常用概率分布及其数学期望和方差
分布 | 分布列 pkp_kpk 或分布密度 p(x)p(x)p(x) | 期望 | 方差 |
---|---|---|---|
0−10-10−1 分布 | pk=pk(1−p)1−k,k=0,1p_k=p^k(1-p)^{1-k},\quad k=0,1pk=pk(1−p)1−k,k=0,1 | ppp | p(1−p)p(1-p)p(1−p) |
二项分布 b(n,p)b(n,p)b(n,p) | pk=(nk)pk(1−p)n−k,k=0,1,⋯p_k=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,\cdotspk=(kn)pk(1−p)n−k,k=0,1,⋯ | npnpnp | np(1−p)np(1-p)np(1−p) |
泊松分布 P(λ)P(\lambda)P(λ) | pk=λkk!e−λ,k=0,1,⋯p_k=\frac{\lambda^k}{k!}e^{-\lambda},\quad k=0,1,\cdotspk=k!λke−λ,k=0,1,⋯ | λ\lambdaλ | λ\lambdaλ |
超几何分布 h(n,N,M)h(n,N,M)h(n,N,M) | pk=(Mk)(N−Mn−k)(Nn),k=0,1,⋯,r,r=min(M,n)p_k=\frac{\binom{M}{k}\binom{N-M}{n-k}}{\binom{N}{n}},\quad k=0,1,\cdots,r,r=\min{(M,n)}pk=(nN)(kM)(n−kN−M),k=0,1,⋯,r,r=min(M,n) | nMNn\frac{M}{N}nNM | nM(N−M)(N−n)N2(N−1)\frac{nM(N-M)(N-n)}{N^2(N-1)}N2(N−1)nM(N−M)(N−n) |
几何分布 Ge(p)Ge(p)Ge(p) | pk=(1−p)k−1p,k=1,2,⋯p_k=(1-p)^{k-1}p,\quad k=1,2,\cdotspk=(1−p)k−1p,k=1,2,⋯ | 1p\frac{1}{p}p1 | 1−pp2\frac{1-p}{p^2}p21−p |
负二项分布 Nb(r,p)Nb(r,p)Nb(r,p) | pk=(k−1r−1)(1−p)k−rpr,k=r,r+1,⋯p_k=\binom{k-1}{r-1}(1-p)^{k-r}p^r,\quad k=r,r+1,\cdotspk=(r−1k−1)(1−p)k−rpr,k=r,r+1,⋯ | rp\frac{r}{p}pr | r(1−p)p2\frac{r(1-p)}{p^2}p2r(1−p) |
正态分布 N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2) | p(x)12πσexp{−(x−μ)22σ2},−∞<x<+∞p(x)\frac{1}{\sqrt{2\pi}\sigma}\exp\left\{-\frac{(x-\mu)^2}{2\sigma^2}\right\},\quad -\infin <x<+\infinp(x)2πσ1exp{−2σ2(x−μ)2},−∞<x<+∞ | μ\muμ | σ2\sigma^2σ2 |
均匀分布 U(a,b)U(a,b)U(a,b) | p(x)=1b−a,a<x<bp(x)=\frac{1}{b-a},\quad a<x<bp(x)=b−a1,a<x<b | a+b2\frac{a+b}{2}2a+b | (b−a)212\frac{(b-a)^2}{12}12(b−a)2 |
指数分布 Exp(λ)Exp(\lambda)Exp(λ) | p(x)=λe−λx,x⩾0p(x)=\lambda e^{-\lambda x},\quad x\geqslant 0p(x)=λe−λx,x⩾0 | 1λ\frac{1}{\lambda}λ1 | 1λ2\frac{1}{\lambda^2}λ21 |
伽马分布 Ga(α,λ)Ga(\alpha,\lambda)Ga(α,λ) | p(x)=λαΓ(α)xα−1e−λx,x⩾0p(x)=\frac{\lambda^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x},\quad x\geqslant 0p(x)=Γ(α)λαxα−1e−λx,x⩾0 | αλ\frac{\alpha}{\lambda}λα | αλ2\frac{\alpha}{\lambda^2}λ2α |
X2(n)\mathcal{X}^2(n)X2(n)分布 | p(x)=xn/2−1e−x/2Γ(n/2)2n/2,x⩾0p(x)=\frac{x^{n/2-1}e^{-x/2}}{\Gamma(n/2)2^{n/2}},\quad x\geqslant 0p(x)=Γ(n/2)2n/2xn/2−1e−x/2,x⩾0 | nnn | 2n2n2n |
贝塔分布 Be(a,b)Be(a,b)Be(a,b) | p(x)=Γ(a+b)Γ(a)Γ(b)xα−1(1−x)b−1,0<x<1p(x)=\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}x^{\alpha-1}(1-x)^{b-1},\quad 0<x<1p(x)=Γ(a)Γ(b)Γ(a+b)xα−1(1−x)b−1,0<x<1 | aa+b\frac{a}{a+b}a+ba | ab(a+b)2(a+b+1)\frac{ab}{(a+b)^2(a+b+1)}(a+b)2(a+b+1)ab |
