几种重要的概率分布

1、均匀分布（uniform）

定义：设连续型

随机变量X的分布函数为F(x)=(x-a)/(b-a),a≤x≤b 则称随机变量X服从[a,b]上的均匀分布,记为X~U[a,b]. 若[x1,x2]是[a,b]的任一子区间,则P{x1≤x≤x2}=(x2-x1)/(b-a) 这表明X落在[a,b]的子区间内的概率只与子区间长度有关,而与子区间位置无关,因此X落在[a,b]的长度相等的子区间内的可能性是相等的,所谓的均匀指的就是这种等可能性. 在实际问题中,当我们无法区分在区间[a,b]内取值的随机变量X取不同值的可能性有何不同时,我们就可以假定X服从[a,b]上的均匀分布

若随机变量X的密度函数为

则称随机变量X服从区间[a,b]上的均匀分布。记作X~U(a,b).

均匀分布的分布函数为

图像如下图所示：

均匀分布的数学期望E(X)=1/(2*(b+a))，方差为D(X)=1/(12*(b-a)2)。

2、正态分布

如果连续型随机变量X的密度函数为

其中，-∞

若μ=0，σ=1，则称N（0,1）为标准正态分布。

正态分布有几个特点：

①μ变化而σ不变时，图像沿着X轴移动，图像的形状不改变。如图：

②μ不变而σ改变时，图像的位置不变，但形态发生改变。σ越大图像就越胖。

3.F分布

F分布定义为:

设X、Y为两个独立的随机变量，X服从自由度为k1的>2分布，Y服从自由度为k2的>2 分布，这2 个独立的>2分布被各自的自由度除以后的比率这一统计量的分布。即：上式F服从第一自由度为k1，第二自由度为k2的F分布

F分布的性质

1、它是一种非对称分布；

2、它有两个自由度，即n1 -1和n2-1，相应的分布记为F（n1 –1，n2-1），n1 –1通常称为分子自由度，n2-1通常称为分母自由度；

3、F分布是一个以自由度n1 –1和n2-1为参数的分布族，不同的自由度决定了F 分布的形状。

4、F分布的倒数性质：Fα,df1,df2=1/F1-α,df1,df2

密度函数表达式

x>0 f(x)=0 x<=0 图像

概率论中几种具有可加性的分布及其关系

目录 摘要 (1) 关键词 (1) Abstract (1) Keywords (1) 引言 (1) 1几种常见的具有可加性的分布 (1) 二项分布 (2) 泊松分布（Possion分布） (3) 正态分布 (4) 伽玛分布 (6) 柯西分布 (7) 卡方分布 (7) 2具有可加性的概率分布间的关系 (8) 二项分布的泊松近似 (8) 二项分布的正态近似 (9) 正态分布与泊松分布间的关系 (10) 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布的关系 (11) 3小结 (12) 参考文献 (12) 致谢 (13)

概率论中几种具有可加性的分布及其关系 摘要概率论与数理统计中概率分布的可加性是一个十分重要的内容.所谓分布的可加性指的是同一类分布的独立随机变量和的分布仍属于此类分布.结合其特点，这里给出了概率论中几种具有可加性的分布：二项分布，泊松分布，正态分布，柯西分布，卡方分布以及伽玛分布.文章讨论了各类分布的性质及其可加性的证明，这里给出了证明分布可加性的两种方法，即利用卷积公式和随机变量的特征函数.除此之外，文章就可加性分布之间的各种关系，如二项分布的泊松近似，棣莫佛-拉普拉斯中心极限定理等，进行了不同层次的讨论. 关键词概率分布可加性相互独立特征函数 SeveralKindsofProbabilityDstributionanditsRelationshipwithAdd itive 'scentrallimittheorem,andsoon,hascarriedonthedifferentlevelsofdiscussion. KeyWords probabilitydistributionadditivitypropertymutualindependencecharacteristicfunction 引言概率论与数理统计是研究大量随机现象的统计规律性的学科，在概率论与数理统计中，有时候我们需要求一些随机变量的和的分布，在这些情形中，有一种求和类型比较特殊，即有限个相互独立且同分布的随机变量的和的分布类型不变，这一求和过程称为概率分布的“可加性”.概率分布中随机变量的可加性是一个相当重要的概念，本文给出了概率论中常见的六种具有可加性的分布，包括二项分布，泊松分布，正态分布，伽玛分布，柯西分布和卡方分布.文章最后讨论了几项分布之间的关系，如二项分布的泊松近似，正态近似等等. 1几种常见的具有可加性的分布 在讨论概率分布的可加性之前，我们先来看一下卷积公式和随机变量的特征函数,首先来看卷积公式[1]： ①离散场合的卷积公式设离散型随机变量ξζ,彼此独立，且它们的分布列分别是 n k a k P k ,1,0,)(???===ζ和.,,1,0,)(n k b k P k ???===ξ则ξζ?+=的概率分布列可表示为 ②连续场合的卷积公式设连续型随机变量ξζ,彼此独立，且它们的密度函数分别是 )(),(y f x f ξζ，则它们的和ξζ?+=的密度函数如下 其证明如下： ξζ?+=的分布函数是dxdy y f x f z f z F z y x )()()()(ξζ?ξζ??≤+= ≤+= 其中)(x F ζ为ζ的分布函数，对上式两端进行求导，则可得到ξζ?+=的密度函数：

