+b
x = a + b 吸收; 另一种是接下去的一次移动是向左的, 而最终被
x
=
a
+
b
x = a+b
x = a + b 吸收. 所以, 按照全概率公式有:
q
n
=
p
q
n
+
1
+
q
q
n
−
1
,
n
=
1
,
2
,
⋯
,
a
+
b
−
1.
q_{n} = pq_{n+1} + qq_{n-1}, \ \ \ n = 1,2,\cdots, a+b-1.
q n = p q n + 1 + q q n − 1 , n = 1 , 2 , ⋯ , a + b − 1 . 这样, 我们就得到了关于
q
n
q_{n}
q n 的一个二阶差分方程 (上式), 再利用边界条件
q
0
=
0
,
q
a
+
b
=
1
q_{0} = 0,\ \ q_{a+b} = 1
q 0 = 0 , q a + b = 1 就可以求解. 利用这个差分方程系数的特殊性, 较为方便的解法是将原差分方程改写为:
p
(
q
n
+
1
−
q
n
)
=
q
(
q
n
−
q
n
−
1
)
,
n
=
1
,
2
,
⋯
,
a
+
b
−
1.
p(q_{n+1} - q_{n}) = q(q_{n} - q_{n-1}),\ \ \ n = 1,2,\cdots,a+b-1.
p ( q n + 1 − q n ) = q ( q n − q n − 1 ) , n = 1 , 2 , ⋯ , a + b − 1 . 下面分两种情况求解;
r
=
1
r=1
r = 1 , 即
p
=
q
=
1
2
p=q=\frac{1}{2}
p = q = 2 1 , 也即对称随机游动的场合:
此时
c
n
=
c
n
−
1
.
c_{n} = c_{n-1}.
c n = c n − 1 . 因此, 若记
q
n
+
1
−
q
n
=
q
n
−
q
n
−
1
=
⋯
=
q
1
−
q
0
=
d
q_{n+1}-q_{n} = q_{n}-q_{n-1} = \cdots =q_{1}-q_{0} = d
q n + 1 − q n = q n − q n − 1 = ⋯ = q 1 − q 0 = d 则
q
n
=
q
0
+
n
d
q_{n} = q_{0} + nd
q n = q 0 + n d 由于
q
0
=
0
,
q
a
+
b
=
1
q_{0} = 0, \ q_{a+b} = 1
q 0 = 0 , q a + b = 1 , 故有:
q
n
=
n
a
+
b
q_{n} = \frac{n}{a+b}
q n = a + b n 特别地:
q
a
=
a
a
+
b
.
q_{a} = \frac{a}{a+b}.
q a = a + b a .
r
≠
1
r \neq 1
r = 1 , 即
p
≠
q
p \neq q
p = q 的场合:
此时
c
n
=
r
c
n
−
1
=
r
2
c
n
−
2
=
⋯
=
r
n
c
0
.
c_{n} = rc_{n-1} = r^{2}c_{n-2} = \cdots = r^{n}c_{0}.
c n = r c n − 1 = r 2 c n − 2 = ⋯ = r n c 0 . 从而:
q
n
−
q
0
=
∑
k
=
0
n
−
1
(
q
k
+
1
−
q
k
)
=
∑
k
=
0
n
−
1
c
k
=
∑
k
=
0
n
−
1
r
k
c
0
=
1
−
r
n
1
−
r
c
0
.
q_{n}-q_{0} = \sum^{n-1}_{k=0}(q_{k+1}-q_{k}) = \sum_{k=0}^{n-1}c_{k} = \sum_{k=0}^{n-1}r^{k}c_{0} = \frac{1-r^{n}}{1-r}c_{0}.
q n − q 0 = k = 0 ∑ n − 1 ( q k + 1 − q k ) = k = 0 ∑ n − 1 c k = k = 0 ∑ n − 1 r k c 0 = 1 − r 1 − r n c 0 . 由于
q
0
=
0
,
q
a
+
b
=
1
q_{0} = 0, \ q_{a+b} = 1
q 0 = 0 , q a + b = 1 , 故有:
1
−
r
a
+
b
1
−
r
c
0
=
1
\frac{1-r^{a+b}}{1-r}c_{0} = 1
1 − r 1 − r a + b c 0 = 1 因此
q
n
=
1
−
r
n
1
−
r
a
+
b
q_{n} = \frac{1-r^{n}}{1-r^{a+b}}
q n = 1 − r a + b 1 − r n 特别地:
q
a
=
1
−
r
n
1
−
r
a
+
b
=
1
−
(
q
p
)
a
1
−
(
q
p
)
a
+
b
.
q_{a} = \frac{1-r^{n}}{1-r^{a+b}} = \frac{1-(\frac{q}{p})^{a}}{1-(\frac{q}{p})^{a+b}}.
q a = 1 − r a + b 1 − r n = 1 − ( p q ) a + b 1 − ( p q ) a .
