泊松分布 流量发生器_【心得篇】常见随机变量的概率分布

随机变量将事件映射为一个数，随机变量的概率分布反映了各事件发生的可能性。根据随机变量的取值范围，我们可以区分出离散型随机变量{取值为整数}和连续型随机变量{取值为实数}。事实上还有混合型随机变量，但不在本文讨论的范围之内。

每个离散随机变量的本质特征在于其概率密度函数（或分布律）以及概率分布函数，这一本质同时决定了它们的期望（均值）和方差。

对于离散性随机变量来说，期望是将随机变量的所有取值与其概率相乘后求和，即

，方差是对随机变量与均值的距离的平方乘上响应概率再求和，即

；对于连续性随机变量来说，期望是随机变量取值乘上相应概率密度再积分，即

，方差是对随机变量与均值的距离的平方乘上相应概率密度再积分，即

。

以下介绍各种随机变量，对于每种随机变量，我们会介绍其本质特征、期望、方差以及生活中的应用。

---

离散型随机变量

常见的离散型随机变量分布有以下4种：0-1分布，二项分布，泊松分布，几何分布。

0-1 分布是最简单的随机变量分布。假设某一事件发生的概率为p（当然，它不发生的概率就是1-p）。于是对0-1分布的随机变量X来说，X的取值只有0和1两种情况，其分布律就是

。口算可知，它的期望为p，方差为p(1-p)。至于生活中的应用，比如丢一次硬币，设事件“正面朝上”对应1，事件“负面朝上”对应0。

二项分布是0-1 分布的推广。假设某一基本事件发生的概率为p（当然，它不发生的概率就是1-p）。连续进行n次试验（n为常数），将这n次实验中基本事件发生的次数记为随机变量X。于是对二项分布的随机变量X来，X的取值有0、1、2……n，共n+1种情况，其分布律就是

，C表示组合数。不妨将二项分布视为n个相互独立的0-1 分布，因此可得它的期望为np，方差为np(1-p)。至于生活中的应用，比如买n张彩票，k张中奖的概率或者抽检产品n件，k件不合格的概率。

泊松分布也是生活中常见的一种分布。它含有一个参数

，分布律为

，其中X的取值为任意非负整数。它的期望和方差均为

，计算时根据定义并利用

的麦克劳林展开式即可。至于生活中的应用，比如某商场一天的客流量，某个路口发生事故的数量。

最后是几何分布。假设某一基本事件发生的概率为p，连续进行k次实验，第k次实验终于成功一次的概率为

。它的期望为

，方差为

，计算可利用错位相消法。至于生活中的应用，比如为了中一次奖而连续买的彩票张数。

连续型随机变量

常见的连续型随机变量分布有以下三种：均匀分布，正态分布，指数分布。

均匀分布是最简单的连续型随机变量分布。比如在[0,1]之间任取一个实数X，则X的概率密度函数为

，分布函数为

，期望为

，方差为

。计算只需根据定义进行积分。至于生活中的应用，比如在[0,1]中取一个随机数（假设各数字被取的概率相同）。

指数分布是一种具有无后效性的连续型随机变量分布。它有一个参数

，其概率密度函数为

，分布函数为

，期望为

，方差为

。至于生活中的应用，比如一个零件的寿命等。

正态分布是最常见的连续型随机变量分布。其概率密度函数为

，概率分布函数一般记为

，具体形式包含反常积分，即对f(x)的积分，故此处略去。正态分布的两个参数，

和

，前者等于期望，后者等于方差。至于生活中的应用，比如一次成绩测验的成绩分布，人群的智商分布等等。

---

随机变量分布表格

后记

还是很惊讶，不确定的东西在更大的视野之下变得确定，这些函数是对部分现实的降维打击。