常用的概率分布类型其特征

常用的概率分布类型及其特征 3．1 二点分布和均匀分布 1、两点分布 许多随机事件只有两个结果。如抽检产品的结果合格或不合格；产品或者可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取0和1。它服从的分布称两点分布。 其概率分布为： 其中 Pk=P（X=Xk），表示X取Xk值的概率： 0≤P≤1。 X的期望 E（X）=P X的方差 D（X）=P（1—P） 2、均匀分布 如果连续随机变量X的概率密度函数f（x）在有限的区间[a，b]上等于一

个常数，则X服从的分布为均匀分布。 其概率分布为： X的期望 E（X）=（a+b）/2 X的方差 D（X）=（b-a）2/12 3．2 抽样检验中应用的分布 3．2．1 超几何分布 假设有一批产品，总数为N，其中不合格数为d，从这批产品中随机地抽出n件作为被检样品，样品中的不合格数X服从的分布称超几何分布。 X的分布概率为： X=0，1，…… X的期望 E（X）=nd/N

X的方差 D（X）=（（nd/N）（（N-d）/N）（（N-n）/N））（1/2）3．2．2 二项分布 超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。 假设有一批产品，不合格品率为P，从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。 X的概率分布为： 0

几种重要的概率分布

1、均匀分布（uniform） 定义：设连续型 随机变量X的分布函数为F(x)=(x-a)/(b-a),a≤x≤b 则称随机变量X服从[a,b]上的均匀分布,记为X~U[a,b]. 若[x1,x2]是[a,b]的任一子区间,则P{x1≤x≤x2}=(x2-x1)/(b-a) 这表明X落在[a,b]的子区间内的概率只与子区间长度有关,而与子区间位置无关,因此X落在[a,b]的长度相等的子区间内的可能性是相等的,所谓的均匀指的就是这种等可能性. 在实际问题中,当我们无法区分在区间[a,b]内取值的随机变量X取不同值的可能性有何不同时,我们就可以假定X服从[a,b]上的均匀分布 若随机变量X的密度函数为 则称随机变量X服从区间[a,b]上的均匀分布。记作X~U(a,b). 均匀分布的分布函数为

图像如下图所示： 均匀分布的数学期望E(X)=1/(2*(b+a))，方差为D(X)=1/(12*(b-a)2)。 2、正态分布 如果连续型随机变量X的密度函数为

其中，-∞

3.F分布 F分布定义为: 设X、Y为两个独立的随机变量，X服从自由度为k1的>2分布，Y服从自由度为k2的>2 分布，这2 个独立的>2分布被各自的自由度除以后的比率这一统计量的分布。即：上式F服从第一自由度为k1，第二自由度为k2的F分布 F分布的性质 1、它是一种非对称分布； 2、它有两个自由度，即n1 -1和n2-1，相应的分布记为F（n1 –1，n2-1），n1 –1通常称为分子自由度，n2-1通常称为分母自由度； 3、F分布是一个以自由度n1 –1和n2-1为参数的分布族，不同的自由度决定了F 分布的形状。 4、F分布的倒数性质：Fα,df1,df2=1/F1-α,df1,df2 密度函数表达式

16种常见概率分布概率密度函数、意义及其应用

目录 1. 均匀分布 (1) 2. 正态分布（高斯分布） (2) 3. 指数分布 (2) 4. Beta分布（：分布） (2) 5. Gamm 分布 (3) 6. 倒Gamm分布 (4) 7. 威布尔分布（Weibull分布、韦伯分布、韦布尔分布） (5) 8. Pareto 分布 (6) 9. Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) 2 10. 分布（卡方分布） (7) 8 11. t分布................................................ 9 12. F分布 ............................................... 10 13. 二项分布............................................ 10 14. 泊松分布（Poisson 分布）............................. 11 15. 对数正态分布........................................

1. 均匀分布 均匀分布X ~U（a,b）是无信息的，可作为无信息变量的先验分布。

2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量 很可能服从正态分布，记作 X~N （」f 2）。正态分布为方差已知的正态分布 N （*2）的参数」的共轭先验分布。 1 空 f （x ）： —— e 2- J2 兀 o' E(X)， Var(X) _ c 2 3. 指数分布 指数分布X ~Exp （ ）是指要等到一个随机事件发生，需要经历多久时间。其 中，.0为尺度参数。指数分布的无记忆性： Plx s t|X = P{X t}。 f （X ）二 y o i E(X) 一 4. Beta 分布（一：分布） f （X ）二 E(X) Var(X)= (b-a)2 12 Var(X)二 1 ~2

