统计基础之概率论与数理统计(完结)

1、随机变量及其分布：
1.1、离散型随机变量（0-1分布、二项分布、泊松分布、几何分布）
1.1.1、0-1分布
0—1分布就是n=1情况下的二项分布。

1.1.2、二项分布（伯努利分布）
二项分布就是重复n次独立的伯努利试验。
如果存在X~B(n, p)这样一个二项分布，也就是说X是呈现出二项分布的随机变量，n表示试验的总数，p表示每个试验中得到成功结果的概率，那么X的期望值E(X)=np，方差Var(X)=np(1-p)。
多项分布是二项式分布的推广。

1.1.3、泊松分布
泊松分布公式

泊松分布的期望为E(X)=λ，方差D(X)=λ
1.1.4 、几何分布
几何分布是帕斯卡分布当r=1时的特例。
1.2、连续型随机变量及其分布（均匀分布、指数分布、正态分布（标准正态分布）、负指数分布、伽马分布）

1.2.1、均匀分布
假设x服从[a,b]上的均匀分布，则x的概率密度函数如下

概率密度图像
1.2.2、指数分布
指数分布的概率密度函数

指数分布的区间是[0,∞)。 如果一个随机变量X呈指数分布，则可以写作：X~ E（λ）
x是给定的时间；λ为单位时间事件发生的次数；e＝2.71828。
指数分布概率密度曲线如下图：

指数分布具有以下特征：
（1）随机变量X的取值范围是从0到无穷；
（2）极大值在x＝0处，即f(x)＝λ；
（3）函数为右偏，且随着x的增大，曲线稳步递减；
（4）随机变量的期望值和方差为µ＝1/λ，σ2＝1/λ2。
通过对概率密度函数的积分，就可以得到相应的概率，其表达式有两种
P(X≥x)＝e-λx
P(X≤x)＝1－e-λx

1.2.3、正态分布，又名高斯分布。
若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布N(0,1)。
其概率密度函数为(标准正态分布，μ=0，σ=1)

图形特征
集中性：正态曲线的高峰位于正中央，即均数所在的位置。
对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。
均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1，即图形面积为1。频率的总和为100%。
正