Distribution

定义：
应用：假设检验。
2020/11/30
.
18
各种分布之间的关系
Gamma分布与指数分布、正态分布
当gamma分布的形状系数k为正整数时，gamma分布可看作k个独立的指数分布 之和，当k趋向于较大数值时，分布近似于正态分布。
在Gamma分布中：k=n（正整数）时的gamma分布可以看作n个独立的k=1的 gamma分布（即指数分布）之和，按照中心极限定理，独立同分布随机变量 之和趋于正态分布。
2020/11/30
.
7
六、Gamma分布
E[X]=
D[X]=
应用：用于描述随机变量X等到第K件事发生所需等候的时间。
2020/11/30
.
8
七、瑞利分布(Rayleigh distribution)
定义：当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分 布时，这个向量的模呈瑞利分布。
2020/11/30
.
5
ห้องสมุดไป่ตู้
四、对数正态分布
定义：如果一个随机变量的对数服从正态分布，那么该随机变量服从对数 正态分布。
应用：金融保险业、投资收益计算等。
2020/11/30
.
6
五、柯西分布(Cauchy distribution)
应用：主要应用于物理学中，它是描述受迫共振的微分方程的解。在光谱学中， 它用来描述被共振或者其他机制加宽的谱线形状。
应用：在自然情况下，均匀分布极为罕见。在实际问题中，当我们无法区分在 区间内取值的随机变量取不同值的可能性有何不同时，我们就可以假定随机变 量服从区间上的均匀分布。
2020/11/30
.
4
三、指数分布(Exponential distribution)

poisson distribution 的例子
以下是一些Poisson分布的例子：
1. 银行每小时收到的客户数：假设一家银行平均每小时接待
10个客户，这个事件可以使用Poisson分布来描述。

以银行每
小时接待的客户数作为随机变量，λ=10（λ是Poisson分布的
平均值），则可以计算每个时间间隔内接待客户数的概率分布。

2. 网站每分钟的页面访问量：假设一个网站平均每分钟有5个访问量，这个事件也可以使用Poisson分布来描述。

以网站每
分钟的页面访问量作为随机变量，λ=5，则可以计算每分钟内
页面访问量的概率分布。

3. 汽车停在停车场的数量：假设一个停车场平均每天停放100
辆汽车，这个事件也可以使用Poisson分布来描述。

以停车场
每天停放的汽车数量作为随机变量，λ=100，则可以计算每天
停放汽车数量的概率分布。

4. 电话呼叫中心接到的电话数量：假设一个电话呼叫中心平均每小时接到20个电话，这个事件也可以使用Poisson分布来
描述。

以每小时接到的电话数量作为随机变量，λ=20，则可
以计算每小时接到电话数量的概率分布。

这些例子中，Poisson分布用于描述离散事件发生的概率分布，其中平均值λ表示在给定时间或空间范围内事件的平均发生次数。

physical distribution名词解释(一)Physical Distribution1. 什么是Physical DistributionPhysical Distribution（物流分销）是指产品从生产地点到最终销售点之间的流动过程，包括运输、仓储、包装和配送等环节。

物流分销的高效运作，可以提高产品的可获得性、降低库存成本，并确保产品按时到达销售点。

2. 相关名词解释以下是与Physical Distribution相关的几个重要名词解释：运输（Transportation）运输是指将产品从一个地点转移到另一个地点的过程。

它可以包括道路、铁路、航空和水运等多种形式。

运输的选择应根据产品特性、运输距离和成本效益等因素进行合理配置。

例如：一家电子产品制造商使用卡车和航空运输，将产品从工厂运送到全国各地的销售点。

仓储（Warehousing）仓储是将产品存放在指定地点的过程，以满足供应链的需求。

仓储可以为产品提供合适的环境和保护，同时也能提高物流效率和减少库存风险。

例如：一个食品批发商在不同城市建立了多个仓库，以便在需求高峰期尽快配送产品到各个零售店。

包装（Packaging）包装是将产品放入适当容器中的过程，以便在运输和存储过程中保护产品的完整性和质量。

合适的包装可以减少损坏和浪费，并提高产品的品质和品牌形象。

例如：一家化妆品公司使用专业的包装材料和设计，确保产品在运输和上货过程中不受损坏，同时也增加了产品的吸引力。

配送（Distribution）配送是将产品从仓库或生产地点送达销售点的过程。

它涉及到路线选择、交通管理和最优化的配送方案，以确保产品按时到达目的地并满足市场需求。

例如：一家快递公司根据需求和运输距离，制定最佳的配送路线和送货时间窗口，以满足客户的要求。

库存管理（Inventory Management）库存管理是指为了满足市场需求，在物流分销中合理控制和管理库存的过程。

正态分布的概念和特征正态分布（normal distribution），又称高斯分布（Gaussian distribution），是概率统计学中最为重要和常见的一种连续概率分布。

起初，正态分布是由德国数学家高斯（Carl Friedrich Gauss）于18世纪末发现并进行了深入研究，因而得名。

1. 均值（mean）：正态分布的均值决定了其分布的位置，是分布曲线的对称轴。

在正态分布中，均值位于分布的最高峰处，对称地分布于左右两侧。

记作μ。

2. 方差（variance）：正态分布的方差决定了分布的形态宽窄，方差越大，分布曲线越扁平。

方差是各观测值与均值差的平方的平均数，可表示为σ²。

3. 标准差（standard deviation）：标准差是方差的平方根，用于衡量分布的离散程度，即观测值偏离均值的程度。

标准差越大，分布曲线越扁平，表示数据的散布越广。

标准差记作σ。

1.正态分布的曲线是对称的，即分布曲线两侧关于均值对称。

2.曲线的最大值位于均值处，即分布的峰值。

3.正态分布过程的结果是连续的变量，其取值范围无限。

4.正态分布的总体分布是平滑的，没有突变的点。

5.正态分布由两个参数确定，即均值和标准差，均值决定了分布的位置，标准差决定了分布的形态。

正态分布在实际中具有广泛的应用，原因如下：1.中心极限定理：正态分布是中心极限定理的基础。

中心极限定理指出，当独立随机变量的个数足够大时，这些随机变量的均值的分布将近似于正态分布。

因此，正态分布被广泛用于描述各种自然现象和现实生活中的变量。

2.数据分布：许多自然现象和人类行为都可以由正态分布进行描述。

例如，人类身高和体重的分布通常近似于正态分布，许多生物和地理量的测量也遵循正态分布。

3.统计推断：正态分布在统计推断中扮演着重要的角色。

通过对样本数据进行正态分布检验，可以判断样本数据是否服从正态分布，从而决定使用何种统计方法进行推断。

总之，正态分布是概率统计学中最为重要和常见的分布之一、其具有对称、平滑、以及由均值和标准差决定的特征，广泛应用于模型拟合、数据分析和统计推断等领域。