概率论中几种常用重要分布

概率论中几种常用的重要的分布 摘要：本文主要探讨了概率论中的几种常用分布，的来源和他们中间的关系。其在实际中的应用。 关键词 1 一维随机变量分布 随机变量的分布是概率论的主要内容之一，一维随机变量部分要介绍六中常 用分布，即( 0 －1) 分布、二项分布、泊松分布、均匀分布、指数分布和正态分布． 下面我们将对这六种分布逐一地进行讨论． 随机事件是按试验结果而定出现与否的事件。它是一种“定性”类型的概念。为了进一步研究有关随机试验的问题，还需引进一种“定量”类型的概念，即，根据试验结果而定取什么值（实值或向量值）的变数。称这种变数为随机变数。本章内将讨论取实值的这种变数—— 一维随机变数。 定义1.1 设X 为一个随机变数，令 ()([(,)])([]),()F x P X x P X x x =∈-∞=-∞ +∞. 这样规定的函数()F x 的定义域是整个实轴、函数值在区间[0,1]上。它是一个普通的函数。成这个函数为随机函数X 的分布函数。 有的随机函数X 可能取的值只有有限多个或可数多个。更确切地说：存在着有限多个值或可数多个值12,,...,a a 使得 12([{,,...}])1P X a a ∈= 称这样的随机变数为离散型随机变数。称它的分布为离散型分布。 【例1】下列诸随机变数都是离散型随机变数。 （1）X 可能取的值只有一个，确切地说，存在着一个常数a ,使([])1P X a ==。称这种随机变数的分布为退化分布。一个退化分布可以用一个常数a 来确定。 （2）X 可能取的值只有两个。确切地说，存在着两个常数a ，b ，使 ([{,}])1P X a b ∈=.称这种随机变数的分布为两点分布。如果([])P X b p ==，那 么，([])1P X a p ===-。因此，一个两点分布可以用两个不同的常数,a b 及一个在区间（0,1）内的值p 来确定。 特殊地，当,a b 依次为0,1时，称这两点分布为零-壹分布。从而，一个零-壹分布可以用一个在区间（0，1）内的值p 来确定。 （3）X 可能取的值只有n 个：12,...,a a （这些值互不相同），且，取每个i a 值

统计概率知识点归纳总结

统计概率知识点归纳总结大全 1．了解随机事件的发生存在着规律性和随机事件概率的意义． 2．了解等可能性事件的概率的意义，会用排列组合的基本公式计算一些等可能性事件的概率. 3．了解互斥事件、相互独立事件的意义，会用互斥事件的概率加法公式与相互独立事件的概率乘法公式计算一些事件的概率． 4．会计算事件在n 次独立重复试验中恰好发生k 次的概率． 5． 掌握离散型随机变量的分布列. 6．掌握离散型随机变量的期望与方差. 7．掌握抽样方法与总体分布的估计. 8．掌握正态分布与线性回归. 考点1. 求等可能性事件、互斥事件和相互独立事件的概率 解此类题目常应用以下知识: (1)等可能性事件(古典概型)的概率：P (A )＝) ()(I card A card ＝n m ; 等可能事件概率的计算步骤： （1） 计算一次试验的基本事件总数n ; （2） 设所求事件A ，并计算事件A 包含的基本事件的个数m ; （3） 依公式()m P A n =求值; （4） 答，即给问题一个明确的答复. (2)互斥事件有一个发生的概率：P (A ＋B )＝P (A )＋P (B ); 特例：对立事件的概率：P (A )＋P (A )＝P (A ＋A )＝1. (3)相互独立事件同时发生的概率：P (A ·B )＝P (A )·P (B ); 特例：独立重复试验的概率：P n (k )＝k n k k n p p C --)1(.其中P 为事件A 在一次试验中发生的概率，此式为二项式[(1-P)+P]n 展开的第k+1项.

(4)解决概率问题要注意“四个步骤，一个结合”： ① 求概率的步骤是： 第一步，确定事件性质???? ???等可能事件 互斥事件 独立事件 n 次独立重复试验 即所给的问题归结为四类事件中的某一种. 第二步，判断事件的运算?? ?和事件积事件 即是至少有一个发生，还是同时发生，分别运用相加或相乘事件. 第三步，运用公式()()()()()()()()(1) k k n k n n m P A n P A B P A P B P A B P A P B P k C p p -? =???+=+? ??=??=-??等可能事件: 互斥事件： 独立事件： n 次独立重复试验:求解 第四步，答，即给提出的问题有一个明确的答复. 考点2离散型随机变量的分布列 1.随机变量及相关概念 ①随机试验的结果可以用一个变量来表示，这样的变量叫做随机变量，常用希腊字母ξ、η等表示. ②随机变量可能取的值，可以按一定次序一一列出，这样的随机变量叫做离散型随机变量. ③随机变量可以取某区间内的一切值，这样的随机变量叫做连续型随机变量. 2.离散型随机变量的分布列 ①离散型随机变量的分布列的概念和性质 一般地，设离散型随机变量ξ可能取的值为1x ，2x ，……，i x ，……，ξ取每一个值i x （=i 1，2，……）的概率P （i x =ξ）=i P ，则称下表.

