数据挖掘建模之常见概率分布总结

1、随机变量的定义： 

 在一次实验中出现的所以结果次数M,将每一种结果映射到某种数值函数X(e)(e表示是某一次实验发生的结果)，这种命映射的结果值称为随机变量。

2、随机变量分为离散型和连续型的。

3、分布律：只有离散型随机变量具有分布律，例如：离散型随机变量的x的分布律是0,1,2; 分别对应的概率是0.3， 0.4， 0.3。

4、分布函数:该概念对于离散型和连续型都是适用的。F(x)=p{X<=x}，则F(x)叫做随机变量X的分布函数（注意大写X,小写x的区别。）

5：连续型的分布律的定义：再有了分布函数的基础上面，我们在来定义分布律;如下图

则X成为连续型随机变量，f(x)称为密度函数。这个可以类比离散型的分布律。

下面介绍一下常见的各种分布;

  1、01分布 

       对于01分布，随机变量只有两种，而且实验只是进行了一下。

  2、伯努利分布

       相对于01分布，随机变量两种，但是实验室重复了N次。

  3、泊松分布：

      泊松分布适合在给定一个已知平均值的情况下对固定时间步长内事件的发生次数概率进行建模。这些事件与它们最后一次发生的状态无关。X 轴上是 0、1、2、3、4（以此类推）等事件的离散值（通常表示事件的发生次数），Y 轴上是现象的发生概率（通常是给定一个已知平均值）。这些事件可以是十字路口的事故