统计・学习|常见基础分布及其统计特征

目录

一、前言:

二、统计特征的计算:

三、常见基础分布:

1、离散型:两点分布,二项分布,负二项分布,几何分布。

2、连续型:均匀分布,指数分布,正态分布,泊松分布。

三、实现代码:

四、总结:


一、前言:

个人学习内容分享


二、统计特征的计算:

待补充。。。


三、常见基础分布:

1、离散型:两点分布,二项分布,负二项分布,几何分布。

两点分布B(1,p):

        若随机过程\xi只取两个值a,b,P\left \{\xi =a \right \}=p,P\left \{\xi =b \right \}=1-p\xi的分布成为两点分布。

        分布列:\begin{pmatrix} 0 &1 \\ 1-p &p \end{pmatrix}

        期望:E(\xi)=p; 

        方差:D(\xi)=pq;

        特征函数:f(t)=q+pe^{it}.

二项分布B(n,p):

        进行n次伯努利试验,\xi表示事件A在n次实验中发生的总次数。则\xi的分布成为二项分布。

        P\left \{ \xi =k \right \}=C_{n}^{k}p^{k}q^{n-k},q=1-p\; (k=0,1,\cdots,n)

        分布列:\begin{pmatrix} 0 & 1 & \cdots & k & \cdots &n \\ q^{n} & npq^{n-1} & \cdots & C_{n}^kpq^{n-1} & \cdots & p^{n} \end{pmatrix}

        期望:E(\xi)=np;

        方差:D(\xi)=npq;

        特征函数:f(t)=(pe^{it}+(1-p))^n

负二项分布NB(r,p):

         进行伯努利试验,设T表示第r次成功的等待时间,则T的可能取值为r,r+1,···,则由帕斯卡定理得

        P\left \{ T =k \right \}=C_{k-1}^{r-1}p^{r}q^{k-r},\; (k\geq r)

        分布列:\begin{pmatrix} r & r+1 & \cdots &k \\ C_{k-1}^{r-1}p^{r}q^{k-r} & C_{k-1}^{r}p^{r+1}q^{k-r-1} & \cdots & C_{k-1}^{k-1}p^{k} \end{pmatrix}

        期望:E(\xi

        方差:D(\xi

        特征函数:f(t)=(\frac{pe^{it}}{1-qe^{it}})^r

几何分布G(p):

        一直进行伯努利试验,直到事件A首次出现为止,设T表示停止时间时的试验次数,又称T为首次成功的等待时间,则

        P\left \{ T =k \right \}=pq^{k-1}, (k=1,2,\cdots)

        分布列:\begin{pmatrix} 1 & 2 & \cdots & k & \cdots &n \\ p & pq & \cdots & pq^{k-1} & \cdots & pq^{n-1} \end{pmatrix}

        期望:E(\xi)=1/p;

        方差:D(\xi)=q/(p^2)

        特征函数:f(t)=\frac{pe^{it}}{1-qe^{it}}

泊松分布p(\lambda):

当n很大,p很小,且np=\lambda \leq 10时,有

        P\left \{ \xi =k \right \}=C_{n}^{k}p^{k}q^{n-k}\approx \frac{\lambda ^{k}}{k!}e^{-\lambda }.

         分布列:\begin{pmatrix} 0 & 1 & \cdots & k & \cdots &n \\ e^{-\lambda} & \lambda e^{-\lambda } & \cdots & \frac{\lambda ^{k}}{k!}e^{-\lambda } & \cdots &\frac{\lambda ^{n}}{n!}e^{-\lambda } \end{pmatrix}

        期望:E(\xi)=\lambda

        方差:D(\xi)=\lambda

        特征函数:f(t)=e^{\lambda (e^{it}-1)}

超几何分布G(p):

        在N件产品中,有M件次品,从中取出n件,n表示取出得n件产品中得次品个数,则

        P\left \{ \xi =m \right \}=\frac{C_{M}^{m}C_{N-M}^{n-m}}{C_{N}^{n}}(m=0,1,2,\cdots,n)

        分布列:\begin{pmatrix} 0 & 1 & \cdots &n \\ \frac{C_{N-M}^{n}}{C_{N}^{n}} & \frac{C_{M}^{}C_{N-M}^{n-1}}{C_{N}^{n}} & \cdots & \frac{C_{M}^{n}}{C_{N}^{n}}\end{pmatrix}

        期望:E(\xi)=

        方差:D(\xi)=

        特征函数:

2、连续型:均匀分布,指数分布,正态分布,泊松分布。

均匀分布U[a,b]:

        密度函数:

        p(x)=\begin{cases} & \text{ } \frac{1}{b-a},a\leq x\leq b, \\ & \text{ } 0,\text{others} \end{cases}

        分布函数:

        F(x)=\left\{\begin{matrix} 0,x< a,\\ \frac{x-a}{b-a},a\leq x\leq b,\\ 1,x> b. \end{matrix}\right.

        期望:E(\xi)=\lambda

        方差:D(\xi)=\frac{(b-a)^2}{12}​​

        特征函数:f(t)=\frac{sin(at)}{at}

指数分布E(\lambda ):

        密度函数:

        p(t)=\begin{cases} & \text{ } \lambda e^{-\lambda t},t> 0, \\ & \text{ } 0,t\leq 0.\end{cases}

        分布函数:

        F(t)=\begin{cases} & \text{ }1- e^{-\lambda t},t> 0, \\ & \text{ } 0,t\leq 0.\end{cases}

        期望:E(\xi)=1/\lambda

        方差:D(\xi)=\frac{1}{\lambda ^2}

        特征函数:f(t)=(1-i\frac{t}{\lambda })^{-1}

正态分布N(\mu ,\sigma ^2):

        密度函数:

        p(x)=\frac{1}{\sqrt{2\pi}\sigma }exp\left \{ -\frac{(x-\mu )^2}{2\sigma ^2} \right \}(-\infty <x < \infty ),

        分布函数:

        F(x)=\frac{1}{\sqrt{2\pi}\sigma }\int_{-\infty }^{x}exp\left \{ -\frac{(t-\mu )^2}{2\sigma ^2} \right \}dt,x\in R.

        期望:E(\xi)=\mu

        方差:D(\xi)=\sigma ^2

        特征函数:f(t)=e^{(-\frac{t^2}{2})}


三、实现代码:

待补充。。。


四、总结:

待补充。。。

你可能感兴趣的:(学习)