几种常见的概率分布复习过程

几种常见的概率分布 一、 离散型概率分布 1. 二项分布 n 次独立的贝努利实验，其实验结果的分布（一种结果出现x 次的概率是多少的分布）即为二项分布 应用二项分布的重要条件是：每一种实验结果在每次实验中都有恒定的概率，各实验之间是重复独立的 平均数： (Y)np X E μ== 方差与标准差：2(1)X np P σ=- ;X σ=特例：（0-1）分布 若随机变量X 的分布律为 1(x k)p (1p)k k p -==- k=0,1；0

复抽样，抽样成功的次数X 的概率分布服从超几何分布，如福利彩票 二、 连续型概率分布 1. 均匀分布 若随机变量X 具有概率密度函数 (x)f = 则称X 在区间（a ，b ）上服从均匀分布，记为X ~ U(a ，b) 在区间（a ，b ）上服从均匀分布的随机变量X 的分布函数为 0F(x),1 x a x a a x b b a b x ? 是常数， 则称X 服从以λ 为参数的指数分布，记作~()X E λ ，X 的分布函数为 1,0(x)0,0 x e x F x λ-?-≥=?

考研数学概率论重要知识点梳理

2017考研数学：概率论重要知识点梳理 来源：文都图书 概率论在历年考研数学真题中特点比较明显。概率论与数理统计对计算技巧的要求低一些，一些题目，尤其是文字叙述题要求考生有比较强的分析问题的能力。所以考生应在这门中尽量做到那全分，这样才能保证数学的分数，下面我们整理了一些概率论的重要知识点： 第一部分：随机事件和概率 (1)样本空间与随机事件 (2)概率的定义与性质(含古典概型、几何概型、加法公式) (3)条件概率与概率的乘法公式 (4)事件之间的关系与运算(含事件的独立性) (5)全概公式与贝叶斯公式 (6)伯努利概型 其中：条件概率和独立为本章的重点，这也是后续章节的难点之一，考生务必引起重视， 第二部分：随机变量及其概率分布 (1)随机变量的概念及分类 (2)离散型随机变量概率分布及其性质 (3)连续型随机变量概率密度及其性质 (4)随机变量分布函数及其性质 (5)常见分布 (6)随机变量函数的分布 其中：要理解分布函数的定义，还有就是常见分布的分布律抑或密度函数必须记好且熟练。 第三部分：二维随机变量及其概率分布 (1)多维随机变量的概念及分类 (2)二维离散型随机变量联合概率分布及其性质 (3)二维连续型随机变量联合概率密度及其性质

(4)二维随机变量联合分布函数及其性质 (5)二维随机变量的边缘分布和条件分布 (6)随机变量的独立性 (7)两个随机变量的简单函数的分布 其中：本章是概率的重中之重，每年的解答题定会有一道与此知识点有关，每个知识点都是重点，务必重视! 第四部分：随机变量的数字特征 (1)随机变量的数字期望的概念与性质 (2)随机变量的方差的概念与性质 (3)常见分布的数字期望与方差 (4)随机变量矩、协方差和相关系数 其中：本章只要清楚概念和运算性质，其实就会显得很简单，关键在于计算 第五部分：大数定律和中心极限定理 (1)切比雪夫不等式 (2)大数定律 (3)中心极限定理 其中：其实本章考试的可能性不大，最多以选择填空的形式，但那也是十年前的事情了。 第六部分：数理统计的基本概念 (1)总体与样本 (2)样本函数与统计量 (3)样本分布函数和样本矩 其中：本章还是以概念为主，清楚概念后灵活运用解决此类问题不在话下 第七部分：参数估计 (1)点估计 (2)估计量的优良性 (3)区间估计

重要的概率分布

第三章重要的概率分布 (1)正态分布； χ分布； (2)2 (3)t分布； (4)F分布。 3.1 正态分布 对于连续型随机变量而言，正态分布(normal distribution)是最重要的一种概率分布。 经验表明：对于依赖于众多微小因素；且每一因素均产生微小的或正或负影响的连续型随机变量来说，正态分布是一个相当好的描述模型。 如人的体重，因为遗传、骨骼结构、饮食、锻炼、等都对人的体重有影响，但又没有一种因素起到压到一切的主导作用。与此相类似，人的身高、考试分数等都近似地服从正态分布。 通常用： δ) (3 - 1) X～N(u, 2 δ称为正态分布的表示随机变量X服从正态分布。N表示正态分布，括号内的参数u, 2 总体均值(或期望)和方差。

