常用统计分布

本篇文章整理总结了《统计机器学习导论》([日] 衫山将)中关于概率分布的部分。（有一些本人也还没搞懂，但是也先记录下来了。）
因为内容比较多，所以难免会有错误的地方，欢迎各位指正，之后我会仔细修改！

概率论知识

概率的定义

1. 非负性:$0\le P(A)\le 1$。
2. 归一性:对于整个样本空间空间$\Omega ，有P(\Omega )=1$。
3. 可加性:对于一系列互不相容的事件$A_1,A_2,A_3,\cdots$$$P(A_1\cup A_2\cup A_3\cdots )=P(A_1)+P(A_2)+P(A_3)+\cdots$$

名词的定义

1. 方差:$V[x]=E[(x-E[x]{)}^2]$
2. 标准差:$D[x]=\sqrt{V[x]}$
3. 偏度:$\frac{E[(x-E[x]{)}^3]}{D[x{]}^3}$
4. 峰度:$\frac{E[(x-E[x]{)}^4]}{D[x{]}^4}$
5. K阶中心距:$V_k=E[(x-E[x]{)}^k]$
6. K阶原点距:$U_k=E[x^k]$
7. 期望:$E[x]$
8. 矩阵母函数:
   $$M_x(t)=E[e^{tx}]=\{\begin{array}{l}{\sum }_x{e}^{tx}f(x)离散型\\ {\int }_x{e}^{et}f(x)dx连续性\end{array}$$
   $$e^{tx}=1+(tx)+\frac{(tx{)}^2}{2!}+\frac{(tx{)}^3}{3!}+\cdots$$
   $$M_x(t)=E[e^{tx}]=1+U_{1}t+\frac{U_2}{2!}{t}^2+\cdots +\frac{U_n}{n!}{t}^n+\cdots$$
9. 特征函数：${\varphi }_x(t)=E[e^{itx}]=M_{ix}(t)=M_x(it)$

\quad 若期望、方差、偏度、峰度都已确定，那么概率分布会受到一定的约束。
$${\int }_{-\infty }^{\infty }{e}^{-x^2}dx=\sqrt{\pi }$$
\quad 正态分布的矩阵母函数$$M_x(t)=e^{E[x]\cdot t+\frac{V[x]\cdot t^2}{2}}$$

概率分布的变换

1. 随机变量$x$，它的概率分布密度函数$f(x)$定义在$\chi$上,$x$可由$ϵ$变换得到，则$r$的分布$g(r)=f(ϵ(r))|\frac{dx}{dr}|$。
2. 将积分变量的变化从一维扩展到二维，$f(x,y)$在$\chi \times Y$的积分可以用$x=g(r,\theta ),y=h(r,\theta )$,$定义域\chi =g(R,\Theta ),Y=h(R,\Theta )$。
   $${\int }_x{\int }_{y}f(x,y)dxdy={\int }_r{\int }_{\theta }f(g(r,\theta ),h(r,\theta ))|det(J)|drd\theta$$
   其中$J=\left|\begin{array}{cc}\frac{\partial x}{\partial r}& \frac{\partial x}{\partial \theta }\\ \frac{\partial y}{\partial r}& \frac{\partial y}{\partial \theta }\end{array}\right|$

概率分布

• 连续概率分布

连续均匀分布

\quad 表示在有限区间[a, b]上具有恒定的概率密度：
$$f(x)=\{\begin{array}{ll}\frac{1}{b-a}& a\le x\le b\\ 0& 其他\end{array}$$

---

1. 期望和方差：
   $$E[x]=\frac{a+b}{2}且V[x]=\frac{(b-a{)}^2}{12}$$

正态分布

\quad 正态分布时最重要的连续分布。对于$-\infty <\mu <\infty ,\sigma >0$，正太分布由$N(\mu ,{\sigma }^2)$表示，其密度函数为：$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$

---

1. 期望和方差:
   $$E[x]=\mu 且V[x]={\sigma }^2$$

---

2. 矩阵母函数：
   $$M_x(t)=exp(\mu t+\frac{{\sigma }^2{t}^2}{2})$$

伽马分布

\quad 泊松分布表示单位时间内平均发生$\lambda$次事件在单位时间内发生$x$次。
\quad 伽马分布表示事件发生$a$次经过的时间$x$，平均单位时间里发生$\lambda$次。其概率密度函数为：
$$Ga(a，\lambda )=f(x)=\frac{{\lambda }^a}{\Gamma (a)}{x}^{a-1}{e}^{-\lambda x},x\ge 0$$
\quad 其中$$\Gamma (a)={\int }_0^{\infty }{x}^{a-1}{e}^{-x}dx$$

