概率论复习笔记二——离散型分布和连续型分布
一、离散型分布
1.1 伯努利分布
在一次试验中,事件AAA出现的概率为ppp,不出现的概率为q=1−pq=1-pq=1−p,若以β\betaβ记事件AAA出现的次数,则β\betaβ取0,10, 10,1两值,相应的概率分布为bk=P{β=k}=pkq1−k,k=0,1(1)b_k=P\{\beta=k\}=p^kq^{1-k}, k=0,1\tag1bk=P{β=k}=pkq1−k,k=0,1(1)
这个分布称为伯努利分布,亦称为两点分布。
1.2 二项分布
在nnn重伯努利试验中,若以μ\muμ记作成功的次数,则它是一个随机变量,μ\muμ可能取的值为0,1,2⋯,n0,1,2\cdots,n0,1,2⋯,n,其对应的概率分布为b(k;n,p)=P{μ=k}=Cnkpkqn−k,k=0,1,2⋯,n(2)b(k;n,p)=P\{\mu=k\}=C_n^kp^kq^{n-k}, k=0,1,2\cdots,n\tag2b(k;n,p)=P{μ=k}=Cnkpkqn−k,k=0,1,2⋯,n(2)
简记为μ∼B(n,p)\mu\sim B(n,p)μ∼B(n,p)
1.3泊松分布
若随机变量ξ\xiξ可取一切非负整数值,且p{ξ=k}=λkk!e−λ,k=0,1,2⋯(3)p\{\xi=k\}=\frac{\lambda^k}{k!}e^{-\lambda}, k=0,1,2\cdots\tag3p{ξ=k}=k!λke−λ,k=0,1,2⋯(3)
其中,λ>0\lambda\gt0λ>0,则称ξ\xiξ服从泊松分布,简记为ξ∼P(λ)\xi\sim P(\lambda)ξ∼P(λ)
1.4 几何分布
在成功概率为ppp的伯努利试验中,若以η\etaη记成功首次出现时的试验次数,则η\etaη为随机变量,它可能取的值为1,2,3⋯1,2,3\cdots1,2,3⋯,其概率分布为g(k,p)=P{η=k}=qk−1p,k=1,2,⋯(4)g(k,p)=P\{\eta=k\}=q^{k-1}p, k=1, 2, \cdots\tag4g(k,p)=P{η=k}=qk−1p,k=1,2,⋯(4)
简记为η∼g(k,p)\eta\sim g(k,p)η∼g(k,p)
几何分布有一个重要的性质——无记忆性:
假定已知在前mmm次试验中没有出现成功,那么为了达到首次成功还需要再等待的次数为η′\eta^{'}η′,其概率分布为P{η′=k}=P{η=m+k∣η>m}=P{η=m+k}P{η>m}=qm+k−1pqm=qk−1p,k=1,2,⋯P\{\eta^{'}=k\}=P\{\eta=m+k|\eta\gt m\}=\frac{P\{\eta=m+k\}}{P\{\eta\gt m\}}=\frac{q^{m+k-1}p}{q^m}=q^{k-1}p, k=1,2,\cdotsP{η′=k}=P{η=m+k∣η>m}=P{η>m}P{η=m+k}=qmqm+k−1p=qk−1p,k=1,2,⋯
可见,η′\eta^{'}η′的分布还是几何分布,即为了达到首次成功还需要再等待的次数与前面的失败次数无关。
1.5 帕斯卡分布
在成功概率为ppp的伯努利试验中,若以ζ\zetaζ记第rrr次成功出现时的试验次数,则ζ\zetaζ是随机变量,取值r,r+1,⋯r, r+1, \cdotsr,r+1,⋯,其概率分布为帕斯卡分布:P{ζ=k}=Ck−1r−1prqk−r,k=r,r+1,⋯(5)P\{\zeta=k\}=C_{k-1}^{r-1}p^{r}q^{k-r},k=r,r+1,\cdots\tag 5P{ζ=k}=Ck−1r−1prqk−r,k=r,r+1,⋯(5)
二、连续型分布
首先需要知道的是,连续型随机变量取个别值的概率为000,即P{ξ=c}=0P\{\xi=c\}=0P{ξ=c}=0。在图型上,密度函数对各种分布的特征的显示要比分布函数优胜的多,因此它比分布函数更加常用。
