常见分布
离散分布
分布 | X | 概率 | 期望 | 方差 |
---|---|---|---|---|
二项分布 | B ( n , p ) B(n,p) B(n,p) | P ( X = k ) = ( n k ) p k ( 1 − p ) n − k P(X=k)=\binom{n}{k}p^k(1-p)^{n-k} P(X=k)=(kn)pk(1−p)n−k | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
泊松分布 | P ( λ ) P(\lambda) P(λ) | p ( X = k ) = λ k / k ! e − λ , k ∈ N p(X=k)=\lambda^k/k!e^{-\lambda},k\in N p(X=k)=λk/k!e−λ,k∈N | λ \lambda λ | λ \lambda λ |
几何分布 | G e ( p ) Ge(p) Ge(p) | P ( X = k ) = ( 1 − p ) k − 1 p P(X=k)=(1-p)^{k-1}p P(X=k)=(1−p)k−1p | 1 / p 1/p 1/p | ( 1 − p ) / p 2 (1-p)/p^2 (1−p)/p2 |
连续分布
分布 | X | 概率 | 期望 | 方差 |
---|---|---|---|---|
均与分布 | U ( a , b ) U(a,b) U(a,b) | f ( x ) = 1 b − a , x ∈ [ a , b ] f(x)=\frac{1}{b-a},x\in[a,b] f(x)=b−a1,x∈[a,b] | ||
正态分布 | N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) | f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x)=2πσ1e−2σ2(x−μ)2 | ||
指数分布 | E ( λ ) E(\lambda) E(λ) | f ( x ) = λ e − λ x , x > 0 f(x)=\lambda e^{-\lambda x},x>0 f(x)=λe−λx,x>0 | 1 / λ 1/\lambda 1/λ | 1 / λ 2 1/\lambda^2 1/λ2 |
- 标准正态分布(
N
(
0
,
1
)
N(0,1)
N(0,1))的分布函数通常记为
Φ
(
x
)
\Phi(x)
Φ(x),且
Φ
(
−
x
)
=
1
−
Φ
(
x
)
\Phi(-x)=1-\Phi(x)
Φ(−x)=1−Φ(x),
Φ
(
0
)
=
1
2
\Phi(0)=\frac{1}{2}
Φ(0)=21
- 对于标准正态分布 Φ ( 1 ) − P h i ( − 1 ) = 0.6826 , Φ ( 2 ) − P h i ( − 2 ) = 0.9544 , Φ ( 3 ) − P h i ( − 3 ) = 0.9974 \Phi(1)-Phi(-1)=0.6826,\Phi(2)-Phi(-2)=0.9544,\Phi(3)-Phi(-3)=0.9974 Φ(1)−Phi(−1)=0.6826,Φ(2)−Phi(−2)=0.9544,Φ(3)−Phi(−3)=0.9974
伽马分布
f ( x ) = λ α Γ ( α ) x α − 1 e − λ x , x ≥ 0 f(x)=\dfrac{\lambda^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x}, x\ge 0 f(x)=Γ(α)λαxα−1e−λx,x≥0
记作 X ∼ G a ( α , λ ) X\sim Ga(\alpha,\lambda) X∼Ga(α,λ),其中 α > 0 , λ > 0 \alpha>0,\lambda>0 α>0,λ>0
Γ ( α ) = ∫ 0 + ∞ x α − 1 e − x d x \Gamma(\alpha)=\int_{0}^{+\infty}x^{\alpha-1}e^{-x}dx Γ(α)=∫0+∞xα−1e−xdx
- Γ ( 1 ) = 1 , Γ ( 1 / 2 ) = π , Γ ( n + 1 ) = n ! \Gamma(1)=1,\Gamma(1/2)=\sqrt{\pi},\Gamma(n+1)=n! Γ(1)=1,Γ(1/2)=π,Γ(n+1)=n!