---

1. $$\begin{array}{rl}{\int }_{-\infty }^{\infty }f(x)dx=& \frac{{\lambda }^a}{\Gamma (a)}{\int }_0^{\infty }{x}^{a-1}{e}^{-\lambda x}dx\\ =& \frac{{\lambda }^a}{\Gamma (a)}{\int }_0^{\infty }(\frac{y}{\lambda }{)}^{a-1}{e}^{-y}\frac{1}{\lambda }dy\\ =& \frac{1}{\Gamma (a)}{\int }_0^{\infty }{y}^{a-1}{e}^{-y}dy=1\end{array}$$

---

2. $$\begin{array}{rl}\Gamma (a)& ={\int }_0^{\infty }{e}^{-x}{x}^{a-1}dx\\ & =[e^{-x}\frac{x^a}{a}]{/}_0^{\infty }-{\int }_0^{\infty }(-e^{-x})\frac{x^a}{a}dx\\ & =\frac{1}{a}{\int }_0^{\infty }{e}^{-x}{x}^{(a+1)-1}\\ & =\frac{\Gamma (a+1)}{a}\end{array}$$

---

3. $$\Gamma (a)={\int }_0^{\infty }{e}^{-y^2}{y}^{2(a-1)}\frac{dx}{dy}dy=2{\int }_0^{\infty }{y}^{2a-1}{e}^{-y^2}dy$$
   \quad 则：$\Gamma (\frac{1}{2})=\sqrt{\pi }$

---

4. $$\begin{array}{rl}{M}_x(t)=E[e^{tx}]& =\frac{{\lambda }^a}{\Gamma (a)}{\int }_0^{\infty }{x}^{a-1}{e}^{-(\lambda -t)x}\\ & =\frac{{\lambda }^a}{\Gamma (a)}{\int }_0^{\infty }(\frac{y}{\lambda -t}{)}^{a-1}{e}^{-y}\frac{1}{\lambda -t}dy\\ & =\frac{{\lambda }^a}{\Gamma (a)}\frac{\Gamma (a)}{(\lambda -t{)}^a}=(\frac{\lambda }{\lambda -t}{)}^a\end{array}$$

---

5. $Ga(a,\lambda )$的期望和方差分别为：
   $$E[x]=\frac{a}{\lambda }，V[x]=\frac{a}{{\lambda }^2}$$

---

6. 当$a=\frac{n}{2},\lambda =\frac{1}{2}$时,$Ga(\frac{n}{2},\frac{1}{2})=\frac{{\frac{1}{2}}^{\frac{n}{2}}{x}^{\frac{n}{2}-1}{e}^{-\frac{1}{2}x}}{\Gamma (\frac{n}{2})}$，这时就变成了了卡方分布。
   当$a=1$，伽马分布$Ga(a,\lambda )$称为指数分布，并用$Exp(\lambda )$表示。概率密度函数为$f(x)=\lambda e^{-\lambda x}$

Beta分布

对于正实数标量$\alpha$和$\beta$，$B(\alpha ,\beta )$表示的Beta分布的概率密度函数如下所示：
$$f(x)=\frac{x^{\alpha -1}(1-x{)}^{\beta -1}}{B(\alpha ,\beta )}，0\le x\le 1$$
其中$$B(\alpha ,\beta )={\int }_0^1{x}^{a-1}(1-x{)}^{\beta -1}dx且B(\alpha ,\beta )=\frac{\Gamma (\alpha )\Gamma (\beta )}{\Gamma (\alpha +\beta )}$$

---

1. 期望和方差
   $$E[x]=\frac{\alpha }{\alpha +\beta }且V[x]=\frac{\alpha \beta }{(\alpha +\beta {)}^2(\alpha +\beta +1)}$$

t分布

\quad 令$z$是服从标准正太分布$N(0,1)$的独立随机变量，$y$是服从自由度为d的卡方分布${\chi }^2(d)$的随机变量，它们的比例：
$$x=\frac{x}{\sqrt{y/d}}$$
其概率密度函数为：
$$f(x)=\frac{1}{B(\frac{d}{2},\frac{1}{2})\sqrt{d}}(1+\frac{x^2}{d}{)}^{-\frac{d+1}{2}}$$

