概率论中的常用分布(用于考试前记忆)
离散情形
- 二项分布
描述:假设进行 n n n 次试验,每次试验成功的概率是 p p p ,失败的概率是 1 − p 1-p 1−p .令随机变量 X X X 为成功的次数,则 X X X 服从二项分布. P ( X = k ) = ( n k ) p k ( 1 − p ) n − k \mathbb{P}(X=k)=\binom{n}{k}p^k(1-p)^{n-k} P(X=k)=(kn)pk(1−p)n−k且有 E ( X ) = n p ; V a r ( X ) = n p ( 1 − p ) . \mathbb{E}(X)=np; Var(X)=np(1-p). E(X)=np;Var(X)=np(1−p).
- 几何分布
描述:假设进行 n n n 次试验,每次试验成功的概率是 p p p ,失败的概率是 1 − p 1-p 1−p .令 X X X 表示直到第一次成功所需的试验次数,则 X X X 服从几何分布. P ( X = k ) = p ( 1 − p ) k \mathbb{P}(X=k)=p(1-p)^k P(X=k)=p(1−p)k且有 E ( X ) = 1 p ; V a r ( X ) = 1 − p p 2 . \mathbb{E}(X)=\frac{1}{p}; Var(X)=\frac{1-p}{p^2}. E(X)=p1;Var(X)=p21−p.
- 负二项分布
描述:假设进行 n n n 次试验,每次试验成功的概率是 p p p ,失败的概率是 1 − p 1-p 1−p .令 X X X 表示直到成功 r r r 次所需的试验次数,则 X X X 服从负二项分布. P ( X = k ) = ( k − 1 r − 1 ) p r ( 1 − p ) k − r \mathbb{P}(X=k)=\binom{k-1}{r-1}p^r(1-p)^{k-r} P(X=k)=(r−1k−1)pr(1−p)k−r且有 E ( X ) = r p ; V a r ( X ) = r ( 1 − p ) p 2 . \mathbb{E}(X)=\frac{r}{p}; Var(X)=\frac{r(1-p)}{p^2}. E(X)=pr;Var(X)=p2r(1−p).
- 泊松分布
描述:用于近似二项分布. P ( X = k ) = λ k e − λ k ! \mathbb{P}(X=k)=\frac{\lambda^ke^{-\lambda}}{k!} P(X=k)=k!λke−λ且有 E ( X ) = V a r ( X ) = λ . \mathbb{E}(X)=Var(X)=\lambda. E(X)=Var(X)=λ.
- 超几何分布
描述:假设盒子中有 n n n 个球, r r r 个黑球, n − r n-r n−r个白球,从盒子中取出 m m m 个球.令 X X X 表示抽到的黑球数,则 X X X 服从超几何分布. P ( X = k ) = ( r k ) ( n − r m − k ) ( n m ) \mathbb{P}(X=k)=\frac{\binom{r}{k}\binom{n-r}{m-k}}{\binom{n}{m}} P(X=k)=(mn)(kr)(m−kn−r)且有 E ( X ) = m r n ( 类 似 于 二 项 分 布 的 期 望 ) \mathbb{E}(X)=m\frac{r}{n}(类似于二项分布的期望) E(X)=mnr(类似于二项分布的期望)
连续情形
- 均匀分布
略
-
正态分布
pdf
f ( x ) = 1 σ 2 π e − 1 2 σ 2 ( x − μ ) 2 f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{1}{2\sigma^2}(x-\mu)^2} f(x)=σ2π1e−2σ21(x−μ)2 -
指数分布
pdf
f ( x ) = e − λ x f(x)=e^{-\lambda x} f(x)=e−λx且有 E ( X ) = 1 λ , V a r ( X ) = 1 λ 2 \mathbb{E}(X)=\frac{1}{\lambda},Var(X)=\frac{1}{\lambda^2} E(X)=λ1,Var(X)=λ21 -
Γ \Gamma Γ分布、 β \beta β分布、 χ 2 \chi^2 χ2分布一般不要求记忆,从略.