贝塔分布
f ( x ) = 1 B ( a , b ) x a − 1 ( 1 − x ) b − 1 , 0 < x < 1 f(x)=\dfrac{1}{B(a,b)}x^{a-1}(1-x)^{b-1},0<x<1 f(x)=B(a,b)1xa−1(1−x)b−1,0<x<1
记作 X ∼ B e ( a , b ) X\sim Be(a,b) X∼Be(a,b),其中 a > 0 , b > 0 a>0,b>0 a>0,b>0
B ( a , b ) = ∫ 0 1 x a − 1 ( 1 − x ) b − 1 d x B(a,b)=\int_{0}^{1}x^{a-1}(1-x)^{b-1}dx B(a,b)=∫01xa−1(1−x)b−1dx
- B ( a , b ) = B ( b , a ) B(a,b)=B(b,a) B(a,b)=B(b,a)
- B ( a , b ) = Γ ( a ) Γ ( b ) / Γ ( a + b ) B(a,b)=\Gamma(a)\Gamma(b)/\Gamma(a+b) B(a,b)=Γ(a)Γ(b)/Γ(a+b)
- B ( 1 , 1 ) = U ( 0 , 1 ) B(1,1)=U(0,1) B(1,1)=U(0,1)
对数正态分布
X ∼ N ( μ , σ 2 ) , Y = e X X\sim N(\mu,\sigma^2), Y=e^{X} X∼N(μ,σ2),Y=eX概率密度函数为
f Y ( y ) = 1 2 π y σ e − ( l n y − μ ) 2 2 σ 2 , y > 0 f_Y(y)=\dfrac{1}{\sqrt{2\pi}y\sigma}e^{-\frac{(lny-\mu)^2}{2\sigma^2}}, y > 0 fY(y)=2πyσ1e−2σ2(lny−μ)2,y>0
多维随机变量
边缘密度函数
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy
fX(x)=∫−∞+∞f(x,y)dy
f
Y
(
y
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
x
f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)dx
fY(y)=∫−∞+∞f(x,y)dx
随机变量函数
分布的可加性
同分布两个随机变量的和仍是这个分布,则称此类分布可加
- 如果 X ∼ B ( n 1 , p ) , Y ∼ B ( n 2 , p ) X\sim B(n_1,p),Y\sim B(n_2,p) X∼B(n1,p),Y∼B(n2,p)且独立,则 X + Y ∼ B ( n 1 + n 2 , p ) X+Y\sim B(n_1+n_2,p) X+Y∼B(n1+n2,p)
- 如果 X i ∼ B ( 1 , p ) X_i\sim B(1,p) Xi∼B(1,p)且独立,则 X 1 + ⋯ + X n ∼ B ( n , p ) X_1+\cdots+X_n\sim B(n,p) X1+⋯+Xn∼B(n,p)
- X ∼ P ( λ 1 ) , Y ∼ P ( λ 2 ) X\sim P(\lambda_1), Y\sim P(\lambda_2) X∼P(λ1),Y∼P(λ2)且独立,则 X + Y ∼ P ( λ 1 + λ 2 ) X+Y\sim P(\lambda_1+\lambda_2) X+Y∼P(λ1+λ2),注意 X − Y X-Y X−Y不服从泊松分布
- 正态分布 X , Y X,Y X,Y独立, X ± Y ∼ N ( μ 1 ± μ 2 , σ 1 2 + σ 2 2 ) X±Y\sim N(\mu_1±\mu_2,\sigma_1^2+\sigma_2^2) X±Y∼N(μ1±μ2,σ12+σ22)
离散到离散的情况下比较简单
连续到连续或混合
- 公式法 f Y ( y ) = f X ( h ( y ) ) ⋅ ∣ h ′ ( y ) ∣ , α < y < β , α = min ( g ( a ) , g ( b ) ) , β = max ( g ( a ) , g ( b ) ) f_Y(y)=f_X(h(y))\cdot |h'(y)|, \alpha < y < \beta, \alpha=\min(g(a),g(b)), \beta=\max(g(a),g(b)) fY(y)=fX(h(y))⋅∣h′(y)∣,α<y<β,α=min(g(a),g(b)),β=max(g(a),g(b)),其中 x = h ( y ) x=h(y) x=h(y)是 y = g ( x ) y=g(x) y=g(x)在 ( a , b ) (a,b) (a,b)上的可导反函数, a , b a,b a,b可以是正负无穷
- 分布函数 F Y ( y ) = P ( Y ≤ y ) = P { g ( X ) ≤ y } ∫ g ( x ) ≤ y f X ( x ) d x F_Y(y)=P(Y\le y)=P\{g(X)\le y\}\int_{g(x)\le y}f_X(x)dx FY(y)=P(Y≤y)=P{g(X)≤y}∫g(x)≤yfX(x)dx