单维随机变量概率“分布”全总结

单维随机变量概率论“分布”全总结

1. 0-1分布

1.1定义：如果随机变量X有分布律

X	0	1
P	1-p	p

且0<p<1，则称X服从参数为p的0-1分布，或称X具有0-1分布。
1.2性质：

1. 数学期望：E(X)=p
2. 方差：D(X)=p(1-p)

1.3举例：
进行一次事件试验，该事件发生的概率为p，不发生的概率q=1-p。这是一个最简单的分布，任何一个只有两种结果的随机现象，比如，抛硬币观察正反面，新生儿是男还是女，检查产品是否合格等，都可用它来描述。

2. 二项分布 X~B(n，p)

2.1定义：如果随机变量X有分布律
P{X=k}=C(k,n)p^kq^n-k,k=0,1,2,……,n
其中0<p<1，q=1-q，则称X服从参数为n,p的二项分布，记为X~B(n,p)
【在n重伯努利试验中，若每次试验成功的概率为p(0<p<1)，则在n次独立重复试验中成功的总次数X服从二项分布。】
2.2性质：
当p=q的时候，图形是对称的
2.3举例：
一共开枪射靶十次，每次击中的概率为p，求击中k次的概率。

3. 几何分布 X ~ GE（p）

3.1定义：
如果随机变量X的分布律为
P{X=k}=pq^k-1,k=1,2,……
其中0<p<1，q=1-p，则称X服从参数为p的几何分布，或称X具有几何分布。【在n次伯努利试验中，试验k次才得到第一次成功的机率。详细地说，是：前k-1次皆失败，第k次成功的概率。】
3.2性质

1. 在得到第一次成功前的n次失败：期望E(X)=1/p,方差D(X)=(1-p)/p²
2. 前m次失败，第n次成功：期望E(X)=(1-p)/p,方差D(X)=(1-p)/p²

3.3举例
如同性质分两种，例子也可以分为两种：

1. 进行n次试验，但是n次全部是失败的
2. 进行n次试验，前m(m=n-1)次都是失败的，最后一次成功。

4. 超几何分布 X~H(n,M,N)

4.1定义：如果随机变量的分布律为

其中k=l₁,…,l₂,l₁=max(0,n-N+M),l₂=min(M,n),则称随机变量X服从参数为n,N,M的超几何分布。【从有限N个物件（其中包含M个指定种类的物件）中抽出n个物件（不放回），成功抽出该指定种类的物件的次数（不放回）。】注意如果放回的话，服从的就是二项分布了
4.2性质：

1. 期望：E(X)=nM/N
2. 方差：

4.3举例：
在一个口袋中装有30个球，其中有10个红球，其余为白球，这些球除颜色外完全相同。游戏者一次从中摸出5个球。摸到至少4个红球就中一等奖，那么获一等奖的概率是多少？

5.泊松分布 X~P(λ)

5.1定义：如果随机变量X的分布律为

，其中λ>0为常数，则称随机变量X服从参数为λ的泊松分布，记为X~P(λ)。
5.2性质：
泊松定理：在伯努利试验中，p_n代表事件A在一次试验中出现的概率，它与试验总数n有关，且随n的增大，p_n在减小，如果lim_n->∞np_n=λ，则出现k次A发生的概率为：lim_n->∞C(k,n)p(k,n)(1-p_n)^n-k=(λ^k/k!)e^-λ
5.3举例：泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数。

6. 均匀分布 X~U(a,b)

6.1定义：连续型随机变量X的概率密度服从

则称X在区间(a,b)上服从均匀分布，记作X~U（a,b）。
6.2性质：
设X~U(a,b)，则对a<c<d<b，有P{C<=X<=d}=(d-c)/(b-a)，即随机变量X落入区间[c,d]的概率等于该区间长度与[a,b]长度之比。

7. 指数分布 X~E(λ)

7.1定义：连续性随机变量X的概率密度为
λ>0，则称X服从参数为λ的指数分布，记作X~E(λ)。
分布函数：

λ>0
7.2性质：

后补
7.3举例：
许多电子产品的寿命分布一般服从指数分布。

8. 正态分布

8.1定义：
若随机变量X服从一个位置参数为μ 、尺度参数为σ 的概率分布，且其概率密度函数为

-∞<x<∞

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作 X~N(μ，σ²)，读作X服从正态分布。
【当μ=0，σ=1时，为标准正态分布，即
-∞<x<∞，此时f(x)表示X的概率密度，也称为φ(x)】

8.2性质：

1. F(x)=Φ(x-μ/σ)
2. P{a<X<=b}=Φ(b-μ/σ)-Φ(a-μ/σ)，a<b
3. 概率密度f(x)关于x=μ对称，φ（x）是偶函数
4. Φ(-x)=1-Φ(x),Φ(0)=1/2
5. 当X~N(0,1)，且a>0时，P{|X|<=a}=2Φ(a)-1