分布 | 公式 | 意义 | 特性 |
离散型随机变量的概率分布 | |||
伯努利分布 Bernoulli |
| 又称“两点分布”或“(0-1)分布”,描述伯努利试验中成功的次数 |
|
二项式分布 Binomial |
| 表示为b(n, p),描述再n重伯努利试验中成功的次数 |
|
负二项式分布 |
| 产生于n次还原取样。又称“帕斯卡(Pascal)分布”,描述伯努利试验中恰好出现r次成功所需的试验次数。用于不幸事件和发病情形类的统计 |
|
多项式分布 |
| n次试验中Ai出现ki次的概率, n=k1+k2+...+kr |
|
几何分布 Geometric |
| 负二项式分布的特殊情况,描述伯努利试验中首次出现成功所需试验次数。用于某一服务(或顾客)的服务持续时间。 | 无后效性(又称马尔可夫的无记忆特性或马尔可夫特性,每次试验成功的概率与之前试验次数无关) |
超几何分布 Hypergeometric |
| 产生于n次非还原取样。总体数目很大而取样次数较小时近似于二项式分布。 |
|
泊松分布 Poisson |
| 平均到达概率=λ,时间T顾客到达期望=λT | 泊松时间流特性:平稳性(到达概率与时间段无关)稀有性(短时间内最多出现1次)无后效性(不重叠时间段互相独立)微分性。 |
连续型随机变量的概率分布 | |||
均匀分布 |
| 随机选择 |
|
指数分布 |
| 又称“负指数分布(negative exponential)”。泊松事件流的等待时间(相继两次出现之间的间隔)服从指数分布。用于描述非老化性元件的寿命(元件不老化,仅由于突然故障而毁坏)。常假定排队系统中服务器的服务时间和Petri网中变迁的实施速率符合指数分布。 | 无后效性 |
超指数分布 Hyperexponential |
| CPU服务时间符合超指数分布,并行装配线加工并在输出组装完成的产品数量也符合 |
|
正态分布 Normal |
| 又称“高斯(Gauss)分布”。大量独立随机变量的和或者均值是正c态分布(中心极限定理)。 |
|
Г-分布(伽玛分布) Gamma |
其中 且t=1,伽玛分布为参数为λ的指数分布 t=n,称为爱尔朗(Erlang)分布 | 对于k-爱尔朗分布,可用于描述顾客在到达窗口前需经过国k个关口,每个的通过时间服从kλ的指数分布,则顾客整个通过时间为爱尔朗到达。 |
|
常数分布 |
| 非随机,主要用于爱尔朗分布的分析中。 |
|