6. 泊松分布
考虑这样一个问题:一个小时内经过某路口的车辆数的概率。由于车辆经过一个路口是一瞬间的事,因此,可以把这个问题看成:在n个瞬时中,有k个瞬时有车经过路口的概率。设车经过路口的概率为p,则这个问题是一个n趋近于无穷大时的二项分布问题。
假设已知泊松分布的期望为
λ
\lambda
λ。则
E
(
X
)
=
λ
=
n
p
,
p
=
λ
n
E(X)=\lambda=n p, \quad p=\frac{\lambda}{n}
E(X)=λ=np,p=nλ
计算过程为:
P
(
x
=
k
)
=
lim
n
→
∞
(
n
k
)
⋅
(
λ
n
)
k
⋅
(
1
−
λ
n
)
n
−
k
=
lim
n
→
∞
n
!
k
!
(
n
−
k
)
!
⋅
(
λ
n
)
k
⋅
(
1
−
λ
n
)
n
−
k
=
lim
n
→
∞
n
⋅
(
n
−
1
)
⋯
⋅
(
n
−
k
+
1
)
n
k
⋅
λ
k
k
!
⋅
(
1
−
λ
n
)
n
⋅
(
1
−
λ
n
)
−
k
=
lim
n
→
∞
1
⋅
λ
k
k
!
⋅
e
−
λ
⋅
1
=
λ
k
k
!
⋅
e
−
λ
\begin{aligned} P(\mathrm{x}&=\mathrm{k} ) \\ &=\lim _{n \rightarrow \infty}\left(\begin{array}{c}{n} \\ {k}\end{array}\right) \cdot\left(\frac{\lambda}{n}\right)^{k} \cdot\left(1-\frac{\lambda}{n}\right)^{n-k} \\ &=\lim _{n \rightarrow \infty} \frac{n !}{k !(n-k) !} \cdot\left(\frac{\lambda}{n}\right)^{k} \cdot\left(1-\frac{\lambda}{n}\right)^{n-k} \\ &=\lim _{n \rightarrow \infty} \frac{n \cdot(n-1) \cdots \cdot(n-k+1)}{n^{k}} \cdot \frac{\lambda^{k}}{k !} \cdot\left(1-\frac{\lambda}{n}\right)^{n} \cdot\left(1-\frac{\lambda}{n}\right)^{-k} \\ &=\lim _{n \rightarrow \infty} 1 \cdot \frac{\lambda^{k}}{k !} \cdot e^{-\lambda} \cdot 1 \\ &=\frac{\lambda^{k}}{k !} \cdot e^{-\lambda} \end{aligned}
P(x=k)=n→∞lim(nk)⋅(nλ)k⋅(1−nλ)n−k=n→∞limk!(n−k)!n!⋅(nλ)k⋅(1−nλ)n−k=n→∞limnkn⋅(n−1)⋯⋅(n−k+1)⋅k!λk⋅(1−nλ)n⋅(1−nλ)−k=n→∞lim1⋅k!λk⋅e−λ⋅1=k!λk⋅e−λ
7. 正态分布
正态分布的概率密度函数:
p
(
x
)
=
1
σ
2
π
e
−
1
2
(
x
−
μ
σ
)
2
p(x)=\frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^{2}}
p(x)=σ2π1e−21(σx−μ)2
Standard Z score:
x
−
μ
σ
\frac{x-\mu}{\sigma}
σx−μ
表示数据离均值的距离是几个标准差。
正态分布可以通过二项分布近似很好地得到。
累计分布函数CDF:
C
D
F
(
x
)
=
∫
−
∞
x
p
(
x
)
d
x
C D F(x)=\int_{-\infty}^{x} p(x) d x
CDF(x)=∫−∞xp(x)dx
最佳打比赛,后续补充。