【Hydro】概率分布

概念

1. 数学期望：随机变量的均值$E(X)=\sum X\ast p(X)$
2. 方差：随机变量的离散程度$S^2=\frac{\sum (X-\overline{X}{)}^2}{n-1}$
3. 协方差：随机变量的相关性，正相关$Cov(X,Y)>0$

二项分布

$$\begin{gathered} X\sim B(n,p) \\ E(X)=\sum \mu =np \\ D(X)=\sum \sigma =np(1-p) \\ Cov(X,Y)=E(XY)-E(X)E(Y)(n=1) \\ Cov(X,Y)=n(p_b-p_X{p}_Y) \end{gathered}$$
分布律：
P { X = k } = C n k p k ( 1 − p ) n − k P\{ X=k \}=C_n^kp^k(1-p)^{n-k} P{X=k}=Cnk​pk(1−p)n−k
从n中选出k个，选中的概率是p的k次方，其余n-k个没选中的概率是1-p

泊松分布

用以描述单位时间内随机事件的发生次数。
X ∼ π ( λ ) P ( X = k ) = λ k k ! e − λ , k = 0 , 1 ⋅ ⋅ ⋅ Φ ( t ) = e x p { λ ( e i t − 1 ) } E ( X ) = λ e − λ ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! = λ e − λ e λ = λ D ( X ) = E ( X 2 ) − ( E ( X ) ) 2 = λ ( λ + 1 ) − λ 2 = λ X\sim\pi(\lambda)\\ P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},k=0,1\cdot\cdot\cdot\\ \Phi(t)=exp\{\lambda(e^{it}-1)\}\\ E(X)=\lambda e^{-\lambda }\sum_{k=1}^{\infty } \frac{\lambda ^{k-1}}{(k-1)!}=\lambda e^{-\lambda }e^{\lambda }=\lambda\\ D(X)=E(X^2)-(E(X))^2=\lambda(\lambda+1)-\lambda^2=\lambda X∼π(λ)P(X=k)=k!λk​e−λ,k=0,1⋅⋅⋅Φ(t)=exp{λ(eit−1)}E(X)=λe−λk=1∑∞​(k−1)!λk−1​=λe−λeλ=λD(X)=E(X2)−(E(X))2=λ(λ+1)−λ2=λ
泊松分布的期望和方差都是$\lambda$

均匀分布

$X\sim U(a,b)$其中概率密度$f(x)=\frac{1}{b-a}(a<x<b)$,取其它值f(x)=0

指数分布

$X\sim E(\lambda )$其中概率密度$f(x)=\lambda e^{-\lambda x}(x>0)$取其它值f(x)=0

正态分布

对于一维的正态分布：若X服从一个位置参数为$\mu$，尺度参数为$\sigma$的概率分布，则概率密度为
$$\begin{gathered} f(x)=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2}) \\ 或写成 \\ f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}} \end{gathered}$$
此时这个随机变量X就是正态随机变量，正态随机变量服从的分布就是正态分布记作：
$X\sim N(\mu ,{\sigma }^2)$
如果$\mu =0,\sigma =1$的情况，正态分布就是标准正态分布
$$f(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$