伯努利分布、二项分布、几何分布、超几何分布、泊松分布

导语

       对于任何一个学习概率论的童鞋来说，各种分布都是很头痛的一件事情，本篇主要讨论的是离散型随机变量.

伯努利分布

       伯努利分布就是我们常见的0-1分布，即它的随机变量只取0或者1，各自的频率分别取$1-p$和$p$，当$x=0$或者$x=1$时，我们数学定义为：

$$p(x)=p^x*(1-p)^{1-x}$$
       其它情况下 $p(x)=0$，伯努利分布是一个非常好理解的分布，也是很多其它分布的基础。

离散型随机变量期望：$E(x)=\sum x*p(x)$
方差：$D(x)=E(x^2)-E^2(x)$

       对于伯努利分布来说，$E(x)=1*p+0*(1-p)=p,D(x)=1^2*p-p^2=p(1-p)$

二项分布

       二项分布是这样一种分布，假设进行n次独立实验，每次实验“成功”的概率为$p$，失败的概率为$1-p$，所有成功的次数$X$就是一个参数为$n$和$p$的二项随机变量.数学公式定义为：

$$p(k)=\binom{n}{k}*p^k*(1-p)^{n-k}$$
       二项分布公式基于伯努利分布得到，因为二项分布中每项实验都是独立的，因此每一次实验都是一次伯努利实验，在$n$次实验中，成功$k$次，排列方式有$\binom{n}{k}$种，根据乘法原理，即可得到二项分布的公式。

话外：对于均值和方差的计算，$X_i$是标准的伯努利分布，总发生次数$X=\sum_1^n X_i$，所以$E(X)=E(\sum_1^n X_i)=\sum_1^n E(X_i)=n*p$，同理方差$D(x)=\sum_1^nD(X_i)=n*p*(1-p)$

几何分布和负二项分布

       这是一个比较简单的分布，其中负二项分布是几何分布的一般形式，几何分布与二项分布类似，也是由$n$次伯努利分布构成，随机变量$X$表示第一次成功所进行试验的次数，则

$$p(k)=P(X=k)=p*(1-p)^{k-1},k=1,2,3,...$$
       负二项分布是几何分布的一般形式，表示直到成功r次停止，显而易见，当r=1时，它就是几何分布，则
$$P(X=k)=\binom{k-1}{r-1}p^r*(1-p)^{k-r}$$

关于几何分布的期望与方差，$E(X)=1/p$，$D(x)=(1-p)/p^2$，关于期望的证明，$E(X)=\sum_{n=1}^\infty n*p*q^{n-1}=p*\sum_{n=1}^\infty (q^n)'=p*(\sum_{n=1}^\infty q^n)'=1/p$，方差证明与期望证明类似，不再赘述…

超几何分布

       非常常见的一种分布，常用来表示在$N$个物品中有指定商品$M$个，不放回抽取$n$个，抽中指定商品的个数，即$X$~$H(N,n,M)$，则抽中k件的概率为：

$$p(k)=P(X=k)=\frac{\binom{M}{k}*\binom{N-M}{n-k}}{\binom{N}{n}}$$
       实际应用中超几何分布例子很多，比如彩票开奖你所符合的数字个数等。

泊松分布

       泊松分布是离散型随机变量分布中相对较难的一种，泊松频率函数定义为：

$$P(X=k)=\frac{\lambda^k*e^{-\lambda}}{k!}，k=0,1,2,3,...$$
       泊松分布是二项分布的极限形式，可有二项分布概率公式推导得出，其中 $\lambda=n*p$，当 $n>>p$时，
$$p(k)=\binom{n}{k}*p^k*(1-p)^{n-k}=\frac{n!*p^k*(1-p)^{n-k}}{k!*(n-k)!}=\frac{n!*({\lambda \over n})^k*(1-{\lambda \over n})^{n-k}}{k!*(n-k)!}= {\lambda^k \over k!}*{n! \over {(n-k)!*k!}}*{(1-{\lambda \over n})^n}*{(1-{\lambda \over n})^{-k}}$$
当 $n$->$\infty$时， $\lambda \over n$->0， ${n! \over {(n-k)!*k!}}$->1， ${(1-{\lambda \over n})^n}$-> $e^{-\lambda}$， ${(1-{\lambda \over n})^{-k}}$->1，所以
$$p(k)->{{\lambda^k*e^{-\lambda}} \over k!}$$

泊松分布的期望和方差均为$\lambda$，证明过程严格按照定义即可，注意在证明过程中使用到了$e^{\lambda}的泰勒展开$

       泊松分布主要用来研究单位时间或单位空间内某时间的发生次数，同时事件的发生必须是相互独立的，比如单位时间内通过某一交通灯的车辆数等。$\lambda$大概等于20时，泊松分布基本可以近似为正态分布进行处理。
       泊松分布用来衡量事件的稳定性是一个不错的方法，再配合一些统计学上的检验方法，能够做很多东西，在之后的连续型随机变量中，有一种分布叫指数分布，它与泊松分布密不可分，可由泊松分布推导出…..敬请期待.