1、二项分布
n次独立重复试验,每次事件出现的结果只有两个,出现同一结果的概率相同为p;
抛硬币,假设硬币不平整,抛出正面的概率为p,那么在n次抛硬币的实验中,出现k次正面的概率:
P = C n k × p k × ( 1 − p ) n − k P=C_{n}^{k} \times p^{k} \times(1-p)^{n-k} P=Cnk×pk×(1−p)n−k
期望 : E ( x ) = n p E(x)=n p E(x)=np ; 方差: D ( x ) = n p ( 1 − p ) D(x) = np(1-p) D(x)=np(1−p)
2、几何分布
与二项分布关心的“n次实验k次成功的概率”不同,几何分布关心的是,事件发生(或者实验)n次中,在第x次取得成功的概率。其发生的概率P为:
P = ( 1 − p ) x − 1 × p P=(1-p)^{x-1} \times p P=(1−p)x−1×p
期望 : E ( x ) = 1 p E(x)=\frac{1}{p} E(x)=p1; 方差: Var ( x ) = 1 − p p 2 \operatorname{Var}(x)=\frac{1-p}{p^{2}} Var(x)=p21−p
3、泊松分布
日常生活中,大量事件是有固定频率的。
- 某医院平均每小时出生3个婴儿
- 某公司平均每10分钟接到1个电话
- 某超市平均每天销售4包xx牌奶粉
- 某网站平均每分钟有2次访问
它们的特点就是,我们可以预估这些事件的总数,但是没法知道具体的发生时间。
泊松分布的数据或者事件特征:
- 事件发生的次数与时间起点无关,只与时间长短有关。
- 任何两个不重叠的时间区间,各自区间内事件发生的次数是相互独立的。
- 在非常短的时间内,事件连续发生两次的概率接近零,不连续。
已知平均每小时出生3个婴儿,请问下一个小时,会出生几个?有可能一下子出生6个,也有可能一个都不出生。这是我们没法知道的。
泊松分布就是描述某段时间内,事件具体的发生概率。
P ( N ( t ) = n ) = ( λ t ) n e − λ t n ! P(N(t)=n)=\frac{(\lambda t)^{n} e^{-\lambda t}}{n !} P(N(t)=n)=n!(λt)ne−λt
上面就是泊松分布的公式。等号的左边,P 表示概率,N表示某种函数关系,t 表示时间,n 表示数量,1小时内出生3个婴儿的概率,就表示为 P(N(1) = 3) 。等号的右边,λ 表示事件的频率。
接下来两个小时,一个婴儿都不出生的概率是0.25%,基本不可能发生。
P ( N ( 2 ) = 0 ) = ( 3 × 2 ) 0 e − 3 × 2 0 ! ≈ 0.0025 P(N(2)=0)=\frac{(3 \times 2)^{0} e^{-3 \times 2}}{0 !} \approx 0.0025 P(N(2)=0)=0!(3×2)0e−3×2≈0.0025
泊松过程的强度lambda (常数)等于单位长时间间隔内出现的质点数目的期望值。即对泊松分布有:E(X) = D(X) = λ
泊松分布的特征
1、Poisson分布主要用于描述在单位时间(空间)中稀有事件的发生数。要观察到这类事件,样本含量n必须很大。
2、λ是泊松分布所依赖的唯一参数。λ值愈小,分布愈偏倚,随着λ的增大,分布趋于对称。
3、当λ = 20时,分布泊松接近于正态分布;当λ = 50时,可以认为泊松分布呈正态分布。在实际工作中,当λ>=20 时就可以用正态分布来近似地处理泊松分布的问题。
4、二项分布转化泊松分布,泊松转化正态分布
lim n → α , p → 0 C n k p k ( 1 − p ) n − k = lim n → α , p → 0 n ( n − 1 ) ⋯ ( n 1 − k ) k ! p k ( 1 − p ) n − k \lim _{n \rightarrow \alpha, p \rightarrow 0} C_{n}^{k} p^{k}(1-p)^{n-k}=\lim _{n \rightarrow \alpha ,p \rightarrow 0} \frac{n(n-1) \cdots(n 1-k)}{k !} p^{k}(1-p)^{n-k} limn→α,p→0Cnkpk(1−p)