---

1. 期望和方差，条件：$d\ge 2$时，期望存在，$d\ge 3$时方差存在。
   $$E[x]=0且V[x]=\frac{d}{d-2}$$

F分布

\quad 令$y$和$y^{\prime }$分别为具有$d$和$d^{\prime }$自由度的服从卡方分布的随机变量，它们的比例：
$$x=\frac{y/d}{y^{\prime }/d^{\prime }}$$
其概率密度函数为：
$$f(x)=\frac{1}{B(d/2,d^{\prime }/2)}(\frac{d}{d^{\prime }}{)}^{\frac{d}{2}}{x}^{\frac{d}{2}-1}(1+\frac{d}{d^{\prime }}x{)}^{-\frac{d+d^{\prime }}{2}}$$

---

1. 期望和方差。条件：$d^{\prime }\ge 3$时，期望存在，$d^{\prime }\ge 5$时，方差存在。
   $$E[x]=\frac{d^{\prime }}{d^{\prime }-2}且V[x]=\frac{2d^{\prime 2}(d+d^{\prime }-2)}{d(d^{\prime }-2{)}^2(d^{\prime }-4)}$$

• 离散概率分布

离散均匀分布

\quad 离散均匀分布表示对于N个事件 { 1 , … , N } \{1, \dots, N\} {1,…,N}，他们发生的概率都相同的概率分布。它记作 U { 1 , … , N } U\{1, \dots, N\} U{1,…,N}，其概率分布为
$$f(x)=\frac{1}{N},x=1,\dots ,N$$

---

1. 期望和方差：
   $$E[x]=\frac{N+1}{2}且V[x]=\frac{N^2-1}{12}$$

---

\quad 对于有穷数$a<b$，离散均匀分布$Ua,a+1,\dots ,b$的概率分布函数可以表示为：
$$f(x)=\frac{1}{b-a+1},x=a,a+1,\dots ,b$$

---

1. 期望和方差：
   $$E[x]=\frac{a+b}{2}且V[x]=\frac{(b-a+1{)}^2-1}{12}$$

二项分布

\quad 伯努利实验：一种具有两种可能结果的独立重复实验，实验结果为成功或失败。
\quad 二项式分布：指n次伯努利实验中实验成功地次数$x$的概率分布，用$Bi(n,p)$表示。
\quad 概率密度函数为：
$$f(x)=p^r{q}^{n-r}\left(\genfrac{}{}{0ex}{}{n}{x}\right),x=0,1,\dots ,n|p+q=1$$

---

1. $Bi(n,p)$的矩阵母函数为:
   $$M_x(t)=\sum _{x=0}^n{e}^{tx}\left(\genfrac{}{}{0ex}{}{n}{x}\right)p^x{q}^{n-x}=\sum _{x=0}^n(p{e}^t{)}^x{q}^{n-x}=(p{e}^t+q{)}^n$$
2. 期望和方差：
   $$E[x]=np且V[x]=npq$$

负二项分布

\quad 考虑实验成为概率为$p$的伯努利实验。直到第k次实验成功时，试验失败的次数x服从负二项分布，记作$NB(k,p)$。其概率密度函数为：
$$f(x)=\left(\genfrac{}{}{0ex}{}{k+x-1}{x}\right)p^k(1-p{)}^x\text{\hspace{1em}(1)}$$
\quad 二项系数$\left(\genfrac{}{}{0ex}{}{r}{x}\right)$和二项式定理可推广到$r=-k<0$（此处可借鉴连续函数的泰勒展开理解）：
$$\left(\genfrac{}{}{0ex}{}{-k}{x}\right)\frac{(-k)(-k-1)\cdots (-k-x+1)}{x(x-1)\cdots 1}$$
和
$$(1+t{)}^{-k}=\sum _{x=0}^{\infty }(\genfrac{}{}{0ex}{}{-k}{x})t^x$$
\quad $(1)$中概率密度函数也可写为：
$$\begin{array}{rl}f(x)& =\frac{(k+x-1)(k+x-2)\cdots k}{x(x-1)\cdots 1}{p}^k(1-p{)}^x\\ & =(-1{)}^x(\genfrac{}{}{0ex}{}{-k}{x})p^k(1-p{)}^x\end{array}\text{\hspace{1em}(2)}$$
\quad $(1)$与$(2)$都可表示负二项分布的密度函数。

---

1. 负二项式母函数为：
   $$\begin{array}{rl}{M}_x(t)& =E[e^{tx}]=\sum _{x=0}^{\infty }{e}^{tx}\left(\genfrac{}{}{0ex}{}{-k}{x}\right)p^k(p-1{)}^x\\ & =p^k\sum _{x=0}^{\infty }\left(\genfrac{}{}{0ex}{}{-k}{x}\right)((p-1)e^t{)}^x=(\frac{p}{1-(1-p)e^x}{)}^k\end{array}$$

