目录
= 概率分布律/ pdf函数 / pdf函数图（概率分布图）
4.6 Σ 概率分布之和==100% == 概率分布曲线往X轴下围的面积
1 概率相关的定义
- 测度论对概率的定义会更严格
- 没学过测度论，简单了解了下
1.1 概率空间
- 概率空间是概率论的基础。
- 概率的严格定义基于这个概念
- 概率空间(Ω, F, P)是一个总测度为1的测度空间（即P(Ω)=1）
- 在确定概率/已知概率的情况，一般是统计时/抽样调查时，知道先验的 Σp=p1+p2+...+pn=1
- 在概率分布里表现为，随机变量x，其对应的概率为 P(x=i)对应1个pdf, 而 Σpdf=1
1.2 可测空间
- 概率空间(Ω, F, P)是一个总测度为1的测度空间（即P(Ω)=1）
- (Ω,F)合起来称为可测空间。事件就是样本输出的集合，在此集合上可定义其概率。
- F是Ω的所有可能的子集的总集合。
- 比如成功1次，成功2次，第1次成功第2次失败。。。。等等各种可能的集合，以及他们组成的小集合比如：成功2 次的随机事件，第5次成功的随机事件等等，各种集合的组合也包含在内。
1.3 概率的定义，从测度论来的
- 测度论里，把概率定义很严格，概率需要在概率空间上进行定义
- 概率空间(Ω, F, P)第3项P称为概率，或者概率测度。
- 这是一个从集合F到实数域R的函数。
- 每个事件都被此函数赋予一个0和1之间的概率值。
2 概率分布的相关概念
2.1 两对概念，随机事件：概率，随机变量：概率分布
- 第1对概念---随机事件：概率
- 第2对概念---随机变量：概率分布
2.2 第1对概念---事件/随机事件：（事件的）概率
第1对概念---事件/随机事件：（事件的）概率
- 随机事件e
- 随机事件是在随机试验中，可能出现也可能不出现，而在大量重复试验中具有某种规律性的事件叫做随机事件(简称事件)。
- 概率，亦称“或然率”，事件的概率，它是反映随机事件出现的可能性大小
2.3 第2对概念---随机变量：概率分布
- 随机变量（random variable）表示随机试验各种结果的实值单值函数。
- 随机变量是定义在概率空间(Ω, F, P)上。
- 随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。
- 也就是 随机变量表示多种随机结果/随机事件，是一个集合/也可以看过一个多个随机事件的函数。 X=f(e)
- 概率分布，是指用于表述随机变量取值的概率规律。
- 事件的概率表示了一次试验中某一个结果发生的可能性大小。
- 若要全面了解试验，则必须知道试验的全部可能结果及各种可能结果发生的概率，即随机试验的概率分布。
- 如果所有试验结果（表示多个事件）用变量X的取值来表示，则随机试验的概率分布就是随机变量的概率分布，即随机变量的可能取值及取得对应值的概率。
- 根据随机变量所属类型的不同，概率分布取不同的表现形式。
2.4 两种事件，两种概率 完全不等价
- 随机变量 和 随机事件，完全不是一回事，随机变量是包括各种多种事件，各种可能事件组合等的。
- 概率分布是Pi 和概率p 完全不是一回事，不能等价。 随机事件的概率是一个确定的数=p ，而随机变量的Pi一般都是一个函数，一个关于随便变量的概率函数，pdf
- 因为随机事件--对应概率，这个概率是个固定的，且 1>= p>=0 是一个确定的小数。
- 但是随机变量（和编程一样，变量是存储可变化的值的），会因为 随机变量取不同的值而对应不同的概率，所以随机变量的概率不是一个确定的数，而是多个概率，所以得用函数形式表示。
3 什么是概率分布
3.1 概率分布的定义
- 概率分布：
- 随机变量取值的规律
- 什么样的规律？因为随机变量的取值是有概率的，所以这个规律就是关于概率的规律，就是随机变量的概率规律
3.2 概率的分布的由来
怎么就跳到概率分布了呢？
- step1: 首先有1个实验，实验可以划分为不同的事件
- step2: 事件有不同的发生次数，绝对次数并没什么用
- step3: 但是把事件的绝对次数处理为占比比例，就是事件发生的概率，但是 概率只显示为百分比% 和饼图这种简单的分析显然是不够用，接下来怎么分析呢？
- 这个概率，就是事件的概率，固定概率。
- step4: 从各种可能的事件--推出一个对应的随机变量。这个随机变量包含多个基础事件，是一个定义在概率空间(Ω, F, P)上的F的子集。
- step5：用概率分布（图）来分析不同的 事件组合的 事件--随机变量--概率的关系，并图示化，这就是所谓的 概率分布函数，概率分布图等
思维导图：怎么从事件--次数---概率--概率分布的逻辑流程
下面是思维导图(以前画的，感觉内容有点不完整，暂时放这先)
3.3 为什么一定要分析概率的分布（规律）？
- 因为随机事件--对应概率，这个概率是个固定的，且 1>= p>=0 是一个确定的小数。