对数正态分布 LN(μ,σ2)LN(\mu,\sigma^2)LN(μ,σ2) | p(x)=12πσxexp{−(lnx−μ)22σ2},x>0p(x)=\frac{1}{\sqrt{2\pi}\sigma x}\exp\left\{-\frac{(\ln x-\mu)^2}{2\sigma^2}\right\},x>0p(x)=2πσx1exp{−2σ2(lnx−μ)2},x>0 | eμ+σ2/2e^{\mu+\sigma^2/2}eμ+σ2/2 | e2μ+σ2(eσ2−1)e^{2\mu+\sigma^2}(e^{\sigma^2}-1)e2μ+σ2(eσ2−1) |
柯西分布 Cau(μ,λ)Cau(\mu,\lambda)Cau(μ,λ) | p(x)=1πλλ2+(x−μ)2,−∞<x<+∞p(x)=\frac{1}{\pi}\frac{\lambda}{\lambda^2+(x-\mu)^2},\quad -\infty<x<+\inftyp(x)=π1λ2+(x−μ)2λ,−∞<x<+∞ | 不存在 | 不存在 |
韦布尔分布 | p(x)=F′(x),F(x)=1−exp{−(xη)m},x>0p(x)=F'(x),F(x)=1-\exp\left\{-(\frac{x}{\eta})^m\right\},x>0p(x)=F′(x),F(x)=1−exp{−(ηx)m},x>0 | ηΓ(1+1m)\eta\Gamma\left(1+\frac{1}{m}\right)ηΓ(1+m1) | η2[Γ(1+2m)−Γ2(1+1m)]\eta^2\left[\Gamma\left(1+\frac{2}{m}\right)-\Gamma^2\left(1+\frac{1}{m}\right)\right]η2[Γ(1+m2)−Γ2(1+m1)] |
常用概率分布及其数学期望和方差相关推荐
- 几何分布的期望和方差公式推导_数学期望、方差、协方差
概论: 一维随机变量期望与方差 二维随机变量期望与方差 协方差 1.一维随机变量期望与方差: 公式: 离散型: E(X)=∑i=1->nXiPi Y=g(x) E(Y)=∑i=1->ng( ...
- 概率论基础(7)数学期望、方差、协方差、切比雪夫不等式
概率论对于学习 NLP 方向的人,重要性不言而喻.于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础. 这是基础篇的第七篇知识点总结 基础:下面前六篇的链接地址: 概率论基础(1)古典和几何概型及事 ...
- 几何分布的期望和方差公式推导_超几何分布的数学期望与方差推导
考虑 个外表相同的物品,其中有 个同类物品与另一类的 个物品:抽取 个物品,每个物品的抽取等概率随机. 上述便是一个超几何分布(Hypergeometric Distribution)的基本模型. 抽 ...
- 概率论由相关性求数学期望和方差的公式_概率论与数理统计(马涛)第4章——数学期望与方差.ppt...
§3. 协方差及相关系数 一 定义 设 X,Y 是两个随机变量, 称 为随机变量 X,Y 的协方差. 并称 注 1. 为随机变量 X,Y 的相关系数. 2. 是一个无量纲的量: 3. 若 , 则称 X ...
- 数学期望,方差,标准差,样本方差,协方差,相关系数概念扫盲
数学期望 在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一.它反映随机变量平均取值的大小. 再举个例子理解一下数学期望: ...
- 013 数学期望及方差计算习题
013 数学期望及方差计算习题
- 011 数学期望、方差及方差性质
011 数学期望.方差及方差性质
- 概率论由相关性求数学期望和方差的公式_2020.3.30 | 考研数学—概率论与数理统计:各章节考试重点...
考研数学有两大重点,基础要打好,练习要多做,错题要巩固.下面来看下有关概率论与数理统计相关复习内容,一起来学习吧! 一.概率与数理统计学科的特点(1)研究对象是随机现象高数是研究确定的现象,而概率研究 ...
- 数学期望、方差、标准差、协方差、残差、均方差、均方误差、均方根误差、均方根值对比分析及python实现
内容较多,如有错误之处请评论区留言以便更正,内容仅供参考. 文章目录 期望(Expected value) 意义 定义 离散型 连续型 期望与平均值的区别 方差(Variance) 案例 概率论方差 ...
- 概率统计:数学期望、方差、协方差、相关系数、矩
一 .数学期望(均值): 在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和.是最基本的数学特征之一.它反映随机变量平均取值的大小.其公式如下: ...
最新文章
- SQL 将一列数据转为一行字符串[转]
- ASP.NET中App_Code,App_Data等文件夹的作用
- c与python的区别-c 跟 python的区别有哪些
- python 缺点-Python的3个主要缺点及其解决方案
- HDU 2457 DNA repair (AC自动机+DP)
- 学习机器学习:这10年我们能在各自的领域做点什么?
- 理解Go 1.5 vendor
- Python continue
- Java自动生成增量补丁自动部署_java-Hibernate正在为表生成自动增量交替ID
- java的第一个程序 ----Hello World
- HBuilder工作笔记002---HBuilder打包IOS应用测试IOS应用
- while循环 dowhile循环 for循环(C++)
- matlab的小波分析,matlab小波分析步骤是什么 - 全文
- MATLAB线性规划整数变量,Matlab 整数线性规划问题模型代码
- Python Thinker GUI的组件的简单总结
- 洲际酒店集团与国际青年成就达成全球合作
- Android安卓原生接支付宝SDK支付客户端
- 万字详解 阿里面试真题:请你说说索引的原理
- 如何做好创业公司CEO - 量力而行
- TensorFlow2.0保存模型