---

2. 期望与方差：
   $$E[x]=\frac{k(1-p)}{p}且v[x]=\frac{k(1-p)}{p^2}$$

几何分布

\quad 考虑试验成功概率为$p$的伯努利试验。直到第一次成功时，试验失败的次数$x$服从几何分布。它等效于$k=1$的负二项分布。表示为$Ge(p)$，其概率密度函数为：
$$f(x)=p(1-p{)}^x$$

---

1. 由于$Ge(p)=NB(1,P)$，因此其矩量母函数：
   $$M_x(t)=\frac{p}{1-(1-p)e^t}$$
2. 期望和方差为：
   $$E[x]=\frac{1-p}{p}且V[x]=\frac{1-p}{p^2}$$

泊松分布

\quad 有意思的例子：已知二项分布$Bi(n,p)，n=10000000,p=0.00000003$，它平均有三次实验成功，因为$E[x]=np=3$，而计算$x=5$对应的概率应为：
$$P(5)=\left(\genfrac{}{}{0ex}{}{10000000}{5}\right)(0.00000003{)}^5(0.9999997{)}^{9999995}$$
你告诉我咋算！（手动滑稽！！！^ - ^）

泊松小数定理

对于$p=\lambda /n$，有如下公式成立：
$$\underset{n\to \infty }{\lim }\left(\genfrac{}{}{0ex}{}{n}{x}\right)p^x(1-p{)}^{n-x}=\frac{e^{-\lambda }{\lambda }^x}{x!}$$
证明：
$$\begin{array}{rl}\underset{n\to \infty }{\lim }\left(\genfrac{}{}{0ex}{}{n}{x}\right){\frac{\lambda }{n}}^x(1-\frac{\lambda }{n}{)}^{n-x}& =\underset{n\to \infty }{\lim }\frac{n!}{x!(n-x)!}(\frac{\lambda }{n}{)}^x(1-\frac{\lambda }{n}{)}^{n-x}\\ & =\frac{{\lambda }^x}{x!}\underset{n\to \infty }{\lim }\frac{n!}{(n-x)!n^x}(1-\frac{\lambda }{n}{)}^n(1-\frac{\lambda }{n}{)}^{-x}\\ since:& \underset{n\to \infty }{\lim }\frac{n!}{(n-x)!n^x}=1\\ & \underset{n\to \infty }{\lim }(1-\frac{\lambda }{n}{)}^n=e^{-\lambda }\\ & \underset{n\to \infty }{\lim }(1-\frac{\lambda }{n}{)}^{-x}=1\\ so:& =\frac{e^{-\lambda }{\lambda }^x}{x!}\end{array}$$

---

\quad 泊松分布的概率密度函数记为$Po(\lambda )$，概率分布函数为：
$$f(x)=\frac{e^{-\lambda }{\lambda }^x}{x!}$$

---

1. 矩量母函数：
   $$M_x(t)=E[e^{tx}]=\sum _{x=0}^{\infty }\frac{e^{tx}{e}^{-\lambda }{\lambda }^x}{x!}=exp(\lambda (e^t-1))$$

---

2. 期望与方差
   $$E[x]=\lambda 且V[x]=\lambda$$

超几何分布

\quad 一个包里有$N$个球，其中$M$个球标记为"A"，$N-M$个球。标记为“B”。在该中情况下，有两种取球方案。

有放回取样

\quad 在下一次取样前，把取出球的放回包中。此情况下，一个球总是从全部的N个球中抽取，取样的过程相当于伯努利实验，因此抽取n个球，含有x个A球的概率分布可表示为$Bi(n,M/N)$。

无放回取样

\quad 在下一次取样前，无需将上一次取出的球放回包中。此情况下，包中的球的数量随着实验的进行而不断减少。因此，A与B的球数量之比取决于历次抽样情况。抽取n个球，含有x个A球的概率分布分布称为超几何分布，记为$HG(N,M,n)$。其概率密度函数为：
$$f(x)=\frac{\left(\genfrac{}{}{0ex}{}{M}{x}\right)\left(\genfrac{}{}{0ex}{}{N-M}{n-x}\right)}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)},x=0,1,\cdots ,n$$

