常见分布律、分布函数、概率密度表,伯努利分布、二项分布、泊松分布、几何分布、超几何分布、均匀分布、高斯分布、指数分布

离散型随机变量及分布律

分布名称 记法 分布律 均值 E ( X ) E(X) E(X) 方差 D ( X ) D(X) D(X)
伯努利分布 X ∼ B ( p ) X\thicksim B(p) XB(p) P ( X = k ) = p k ( 1 − p ) 1 − k , k = 0 , 1 P(X=k)=p^k(1-p)^{1-k},\quad k=0,1 P(X=k)=pk(1p)1k,k=0,1 p p p p ( 1 − p ) p(1-p) p(1p)
二项分布 X ∼ B ( n , p ) X\thicksim B(n,p) XB(n,p) P ( X = k ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , ⋯   , n P(X=k)=C_{n}^{k}p^k(1-p)^{n-k},\quad k=0,1,\cdots,n P(X=k)=Cnkpk(1p)nk,k=0,1,,n n p np np n p ( 1 − p ) np(1-p) np(1p)
泊松分布 X ∼ P ( λ ) X\thicksim P(\lambda) XP(λ) P ( X = k ) = λ k k ! e − λ , k = 0 , 1 , ⋯   , n P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\quad k=0,1,\cdots,n P(X=k)=k!λkeλ,k=0,1,,n λ \lambda λ λ \lambda λ
几何分布 X ∼ G E ( p ) X\thicksim GE(p) XGE(p) P ( X = k ) = p ( 1 − p ) k − 1 , k = 1 , 2 , 3 , ⋯ P(X=k)=p(1-p)^{k-1},\quad k=1,2,3,\cdots P(X=k)=p(1p)k1,k=1,2,3, 1 p \frac{1}{p} p1 1 − p p 2 \frac{1-p}{p^2} p21p
超几何分布 X ∼ H ( n , M , N ) X\thicksim H(n,M,N) XH(n,M,N) P ( X = k ) = C M k C N − M n − k C N n , k = 1 , 2 , ⋯   , min ⁡ { n , M } P(X=k)=\frac{C_M^kC_{N-M}^{n-k}}{C_N^n},\quad k=1,2,\cdots,\min\{n,M\} P(X=k)=CNnCMkCNMnk,k=1,2,,min{ n,M} n M N \frac{nM}{N} NnM n M N ( 1 − M N ) N − n N − 1 \frac{nM}{N}(1-\frac{M}{N})\frac{N-n}{N-1} NnM(1NM)N1Nn

连续型随机变量及概率密度

分布名称 记法 分布函数 P ( ξ ≤ x ) P(\xi\leq x) P(ξx) 概率密度 均值 方差
均匀分布 X ∼ U ( a , b ) X\thicksim U(a,b) XU(a,b) F ( x ) = { 0 , x ∈ ( − ∞ , a ) x − a b − a , x ∈ [ a , b ] 1 , x ∈ ( b , + ∞ ) F(x)=\begin{cases}0&,&x\in (-\infty,a)\\ \frac{x-a}{b-a}&,& x\in [a,b] \\ 1&,&x\in (b,+\infty)\end{cases} F(x)=0baxa1,,,x(,a)x[a,b]x(b,+) f ( x ) = { 1 b − a , x ∈ [ a , b ] 0 , x ∈ ( − ∞ , a ) ∪ ( b , + ∞ ) f(x)=\begin{cases}\frac{1}{b-a}&,&x\in [a,b]\\0&,&x\in (-\infty,a)\cup(b,+\infty)\end{cases} f(x)={ ba10,,x[a,b]x(,a)(b,+) a + b 2 \frac{a+b}{2} 2a+b ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(ba)2
高斯分布 X ∼ N ( μ , σ 2 ) X\thicksim N(\mu,\sigma^2) XN(μ,σ2) F ( x ) = 1 σ 2 π ∫ − ∞ x e ( x − μ ) 2 − 2 σ 2 d x F(x)=\frac{1}{\sigma\sqrt{2\pi}}\int_{-\infty}^{x}e^{\frac{(x-\mu)^2}{-2\sigma^2}}dx F(x)=σ2π 1xe2σ2(xμ)2dx f ( x ) = 1 σ 2 π e ( x − μ ) 2 − 2 σ 2 f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{\frac{(x-\mu)^2}{-2\sigma^2}} f(x)=σ2π 1e2σ2(xμ)2 μ \mu μ σ 2 \sigma^2 σ2
指数分布 X ∼ E ( λ ) X\thicksim E(\lambda) XE(λ) F ( x ) = { 1 − e − λ x , x ∈ ( 0 , + ∞ ) 0 , x ∈ ( − ∞ , 0 ] , λ > 0 F(x)=\begin{cases}1-e^{-\lambda x}&,&x\in(0,+\infty)\\ 0&,&x\in (-\infty,0]\end{cases},\lambda>0 F(x)={ 1eλx0,,x(0,+)x(,0],λ>0 f ( x ) = { λ e − λ x , x ∈ ( 0 , + ∞ ) 0 , x ∈ ( − ∞ , 0 ] , λ > 0 f(x)=\begin{cases}\lambda e^{-\lambda x}&,&x\in(0,+\infty)\\ 0&,&x\in (-\infty,0]\end{cases},\lambda>0 f(x)={ λeλx0,,x(0,+)x(,0],λ>0 1 λ \frac{1}{\lambda} λ1 1 λ 2 \frac{1}{\lambda^2} λ21

latex公式如何编写

你可能感兴趣的:(概率论)