- 但是随机变量（和编程一样，变量是存储可变化的值的），会因为 随机变量取不同的值而对应不同的概率，所以随机变量的概率不是一个确定的数，而是多个概率，所以得用函数形式表示。
- 若要全面了解试验，则必须知道试验的全部可能结果及各种可能结果发生的概率，即随机试验的概率分布
- 而且首先不同的概率分布，有不同的规律，差异很大
- 而各种复杂的分布规律，需要借助更高级的数学工具去分析
3.4 概率分布就是 概率分布规律
= 概率分布律/ pdf函数 / pdf函数图（概率分布图）
- 比如，二项分布的概率 p(x=k)=C(n,k) * p^k* (1-p) ^(n-k)
- 对应的概率分布函数就是如下的图里的函数
- 但是要明白每种分布的随机变量，比如二项分布中，试验次数n以及确定，需要考察的随机变量是总实验此时内可能成功的次数k（k可能变化）
- 概率分布就是pdf 函数
- 横轴是 随机变量k, 纵轴肯定是概率P(每个不同的k 对应的Pk)
3.5 这些概念说的是一回事
我觉得，如果有下面的各种说法是一回事
- 某个（随机变量的）概率模型
- 某个（随机变量的）概率分布
- 随机变量所有不同取值对应的概率，这些概率的集合
- 随机变量的概率集合
- 随机变量的概率函数
- 关于随机变量的概率规律
- 关于随机变量的权重规律（权重=概率）
4 怎么表示 概率的分布 ？
4.1 下面的方法都可以表示概率分布规律
- 概率分布，是指用于表述随机变量取值的概率规律。
- 而且一定是表示了，整个样本空间的，全部随机变量的取值和对应的概率
- 而且无论是概率分布函数，还是分布图，都能显示出，概率的分布规律
- 概率分布律表格
- 概率分布函数pdf
- 概率分布图/pdf函数图
4.2 概率分布律
- 概率分布律：law of probability distribution
- 即概率分布的规律，表达式总结
| 分布律 | 事件 | A | B | C | D |
| 随机变量 | 0 | 1 | 2 | 3 | |
| 概率 | 10% | 20% | 60% | 10% | |
| 累计概率 | 10% | 30% | 90% | 100% |
4.3 概率分布函数
4.3.1 PMF （离散的）
- PMF : 概率质量函数 / 概率分布函数（probability mass function), 概率质量函数是离散随机变量在各特定取值上的概率。
- 常见的连续随机变量分布的PDF函数：均匀分布，指数分布，Gamma分布和正态分布等。
- 简单的说
- 可以是个if,
- 也可以说是个分段函数
4.3.2 PDF （连续的）
- PDF：概率密度函数（probability density function）, 连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。
- 常见的离散随机变量分布的PMF函数：伯努利分布，二项分布，泊松分布。
- 简单的说，就是一个积分
4.3.3 CDF
- CDF分布函数，累计分布函数
- 重点是：累计的
- 离散的，连续的变量都有分布函数
- CDF : 累积分布函数 (cumulative distribution function)，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布
4.4 概率分布图
- 概率分布图，就是概率统计图
- 数据在统计图中的形状，即为分布
- 横轴：数（即随机变量的所有不同的可能取值，包含0!!!）
- 事件对应的随机变量(可以是次数，或试验结果记做0，1等等）
- 纵轴：这个数对应的概率
4.5 概率分布之和 == 100%
-
概率分布之和 == 100%
-
说1都不是很准确，因为概率是百分制比例值
4.6 Σ 概率分布之和==100% == 概率分布曲线往X轴下围的面积
- 概率分布之和==100%
- 同时 = =概率分布曲线，往X轴下围的面积
- 各种分布的概率之和都为1，也就是概率分布曲线的面积之和为100% （注意是pdf 不是cdf）
- 概率分布 == 1 == 面积恒相等原则
- 为什么呢？
- 因为概率分布函数和pdf上，已经列举了整个 概率所属的样本空间的所有可能情况之和，是个完备空间，这个完备空间的概率之和当然==100%
4.7 概率分布之和的面积解释
- 比如正态分布的 均值，方差虽然可能不同，但是因为和=1，面积=1，所以正态分布方差大的，则图形扁扁，正态分布方差小，则图形尖尖
- 正态分布曲线下方围成的是面积，如果方差大，必然点分布的远的多，中间点就少，相对扁扁一些 ，数据点数量固定，根据 面积相等的原则！！
- 面积==概率之和==1
- 至少我是这么认为的 ^ ^
4.8 概率分布之和==100% 可证明
- 任何分布的概率和都是1.