3.1.1 正态分布的性质 (1) 正态分布曲线以均值u 为中心，对称分布。 (2) 正态分布的概率密度函数呈中间高、两边低，在均值u 处达到最高，向两边逐渐降低，即随机变量在远离均值处取值的概率逐渐变小。 (3) 正态曲线下的面积约有68%位于u ±δ 两值之间；约有95%的面积位于u±22 δ之间； 而约有99.7%的面积位于u±3 δ之间。 ★ (4) 两个(或多个)正态分布随机变量的线性组合仍服从正态分布。 令X 和Y 相互独立： X ～N(u X ，2x δ) Y ～N(u Y ， 2y δ) 现在考虑两个变量的线性组合：W ＝a X+b Y 则 W ～N(u W ， 2w δ) ( 3 - 2 ) 其中， u W =(au X ＋bu Y ) ( 3 - 3 ) 2w δ = (22x a δ+22y b δ) (3 - 4) 例3.1 令X 表示在下沙高教区一花店每日出售玫瑰花数量， Y 表示在下沙镇一花店每日出售玫瑰花的数量，假定X 和Y 服从正态分布，且相互独立，并有： X ～N( 100，64 )，Y ～N( 150，81 ) 求两天内两花商出售玫瑰花数量的期望及方差？ W ＝2X ＋2Y 根据式( 3 - 3 ) E(w)＝E( 2X+ 2Y) = 5 0 0， Var (w) = 4var(X) + 4var(Y) = 5 8 0 因此，W 服从均值为5 0 0，方差为5 8 0的正态分布，即W ～N( 5 0 0，5 8 0 )。

几种常见的概率分布

几种常见的概率分布 离散型概率分布 1.二项分布 n次独立的贝努利实验，其实验结果的分布(一种结果出现x次的概率是多少的分布)即为二项分布 应用二项分布的重要条件是：每一种实验结果在每次实验中都有恒定的概率，各实验之间是重复独立的 平均数：\二E(Y)二叩 方差与标准差：▽ X = np(1- P) ; = J np(1- p) 特例：(0-1 )分布 若随机变量x的分布律为 p(x = k) = p k(1 - p)1* k=o,i ；0

复抽样，抽样成功的次数X的概率分布服从超几何分布，如福利彩票 二、连续型概率分布 1?均匀分布 若随机变量X具有概率密度函数 f（X）二 则称X在区间（a，b）上服从均匀分布，记为X?U（a，b）在区间（a，b）上服从均匀分布的随机变量X的分布函数为 x v a F（x）X— ,a 乞x b b — a , X x 2指数分布 若随机变量X具有概率密度函数f（X）= e ' x - 0其中0是常数, 0,x< 0 则称X服从以’为参数的指数分布，记作X?E（' ），X的分布函数为 F(x)=」1 -e ,x 色0 j 0,x<0 3.正态分布 正态随机变量X的概率密度函数的形式如下： 1 f （x） e 2 $ ，—：：：： x ::: 式中，」为随机变量X的均值；、；2为随机变量X的方差通常对具有均值卩，方差为62的正态概率分布，记为N （卩，62）。于是有正态随机变量X~N （ '2）。

考试练习题常用概率分布教学提纲

考试练习题常用概率 分布

第四章 选择题： 1．二项分布的概率分布图在 条件下为对称图形。 A ．n > 50 B ．π=0.5 C ．n π=1 D ．π=1 E ．n π> 5 2．满足 时，二项分布B （n,π）近似正态分布。 A ．n π和n （1－π）均大于等于5 B ．n π或n （1－π）大于等于5 C ．n π足够大 D ．n > 50 E ．π足够大 3. 的均数等于方差。 A ．正态分布 B ．二项分布 C ．对称分布 D ．Poisson 分布 E ．以上均不对 4．标准正态典线下，中间95%的面积所对应的横轴范围是 。 A ．－∞到+1.96 B ．－1.96到+1.96 C ．－∞到+2.58 D ．－2.58到+2.58 E ．－1.64到+1.64 5．服从二项分布的随机变量的总体均数为 。 A ．n （1－π） B ．（n －1）π C ．n π（1－π） D ．n π 6．服从二项分布的随机变量的总体标准差为 。 A . B . （1-π）（1-π）（ -）π1 C . D . π（1-π）（π 7.设X 1,X 2分别服从以λ1,λ2为均数的Poisson 分布,且X 1与X 2独立,则X 1+X 2服从以 为方差的Poisson 分布。 A . B .λ2λ12+2λ 2λ1+ C . D . 2λ2λ1+（） 2λ2λ1+（） E .λ2λ12+2 8．满足 时，Poisson 分布Ⅱ（λ）近似正态分布。

