导语
对于任何一个学习概率论的童鞋来说,各种分布都是很头痛的一件事情,本篇主要讨论的是离散型随机变量.
伯努利分布
伯努利分布就是我们常见的0-1分布,即它的随机变量只取0或者1,各自的频率分别取
1−p
和
p
,当
x=0
或者
x=1
时,我们数学定义为:
其它情况下 p(x)=0 ,伯努利分布是一个非常好理解的分布,也是很多其它分布的基础。
离散型随机变量期望: E(x)=∑x∗p(x)
方差: D(x)=E(x2)−E2(x)
对于伯努利分布来说, E(x)=1∗p+0∗(1−p)=p,D(x)=12∗p−p2=p(1−p)
二项分布
二项分布是这样一种分布,假设进行n次独立实验,每次实验“成功”的概率为
p
,失败的概率为
1−p
,所有成功的次数
X
就是一个参数为
n
和
p
的二项随机变量.数学公式定义为:
二项分布公式基于伯努利分布得到,因为二项分布中每项实验都是独立的,因此每一次实验都是一次伯努利实验,在 n 次实验中,成功 k 次,排列方式有 (nk) 种,根据乘法原理,即可得到二项分布的公式。
话外:对于均值和方差的计算, Xi 是标准的伯努利分布,总发生次数 X=∑n1Xi ,所以 E(X)=E(∑n1Xi)=∑n1E(Xi)=n∗p ,同理方差 D(x)=∑n1D(Xi)=n∗p∗(1−p)
几何分布和负二项分布
这是一个比较简单的分布,其中负二项分布是几何分布的一般形式,几何分布与二项分布类似,也是由
n
次伯努利分布构成,随机变量
X
表示第一次成功所进行试验的次数,则
负二项分布是几何分布的一般形式,表示直到成功r次停止,显而易见,当r=1时,它就是几何分布,则
关于几何分布的期望与方差, E(X)=1/p , D(x)=(1−p)/p2 ,关于期望的证明, E(X)=∑∞n=1n∗p∗qn−1=p∗∑∞n=1(qn)′=p∗(∑∞n=1qn)′=1/p ,方差证明与期望证明类似,不再赘述…
超几何分布
非常常见的一种分布,常用来表示在
N
个物品中有指定商品
M
个,不放回抽取
n
个,抽中指定商品的个数,即
X
~
H(N,n,M)
,则抽中k件的概率为:
实际应用中超几何分布例子很多,比如彩票开奖你所符合的数字个数等。
泊松分布
泊松分布是离散型随机变量分布中相对较难的一种,泊松频率函数定义为:
泊松分布是二项分布的极限形式,可有二项分布概率公式推导得出,其中 λ=n∗p ,当 n>>p 时,
当 n -> ∞ 时, λn ->0, n!(n−k)!∗k! ->1, (1−λn)n -> e−λ , (1−λn)−k ->1,所以
泊松分布的期望和方差均为 λ ,证明过程严格按照定义即可,注意在证明过程中使用到了 eλ的泰勒展开
泊松分布主要用来研究单位时间或单位空间内某时间的发生次数,同时事件的发生必须是相互独立的,比如单位时间内通过某一交通灯的车辆数等。
λ
大概等于20时,泊松分布基本可以近似为正态分布进行处理。
泊松分布用来衡量事件的稳定性是一个不错的方法,再配合一些统计学上的检验方法,能够做很多东西,在之后的连续型随机变量中,有一种分布叫指数分布,它与泊松分布密不可分,可由泊松分布推导出…..敬请期待.