---

1. 期望和方差：
   $$E[x]=\frac{nM}{N}且V[x]=\frac{nM(N-M)(N-n)}{N^2(N-1)}$$
   其中:
   $$\begin{array}{rl}E[x]& =\frac{1}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)}\sum _{x=0}^{n}x\left(\genfrac{}{}{0ex}{}{M}{x}\right)\left(\genfrac{}{}{0ex}{}{N-M}{n-x}\right)\\ & =\frac{M}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)}\sum _{x=1}^n\left(\genfrac{}{}{0ex}{}{M-1}{x-1}\right)\left(\genfrac{}{}{0ex}{}{N-M}{n-x}\right)\\ & =\frac{M}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)}\sum _{x=0}^{n-1}\left(\genfrac{}{}{0ex}{}{M-1}{x}\right)\left(\genfrac{}{}{0ex}{}{N-M}{n-x-1}\right)\\ & =\frac{nM}{N}\frac{1}{\left(\genfrac{}{}{0ex}{}{N-1}{n-1}\right)}\sum _{x=0}^{n-1}\left(\genfrac{}{}{0ex}{}{M-1}{x}\right)\left(\genfrac{}{}{0ex}{}{N-M}{n-x-1}\right)[有(\genfrac{}{}{0ex}{}{N}{n})=\sum _{x=0}^n(\genfrac{}{}{0ex}{}{M}{x}\left)\right(\genfrac{}{}{0ex}{}{N-M}{n-x})]\\ & =\frac{nM}{N}\end{array}$$
   $$V[x]=E[x(x-1)]+E[x]-(E[x]{)}^2$$

---

2. 矩量母函数：
   $$M_x(t)=E[e^{tx}]=\frac{\left(\genfrac{}{}{0ex}{}{N-M}{n}\right)}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)}F(-n,-M,N-M-n+1,e^t)$$
   其中
   $$\begin{gathered} F(a,b,c,d)=\sum _{x=0}^{\infty }\frac{(a{)}_x(b{)}_x}{(c{)}_x}\frac{d^x}{x!} \\ (a{)}_x=\{\begin{array}{ll}a(a+1)\cdots (a+x-1)& x>0\\ 1& x=0\end{array} \end{gathered}$$
   因为其矩量母函数可以用超几何系数来表示，超几何分布由此而得名。

python绘图

• 连续概率分布

• 离散概率分布

• Code

import scipy.stats as ss
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False

"""
continue
"""
# 均匀分布和正太分布
plt.style.use("fivethirtyeight")   # 一定要卸载subplots的前面，否则是没用的！
fig, ax = plt.subplots(2, 2)
x = np.linspace(0, 3, 100)
y_uniform = ss.uniform.pdf(x, 0, 3)
y_norm_1 = ss.norm.pdf(x, 0.5, 0.5)
y_norm_2 = ss.norm.pdf(x, 1, 1.5)
y_norm_3 = ss.norm.pdf(x, 2, 2)
ax[0, 0].set_title("均匀分布和正态分布")
ax[0, 0].plot(x, y_uniform, label="U(0,3)")
ax[0, 0].plot(x, y_norm_1, label="N(0.5,0.5)")
ax[0, 0].plot(x, y_norm_2, label="N(1,3)")
ax[0, 0].plot(x, y_norm_3, label="N(2,2)")
ax[0, 0].legend()

# Gamma分布
x = np.linspace(0, 5, 1000)
y_gamma_1 = ss.gamma.pdf(x, 2, scale=1/2)  # scale=1/beta
y_gamma_2 = ss.gamma.pdf(x, 1, scale=1/1)
y_gamma_3 = ss.gamma.pdf(x, 2, scale=1/0.5)
y_gamma_4 = ss.gamma.pdf(x, 0.8, scale=1/0.5)
y_gamma_5 = ss.gamma.pdf(x, 1, scale=1/2)
y_gamma_6 = ss.gamma.pdf(x, 0.8, scale=1/1)
ax[0, 1].set_title("伽马分布")
ax[0, 1].plot(x, y_gamma_1, label="Ga(2,2)")
ax[0, 1].plot(x, y_gamma_2, label="Ga(1,1)")
ax[0, 1].plot(x, y_gamma_3, label="Ga(2,0.5)")
ax[0, 1].plot(x, y_gamma_4, label="Ga(0.8,0.5)")
ax[0, 1].plot(x, y_gamma_5, label="Ga(1,2)")
ax[0, 1].plot(x, y_gamma_6, label="Ga(0.8,1)")
ax[0, 1].legend()