A．λ无限大 B．λ>20 C．λ=1 D．λ=0 E．λ=0.5 9．满足时，二项分布B（n，π）近似Poisson分布。 A．n很大且π接近0 B．n→∞ C．nπ或n（1－π）大于等于5 D．n很大且π接近0.5 E．π接近0.5 10．关于泊松分布，错误的是。 A．当二项分布的n很大而π很小时，可用泊松分布近似二项分布 B．泊松分布均数λ唯一确定 C．泊松分布的均数越大，越接近正态分布 D．泊松分布的均数与标准差相等 E．如果X1和X2分别服从均数为λ1和λ2的泊松分布，且相互独立。则 X1+X2服从均数为λ1+λ2的泊松分布。 11．以下分布中，均数等于方差的分布是。 A．正态分布 B．标准正态分布 C．二项分布 D．Poisson分布 E．t 分布 12．随机变量X服从正态分布N（μ1，σ12），Y服从正态分布N（μ2，σ 2），X与Y独立，则X－Y服从。 2 A．N（μ1+μ2，σ12－σ22） B．N（μ1－μ2，σ12－σ22） C．N（μ1－μ2，σ12+σ22） D．N（0，σ12+σ22） E．以上均不对 13．下列叙述中，错误的是。 A．二项分布中两个可能结果出现的概率之和为1 B．泊松分布只有1个参数λ C．正态曲线下的面积之和为1

概率论知识点的总结

概率论总结 目录 一、前五章总结 第一章随机事件和概率 (1) 第二章随机变量及其分布 (5) 第三章多维随机变量及其分布 (10) 第四章随机变量的数字特征 (13) 第五章极限定理 (18) 二、学习概率论这门课的心得体会 (20) 一、前五章总结 第一章随机事件和概率 第一节：1.、将一切具有下面三个特点：（1）可重复性（2）多结 果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E表示。 在一次试验中，可能出现也可能不出现的事情（结果）称为 随机事件，简称为事件。 不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为S或Ω。 2、我们把随机试验的每个基本结果称为样本点，记作e 或ω. 全 体样本点的集合称为样本空间. 样本空间用S或Ω表示. 一个随机事件就是样本空间的一个子集。 基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。 事件间的关系及运算，就是集合间的关系和运算。

3、定义：事件的包含与相等 若事件A发生必然导致事件B发生，则称B包含A，记为B?A或A?B。 若A?B且A?B则称事件A与事件B相等，记为A＝B。 定义：和事件 “事件A与事件B至少有一个发生”是一事件，称此事件为事件A与事件B的和事件。记为A∪B。用集合表示为: A∪B={e|e∈A，或e∈B}。 定义：积事件 称事件“事件A与事件B都发生”为A与B的积事件，记为A∩B或AB，用集合表示为AB={e|e∈A且e∈B}。 定义：差事件 称“事件A发生而事件B不发生,这一事件为事件A与事件B的差事件,记为A－B,用集合表示为 A-B={e|e∈A，e?B} 。 定义：互不相容事件或互斥事件 如果A，B两事件不能同时发生，即AB＝Φ，则称事件A与事件B是互不相容事件或互斥事件。 定义6：逆事件/对立事件 称事件“A不发生”为事件A的逆事件，记为ā。A与ā满足：A ∪ā= S,且Aā=Φ。 运算律： 设A，B，C为事件，则有 （1）交换律：A∪B=B∪A，AB=BA （2）结合律：A∪(B∪C)=(A∪B)∪C=A∪B∪C A(BC)=(AB)C=ABC （3）分配律：A∪(B∩C)＝(A∪B)∩(A∪C) A(B∪C)＝(A∩B)∪(A∩C)= AB∪AC （4）德摩根律：B A = A B = A B A B

概率论与数理统计中的三种重要分布

概率论与数理统计中的三种重要分布 摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。 关键词：二项分布；Poisson 分布；正态分布；定义；性质 一、二项分布 二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生 这种分布的重要现实源泉是所谓的伯努利试验。 （一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布) 1．泊努利试验 在许多实际问题中，我们感兴趣的是某事件A 是否发生。例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。 为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = () q p A P =-=1。 2．泊努利分布 定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数， 则??? ? ??ξp q 10 ~，称ξ服从参数为)10(<

16种常见概率分布概率密度函数、意义及其应用

目录 1.均匀分布 (1) 2.正态分布（高斯分布） (2) 3.指数分布 (2) 4.Beta分布（β分布） (2) 5.Gamma分布 (3) 6.倒Gamma分布 (4) 7.威布尔分布(Weibull分布、韦伯分布、韦布尔分布) (5) 8.Pareto分布 (6) 9.Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) χ分布（卡方分布） (7) 10.2 11.t分布 (8) 12.F分布 (9) 13.二项分布 (10) 14.泊松分布（Poisson分布） (10) 15.对数正态分布 (11) 1.均匀分布 均匀分布~(,) X U a b是无信息的，可作为无信息变量的先验分布。

1()f x b a = - ()2 a b E X += 2 ()()12 b a Var X -= 2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量很可能服从正态分布，记作2~(,)X N μσ。正态分布为方差已知的正态分布 2(,)N μσ的参数μ的共轭先验分布。 22 ()2()x f x μσ-- = ()E X μ= 2()Var X σ= 3. 指数分布 指数分布~()X Exp λ是指要等到一个随机事件发生，需要经历多久时间。其中0λ>为尺度参数。指数分布的无记忆性：{}|{}P X s t X s P X t >+>=>。 (),0 x f x e x λλ-=> 1 ()E X λ = 2 1 ()Var X λ = 4. Beta 分布（β分布）

