离散型概率分布

补充知识

——wikipedia

伯努利试验

是只有两种可能结果(成功或失败)的单次随机试验,即对于一个随机变量X而言:

P(X=1)=p
P(X=0)=1-p

伯努利过程

  • 一系列独立同分布的伯努利试验,每个X_i的2个结果也被称为“成功”或“失败”。

  • 是一个由有限个或无限个的独立随机变量 X_1, X_2, X_3 ,...所组成的离散时间随机过程,其中 X_1, X_2, X_3 ,...满足如下条件:

  • 对每个i, X_i 等于 0 或 1;
  • 对每个i, X_i=1 的概率等于 p;

伯努利过程相关的随机变量有:

  • 只有一次伯努利试验发生服从伯努利分布
  • 前 n 个试验的成功次数服从二项分布
  • 要得到 r 次成功所需要的试验次数服从负二项分布
  • 要得到 1 次成功所需要的试验次数服从几何分布,这是负二项分布的一个特例。

伯努利分布

背景引入:

在实际中的案例结果往往只有两种结果(正、反)。例如:抛硬币、明天下不下雨、买彩票中奖与不中奖、疾病生存还是死亡、合格与不合格等等。这样的事件便是伯努利试验。

定义:

伯努利分布(Bernoulli distribution)又名两点分布0-1分布,是一个离散型概率分布,是最简单的离散型概率分布。若伯努利随机试验成功,则伯努利随机变量取1。若伯努利试验失败,则伯努利随机变量取值为0。记其成功概率为p,失败概率为q=1-p。

概率密度函数:

f(X=x)=p^x(1-p)^{1-x}= \begin{cases} p,x=1\\ q,x=0 \end{cases}

期望:

E(X)=\sum_{i=0}^{1}x_i f_X(x)
E(X)=0+p
E(X)=p

方差:

D(X)=\sum_{i=0}^{1}(x_i-E(X))^2f_X(x)
D(X)=(0-p)^2(1-p)+(1-p)^2p
D(X)=p(1-p)
D(X)=pq

二项分布

背景引入:

对同一个硬币扔10次,出现3次正面朝上的概率。扔硬币的过程便是一个伯努利过程,正面朝上次数的概率就是二项分布。

定义:

Binomial Distribution是n个独立的伯努利试验成功的次数的离散概率分布,其中每次试验的成功概率为p。实际上,当n = 1时,二项分布就是伯努利分布。二项分布是显著性差异的二项试验的基础。——wikipedia

概率质量函数:

如果随机变量X服从参数n和p为的二项分布,我们记X\sim B(n,p)n次试验中正好得到k次成功的概率由概率质量函数给出:

f(k,n,p)=P(X=k)=C_n^kp^k(1-p)^{n-k}
其中,C_n^k=\frac{n!}{k!(n-k)!}是二项式系数

  • 分布形状的变化规律:

二项分布是一个概率分布族,随着试验次数n和成功概率p的不同而不同,且它与正态分布关系密切

[图片上传失败...(image-72b122-1589359103816)]

"成功"概率p越接近0.5(也即"成功"概率与"失败"概率越接近),二项分布将越对称。且近似于均值为np、方差为npq的正态分布。——图中蓝色与绿色对比

对于任意"成功"概率p,无论其距离0.5有多远,随着试验次数n的增加,二项分布与均值为np、方差为npq的正态分布越来越接近。——图中绿色与红色对比

期望:

期望等于每次单独的伯努利试验的期望和
E(X)=np

方差:

方差等于每次单独的伯努利试验的方差和
D(X)=np(1-p)

几何分布

在n次伯努利试验中,试验k次才得到第一次成功的概率,也就是说:前k-1次都失败,第k次成功的概率。记为X\sim G(p)

概率质量函数:

P(X=k)=(1-p)^{k-1}p
[图片上传失败...(image-93f207-1589359103817)]

期望:

E(X)=\frac{1}{p}

方差:

E(X)=\frac{1-p}{p^2}

超几何分布

描述了由有限个物体中抽出n个物件,成功抽出指定种类的物件的个数(不放回抽取)。例如在有N个样本,其中K个是不及格,N-K个是及格的,超几何分布描述了在该N个样本中抽出n个,其中k个是不及格的概率。记为X\sim H(n,K,N)

若n=1,超几何分布还原为伯努利分布。

概率质量函数:

[图片上传失败...(image-dbc806-1589359103817)]

f(k;n,K,N)=\frac{C_K^kC_{N-K}^{n-k}}{C_N^n}

  • C_N^n表示所有在N个样本中抽出n个的方法数目;
  • C_K^k表示在K个样本中,抽出k个的方法数目,即组合数,又称为二项式系数。
  • C_{N-K}^{n-k}表示剩下来的样本都是及格的,而及格的样本有N-K个。

泊松分布

泊松分布适合于描述单位时间单位空间内随机事件发生的次数的概率分布。记为X\sim P(\lambda)

  • 如某一服务设施在一定时间内受到的服务请求的次数,
  • 电话交换机接到呼叫的次数、
  • 汽车站台的候客人数、
  • 机器出现的故障数、
  • 自然灾害发生的次数、
  • DNA序列的变异数、
  • 放射性原子核的衰变数、
  • 激光的光子数分布等等。

概率质量函数:

P(X=k)=\frac{e^{-\lambda} \lambda^k}{k!}
泊松分布的参数\lambda是单位时间或单位空间内随机事件的平均发生率

[图片上传失败...(image-41616c-1589359103817)]

横轴是索引k,发生次数。该函数只定义在k为整数的时候。

期望:

E(X)=\sum_{i=0}^{\infty}iP(X=i)
E(X)=\sum_{i=1}^{\infty}i\frac{e^{-\lambda} \lambda^i}{i!}
E(X)=\lambda e^{-\lambda}\sum_{i=1}^{\infty}\frac{\lambda^{i-1}}{(i-1)!}
E(X)=\lambda e^{-\lambda}\sum_{i=0}^{\infty}\frac{\lambda^{i}}{i!}
E(X)=\lambda e^{-\lambda}e^{\lambda}
E(X)=\lambda

方差:

E(X^2)=\sum_{i=0}^{\infty}i^2P(X=i)
E(X^2)=\sum_{i=0}^{\infty}i^2\frac{e^{-\lambda} \lambda^i}{i!}
E(X^2)=\lambda e^{-\lambda}\sum_{i=1}^{\infty}\frac{e^{-\lambda} \lambda^{i-1}}{(i-1)!}
利用泰勒展开式
E(X^2)=\lambda e^{-\lambda}(e^\lambda+\lambda e^\lambda)
E(X^2)=\lambda +\lambda^2
所以可以得到:
D(X)=E(X^2)-E(X)^2
D(X)=\lambda+\lambda^2-\lambda^2
D(X)=\lambda

泊松定理

在二项分布的伯努利试验中,如果试验次数n很大,二项分布的概率p很小,且乘积λ= np比较适中,则事件出现的次数的概率可以用泊松分布来逼近。

事实上,二项分布可以看作泊松分布在离散时间上的对应物。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,293评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,604评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,958评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,729评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,719评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,630评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,000评论 3 397
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,665评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,909评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,646评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,726评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,400评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,986评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,959评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,996评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,481评论 2 342