- 比如0-1分布，几何分布，超几何分布，正态分布，应该可以单独证明
- 具体每个分布里去看吧
5 不同的概率分布的 分布图&期望方差，简单汇总
5.1 不同的概率分布的核心差异
首先不同的概率分布，所关心的 随机变量不一样
其次才是这些随机变量对应的概率分布规律和图形差别
- 如
- 二项分布是确定n的基础上关注成功次数k这个变量的概率分布规律
- 几何分布假设最后1次成功，关注的是总次数n这个变量的概率分布规律
- 负二项分布假设的是假设成功k次时，总次数n这个变量的概率分布规律
5.2 不同的概率分布举例
比如
- 01分布
- 二项分布
- 几何分布
- 负二项分布
- 超几何分布
- 泊松分布
- 正态分布
- 柯西分布等等
5.3 不同分布之间的关系
5.3.1 同类分布
- 伯努利试验：
- 伯努利分布（0-1分布），是二项分布试验次数=1时的特例
- 二项分布
- 负二项分布（帕斯卡分布）
- 几何分布：是成功次数=1时的负二项分布的特例
- 负二项分布是离散的
- 负二项分布连续化，就是gamma分布
- 几何分布
- 几何分布连续化就是指数分布
5.3.2 分布的极限
但是当不同的变量，逼近极限，分布的变化会朝着不同放心变化
变量趋于无穷大时
- 超几何分布，其极限是二项分布
- 二项分布，其极限是正态分布
当n很大，p很小的时候，二项分布会趋向于泊松分布
5.4 伯努利试验相关分布
5.4.1 0-1分布
- 0-1分布的概率公式
- f(x)=p^k*(1-p)^(1-k)，其中={0,1}
- 期望：E(X) = 0*(1-p)+1*p = p
- 方差：D(X) = p*(1-P)
5.4.3 二项分布
- 如果是N重伯努利试验，试验n 次，成功k 次，则k的概率符合二项分布
- p(x=k)=C(n,k)*p^k*(1-p)^(n-k)
- 二项分布的期望 E(X)=n*p
- 二项分布的方差 D(X)=n*p*(1-P)
5.5 负二项分布
5.5.1 几何分布
- 几何分布，最后一次成功次数假设为n
- P(x=n)=p*(1-p)^(n-1)
- n的数学期望 E(n) =1/p
- n的平方差为 D(n)=(1-p)/p^2
5.6 超几何分布
特点是：离散分布---不放回抽样
5.6.1 超几何分布（有几个限制条件）
- 超几何分布适合不放回抽样，且不能排序
- 超几何分布还一个要求，概率必须均匀相等！
- 其中K是目标样本数，n为抽样样本容量，k为特殊样本总数，n为总体中的个体总数，
- f(k,n,K,N) = C(k,K) * C(n-k,N-K) / C(n,N)
- 超几何分布的期望 E(K)=N*k/n
- 超几何分布的方差计算公式为Vx=Xn²Pn-a²，其中a为期望值。
9万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
