数理统计-记忆知识点

一、 常用函数的概率分布密度或分布律

(一) 离散型

1. 两点分布 X~B(1，p)

 $P(X=x)=p^x(1-p{)}^{1-x},x=0,1$

 $E(X)=p$

 $D(X)=p(1-p)$

2. 二项分布 X~B(N，p)

 $P(X=x)=C_N^x{p}^{x}1-p^{N-x},x=0,\mathrm{1...}n$

 $E(X)=np$

 $D(X)=np(1-p)$

3. 泊松分布 X~P($\lambda$)

 $P(X=x)=\frac{{\lambda }^x}{x!}{e}^{-\lambda }$

 $E(X)=\lambda$

 $D(X)=\lambda$

(二) 连续型

1. 均匀分布 X~U(a，b)

 $f(x)\{\begin{array}{cc}\frac{1}{b-a},& a\le x\le b\\ 0& 其它\end{array}F(x)\{\begin{array}{cc}0,& x<a\\ \frac{x-a}{b-a},& a\le x\le b\\ 1,& x>b\end{array}$

 $E(X)=\frac{a+b}{2}$

 $D(X)=\frac{(b-a{)}^2}{12}$

2. 指数分布 X~E($\lambda$)

 $f(x)\{\begin{array}{cc}\frac{1}{b-a},& x>0\\ 0& x\le 0\end{array}F(x)\{\begin{array}{cc}1-e^{-\lambda x},& x>0\\ 0& x\le 0\end{array}$

 $E(X)=\frac{1}{\lambda }$

 $D(X)=\frac{1}{{\lambda }^2}$

3. 正态分布 X~E($\mu ，{\sigma }^2$)

 $f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{\frac{(x-\mu {)}^2}{2{\sigma }^2}}$

 $E(X)=\mu$

 $D(X)={\sigma }^2$

二、 统计决策中的常用分布族

(一) Gamma分布族 X~$\Gamma (\alpha ，\beta )$

 $f(x;\alpha ,\beta )=\{\begin{array}{cc}\frac{{\beta }^{\alpha }}{\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\beta x},& x>0\\ 0,& x\le a\end{array}\Gamma (\alpha )={\int }_0^{\infty }{x}^{\alpha -1}{e}^{-\beta x}dx$

 $\Gamma (\alpha +1)=\alpha \Gamma (\alpha ),\Gamma (n+1)=n!$, $\Gamma (\frac{1}{2})=\sqrt{\pi }$

 $E(X)=\frac{\alpha }{\beta }$

 $D(X)=\frac{\alpha }{{\beta }^2}$

(二) Beta分布族 X~Be(a，b)

 $f(x;a,b)=\{\begin{array}{cc}\frac{\Gamma (a+B)}{\Gamma (a)\Gamma (b)}{x}^{a-1}(1-x{)}^{b-1},& 0<x<1\\ 0,& 其它\end{array}$

 $E(X)=\frac{a}{a+b}$

 $D(X)=\frac{ab}{(a+b{)}^2(a+b+1)}$