标签：常用 right frac begin 离散 分布 end array left
二项分布
二项分布就是重复 \(n\) 次独立的伯努利试验，在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变。即一枚硬币扔 \(n\) 次，扔出正面概率为 \(p\) ，得到 \(k\) 次正面的概率：
\[P(X=k)=\binom{n}{k}p^k(1-p)^{n-k},k=0,1,\cdots,n \]这个分布称为二项分布，记为 \(X\sim b(n,p)\) .
\(n=1\) 时的二项分布 \(b(1,p)\) 称为二点分布，或称0-1分布，或称伯努利分布，其分布列为
\[P(X=x)=p^{x}(1-p)^{1-x}, x=0,1. \]二项分布的数学期望和方差
设随机变量 \(X\sim b(n,p)\) ，则
\[\begin{aligned} E(X) &=\sum_{k=0}^{n} k\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k}=n p \sum_{k=1}^{n}\left(\begin{array}{l} n-1 \\ k-1 \end{array}\right) p^{k-1}(1-p)^{(n-1)-(k-1)} \\ &=n p[p+(1-p)]^{n-1}=n p \end{aligned} \]又因为
\[\begin{aligned} E\left(X^{2}\right) &=\sum_{k=0}^{n} k^{2}\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k}=\sum_{k=1}^{n}(k-1+1) k\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k} \\ &=\sum_{k=1}^{n} k(k-1)\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k}+\sum_{k=1}^{n} k\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k} \\ &=\sum_{k=2}^{n} k(k-1)\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k}+n p \\ &=n(n-1) p^{2} \sum_{k=2}^{n}\left(\begin{array}{l} n-2 \\ k-2 \end{array}\right) p^{k-2}(1-p)^{(n-2)-(k-2)}+n p \\ &=n(n-1) p^{2}+n p \end{aligned} \]由此得 \(X\) 的方差为
\[\operatorname{Var}(X)=E\left(X^{2}\right)-(E(X))^{2}=n(n-1) p^{2}+n p-(n p)^{2}=n p(1-p) \]泊松分布
泊松分布的概率分布列是
\[P(X=k)=\frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}, k=0,1,2, \cdots \]其中参数 \(\lambda>0\) ,记为 \(X\sim P(\lambda)\) .
泊松分布的数学期望和方差
设随机变量 \(X\sim P(\lambda)\) ,则
\[E(X)=\sum_{k=0}^{\infty} k \frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}=\lambda \mathrm{e}^{-\lambda} \sum_{k=1}^{\infty} \frac{\lambda^{k-1}}{(k-1) !}=\lambda \mathrm{e}^{-\lambda} \mathrm{e}^{\lambda}=\lambda \]又因为
\[\begin{aligned} E\left(X^{2}\right) &=\sum_{k=0}^{\infty} k^{2} \frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}=\sum_{k=1}^{\infty} k \frac{\lambda^{k}}{(k-1) !} \mathrm{e}^{-\lambda} \\ &=\sum_{k=1}^{\infty}[(k-1)+1] \frac{\lambda^{k}}{(k-1) !} \mathrm{e}^{-\lambda} \\ &=\lambda^{2} \mathrm{e}^{-\lambda} \sum_{k=2}^{\infty} \frac{\lambda^{k-2}}{(k-2) !}+\lambda \mathrm{e}^{-\lambda} \sum_{k=1}^{\infty} \frac{\lambda^{k-1}}{(k-1) !} \\ &=\lambda^{2}+\lambda \end{aligned} \]由此得 \(X\) 的方差为
\[\operatorname{Var}(X)=E\left(X^{2}\right)-(E(X))^{2}=\lambda^{2}+\lambda-\lambda^{2}=\lambda \]二项分布的泊松近似
(泊松定理) 在 \(n\) 重伯努利试验中,记事件 \(A\) 在一次试验中发生的概率为 \(p_n\) (与试验次数 \(n\) 有关),如果当 \(b\to\infty\) 时,有 \(np_n\to\lambda\) , 则
\[\lim _{n \rightarrow \infty}\left(\begin{array}{l} n \\ k \end{array}\right) p_{n}^{k}\left(1-p_{n}\right)^{n-k}=\frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda} \]证明： 记 \(np_n=\lambda_n\) , 可得
\[\begin{aligned} \left(\begin{array}{l} n \\ k \end{array}\right) p_{n}^{k}\left(1-p_{n}\right)^{n-k} &=\frac{n(n-1) \cdots(n-k+1)}{k !}\left(\frac{\lambda_{n}}{n}\right)^{k}\left(1-\frac{\lambda_{n}}{n}\right)^{n-k} \\ &=\frac{\lambda_{n}^{k}}{k !}\left(1-\frac{1}{n}\right)\left(1-\frac{2}{n}\right) \cdots\left(1-\frac{k-1}{n}\right)\left(1-\frac{\lambda_{n}}{n}\right)^{n-k} \end{aligned} \]对固定的 \(k\) 有
\[\lim _{n \rightarrow \infty} \lambda_{n}=\lambda \]\[\lim _{n \rightarrow \infty}\left(1-\frac{\lambda_{n}}{n}\right)^{n-k}=\mathrm{e}^{-\lambda} \]\[\lim _{n \rightarrow \infty}\left(1-\frac{1}{n}\right) \cdots\left(1-\frac{k-1}{n}\right)=1 \]从而
\[\lim _{n \rightarrow \infty}\left(\begin{array}{l} n \\ k \end{array}\right) p_{n}^{k}\left(1-p_{n}\right)^{n-k}=\frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda} \]对任意的 \(k=0,1,\cdots\) 成立.定理得证.
