【概率论】变量的常见分布情况（5月8日学习笔记）

简单介绍几种常见的变量分布模型，用一句话概括就是，离散万物，皆可二项分布！

一、离散型随机变量

1.二项分布

在了解二项分布前，需要先了解伯努利试验。
伯努利试验E只有两种结果，则称为伯努利试验；将试验E独立重复地进行n此，则称这一串重复的独立试验为n重伯努利试验。

比如抛硬币，只有正反两种结果，这就是伯努利试验。满足伯努利试验的，就是二项分布。

独立做n次+就两种结果=n重伯努利试验

设在一次试验中，事件A发生的概率为p（0<p<1），则在n重伯努利试验中，事件A恰好发生 k 次的概率为：
这个公式被称作二项式概率公式，称随机变量X服从参数为n,p的二项分布，记作X~b(n,p)
（因为，刚好是二项式(p+q)${}^n$的展开式中出现p${}^k$的那一项）

以扔硬币为例，假设事件A是硬币正面朝上，那么解释这个公式就是，扔了n次，有k次正面朝上，正面朝上k次的概率是$p^k$,没有朝上的概率是
$(1-p{)}^n$${}^{-}$${}^k$。

2.（0-1）分布

顾名思义，随机变量X只可能取0和1两个值，就是0-1分布。所以其公式同二项分布公式之理，为
k=0,1,p+q=1(0<p<1)
0-1分布也是二项分布的一种，区别在于二项分布对试验次数没有限制，0-1分布只做一次。所以只抛一次的硬币实验也符合0-1分布。

3.泊松分布

泊松分布是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）
泊松分布的概率函数为↓

当二项分布 **X~B（n,p）**的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。
事实上，泊松分布正是由二项分布推导而来的！

---

这里以在一定时间内某交通路口所发生的事故个数为例
为方便记，设所观察的这段时间为[0,1)；L${}_i$表示时间段；取一个很大的自然数n，把时间段[0,1)分为等长的n段：

我们做如下两个假定：
1.在每段时间内，恰发生一个事故的概率，近似的与这段时间的长$1/n$成正比，可设为 λ/n 。
也就是过了λ个时间段，会发生一次事故。
当n很大时，在这么短暂的一段时间内，要发生两次或者更多次事故是不可能的。在L${}_i$这段时间内不发生事故的概率为

2.各段是否发生事故是独立的

把在[0,1)时段内发生的事故数X视作在n个划分之后的小时段内有事故的时段数
按照上述两个假定，X应服从二项分布。于是，我们有

注意到当n取极限时，我们有

因此

从上述推导可以看出：泊松分布可作为二项分布的极限而得到。一般的说，若,其中n很大，p很小，因而不太大时，X的分布接近于泊松分布。这个事实有时可将较难计算的二项分布转化为泊松分布去计算。

---

说白了，泊松分布公式就是二项分布公式取了两个极限推导的结果。

二、连续型随机变量

1.均匀分布

在相同长度间隔的分布概率是等可能的。在(a,b)区间上概率密度1/(b-a)，记作X~U（a,b）

2.指数分布

分布函数↓

有

图源：宋浩老师官方

λ参数越大，图形越凹

3.正态分布

正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution）最早由棣莫弗（Abraham de Moivre）在求二项分布的渐近公式中得到。
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，σ${}^2$)。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。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。

服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。（标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X（当前值）范围内的面积比例。）

若随机变量X服从一个位置参数为 、尺度参数为 的概率分布，且其概率密度函数为
则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布.
记作读作服从
或X服从正态分布。
μ表示对称轴，σ${}^2$表示方差；方差越大，数据量越分散，自然图形越扁平。正态分布是一个相当常见的分布规律，因为很多数据在变化过程中都有回归平均值μ的倾向。

以上内容仅为个人理解，如果有误，欢迎批评指正。