# Beta分布
x = np.linspace(0, 1, 200)
y_beta_1 = ss.beta.pdf(x, 0.5, 0.5)
y_beta_2 = ss.beta.pdf(x, 0.5, 1)
y_beta_3 = ss.beta.pdf(x, 1, 0.5)
y_beta_4 = ss.beta.pdf(x, 1, 3)
y_beta_5 = ss.beta.pdf(x, 3, 0.5)
y_beta_6 = ss.beta.pdf(x, 3, 3)
ax[1, 0].set_title("贝塔分布")
ax[1, 0].plot(x, y_beta_1, label="B(0.5,0.5)")
ax[1, 0].plot(x, y_beta_2, label="B(0.5,1)")
ax[1, 0].plot(x, y_beta_3, label="B(1,0.5)")
ax[1, 0].plot(x, y_beta_4, label="B(1,3)")
ax[1, 0].plot(x, y_beta_5, label="B(3,0.5)")
ax[1, 0].plot(x, y_beta_6, label="B(3,3)")
ax[1, 0].legend()

# t分布和F分布
x_t = np.linspace(-2, 2, 400)
y_t_1 = ss.t.pdf(x_t, 1)
y_t_2 = ss.t.pdf(x_t, 3)
x_f = np.linspace(0, 4, 400)
y_f_1 = ss.f.pdf(x_f, 2, 1)
y_f_2 = ss.f.pdf(x_f, 10, 1)
ax[1, 1].set_title("t分布与F分布")
ax[1, 1].plot(x_t, y_t_1, label="t(1)")
ax[1, 1].plot(x_t, y_t_2, label="t(3)")
ax[1, 1].plot(x_f, y_f_1, label="F(2,1)")
ax[1, 1].plot(x_f, y_f_2, label="F(10,1)")
ax[1, 1].legend()

# ---------------------------------------------------
"""
discrete
"""

plt.style.use("Solarize_Light2")
_, ax = plt.subplots(3, 3)

# 均匀分布
x = np.arange(0, 5, 1)
y = [1 / len(x)] * len(x)
ax[0, 0].stem(x, y, linefmt='r--', basefmt='None')
ax[0, 0].set_xticks(x)
ax[0, 0].set_title("均匀分布", fontsize=10)
# ax[0, 0].spines['right'].set_visible(False)
# ax[0, 0].spines['top'].set_visible(False)

# 二项分布
x = np.arange(0, 11, 1)
y = ss.binom.pmf(x, 10, 0.5)
ax[0, 1].stem(x, y, linefmt='r--', basefmt='None')
ax[0, 1].set_title("Bi(10,0.5)", fontsize=10)

x = np.arange(0, 11, 1)
y = ss.binom.pmf(x, 10, 0.2)
ax[0, 2].stem(x, y, linefmt='r--', basefmt='None')
ax[0, 2].set_title("Bi(10,0.2)", fontsize=10)

# 负二项分布
x = np.arange(0, 30, 2)
y = ss.nbinom.pmf(x, 3, 0.2)
ax[1, 0].stem(x, y, linefmt='r--', basefmt='None')
ax[1, 0].set_title("NB(3,0.2)", fontsize=10)

x = np.arange(0, 30, 2)
y = ss.nbinom.pmf(x, 5, 0.6)
ax[1, 1].stem(x, y, linefmt='r--', basefmt='None')
ax[1, 1].set_title("NB(5,0.6)", fontsize=10)

# 几何分布:这个库中的几何分布中的x表示试验次数，不是失败次数，即x=x-1
x = np.arange(1, 30, 2)
y = ss.geom.pmf(x, 0.1)
ax[1, 2].stem(x, y, linefmt='r--', basefmt='None')
ax[1, 2].set_title("Ge(0.1)", fontsize=10)

# 泊松分布
x = np.arange(0, 15, 1)
y = ss.poisson.pmf(x, 3)
ax[2, 0].stem(x, y, linefmt='r--', basefmt='None')
ax[2, 0].set_title("Po(3)", fontsize=10)

# 超几何分布
x = np.arange(0, 15, 1)
y = ss.hypergeom.pmf(x, 20, 5, 10)
ax[2, 1].stem(x, y, linefmt='r--', basefmt='None')
ax[2, 1].set_title("HG(20,5,10)", fontsize=10)

y = ss.hypergeom.pmf(x, 20, 8, 15)
ax[2, 2].stem(x, y, linefmt='r--', basefmt='None')
ax[2, 2].set_title("HG(20,8,15)", fontsize=10)
plt.show()