2.1 均匀分布
若a,ba, ba,b为有限数,由下列密度函数定义的分布称为[a,b][a,b][a,b]上的均匀分布:p(x)={1b−a,a≤x≤b0,x<a或x>b(6)p(x)=\begin{cases}\frac{1}{b-a}, &a\le x \le b\\ 0, &x\lt a或x\gt b \end{cases}\tag6p(x)={b−a1,0,a≤x≤bx<a或x>b(6)
记作U[a,b]U[a,b]U[a,b]
2.2 正态分布
密度函数为p(x)=12πσe−(x−μ)22σ2,−∞<x<∞(7)p(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}, -\infty\lt x\lt \infty\tag7p(x)=2πσ1e−2σ2(x−μ)2,−∞<x<∞(7)
其中,σ>0\sigma\gt0σ>0,μ\muμ和σ\sigmaσ均为常数,这种分布称为正态分布,简记为N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2)。特别的,当μ=0,σ=1\mu=0, \sigma=1μ=0,σ=1时,称为标准正态分布,记为N(0,1)N(0,1)N(0,1),相应的密度函数和分布函数记为φ(x)\varphi(x)φ(x)和Φ(x)\Phi(x)Φ(x)。
可以验证,如果随机变量ξ\xiξ服从正态分布N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2),那么ξ−μσ\frac{\xi-\mu}{\sigma}σξ−μ服从N(0,1)N(0,1)N(0,1)。而且p{∥ξ−μ∣<σ}≈68.27%(8)p\{\|\xi-\mu|\lt\sigma\}\approx68.27\%\tag8p{∥ξ−μ∣<σ}≈68.27%(8)
p{∥ξ−μ∣<2σ}≈95.45%(9)p\{\|\xi-\mu|\lt2\sigma\}\approx95.45\%\tag9p{∥ξ−μ∣<2σ}≈95.45%(9)
p{∥ξ−μ∣<3σ}≈99.73%(10)p\{\|\xi-\mu|\lt3\sigma\}\approx99.73\%\tag{10}p{∥ξ−μ∣<3σ}≈99.73%(10)
2.3 指数分布
密度函数为p(x)={λe−λx,x≥00,x<0p(x)=\begin{cases} \lambda e^{-\lambda x}, &x\ge0\\ 0, &x\lt0 \end{cases}p(x)={λe−λx,0,x≥0x<0,分布函数为F(x)={1−e−λx,x≥00,x<0F(x)=\begin{cases} 1 - e^{-\lambda x}, &x\ge0\\ 0, &x\lt0 \end{cases}F(x)={1−e−λx,0,x≥0x<0,其中λ>0\lambda\gt0λ>0为参数,这分布称为指数分布,简记为Exp(λ)Exp(\lambda)Exp(λ)。常用它来作各种“寿命”分布的近似,例如电子元件的寿命,某些动物的寿命,电话问题中的通话时间等。
另外,与几何分布类似,p{ξ≥s+t∣ξ≥s}=P{ξ≥t}p\{\xi\ge s+t|\xi\ge s\}=P\{\xi\ge t\}p{ξ≥s+t∣ξ≥s}=P{ξ≥t}。
概率论复习笔记二——离散型分布和连续型分布相关推荐
- 随机变量的概率,离散型随机变量及其分布,连续型随机变量及其分布、分布函数,离散型的分布函数,连续型的分布函数
随机变量的概率,离散型随机变量及其分布,连续型随机变量及其分布.分布函数,离散型的分布函数,连续型的分布函数 一.随机变量的概念 二.离散型随机变量及其概率分布 三.连续型随机变量及其概率密度函数 概 ...
