统计学:离散型和连续型随机变量的概率分布 |
您所在的位置:网站首页 › 连续型随机变量分布函数求法 › 统计学:离散型和连续型随机变量的概率分布 |
主要随机变量一览表
随机变量概率分布均值方差一般离散型变量
p(x)的表、公式或者图
∑xxp(x)
∑x(x−μ)2p(x)
二项分布
p(x)=Cxnpxqn−x (x=0,1,2,3⋅⋅⋅,n)
np
npq
泊松分布
p(x)=λxe−λx! (x=0,1,2,⋅⋅⋅)
λ
λ
超几何分布
p(x)=CxrCn−xN−rCnN
nrN
r(N−r)n(N−n)N2(N−1)
均匀分布
f(x)=1b−a (a≤x≤b)
a+b2
b−a12√
正态分布
f(x)=1σ2π√e−(1/2)[(x−μ)σ]2
μ
σ2
标准正太分布
f(z)=12π√e−(1/2)z2
01指数分布
f(x)=1θe−x/θ(x>0)
μ=θ
σ=θ
1. 离散型和连续型随机变量的定义
离散型随机变量(discrete random variable):取值是可数的个值的随机变量, 比如投掷一枚骰子的朝上的点数,可能是1,2,3,4,5,6;比如南京大学四食堂吃饭的人数,可能是0,1,2···。 连续型随机变量(continuous random variable):取值是一个区间中的任意一点(也就是不可数)的随机变量,比如南京大学同学身高。 2. 离散型随机变量的概率分布基本概念的公式表达 均值(期望值expected value): μ=E(x)=∑xp(x) 方差(variance): σ=E[(x−μ)2]=∑(x−μ)2p(x) 标准差(standard deviation): σ=σ2−−√ 其中,可以证明到 E[(x−μ2)]=E(x)2−μ2 2. 二项分布 如果进行n次不同的实验,每次试验完全相同并且只有两种可能的结果,这样的实验结果分布情况就是二项分布。最简单的比如投掷一枚硬币,不管进行多少次实验,实验结果都只有正面朝上或者反面朝上,这就是一个简单的二项分布。 二项概率分布: p(x)=Cxnpxqn−x (x=0,1,2,3⋅⋅⋅,n) 其中:n代表n次实验,x表示实验结果为T的次数,q是实验结果为T的概率,q=1-p,表示实验结果为F的概率。二项分布的 均值: μ=np 方差: σ2=npq 标准差: σ=npq−−−√ 二项分布对于结果只有两种情况的随机事件有非常好的描述,属于日常生活中最常见、最简单的随机变量概率分布,在知道某种实验结果概率的情况下,能够很好推断实验次数后发生其中某一结果次数的概率。 3. 泊松分布 泊松分布的概率分布,均值和方差: p(x)=λxe−λx! (x=0,1,2,⋅⋅⋅) μ=λ σ2=λ 4. 超几何分布 超结合分布和二项分布比较相似,二项分布每次实验完全一样,而超几何分布前一次的实验结果会影响后面的实验结果。简单地讲,二项分布抽取之后放回元素,而超几何分布是无放回的抽取。 超几何分布的概率分布,均值和方差: p(x)=CxrCn−xN−rCnN μ=nrN σ2=r(N−r)n(N−n)N2(N−1) 3. 连续型随机变量的概率分布概率密度函数(probability density function): 又称之为频率函数(frequency function),或者概率分布(probability distribution),用来表示连续型随机变量的概率分布情况,一般是一条光滑的曲线。 1. 正太分布(normal distribution) 正态分布是统计学中常见的一种分布,表现为两边对称,是一种钟型的概率分布(bell curve),正太分布有一下的特征: 概率密度函数: f(x)=1σ2π−−√e−(1/2)[(x−μ)σ]2其中, μ 是正太随机变量的均值; σ 是标准差; π 是圆周率,约等于3.1416··· e=2.71828⋅⋅⋅ 特别的,当 μ=0且σ=1 的正态分布,被称为标准正太分布(standard distribution),此时有: f(z)=12π−−√e−(1/2)z2 标准正态分布有对应的标准正态分布表,通过该表可以找到对应值累积的概率。正太分布转化为标准正态分布: 正太分布 x,均值是μ,标准差是σ,z定义为z=(x−μ)/σ 正态分布来近似二项分布 当n足够大的时候,正态分布对于离散型二项分布能够很好地近似。 评价正态分布 如何来确定数据是否正态分布,主要有以下几种方法: 1. 图形感受法:建立直方图或者枝干图,看图像的形状是否类似正太曲线,既土墩形或者钟形,并且两端对称。 2. 计算区间 x¯±s,x¯±2s,x¯±3s ,看落在区间的百分比是否近似于68%,95%,100%。(切比雪夫法则和经验法则) 3. 求IQR和标准差s,计算IQR/s,如若是正态分布,则IQR/s≈1.3. 4. 建立正态概率图,如果近似正态分布,点会落在一条直线上。 2. 均匀分布 均匀概率分布(uniform probability distribution)是指连续随机变量所有可能出现值出现概率都相同。 均匀随机变量x概率分布特征: 概率密度函数: f(x)=1b−a (a≤x≤b) 均值: μ=a+b2 标准差: σ=b−a12√3. 指数分布 指数概率分布(exponential probability distribution),具有如下特征: 概率密度函数: f(x)=1θe−x/θ(x>0) 均值: μ=θ 标准差: σ=θ更多文章: 概率论中基本概念回顾 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |