常见概率分布总结

离散型

两点分布 $B（1,\theta ）$

$$f(x;\theta )=P_{\theta }(X=x)={\theta }^x(1-\theta {)}^{1-\theta },x=0,1$$
期望：$E(X)=\theta$
方差：$D(X)=\theta (1-\theta )$

特性：当Xi服从B（1，$\theta$）那么${\sum }_{j=1}^n{X}_j服从B(n,\theta )$

二项分布 $B（n,\theta ）$

$$f(x;\theta )=P_{\theta }(X=x)={(}_k^n){\theta }^x(1-\theta {)}^{n-\theta },x=0,1,,,,n;0<\theta <1$$
期望：$E(X)=n\theta$
方差：$D(X)=n\theta (1-\theta )$
众数：$Mode(X)=(n-1)\theta$
特性：关于n的可再生性

泊松分布 $P（\lambda ）$

$$f(x;\lambda )=P_{\lambda }(X=x)=\frac{e^{-\lambda }{\lambda }^x}{x!},x=0,1,,,,;\lambda >0$$
期望：$E(X)=\lambda$
方差：$D(X)=\lambda$
众数：$Mode(X)=\lambda$

特性：当Xi服从P（\lambda）那么${\sum }_{j=1}^n{X}_j服从P（n\lambda ）$

几何分布 $Ge（\theta ）$

$$f(x;\theta )=P_{\theta }(X=x)=\theta (1-\theta {)}^{x-1},x=1,2,3,,,;0<\theta <1$$
期望：$E(X)=\frac{1}{\theta }$
方差：$D(X)=\frac{(1-\theta )}{{\theta }^2}$

特性：当Xi服从Ge（$\theta$）那么${\sum }_{j=1}^n{X}_j服从Nb(n,\theta )$无记忆性

负二项分布$Nb(r,\theta )$

$$f(x;\theta )=P_{\theta }(X=x)={(}_{r-1}^{x-1}){\theta }^r(1-\theta {)}^{x-r},x=r,r+1,r+2,,,,;0<\theta <1$$
期望：$E(X)=\frac{r}{\theta }$
方差：$D(X)=\frac{r(1-\theta )}{{\theta }^2}$

特性：r有再生性

连续型

正态分布$N(\mu ,{\sigma }^2)$

f ( x ; θ ) = 1 2 π σ e x p { − ( x − μ ) 2 2 σ 2 } f(x;\theta)=\frac{1}{\sqrt{2\pi}\sigma}exp\{-\frac{(x-\mu)^2}{2\sigma^2}\} f(x;θ)=2π ​σ1​exp{−2σ2(x−μ)2​}
期望：$E(X)=\mu$
方差：$D(X)={\sigma }^2$
众数：$Mode(X)=\mu$

多元正态分布$N_p(\mu ,{\sigma }^2)$

f ( x ; θ ) = ( 2 π ) − p 2 ∣ Σ ∣ − 1 2 e x p { − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) } f(x;\theta)=(2\pi)^{-\frac{p}{2}}|\varSigma|^{-\frac{1}{2}}exp\{-\frac{1}{2}(x-\mu)^T\varSigma^{-1}(x-\mu)\} f(x;θ)=(2π)−2p​∣Σ∣−21​exp{−21​(x−μ)TΣ−1(x−μ)}
期望：$E(X)=\mu$
方差：$D(X)=\Sigma$
众数：$Mode(X)=\mu$

均匀分布U$({\theta }_1,{\theta }_2)$

$$f(x;\theta )=\frac{1}{{\theta }_1-{\theta }_2},{\theta }_1<{\theta }_2\subseteq \mathbb{R}$$
期望：$E(X)=\frac{{\theta }_1+{\theta }_2}{2}$
方差：$D(X)=\frac{({\theta }_2-{\theta }_1{)}^2}{12}$

指数分布Exp$（\lambda ）$

$$f(x;\lambda )=\lambda e^{-\lambda x},\lambda >0$$
期望：$E(X)=\frac{1}{\lambda }$
方差：$D(X)=\frac{1}{{\lambda }^2}$

众数：$Mode(X)=0$

伽马分布

$$f(x;r,\lambda )=\frac{{\lambda }^r}{\Gamma (r)}{x}^{r-1}{e}^{-\lambda x}$$
期望：$E(X)=\frac{r}{\lambda }$
方差：$D(X)=\frac{r}{{\lambda }^2}$

众数：$Mode(X)=\frac{r-1}{\lambda }$

逆伽马分布

$$f(x;r,\lambda )=\frac{{\lambda }^r}{\Gamma (r)}{x}^{-(r+1)}{e}^{-\frac{\lambda }{x}}$$
期望：$E(X)=\frac{\lambda }{r-1}$
方差：$D(X)=\frac{{\lambda }^2}{(r-1{)}^2(r-2)}$

众数：$Mode(X)=\frac{\lambda }{r+1}$

贝塔分布$Be(\alpha ,\beta )$

$$f(x;r,\lambda )=\frac{\Gamma (\alpha +\beta )}{\Gamma (\alpha )\Gamma (\beta )}{x}^{\alpha -1}(1-x{)}^{\beta -1}$$
期望：$E(X)=\frac{\alpha }{\alpha +\beta }$
方差：$D(X)=\frac{\alpha \beta }{(\alpha +\beta {)}^2(\alpha +\beta +1)}$

众数：$Mode(X)=\frac{\alpha -1}{\alpha +\beta -2}$