1、二项分布与负二项分布
（1）伯努利分布
P
(
X
=
1
)
=
p
,
P
(
X
=
0
)
=
1
−
p
E
(
X
)
=
p
,
V
a
r
(
X
)
=
p
(
1
−
p
)
P(X=1)=p,P(X=0)=1-p\\ E(X)=p,Var(X)=p(1-p)
P(X=1)=p,P(X=0)=1−pE(X)=p,Var(X)=p(1−p)
（2）二项分布：参数为p的伯努利试验独立重复n次，X为试验成功的次数。
X
∼
B
(
n
,
p
)
,
P
(
X
=
k
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
E
(
X
)
=
n
p
,
V
a
r
(
X
)
=
n
p
(
1
−
p
)
X \sim B(n,p),P(X=k)=C_n^k p^k (1-p)^{n-k}\\ E(X)=np, Var(X)=np(1-p)
X∼B(n,p),P(X=k)=Cnkpk(1−p)n−kE(X)=np,Var(X)=np(1−p)
（3）负二项分布：连续不断地重复伯努利试验，记X为第r次“成功”出现时所需要的试验次数。
X
∼
N
B
(
n
,
p
)
,
P
(
X
=
k
)
=
C
k
−
1
r
−
1
p
r
(
1
−
p
)
k
−
r
X \sim NB(n,p),P(X=k)=C_{k-1}^{r-1}p^r (1-p)^{k-r}
X∼NB(n,p),P(X=k)=Ck−1r−1pr(1−p)k−r
2、泊松分布
X ∼ P ( λ ) , P ( X = k ) = e − λ λ k k ! E ( X ) = λ , V a r ( X ) = λ X \sim P(\lambda), P(X=k)=e^{-\lambda}\frac{\lambda ^k}{k!}\\ E(X)=\lambda, Var(X)=\lambda X∼P(λ),P(X=k)=e−λk!λkE(X)=λ,Var(X)=λ
泊松分布和二项分布的关系：
对二项分布 B ( n , p ) B(n,p) B(n,p)，当p很小n很大时， B ( n , p ) B(n,p) B(n,p)与 P ( n p ) P(np) P(np)很接近，可以相互近似。
泊松分布有峰值，其概率密度图像中峰值的位置和峰值大小都和 λ \lambda λ有关。
泊松分布刻画了小概率事件（稀有事件）多次重复时的概率规律。
泊松定理：
说明了泊松分布和二项分布严格意义下的相互关系。
设 X n ∼ B ( n , p n ) X_n \sim B(n,p_n) Xn∼B(n,pn)，其中 p n p_n pn与n有关，且满足 lim n → ∞ n p n = λ \displaystyle \lim_{n \to \infty} np_n =\lambda n→∞limnpn=λ， λ \lambda λ是一个与n无关的常数，则对于任意固定的非负整数k，有 lim n → ∞ P ( X n = k ) = λ k k ! e − λ \displaystyle \lim_{n \to \infty} P(X_n =k) = \frac{\lambda ^k}{k!}e^{-\lambda} n→∞limP(Xn=k)=k!λke−λ
3、几何分布
X ∼ G e ( p ) , P ( X = k ) = ( 1 − p ) k − 1 p E ( X ) = 1 p , V a r ( X ) = 1 − p p 2 X \sim Ge(p),P(X=k)=(1-p)^{k-1}p\\ E(X)=\frac{1}{p},Var(X)=\frac{1-p}{p^2} X∼Ge(p),P(X=k)=(1−p)k−1pE(X)=p1,Var(X)=p21−p
几何分布：连续不断独立重复地进行一个参数为p的伯努利试验，记X为**首次出现“成功”**时所需的总实验次数。
几何分布的无记忆性：
如果随机变量X服从几何分布，则对于 ∀ s > 0 , t > 0 \forall s>0,t>0 ∀s>0,t>0，有 P ( X > s + t ∣ X > s ) = P ( X > t ) P(X>s+t|X>s)=P(X>t) P(X>s+t∣X>s)=P(X>t)
即条件概率的大小和之前的情况无关。
以甲乙两人射击为例，假设两人每次击中10环的概率分别为a,b，且每轮射击概率都不变，那么他们射中10环需要的总次数分别满足参数为a,b的几何分布，前几轮的结果不会影响之后的结果。
4、指数分布
