【各种统计学分布】——持续更新

Shihong Sun

已于 2024-02-26 15:11:56 修改

阅读量279

点赞数 1

分类专栏：数学知识文章标签：概率论

于 2024-02-26 11:41:48 首次发布

本文链接：https://blog.csdn.net/m0_61038364/article/details/136292463

版权

数学知识专栏收录该内容

2 篇文章 0 订阅

订阅专栏

前言

1 二项分布

伯努利试验：只有两种可能结果的单次随机试验。

二项式实验是具有以下属性的实验：（也叫伯努利实验）

该实验由n次重复试验组成。
每个试验只有两种可能的结果。
每次试验的成功概率（表示为p ）是相同的。
每个测试都是独立的。

二项式分布描述了在n次二项式实验中获得k次成功的概率。

$P(X=k)=C_{n}^{X}p^{X}(1-p)^{n-X}$
其中 $n$ 代表实验次数； $k$ 代表成功次数； $p$ 代表给定实验的成功率； $c_{n}^{k}$ 代表 $n$ 次实验成功 $k$ 次
n次实验的平均值是np，方差是np(1-p)

假设我们抛硬币3次，用以上公式计算0次和1次正面向上的概率。

$P(X=0)=C_{3}^{0}0.5^{0}0.5^{3-0}=0.125$
$P(X=1)=C_{3}^{1}0.5^{1}0.5^{3-1}=0.375$

2 正态分布

又称高斯分布，是常见的连续概率分布。

$x\sim N(\mu ,\sigma ^{2})$ ，表明 $x$ 服从均值为 $\mu$ ，方差为 $\sigma ^{2}$ 的正态分布。
其概率密度函数为 $f(x)=\frac{1}{\sigma \sqrt{2\pi }}e^{-\frac{(x-\mu )^2}{2\sigma ^{2}}}$ 。

概率密度是某一点的概率，但实际用时候必须计算区间，如处于[0,1]上的概率，如下：

$\int_{0}^{1}f(x)dx=F(x\leqslant 1)-F(x\leqslant 0)$
概率密度实际是分布的导数。
对于这个积分，没有明确的公式，可以查表得到。

特殊值（对于标准正态分布）：

处于 $[-\sigma ,\sigma ]$ 的概率约为68%；
处于 $[-2\sigma ,2\sigma ]$ 的概率约为95%；
处于 $[-3\sigma ,3\sigma ]$ 的概率约为99.7%；

3 泊松分布

泊松分布适合描述单位时间内时间发生次数的概率分布。

概率函数为： $P(X=n)=\frac{\lambda ^{n}e^{-\lambda }}{n!}$

其中 $\lambda$ 表示单位时间时间发生的期望次数。方差也是 $\lambda$ 。
随着单位时间内随机事件发生次数的增加，泊松分布会逐渐近似于均值和方差都等于λ的正态分布。因此，只要单位时间内，随机时间的平均发生次数 $\lambda$ 足够大，就可以将泊松分布看作是均值和方差都等于 $\lambda$ 的正态分布。
在许多统计学教材中可以看到这样一个规则，当λ大于或等于5时，可以使用泊松分布的正态近似，这个规则更严格的要求是λ必须大于或等于10。

$P\begin{Bmatrix} N(t)=n \end{Bmatrix}=\frac{(\lambda t)^{n}}{n!}e^{-\lambda t}$ 代表t时间内事件发生n次的概率。上面的默认时间是1，这个是时间为t，λ一样，还是单位时间的事件发生次数。

在排队论中是t时间内顾客的到达数量n的概率。

4 负指数分布

负指数分布和泊松分布说的其实是一个意思。

如果下一个顾客要间隔时间 t ，就等同于 t 之内没有任何顾客来。由泊松分布，t时间段内没有顾客来的概率为 $P_{0}(t)=e^{-\lambda t}$ ，则t时间段内有顾客来的概率是 $P(T\leqslant t)=1-e^{-\lambda t}$ 。
这个概率就是顾客的到达时间T的分布。
该负指数分布的均值 $E(T)=\frac{1}{\lambda }$ ，方差 $D(T)=\frac{1}{\lambda^2 }$ 。（根据负指数分布计算得到）

左边是负指数分布的概率密度函数，右边是分布函数。
$f(x)=\left\{\begin{matrix} \lambda e^{-\lambda x} & x>0\\ 0 & else \end{matrix}\right.$
$F(x)=\left\{\begin{matrix} 1- e^{-\lambda x} & x>0\\ 0 & else \end{matrix}\right.$

可以说，若时间段内事件发生的数量符合泊松分布，那么两件事情之间的时间间隔符合负指数分布，泊松更关注的是单位时间到达的数量，负指数更关注两个事件之间的间隔时间。因此顾客的到达一般说是泊松流到达，服务时间一般说是负指数分布。

这里有一个非常重要的元素， $\lambda$ 。其在泊松分布的到达顾客分布中，代表单位时间内到达的顾客数量。

还有一个重要的元素， $\mu$ 。在服务时间的分布中，设参数 $\mu$ ，其实就是 $\lambda$ ，只不过是区分了到达规律和服务规律，也就是说单位时间服务 $\mu$ 个顾客。其均值是 $\frac{1}{\mu }$ ，代表平均服务时间。