一:伯努利分布/0-1分布
如果随机试验仅有两个可能的结果,那么这两个结果可以用0和1表示,此时随机变量X将是一个0/1的变量,其分布是单个二值随机变量的分布,称为伯努利分布。注意伯努利分布关注的是结果只有0和1,而不管观测条件是什么。
推导过程:
注:就是一次实验下的结果。不是0就是1.
二:二项分布
本质: 就是n次实验下的伯努利分布。
期望和方差
三:泊松分布
1.引入
很多场合下,我们感兴趣的试验进行了很多次,但其中成功的却发生的相当稀少。例如一个芯片的生厂商想要把生产出的芯片做一番检测后再出售。每个芯片都有一个不能正常工作的微小概率p,在数量为n的一大批芯片中,出现r个故障芯片的概率是多少?
所以,当n很大、p很小的时候,这种类似的情况,不在适合用二项分布,而是泊松分布,但是泊松分布是由二项分布推导来的。
2.推导:
注:可以看到其过程还是有点复杂,借助了微积分和级数,这里了解就好,主要记住是当n很大、p很小的时候,一般用泊松分布。
3.性质
所以参数需要>0.
注: 这里的泰勒展开参考下面:
4.期望和方差
5.应用
6.理解
例子1:
注:n–100年、发生洪水的概率p–0.01、在这100年里发生的次数可以用泊松过程。—哈哈,终于明白了,数学可太难了。
例子2:
四:正态分布
定义:
期望和方差推导: 不用看----
五:均匀分布
定义:
期望和方差推导:
六:指数分布
定义:
指数分布(Exponential distribution)是一种连续型概率分布,可以用来表示独立随机事件发生的时间间隔的概率,比如婴儿出生的时间间隔、旅客进入机场的时间间隔、打进客服中心电话的时间间隔、系统出现bug的时间间隔等等。
推导:
指数分布与泊松分布存在着联系,它实际上可以由泊松分布推导而来。
重要特性–无记忆性
注:上面的X>s应该是X>t.
理解:
脑子目前炸裂!!!
参考:https://www.cnblogs.com/bigmonkey/p/12374393.html
期望和方差:
对于X~E(λ)的指数分布来说,它的期望是1/λ,方差是1/λ2。
参考链接:
https://www.bilibili.com/read/cv4031613/
https://www.cnblogs.com/bigmonkey/p/12219198.html
https://www.cnblogs.com/bigmonkey/p/12255964.html
https://www.cnblogs.com/bigmonkey/p/12374393.html