X ∼ E x p ( λ ) , λ > 0 f ( x ) = { 0 , x ≤ 0 λ e − λ x , x > 0 F ( x ) = { 0 , x ≤ 0 1 − e − λ x , x > 0 E ( X ) = 1 λ , V a r X = 1 λ 2 X \sim Exp(\lambda) , \lambda > 0\\ f(x)= \left \{ \begin{array}{rcl} 0, x \leq 0\\ \displaystyle \lambda e^{-\lambda x}, x>0 \end{array}\right.\\ F(x)= \left \{ \begin{array}{rcl} 0, x\leq 0\\ 1-e^{-\lambda x},x>0 \end{array}\right.\\ E(X)= \frac{1}{\lambda} , Var{X}=\frac{1}{\lambda^2} X∼Exp(λ),λ>0f(x)={0,x≤0λe−λx,x>0F(x)={0,x≤01−e−λx,x>0E(X)=λ1,VarX=λ21
λ \lambda λ越大，f(x)图像越“瘦高”。
指数分布的重要应用：衡量电子器件的可靠性（使用寿命）
指数分布的无记忆性：
X
∼
E
x
p
(
λ
)
,
λ
>
0
,
∀
s
>
0
,
t
>
0
,
P
(
X
>
s
+
t
∣
X
>
s
)
=
P
(
X
>
t
)
X \sim Exp(\lambda), \lambda > 0, \forall s>0,t>0, P(X>s+t|X>s)=P(X>t)
X∼Exp(λ),λ>0,∀s>0,t>0,P(X>s+t∣X>s)=P(X>t)
5、均匀分布
X ∼ U ( a , b ) f ( x ) = { 1 b − a , X ∈ [ a , b ] 0 , o t h e r s E ( X ) = a + b 2 . V a r ( X ) = ( b − a ) 2 12 X\sim U(a,b)\\ f(x)=\left \{ \begin{array}{rcl} \frac{1}{b-a},X\in[a,b]\\ 0,others\\ \end{array} \right.\\ E(X)=\frac{a+b}{2}.Var(X)=\frac{(b-a)^2}{12} X∼U(a,b)f(x)={b−a1,X∈[a,b]0,othersE(X)=2a+b.Var(X)=12(b−a)2
6、正态分布
X ∼ N ( μ , σ 2 ) , f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , E ( X ) = μ , V a r ( X ) = σ 2 X \sim N(\mu,\sigma^2),\\ f(x)= \frac{1}{\sqrt{2 \pi} \sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},\\ E(X)=\mu,Var(X)=\sigma^2 X∼N(μ,σ2),f(x)=2πσ1e−2σ2(x−μ)2,E(X)=μ,Var(X)=σ2
μ
=
0
,
σ
2
=
1
\mu=0,\sigma^2=1
μ=0,σ2=1时，
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1)，称为标准正态分布。
φ
(
x
)
=
1
2
π
e
−
x
2
2
Φ
(
x
)
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
E
(
X
)
=
0
,
V
a
r
(
X
)
=
1
\varphi(x)=\frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}\\ \Phi(x)=\int_{-\infty}^x \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}}dt\\ E(X)=0,Var(X)=1
φ(x)=2π1e−2x2Φ(x)=∫−∞x2π1e−2t2dtE(X)=0,Var(X)=1
若
x
∼
N
(
μ
,
σ
2
)
x\sim N(\mu,\sigma^2)
x∼N(μ,σ2)，则
X
−
μ
σ
∼
N
(
0
,
1
)
\displaystyle \frac{X-\mu}{\sigma}\sim N(0,1)
σX−μ∼N(0,1)
X
∼
N
(
0
,
1
)
,
Φ
(
−
x
)
=
1
−
Φ
(
x
)
,
φ
(
−
x
)
=
φ
(
x
)
,
Φ
(
0
)
=
1
2
X \sim N(0,1),\Phi(-x)=1-\Phi(x),\varphi(-x)=\varphi(x),\Phi(0)=\frac{1}{2}
X∼N(0,1),Φ(−x)=1−Φ(x),φ(−x)=φ(x),Φ(0)=21
3782
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