- c++语言自定义操作符,C++语言复习笔记二
C++语言复习笔记二 零.OOP 特征:抽象-封装-继承-多态 一.自定义数据类型 1.类 class 类名 { private: 私有成员(本类) public: 公共成员(所有) protecte ...
- matlab连续型随机变量,matlab连续型随机变量的分布.doc
matlab连续型随机变量的分布.doc 连续型随机变量的分布及其数字特征一.基本概念设随机变量X的分布函数为F(x),若存在非负函数f(x),使对任意实数x,有≤X{Pxd}则称X为连续型随 ...
- 概率论复习笔记——卷积公式
概统笔记--多维随机变量及其分布.卷积公式 二维随机变量 边缘概率密度 条件分布 相互独立的随机变量 两个随机变量的函数的分布.卷积公式 (一)Z=X+Y的分布 (二)Z=X/Y的分布.Z=XY的分布 ...
- 概率论与数理统计学习笔记——第十九讲——二元连续型随机变量,联合概率密度函数
1. 联合概率密度函数 2. 概率密度的性质 3. 二元连续型随机变量概率分布函数求解示例
- 二值化_处理连续型特征:二值化与分段
preprocessing.Binarizer 根据阈值将数据二值化(将特征值设置为0或1),用于处理连续型变量.大于阈值的值映射为1,而小于或等于阈值的值映射为0.默认阈值为0时,特征中所有的正值都 ...
- 【论文笔记】基于强化学习的连续型机械臂自适应跟踪控制
文章目录 摘要 关键词 0 引言 1 空间连续型机器人动力学模型 1.1 场景假设 (1) 环境假设 (2) 模型假设 1.2 公式分析 2 空间连续型机器人滑模控制器 3 基于强化学习的滑模控制器 ...
- 统计学离散型变量和连续型变量有什么区别?
离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得. 反之,在一定区间内可以任意取值的变量叫连续变 ...
- matlab连续型随机变量,一维连续型随机变量及其概率密度[精选].ppt
一维连续型随机变量及其概率密度[精选] 第2.3节 一维连续型随机变量 及其概率密度 一.概率密度的概念与性质 二.常见连续型随机变量的分布 三.小结 Gauss 证明 解 例7 证毕 一.连续型随机 ...
最新文章
- 微软亚洲研究院多媒体计算组招聘计算机视觉算法实习生
- 利用svg技术实现在线动画演示
- 前台页面验证中需要注意的一个与VARCHAR2(N BYTE)和VARCHAR2(N CHAR)的小细节
- 加权最小二乘法的理解
- 米饭凉一凉再吃会更加地健康
- php 去除变态空格字符方法,空格trim不掉问题解决思路
- 经典机器学习系列(十二)【学习排序】
- matlab调用com组件出现错误求解决,matlab在生成COM组件编译时出现错误
- ffempge常用指令_fluent-ffmpeg 常用函数
- python 科比投篮数据可视化及简单分析
- Python math.erf() 方法
- 深度学习---之显存单位,KiB,MiB与MB区别
- 降压恒流 LED 驱动器
- RF- BuiltIn_Run Keyword关键字系列
- HTML5视频自动循环播放
- 说说如果meta标签没有写charset属性,将会如何?
- core dumped调试Segmentation fault
- 中科院计算所寒武纪团队DianNao系列论文导读
- html边框背景图片,css3 边框、背景、文本效果的实现代码
- STM32——三原色
热门文章
- 学习编程太枯燥?12款助你学编程的免费游戏送上!
- 微信公众号开发之jfinal wxin
- JavaScript 数组对象切片
- 胆囊结石的危害你了解多少?
- 请教下 atmega8l 下载程序 下载器progisp1.6.7
- 正确使用#include和前置声明(forward declaration)
- 如何基于 RISC-V CPU 集成一个 RISC-V SoC 呢?(上)
- 使用Xcode的Organizer监控线上用户 App 的使用情况
- mysql docker oom_记一次 K3s MySQL 启动 OOM 排查
- 苹果企业证书发布ipa,使用gitee存放plist文件