下载文档原格式
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)210. 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 23. 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 oiE(X) 一4. Beta 分布（一：分布）f （X ）二 E(X)Var(X)=(b-a)2 12Var(X)二1~2Beta 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。
概率论几种重要的分布
概率论中有许多重要的分布，包括以下几种：
1. 正态分布（Normal Distribution）：也称为高斯分布，是最常见的分布之一。
它具有钟形曲线，对称，以及均值和方差完全定义。
在许多实际应用中，自然界中许多现象都遵循正态分布。
2. 二项分布（Binomial Distribution）：描述了在固定次数的独立重复试验中成功次数的概率分布。
每个试验有两个可能的结果，成功和失败，并且每次试验的成功概率保持不变。
3. 泊松分布（Poisson Distribution）：用于描述稀有事件在固定时间或空间上的发生次数的概率分布。
它假设事件发生的概率相等，且事件之间是相互独立的。
4. 均匀分布（Uniform Distribution）：也称为矩形分布，是一种概率分布，其中所有可能的结果的概率是相等的。
在定义了一个范围之后，均匀分布将这个范围内的概率均匀地分布。
5. 指数分布（Exponential Distribution）：用于描述独立事件发生间隔的概率分布。
它假设事件是以恒定速率独立地发生的，即它具有无记忆性。
6. t分布（Student t-Distribution）：用于小样本情况下的统计推断，当样本量较小时，t分布的尾部更加重，与正态分布相比，更容易出现极端值。
以上只是一些重要的分布，概率论还有很多其他的分布，根据实际应用的不同，可以选择合适的分布模型。
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)10. 2χ分布（卡方分布） (7)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 .......................................................................................111. 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。
概率分布计算公式概率分布是概率论中重要的概念之一，它描述了随机变量在各个取值上的取值概率。
在实际问题中，我们常常需要计算概率分布以解决相关的概率统计问题。
本文将介绍几种常见的概率分布以及它们的计算公式。
一、二项分布(Binomial Distribution)二项分布是概率论中常用的离散型概率分布，它描述了在一定次数的独立重复试验中，成功事件发生的次数的概率分布。
其计算公式为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)其中，P(X=k)表示成功事件发生k次的概率，n表示试验次数，p表示每次试验成功的概率，C(n, k)表示组合数，可以使用n个数任取k个的方式计算。
二项分布的期望为E(X)=np，方差为Var(X)=np(1-p)。
二、泊松分布(Poisson Distribution)泊松分布是一种离散型概率分布，适用于描述单位时间(或单位空间)内随机事件发生的次数。
其计算公式为：P(X=k) = (λ^k * e^(-λ))/k!其中，P(X=k)表示事件发生k次的概率，λ表示单位时间(或单位空间)内事件发生的平均次数，e为自然对数的底。
泊松分布的期望为E(X)=λ，方差为Var(X)=λ。
三、正态分布(Normal Distribution)正态分布是概率论中最重要的连续型概率分布，也称为高斯分布。
它的形状呈钟型曲线，对称于均值。
正态分布在实际问题中得到广泛应用。
其概率密度函数的计算公式为：f(x) = (1 / (σ * √(2π))) * e^((-1/2)*((x-μ)/σ)^2)其中，f(x)表示随机变量X的概率密度函数，μ为均值，σ为标准差，π为数学常数3.14159。
正态分布的期望为E(X)=μ，方差为Var(X)=σ^2。
四、指数分布(Exponential Distribution)指数分布是一种连续型概率分布，其概率密度函数具有常数倍衰减的特点。
常用概率分布常用概率分布是数学中一个非常重要的概念，它描述了每种特定事件发生的可能性，并帮助我们更好地理解随机事件的性质。
在统计学、工程学、物理学、生物学和金融学等领域，常用概率分布被广泛应用于数据分析和模拟等方面。
接下来，我将介绍一些最常见的概率分布。
1. 二项分布二项分布是一种离散的概率分布，它描述了两种可能结果中每一种结果的概率。
比如说，抛硬币的结果只有正面和反面两种可能性。
当每次实验仅有两种可能结果，并且这两种结果的概率相等时，可以使用二项分布来计算任意试验中某个结果被观察到的概率。