若以
p
n
p_{n}
p n 记质点从
n
n
n 出发而在
0
0
0 点被吸收的概率,则同样可列出差分方程:
p
n
=
p
p
n
+
1
+
q
p
n
+
1
,
n
=
1
,
2
,
⋯
,
a
+
b
−
1.
p_{n} = pp_{n+1} + qp_{n+1},\ \ \ n = 1,2,\cdots, a+b-1.
p n = p p n + 1 + q p n + 1 , n = 1 , 2 , ⋯ , a + b − 1 . 及边界条件:
p
0
=
1
,
p
a
+
b
=
0.
p_{0} = 1,\ \ p_{a+b} = 0.
p 0 = 1 , p a + b = 0 . 类似地可以求得:当
p
=
q
=
1
2
p = q = \frac{1}{2}
p = q = 2 1 时:
p
a
=
a
a
+
b
p_{a} = \frac{a}{a+b}
p a = a + b a 而在
p
≠
q
p \neq q
p = q 的情况下:
p
a
=
1
−
(
p
q
)
b
1
−
(
p
q
)
a
+
b
=
(
q
p
)
a
−
(
q
p
)
a
+
b
1
−
(
q
p
)
a
+
b
.
p_{a} = \frac{1-(\frac{p}{q})^{b}}{1-(\frac{p}{q})^{a+b}} = \frac{(\frac{q}{p})^{a}-(\frac{q}{p})^{a+b}}{1-(\frac{q}{p})^{a+b}}.
p a = 1 − ( q p ) a + b 1 − ( q p ) b = 1 − ( p q ) a + b ( p q ) a − ( p q ) a + b . 在任何情况下,均有:
p
a
+
p
b
=
1.
p_{a} + p_{b} = 1.
p a + p b = 1 . 也就是说, 随机游动的质点最终必被两个端点之一所吸收 .
4. 推广的 Bernoulli 试验与多项分布
二项分布可以被很容易地推广到
n
n
n 次重复独立试验且每次试验可能有若干个结果的情形. 将每次试验的可能结果记为
A
1
,
A
2
,
⋯
,
A
r
A_{1},A_{2},\cdots, A_{r}
A 1 , A 2 , ⋯ , A r , 而
P
(
A
i
)
=
p
i
,
i
=
1
,
2
,
⋯
,
r
,
P(A_{i}) = p_{i},\ i = 1,2,\cdots,r,
P ( A i ) = p i , i = 1 , 2 , ⋯ , r , 且
p
1
+
p
2
+
⋯
+
p
r
=
1
,
p
i
⩾
0.
p_{1} + p_{2} + \cdots + p_{r} = 1, \ \ p_{i} \geqslant 0.
p 1 + p 2 + ⋯ + p r = 1 , p i ⩾ 0 . 当
r
=
2
r = 2
r = 2 时, 我们即得到 Bernoulli 试验.
在这种推广的 Bernoulli 试验中,不难推出在
n
n
n 次试验中
A
i
A_{i}
A i 出现
k
i
k_{i}
k i 次 (
i
=
1
,
2
,
⋯
,
r
i = 1,2,\cdots,r
i = 1 , 2 , ⋯ , r ) 的概率为;
n
!
k
1
!
k
2
!
⋯
k
r
!
p
1
k
1
p
2
k
2
⋯
p
r
k
r
.
\frac{n!}{k_{1}!k_{2}!\cdots k_{r}!}p_{1}^{k_{1}}p_{2}^{k_{2}}\cdots p_{r}^{k_{r}}.
k 1 ! k 2 ! ⋯ k r ! n ! p 1 k 1 p 2 k 2 ⋯ p r k r . 此处
k
i
⩾
0
k_{i} \geqslant 0
k i ⩾ 0 , 且
k
1
+
k
2
+
⋯
+
k
r
=
n
.
k_{1} + k_{2} + \cdots +k_{r} = n.
k 1 + k 2 + ⋯ + k r = n . 上式称为 多项分布 , 因其为
(
p
1
+
p
2
+
⋯
+
p
r
)
n
(p_{1} + p_{2} + \cdots +p_{r})^{n}
( p 1 + p 2 + ⋯ + p r ) n 展开式的一般项,且知:
∑
k
i
⩾
0
k
1
+
k
2
+
⋯
+
k
r
=
1
n
!
k
1
!
k
2
!
⋯
k
r
!
p
1
k
1
p
2
k
2
⋯
p
r
k
r
.
\sum_{k_{i} \geqslant 0 \ \ \ k_{1} + k{2} + \cdots + k{r} = 1} \frac{n!}{k_{1}!k_{2}!\cdots k_{r}!}p_{1}^{k_{1}}p_{2}^{k_{2}}\cdots p_{r}^{k_{r}}.
k i ⩾ 0 k 1 + k 2 + ⋯ + k r = 1 ∑ k 1 ! k 2 ! ⋯ k r ! n ! p 1 k 1 p 2 k 2 ⋯ p r k r . 显然,多项分布是二项分布的推广, 二项分布的许多结论均和多项分布的场合平行. 以后, 我们只详细讨论二项分布的有关问题.