概率统计拾遗

River Chandler

已于 2023-02-07 22:03:53 修改

阅读量912

点赞数 2

分类专栏： # 概率统计文章标签：概率论

于 2022-12-06 10:24:52 首次发布

本文链接：https://blog.csdn.net/Chandler_river/article/details/127645786

版权

概率统计专栏收录该内容

5 篇文章 0 订阅

订阅专栏

几种常见分布的数学期望与方差

分布	概率密度函数	数学期望	方差
0-1分布	$P\begin{Bmatrix} X=k \end{Bmatrix}=p^kq^{1-k}$	$p$	$pq$
二项分布	$P\begin{Bmatrix} X=k \end{Bmatrix}=C_{n}^{k}p^kq^{n-k}$	$np$	$npq$
泊松分布	$P\begin{Bmatrix} X=k \end{Bmatrix}=\frac{\lambda^k}{k!}e^{-\lambda}$	$\lambda$	$\lambda$
均匀分布	$f(x)=\left\{\begin{matrix} \frac{1}{b-a} &a<x<b \\ 0 & others \end{matrix}\right.$	$\frac{a+b}{2}$	$\frac{(a-b)^2}{12}$
指数分布	$f(x)=\left\{\begin{matrix} \lambda e^{-\lambda x} & x>0\\ 0& others \end{matrix}\right.$	$\frac{1}{\lambda}$	$\frac{1}{\lambda ^2}$
Gamma分布	$f(x)=\left\{\begin{matrix} \frac{\lambda^a}{\Gamma(a)}x^{a-1}e^{-\lambda x}\,\,\,x \geq 0\\ 0,x<0 \end{matrix}\right.$	$\frac{\alpha}{\lambda}$	$\frac{\alpha}{\lambda ^2}$
正态分布	$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-u)^2}{2 \sigma^2}}$	$u$	$\sigma^2$
柯西分布	$f(x,\lambda,\mu)=\frac{1}{\pi}\frac{\lambda}{\lambda^2+(x-\mu)^2}$
卡方分布	$f(x)=\left\{\begin{matrix} \frac{1}{2^{\frac{n}{2}}\Gamma(\frac{n}{2})}e^{-\frac{x}{2}}x^{\frac{n}{2}-1},x>0\\ 0,x \leq 0 \end{matrix}\right.$	$n$	$2n$
t分布		0	$\frac{n}{n-2}$
F(m,n)		$\frac{n}{n-2}$	$\frac{2n^2(m+n-2)}{m(n-2)^2(n-4)}$

几种具有可加性的分布

卷积公式

设二维随机变量( X, Y) 的联合密度为 f(x,y) ， Z=X+Y ，则 Z 的密度函数为

$f_{Z}(z)=\int_{-\infty}^{\infty}f(z-y,y)dy=\int_{-\infty}^{\infty}f(x,z-x)dz$

若X与Y相互独立,有卷积公式:

$f_Z(z)=\int_{-\infty}^{\infty}f_X(z-y)f_Y(y)dy=\int_{-\infty}^{\infty}f_X(x)f_Y(z-x)dy$

极大值与极小值的分布

Z=Max(X,Y)的分布函数

$F_Z(z)=F_X(z)F_Y(z)$

Z=Min(X,Y)的分布函数

$F_Z(z)=1-(1-F_X(z))(1-F_Y(z))$

几种具有可加性的分布

二项分布的可加性

设随机变量 $\zeta \sim B(n,p),\zeta' \sim B(m,p)$ ,且 $\zeta,\zeta'$ 相互独立,记 $\theta = \zeta + \zeta'$ ,则有 $\theta \sim B(m+n,p)$

泊松分布的可加性

设随机变量 $\zeta \sim P(\lambda_1),\zeta' \sim B(\lambda_2)$ ,且 $\zeta,\zeta'$ 相互独立,记 $\theta = \zeta + \zeta'$ ,则有 $\theta \sim P(\lambda_1+\lambda_2)$

二项分布的泊松近似

正态分布的可加性

设随机变量 $X,Y$ 彼此独立, $X \sim N(\mu_1,\sigma_1^2),Y \sim N(\mu_2,\sigma_2^2)$ ,则有 $X+Y \sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$

伽玛分布的可加性

设随机变量, $X,Y$ 彼此独立, $X \sim Ga(a_1,\beta),Y \sim N(a_2,\beta)$ 则有 $X+Y \sim Ga(a_1+a_2,\beta)$

柯西分布的可加性

随机变量 , $X,Y$ 彼此独立, $X \sim p(\lambda_1,\mu_1),Y \sim p(\lambda_2,\mu_2)$ ,则有 $X+Y \sim p(p_1+p_2,\mu_1+\mu_2)$

卡方分布可加性

$\chi _1^2 \sim \chi^2(m),\chi_2 ^2 \sim \chi(n)$ ,且 $\chi_1^1,\chi_2^2$ 彼此独立,则有 $\chi_1^2 +\chi_2^2 \sim \chi^2(m+n)$

具有可加性的概率分布间的关系

泊松定理

$\lim_{n\rightarrow\infty}C_n^kp^k(1-p)^{n-k}=\frac{\lambda^k}{k!}e^{-\lambda}$

棣莫佛-拉普拉斯

设随机变量 $X \sim B(n,p)$ ,对于任意实数 $x$ ,有 $\lim_{n \rightarrow \infty}P\begin{Bmatrix} \frac{X-np}{\sqrt{np(1-p)}}\leq x \end{Bmatrix}=\int_{-\infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-t^2/2}dt=\Phi (x)$

正态分布与泊松分布之间的关系

$X_\lambda \sim P(\lambda),\lim_{\lambda\rightarrow\infty}P(\frac{X_\lambda-\lambda}{\sqrt{\lambda}}<x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^xe^{-\frac{t^2}{2}}dt$