统计学（1）二项分布 几何分布 泊松分布 指数分布 正态分布 gamma分布 beta分布

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:
$$P=C_n^k\times p^k\times (1-p{)}^{n-k}$$
  期望 ：$E(x)=np$ ； 方差：$D(x)=np(1-p)$

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：
$$P=(1-p{)}^{x-1}\times p$$
  期望 ：$E(x)=\frac{1}{p}$； 方差：$\mathrm{Var}(x)=\frac{1-p}{p^2}$

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。
$$P(N(t)=n)=\frac{(\lambda t{)}^n{e}^{-\lambda t}}{n!}$$
  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。
$$P(N(2)=0)=\frac{(3\times 2{)}^0{e}^{-3\times 2}}{0!}\approx 0.0025$$

  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→0​Cnk​pk(1−p)