泊松分布与伽马分布

文章探讨了泊松分布如何作为二项分布n值趋近于无穷大时的极限,以及伽玛分布如何作为泊松分布在实数范围的扩展,涉及概率密度函数和伽玛函数的基本性质。
摘要由CSDN通过智能技术生成

泊松(Poisson)分布是二项分布的逼近,当二项分布( X ∼ b ( n , p ) X\sim b(n,p) Xb(n,p))的n值越大越接近,极限就是泊松分布( X ∼ π ( λ ) X\sim\pi(\lambda) Xπ(λ))。也就是:
lim ⁡ n → ∞ ( n k ) p n k ( 1 − p n ) n − k = λ k e − λ k ! = P ( X = k ) ,   n p n = λ \large{\lim_{n\to\infty}\binom{n}{k}p_n^k(1-p_n)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!}=P(X=k),\ np_n=\lambda} nlim(kn)pnk(1pn)nk=k!λkeλ=P(X=k), npn=λ
伽玛(gamma)分布是泊松分布在实数上的扩展。公式如下:
∫ 0 ∞ x α − 1 e − x d x Γ ( α ) = 1   = >   G a m m a ( t ∣ α ) = t α − 1 e − t Γ ( α ) \large{\int_0^\infty{\frac{x^{\alpha-1}e^{-x}dx}{\Gamma(\alpha)}=1\ =>\ } Gamma(t|\alpha)=\frac{t^{\alpha-1}e^{-t}}{\Gamma(\alpha)}} 0Γ(α)xα1exdx=1 => Gamma(tα)=Γ(α)tα1et
其中,伽玛(Gamma)如下:
Γ ( x ) = ∫ 0 ∞ t x − 1 e − t d t   = >   Γ ( x + 1 ) = x Γ ( x ) \large{\Gamma(x)=\int_0^\infty{t^{x-1}e^{-t}dt}\ =>\ \Gamma(x+1)=x\Gamma(x)} Γ(x)=0tx1etdt => Γ(x+1)=xΓ(x)
该函数在整数上正好是阶乘函数,伽玛函数在复数也适用。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值