Beta 分布记为~(,)X Be a b ，其中Beta(1,1)等于均匀分布，其概率密度函数可凸也可凹。如果二项分布(,)B n p 中的参数p 的先验分布取(,)Beta a b ，实验数据（事件A 发生y 次，非事件A 发生n-y 次），则p 的后验分布(,)Beta a y b n y ++-，即Beta 分布为二项分布(,)B n p 的参数p 的共轭先验分布。 10 ()x t x t e dt ∞--Γ=? 1 1()()(1)()() a b a b f x x x a b --Γ+= -ΓΓ ()a E X a b = + 2 ()()(1) ab Var X a b a b = +++ 5. Gamma 分布 Gamma 分布即为多个独立且相同分布的指数分布变量的和的分布，解决的

概率论中几种常用的重要的分布

伯努利试验、泊松过程、独立同分布生成 的重要分布 敖登 （内蒙古大学数学科学学院2010级数理基地，01008104） 摘要 本文是一篇读书报告。主要研究了伯努利试验与二项分布的关系，泊松过程生成泊松分布的过程和在泊松条件下的埃尔朗分布，正态分布的生成用到的独立同分布以及均匀分布生成任意分布的重要性质。 关键词：伯努利试验泊松分布独立同分布均匀分布的生成性

Important in theory of probability distribution of exploration Author：Ao Deng Tutor: Luo Cheng (School of Mathematical sciences ,Huhhot Inner Mongolia 01008104 ) Abstract This article mainly discusses the theory of several common distribution (0-1) distribution, binomial distribution, poisson distribution and uniform distribution, exponential distribution, normal distribution and normal distribution out three kinds of important distribution, distribution, distribution and the distribution of the source and the relationship among them and their application in actual. Key words: random variable; The discrete distribution ;Continuous distribution

各种概率分布介绍

一、引言 Bayes统计起源于英国学者托马斯.贝叶斯（Thomas Bayes,1702～1761）死后发表的一篇论文“论有关机遇问题的求解”。在此论文中他提出了著名的贝叶斯公式和一些归纳推理方法，随后拉普拉斯（Laplace,P.C.1749～1827）不仅重新发现了贝叶斯定理，阐述的远比贝叶斯更为清晰，而且还用它来解决天体力学、医学统计以及法学问题。之后虽有一些研究和应用但由于其理论尚不完整，应用中出现一些问题，致使贝叶斯方法长期未被接受。直到二战后，瓦尔德(Wald,A.1902～1950)提出统计决策函数论后又引起很多人对贝叶斯研究方法的兴趣。因为在这个理论中，贝叶斯解被认为是一种最优决策函数。在Savage,L.J.(1954)、Jeffreys,H.(1961)、Good,I.J(1950)、Lindley,D.V(1961)、Box,G.E.P.&Tiao,G.C.(1973)、Berger,J.O.(1985)等贝叶斯学者的努力下，对贝叶斯方法在观点、方法和理论上不断的完善。另外在这段时期贝叶斯方法在工业、经济、管理等领域内获得一批无可非议的成功应用。贝叶斯统计的研究论文与著作愈来愈多，贝叶斯统计的国际会议经常举行。如今贝叶斯统计已趋成熟，贝叶斯学派已发展成为一个有影响的学派，开始打破了经典统计学一统天下的局面。 贝叶斯统计是在与经典统计的争论中发展起来的,现已成为统计学中不可缺少的一部分.贝叶斯统计与经典统计的主要区别就是是否利用先验信息。贝叶斯统计重视已出现的样本观测值，对尚未发生的样本观测值不予考虑。近几年来对贝叶斯统计的广泛应用，使得贝叶斯统计在可靠性问题中起到越来越重要的作用。尤其是对产品的失效率以及产品寿命的检验中，更是离不开贝叶斯统计。本文主要是探索串联系统和并联系统的可靠性，以及可靠性增长模型的Bayes估计，这些都表现出了Bayes统计在可靠性中的广泛应用。 二、绪论 （一）统计学及其发展历程 人类的统计活动源远流长，自从有了数的概念，有了计数活动，就有了统计。但作为一门学科的统计学，它的出现却晚得多。英国学者配第（W.Petty）《政治算术》一书的问世，标志着统计学的开端。 概率论是统计学的重要起源之一。14世纪时，在工商业比较繁荣的意大利以及地中海岸其他地区，由于赌博游戏盛行和保险活动的萌起。人们

02197-概率论与数理统计(二)-考前重点

02197-概率论与数理统计(二)-考前重点

《概率论与数理统计（二）》考试重点 说明：我们将知识点按考查几率及重要性分为三个等级，即一级重点、二级重点、三级重点，其中，一级重点为必考点，本次考试考查频率高；二级重点为次重点，考查频率较高；三级重点为预测考点，考查频率一般，但有可能考查的知识点。 第一章随机事件与概率 1．事件的包含与相等、和事件的定义 P3 （二级重点）（单选、填空） 2．积事件、差事件、互不相容事件、对立事件的定义P4-5 （一级重点）（单选、填空） 尤其是互不相容事件与对立事件的理解，务必记住。 3．古典概型的概率计算 P9 （一级重点）（填空） 等可能概型中事件概率的计算：设在古典概型中，试验E共有n个基本事件，事件A包含了m个基本事件，则事件A的概率为 ) ( P A m n