由于泊松定理是在条件 \(np_n\to\lambda\) 下得到的,故在计算二项分布 \(b(n,p)\) 时,当 \(n\) 很大, \(p\) 很小,而 \(\lambda=np\) 大小适中时,可以用泊松公式近似,即
\[\left(\begin{array}{l} n \\ k \end{array}\right) p_{n}^{k}\left(1-p_{n}\right)^{n-k} \approx \frac{(n p)^{k}}{k !} \mathrm{e}^{-n p}, k=0,1,2, \cdots \]通常当 \(n\geqslant20,p\leqslant0.05\) 时，就可以用泊松公式近似得计算。
超几何分布
从一个有限总体中进行不放回抽样常会遇到超几何分布.设有 \(N\) 件产品,其中有 \(M\) 件不合格品.若从中不放回地随机抽取 \(n\) 件,则其中含有的不合格品的件数 \(X\) 服从超几何分布,记为 \(X\sim h ( n,N ,M)\) .超几何分布的概率分布列为
\[P(X=k)=\frac{\left(\begin{array}{l} M \\ k \end{array}\right)\left(\begin{array}{l} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{l} N \\ n \end{array}\right)}, k=0,1, \cdots, r \]其中 \(r=\min(M,n)\) , 且 \(M\leqslant N,n\leqslant N,n,N,M\) 均为正整数.
超几何分布的数学期望和方差
若 \(X\sim h ( n,N ,M)\) ,则 \(X\) 的数学期望为
\[E(X)=\sum_{k=0}^{r} k \frac{\left(\begin{array}{c} M \\ k \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{l} N \\ n \end{array}\right)}=n \frac{M}{N} \sum_{k=1}^{r} \frac{\left(\begin{array}{c} M-1 \\ k-1 \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{c} N-1 \\ n-1 \end{array}\right)}=n \frac{M}{N} \]又因为
\[\begin{aligned} E\left(X^{2}\right) &=\sum_{k=1}^{r} k^{2} \frac{\left(\begin{array}{c} M \\ k \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{c} N \\ n \end{array}\right)}=\sum_{k=2}^{r} k(k-1) \frac{\left(\begin{array}{c} M \\ k \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{c} N \\ n \end{array}\right)}+n \frac{M}{N} \\ &=\frac{M(M-1)}{\left(\begin{array}{c} N \\ n \end{array}\right)} \sum_{k=2}^{r}\left(\begin{array}{c} M-2 \\ k-2 \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)+n \frac{M}{N} \\ &=\frac{M(M-1)}{\left(\begin{array}{l} N \\ n \end{array}\right)}\left(\begin{array}{c} N-2 \\ n-2 \end{array}\right)+n \frac{M}{N}=\frac{M(M-1) n(n-1)}{N(N-1)}+n \frac{M}{N} \end{aligned} \]由此得 \(X\) 的方差为
\[\operatorname{Var}(X)=E\left(X^{2}\right)-[E(X)]^{2}=\frac{n M(N-M)(N-n)}{N^{2}(N-1)} \]超几何分布的二项近似
当 \(n \ll N\) 时,即抽取个数 \(n\) 远小于产品总数 \(N\) 时,每次抽取后,总体中的不合格品率 \(p=M/N\) 改变甚微,所以不放回抽样可近似地看成放回抽样,这时超几何分布可用二项分布近似:
