统计学中的概率分布：从泊松到正态-CSDN博客

本文链接：https://blog.csdn.net/2201_75680732/article/details/133498760

均匀分布
$X\sim U(a,b)$ ,U-uniform
概率密度函数 $f(x)=\left\{\begin{matrix} \frac{1}{b-a}&,a<x<b\\0&,others \end{matrix}\right.$
分布函数 $F(x)=\left\{\begin{matrix} 0&,x\leqslant a\\ \int_a^x\frac{1}{b-a}dx=\frac{x-a}{b-a}&,a<x\leqslant b\\ 1 &,x>b \end{matrix}\right.$
概率函数 $P\{X>b\}=P\{X<a\}=0\\ P\{c<X<d\}=\frac{d-c}{b-a}(a\leqslant c<d\leqslant b)$

指数分布
$X\sim E(\theta)$
$f(x)=\left\{\begin{matrix} \frac{1}{\theta}e^{-\frac{x}{\theta}}&,x>0\\ 0&,x\leqslant0 \end{matrix}\right.$
对于一个质子流，质点数的出现符合泊松分布，而两次出现的时间间隔符合指数分布。
无记忆性：描述寿命分布 $P\{X>s+t|X>s\}=P\{X>t\}$

正态分布（Gauss分布）
$X\sim N(\mu,\sigma^2)$ ,N-nature, $\mu$ 位置参数, $\sigma$ 形状参数
$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},x\in R\\ max=f(\mu)=\frac{1}{\sqrt{2\pi}}$
拐点 $(\mu +\sigma ,\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{1}{2}})$
$F(x)=\frac{1}{\sqrt{2\pi}\sigma}\int _{-\infty}^xe^{-\frac{(t-\mu)^2}{2\sigma^2}}dt$
标准正态分布
$X\sim N(0,1)$
$\varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}},x\in R$
$\phi (x)=\frac{1}{\sqrt{2\pi}}\int _{-\infty}^xe^{-\frac{t^2}{2}}dt$
$\phi(-x)=1-\phi(x)\\P\{|X|<x\}=P\{-x\leq X<x\}=2\phi(x)-1$
变量标准化：若 $X\sim N(\mu,\sigma^2)$ ，则 $z=\frac{x-\mu}{\sigma}\sim N(0,1)$ 。