4．概率的加法公式与减法公式（性质2与性质 3） P11-12 （二级重点）（单选、填空） 加法公式：()()()()P A B P A P B P AB ?=+- 减法公式：()()()P B A P B P AB -=- 5．条件概率的定义及用法 P14 （二级重点）（单选、填空、计算） 条件概率的公式： )|(A B P =)()(A P AB P 或者 (|)()()P A B P AB P B = 6. 全概率公式的定义及用法（注意其需要满足的两个条件） P16 （二级重点）（填空、计算） 用全概率定理来解题的思路, 从试验的角度 考虑问题, 一定是将试验分为两步做, 将 第 一步试验的各个结果分为一些完备事件组A 1, A 2,…,A n , 然后在这每一事件下计算或给 出 某个事件B 发生的条件概率, 最后用全概率公 式综合计算。 7. 两个事件与三个事件独立性的定义及应用 P19-21 （一级重点）（单选、填空、计算） 三个事件独立可以推出两两独立，但反之不然。 8. n 重贝努利试验的描述及其概率求法 P22

概率论中几种常用重要分布

概率论中几种常用的重要的分布摘要：本文主要探讨了概率论中的几种常用分布，的来源和他们中间的关系。其在实际中的应用。 关键词 1 一维随机变量分布 随机变量的分布是概率论的主要内容之一，一维随机变量部分要介绍六中常用分布，即( 0 －1) 分布、二项分布、泊松分布、均匀分布、指数分布和正态分布．下面我们将对这六种分布逐一地进行讨论． 随机事件是按试验结果而定出现与否的事件。它是一种“定性” 类型的概念。为了进一步研究有关随机试验的问题，还需引进一种“定量”类型的概念，即，根据试验结果而定取什么值(实值或向量值)的变数。称这种变数为随机变数。本章内将讨论取实值的这种变数——一维随机变数。 定义1.1 设X 为一个随机变数，令 F(x) P([X ( ,x)]) P([X p x]),( p xp ). 这样规定的函数F(x)的定义域是整个实轴、函数值在区间[0,1]上。它是一个普通的函数。成这个函数为随机函数X 的分布函数。 有的随机函数X 可能取的值只有有限多个或可数多个。更确切地说：存在着有限多个值或可数多个值a1,a2,..., 使得 P([ X { a1, a2 ,...}]) 1 称这样的随机变数为离散型随机变数。称它的分布为离散型分布。 【例1】下列诸随机变数都是离散型随机变数。 (1) X可能取的值只有一个，确切地说，存在着一个常数a,使P([X a]) 1 o 称这种随机变数的分布为退化分布。一个退化分布可以用一个常数 a 来确定。 (2) X可能取的值只有两个。确切地说，存在着两个常数a , b，使 P([X {a,b}]) 1.称这种随机变数的分布为两点分布。如果P([X b]) p，那么，P ([X a]) 1 p。因此，一个两点分布可以用两个不同的常数a,b及一个在区间(0,1 )内的值p来确定。 特殊地，当a,b依次为0,1时，称这两点分布为零-壹分布。从而，一个零 -壹分布可以用一个在区间(0，1)内的值p来确定。 (3) X可能取的值只有n个：a1,...,a2 (这些值互不相同)，且，取每个a：值 ■. 、. 1

概率论与数理统计-重要公式

概率论与数理统计-重要公式

、随机事件与概率

、随机变量及其分布 1、分布函数 Z P(X=X k ) F(x) =P(X 兰 x)=彳耳' ,P(a v X wb) = F(b) — F(a) X f f(t)dt L. J -°0 概率密度函数 2、离散型随机变量及其分布 3、续型型随机变量及其分布 「f (x)dx =1 计算概 b P(a ^ X 乞 b)二 f (x)dx b a 率:

P(X—…―亠宀一般的态 率计算公式 b—卩a—A P(a EX ^b)=：：」( )一：：」( ) cr a 分布函数 对离散型随机变量F(x)二P(X岂x)八P(X二k) k童 x 对连续型随机变量F(x)= p(xn」(t)dt ' x 分布函数与密度函数的重要关系： F (x)二f (x) F(x)二P(X空x)二f (t)dt 4、随机变量函数Y=g(X)的分布 离散型：P (丫二yJ 二' P j,i =1,2,川， g (X j ) 连续型：①分布函数法， ②公式法f Y(y) = f x (h( y)) h(y) (x = h(y)单调) h(y)是g(x )的反函数 三、多维随机变量及其分布 1、离散型二维随机变量及其分布分布律：P(X 丫二yj = P j ,i, j =1,2^1 联合分布函数F (X,Y) 八、 X i