这篇博客深入探讨了一系列重要的概率分布，包括泊松、指数、二项、负二项、伽玛、βeta、卡方、正态和多维高斯分布。文章强调理解每个分布的应用场景和特性，如泊松分布用于描述单位时间内随机事件发生的次数，二项分布关注独立事件的成功次数，负二项分布则涉及失败次数。此外，博客还提到了高斯分布和多维高斯分布在数据分析中的重要性，并介绍了帕累托和柯西分布的相关概念。
Poisson Distribution | Gamma distribution | beta distribution | chi-square distribution
2018年04月04日
再谈泊松分布：
一直感觉学统计学太难了，各种分布，傻傻搞不清，就算是现在弄清楚了，以后再实战中见到这个分布的时候还是懵逼。
基本概念：所有统计分布都是用于描述事件发生概率的，所有事件发生概率之和为1，也就是所有概率分布的面积（积分）为1.
泊松分布，也是老早就接触的分布，到现在也没真正搞清楚。
其实我太过于纠结泊松分布的公式，其实只要不是数学统计学方向的人，根本就不需要知道泊松分布的公式是怎么来的！！！完全不用在意这个公式！！！
你只需要泊松分布是用于描述什么实际问题的就好了。
泊松分布，“描述单位时间内随机事件发生的次数的概率分布”，前提是我们知道某段时间内时间发生的平均值。比如我们在观察通过学校大门的人的数量，假设我们已经知道10min内平均通过5人。那么我们就能知道10min内通过1人的概率。怎么知道，直接带入公式即可，泊松分布唯一的一个参数就是入，它就是我们的平均值。
至于这个公式是怎么来的，作为模型应用者，我们完全不需要知道。
应用前提：每个人（每个事件）的发生是相互独立的。（如果总有一些人是同时出现得，那么就不独立，就不能用泊松分布了。）
泊松分布的现实意义是什么，为什么现实生活多数服从于泊松分布？
再举例：如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数、激光的光子数分布等等。（万变不离其中：事件单位事件内发生的次数的概率）
泊松分布性质：数学期望与方差相等，同为参数λ：E(X)=V(X)=λ
在RNA-seq中，技术误差是满足泊松分布的，因为期望和方差差不多。但是生物学重复之间的误差不能用泊松分布来描述，因为他的方差可能很大，所以要用负二项分布，加了一个额外的误差项。
再谈二项分布：
二项分布也是学烂了，闭着眼睛都能想到抛硬币问题。
二项分布（英语：Binomial distribution）是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n = 1时，二项分布就是伯努利分布。
当试验的次数趋于无穷大，而乘积np固定时，二项分布收敛于泊松分布。因此参数为λ = np的泊松分布可以作为二项分布B(n, p)的近似，如果n足够大，而p足够小。
最低0.47元/天 解锁文章
扫一扫
1666
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
