概率分布

为了更方便地计算概率分布，有些特殊的概率分布。

1. 离散分布：几何分布、二项分布及泊松分布
2. 连续分布：正态分布
3. 抽样分布：卡方分布、t分布

离散分布

几何分布

应用条件：进行一系列独立试验，每次试验或成功或失败，每次试验成功概率相同，而我们关注的是为了成功一次，需要进行多少次试验。
X表示为了取得第一次成功需要实验的次数，p代表单次试验的成功概率，则X~Geo§
$P(X=r)=p{q}^{r-1}$
$P(X>r)=q^r$
$P(X\le r)=1-q^r$
$E(X)=1/p$
$Var(X)=q/p^2$

二项分布

应用条件：进行一系列次数有限(n)独立试验，每次试验或成功或失败，每次试验成功概率相同，而我们关注的是在n次试验中的成功次数。
X表示n次试验中的成功次数，p代表单次试验的成功概率，则X~B(n,p)
$P(X=r)=C_n^r{p}^r{q}^{n-r}$
$E(X)=np$
$Var(X)=npq$

from scipy.stats import binom
#计算投掷5次色子出现0-5次6的概率
binom.pmf(range(6),5,1/6.0))

泊松分布

应用条件：单个事件在给定区间内随机、独立地发生，已知给定区间内的事件平均发生次数，且这个发生次数有限。我们关注的是给定区间内事件发生次数。
X代表给定区间内的事件发生次数，λ代表发生次数，则X~Po(λ)
$P(X=r)=e^{-\lambda }{\lambda }^r/r!$
$E(X)=\lambda$
$Var(X)=\lambda$

from scipy.stats import poisson
#计算单位时间内故障平均发生率为10，发生0-20次的概率
poisson.pmf(range(20),10)

对于X ~ B(n,p)，其中n>50，p＜0.1时，可将该二项分布近似看做X~Po(np)。

连续分布→概率密度函数

正态分布

形状对称的钟形，均值和中位数位于中央，具有最大概率密度。其定义为$N(\mu ,{\sigma }^2)$
求正态概率时，首先确定所需范围，然后求出这个范围限值的标准分，最后根据标准分查概率。
标准正态分布是均值为0，标准差为1的正态分布。

#生成N(1,4)
from scipy.stats import norm
X = norm(loc=1,scale=2.0)
##随机取样，计算样本均值和方差
x = X.rvs(size=10000)
print(np.mean(x),np.var(x))
print(norm.fit(x))#对随机取样序列进行拟合，返回与随机取样值最吻合的随机变量参数

对于X ~ B(n,p)，其中np>5，nq>5时，可将该二项分布近似看做X~N(np,npq)。注意在计算前先进行连续性修正，即P(X<6)的问题调整为P(X<5.5)
对于X ~ Po(λ)且λ>15时，可将该泊松分布近似看做X~N(λ,λ)。注意在计算前先进行连续性修正，即P(X<6)的问题调整为P(X<5.5)

抽样分布

t分布

总体符合正态分布，${\sigma }^2$未知，且可供支配的样本很小时，样本均值符合t分布。

卡方分布

卡方概率分布主要用于检查实际结果与期望结果之间是否有显著差别，用途之一为检验拟合优度，用途之二是检验两个变量是否存在某种关联。

电子工业出版社《深入浅出统计学》
几种常见的数学分布