下载文档原格式
概率分布函数与随机变量的期望概率分布函数（Probability Density Function，PDF）和随机变量的期望（Expectation）是概率论与数理统计中常见的概念，它们对于描述和分析随机变量的分布特征具有重要意义。
一、概率分布函数（Probability Density Function）概率分布函数是描述随机变量取各个取值的概率的函数。
在统计学中，常见的概率分布函数有几何分布、泊松分布、正态分布等。
以正态分布为例，它的概率分布函数可以表示为：f(x) = (1 / (σ * √(2π))) * exp(-(x-μ)²/(2σ²))其中，f(x)为随机变量X取值为x的概率密度，μ为均值，σ为标准差，exp()为指数函数。
二、随机变量的期望（Expectation）随机变量的期望是指随机变量在大量重复试验中取各个值的平均值。
可以用公式来表示，以离散型随机变量为例：E(X) = ∑(x * P(X = x))其中，E(X)表示随机变量X的期望，x表示随机变量X的取值，P(X = x)表示随机变量X取值为x的概率。
对于连续型随机变量，期望的计算需要对概率密度函数进行积分：E(X) = ∫(x * f(x) dx)其中，f(x)为随机变量X的概率密度函数。
三、应用示例假设某超市的销售额（单位：万元）服从正态分布，均值为50万元，标准差为10万元。
现在我们希望计算超市一天的销售额的期望是多少。
根据正态分布的概率密度函数公式，代入μ和σ的值，我们可以得到超市一天销售额的概率密度函数为：f(x) = (1 / (10 * √(2π))) * exp(-(x-50)²/(2*10²))然后，我们可以对概率密度函数进行积分，计算超市一天销售额的期望：E(X) = ∫(x * (1 / (10 * √(2π))) * exp(-(x-50)²/(2*10²)) dx)对于这个积分式，可以通过数值计算方法求解，比如数值积分等。
概率论-常见的概率分布模型常见的概率分布模型离散概率分布函数 离散概率分布也称为概率质量函数（probability mass function），离散概率分布的例⼦有 伯努利分布（Bernoulli distribution） ⼆项分布（binomial distribution） 泊松分布（Poisson distribution） ⼏何分布（geometric distribution）等连续概率分布函数 连续概率分布也称为概率密度函数（probability density function），它们是具有连续取值（例如⼀条实线上的值）的函数，连续概率分布的例⼦有 正态分布（normal distribution） 指数分布（exponential distribution） β分布（beta distribution）等联合分布函数 给定⼀个随机变量(X,Y)，称定义域为整个平⾯的⼆元实值函数F(x,y)=P(X≤x,Y≤y)−∞≥x,y≤∞该⼆元实值函数为随机变量(X,Y)的分布函数，也可以称为是(X,Y)的联合分布函数。
按照联合分布函数的定义，F(x,y)=P((X,Y)∈D xy)，其中D xy如下图所⽰Processing math: 100%多项分布（Multinomial Distribution ）多项分布简介 多项分布是⼆项分布的推⼴，他们的区别是⼆项分布的结果只有0和1两种，多项式的结果可以有多个值。
多项分布的典型例⼦是掷骰⼦，6个点对应6个不同的数，每个点的概率都为16 与⼆项分布类似，多项分布来⾃于(p 1+p 2+⋯+p k )n 多项式的展开多项分布公式解析 以掷骰⼦为例，掷骰⼦的时候掷1−6的概率都为16，记作p 1−p 6，可以发现p 1+p 2+p 3+p 4+p 5+p 6=1，现在把p 1+p 2+p 3+p 4+p 5+p 6记作做⼀次抽样各种事件发⽣的概率和，即可得(p 1+p 2+p 3+p 4+p 5+p 6)n =1n 为n 次抽样所有事件相互组合对应的概率和，之后使⽤多项式展开(注：使⽤多项式定理展开，由于多项式定理不在本节提及范围内，不多赘述)，如果它不是掷骰⼦，⽽是⼀个有n 种可能的问题，会得到⼀个多项式展开的公式P (X 1=x 1,…,X k =x k )=n !x 1!⋯x k !(p x 1⋯p x k )when ∑k i =1x i =n0otherwise这个多项式表⽰X 1出现x 1次，X 2出现x 2次，…，X k 出现x k 次的出现概率，这样就得到了上述所⽰的多项分布的多项展开式公式。