一般地，二项分布可以用来计算n次独立实验中恰好有k次成功的概率。
2. 正态分布正态分布是一种连续概率分布，也称为高斯分布。
它是自然界中最常见的概率分布之一，用于描述一些连续型变量（例如长度、质量和时间等）的分布情况。
具有正态分布的数据通常呈现出钟形曲线的形状，且均值、中位数和众数相等。
正态分布是许多模型和算法的基础，例如线性回归和神经网络等。
3. 泊松分布泊松分布是一种离散概率分布，它描述了在一定时间内某个事件发生的次数。
该分布适用于低概率事件的发生频率较高的情况，例如在一定时间内接收到的电子邮件数量以及某种疾病的发病率等。
此外，泊松分布还可以用于描述自然生态系统中的物种数量变化、军事战斗中的伤亡人数等。
4. 指数分布指数分布是一种连续概率分布，用于描述一些事件所需的时间间隔。
比如说，等车的时间、电话呼叫之间的间隔时间等都可以用指数分布来描述。
该分布的特点是概率随着时间间隔的增加而逐渐减小，且具有单峰趋势。
5. Gamma分布Gamma分布是一种连续概率分布，广泛应用于工程和自然科学领域。
它可以用来描述诸如距离、强度、能量和粒子次数等连续型随机变量之和的概率分布。
由于Gamma 分布具有特定的形状和参数，因此它可以与其他分布结合使用，用于模拟各种实际场景的数据。
6. 卡方分布卡方分布是一种连续概率分布，用于描述统计独立性检验的结果。
常⽤的概率分布：伯努利分布、⼆项式分布、多项式分布、先验概率，后验概率⼀，伯努利分布(bernouli distribution)⼜叫做0-1分布，指⼀次随机试验，结果只有两种。
也就是⼀个随机变量的取值只有0和1。
记为: 0-1分布或B(1,p)，其中 p 表⽰⼀次伯努利实验中结果为正或为1的概率。
概率计算：期望计算：最简单的例⼦就是，抛⼀次硬币，预测结果为正还是反。
⼆，⼆项式分布(binomial distrubution)表⽰n次伯努利实验的结果。
记为：X~B(n,p)，其中n表⽰实验次数，p表⽰每次伯努利实验的结果为1的概率，X表⽰n次实验中成功的次数。
概率计算：期望计算：例⼦就是，求多次抛硬币，预测结果为正⾯的次数。
三，多项式分布(multinomial distribution)多项式分布是⼆项式分布的扩展，不同的是多项式分布中，每次实验有n种结果。
概率计算：期望计算：最简单的例⼦就是多次抛筛⼦，统计各个⾯被掷中的次数。
四，先验概率，后验概率，共轭分布先验概率和后验概率： 先验概率和后验概率的概念是相对的，后验的概率通常是在先验概率的基础上加⼊新的信息后得到的概率，所以也通常称为条件概率。
⽐如抽奖活动，5个球中有2个球有奖，现在有五个⼈去抽，⼩名排在第三个，问题⼩明抽到奖的概率是多少？初始时什么都不知道，当然⼩明抽到奖的概率P( X = 1 ) = 2/5。
但当知道第⼀个⼈抽到奖后，⼩明抽到奖的概率就要发⽣变化，P(X = 1| Y1 = 1) = 1/4。
再⽐如⾃然语⾔处理中的语⾔模型，需要计算⼀个单词被语⾔模型产⽣的概率P(w)。
没有看到任何语料库的时候，我们只能猜测或者平经验，或者根据⼀个⽂档中单词w的占⽐，来决定单词的先验概率P(w) = 1/1000。
之后根据获得的⽂档越多，我们可以不断的更新。
也可以写成。
再⽐如，你去抓娃娃机，没抓之前，你也可以估计抓到的概率，⼤致在1/5到1/50之间，它不可能是1/1000或1/2。
16种常见概率分布概率密度函数意义及其应用1. 常数分布（Constant distribution）：概率密度函数（Probability Density Function，PDF）为常数，表示特定区间内的概率相等。
这种分布常用于模拟实验或作为基线分布进行比较。
2. 均匀分布（Uniform distribution）：概率密度函数为一个常数，表示在特定区间内的各个取值的概率相等。
均匀分布经常用于随机抽样，以确保样本的代表性。
3. 二项分布（Binomial distribution）：概率密度函数描述了进行n次独立二类试验中成功次数的概率分布。
二项分布在实验设计、质量控制和市场研究中广泛应用。
4. 泊松分布（Poisson distribution）：5. 正态分布（Normal distribution）：概率密度函数为指数函数形式，常用来描述自然界中众多连续变量的分布，例如身高、体重等。
正态分布在统计学和金融学中广泛应用。
6. χ2分布（Chi-square distribution）：概率密度函数描述了n个独立标准正态分布随机变量的平方和的分布，是假设检验和方差分析中常用的分布。
7. t分布（t-distribution）：概率密度函数描述了标准正态分布随机变量与一个自由度为n的卡方分布随机变量的比值的分布。
t分布在小样本推断和回归分析中常用。
8. F分布（F-distribution）：概率密度函数描述了两个自由度为m和n的卡方分布随机变量的比值的分布。
F分布在方差分析、回归分析和信号处理中常应用。
9. 负二项分布（Negative binomial distribution）：概率密度函数描述了进行一系列独立二类试验中直到第r次取得第k 次成功的概率。
负二项分布在可靠性工程和传染病模型中常用。
10. 伽马分布（Gamma distribution）：概率密度函数描述了多个指数分布随机变量的和的分布，常被用于描述连续事件的时间间隔。