\[\frac{\left(\begin{array}{c} M \\ k \end{array}\right)\left(\begin{array}{c} N-M \\ n-k \end{array}\right)}{\left(\begin{array}{l} N \\ n \end{array}\right)} \cong\left(\begin{array}{l} n \\ k \end{array}\right) p^{k}(1-p)^{n-k} \]几何分布
在伯努利试验序列中,记每次试验中事件 \(A\) 发生的概率为 \(p\) ,如果 \(X\) 为事件 \(A\) 首次出现时的试验次数,则 \(X\) 的可能取值为 \(1 ,2,\cdots\),称 \(X\) 服从几何分布,记为 \(X\sim Ge(p)\),其分布列为
\[P(X=k)=(1-p)^{k-1} p, k=1,2, \cdots \]几何分布的数学期望和方差
设随机变量 \(X\) 服从几何分布 \(Ge(p)\),令 \(q=1-p\) ,利用逐项微分可得 \(X\) 的数学期望为
\[\begin{aligned} E(X) &=\sum_{k=1}^{\infty} k p q^{k-1}=p \sum_{k=1}^{\infty} k q^{k-1}=p \sum_{k=1}^{\infty} \frac{\mathrm{d} q^{k}}{\mathrm{~d} q} \\ &=p \frac{\mathrm{d}}{\mathrm{d} q}\left(\sum_{k=0}^{\infty} q^{k}\right)=p \frac{\mathrm{d}}{\mathrm{d} q}\left(\frac{1}{1-q}\right)=\frac{p}{(1-q)^{2}}=\frac{1}{p} \end{aligned} \]又因为
\[\begin{aligned} E\left(X^{2}\right) &=\sum_{k=1}^{\infty} k^{2} p q^{k-1}=p\left[\sum_{k=1}^{\infty} k(k-1) q^{k-1}+\sum_{k=1}^{\infty} k q^{k-1}\right] \\ &=p q \sum_{k=1}^{\infty} k(k-1) q^{k-2}+\frac{1}{p}=p q \sum_{k=1}^{\infty} \frac{\mathrm{d}^{2}}{\mathrm{~d} q^{2}} q^{k}+\frac{1}{p} \\ &=p q \frac{\mathrm{d}^{2}}{\mathrm{~d} q^{2}}\left(\sum_{k=0}^{\infty} q^{k}\right)+\frac{1}{p}=p q \frac{\mathrm{d}^{2}}{\mathrm{~d} q^{2}}\left(\frac{1}{1-q}\right)+\frac{1}{p} \\ &=p q \frac{2}{(1-q)^{3}}+\frac{1}{p}=\frac{2 q}{p^{2}}+\frac{1}{p} \end{aligned} \]由此得 \(X\) 的方差为
\[\operatorname{Var}(X)=E\left(X^{2}\right)-[E(X)]^{2}=\frac{2 q}{p^{2}}+\frac{1}{p}-\frac{1}{p^{2}}=\frac{1-p}{p^{2}} \]几何分布的无记忆性
设 \(X\sim Ge(p)\) ,则对任意正整数 \(m\) 与 \(n\) 有
\[P(X>m+n \mid X>m)=P(X>n) \]在证明之前先解释上述概率等式的含义.在一列伯努利试验序列中,若首次成功 \((A)\) 出现的试验次数 \(X\) 服从几何分布,则事件\(\{X>m\}\) 表示前 \(m\) 次试验中 \(A\) 没有出现.假如在接下去的 \(n\) 次试验中 \(A\) 仍未出现,这个事件记为 \(\{X>m+n\}\).这个定理表明:在前 \(m\) 次试验中 \(A\) 没有出现的条件下,则在接下去的 \(n\) 次试验中 \(A\) 仍未出现的概率只与 \(n\) 有关,而与以前的 \(m\) 次试验无关,似乎忘记了前 \(m\) 次试验结果,这就是无记忆性.
证明： 因为
\[P(X>n)=\sum_{k=n+1}^{\infty}(1-p)^{k-1} p=\frac{p(1-p)^{n}}{1-(1-p)}=(1-p)^{n} \]所以对任意正整数 \(m\) 与 \(n\) , 条件概率
\[\begin{align*} P(X>m+n \mid X>m)&=\frac{P(X>m+n)}{P(X>m)}=\frac{(1-p)^{m+n}}{(1-p)^{m}}\\ &=(1-p)^n=P(X>n) \end{align*} \]即证.
负二项分布
作为几何分布的一种延伸,我们注意下面的负二项分布,亦称巴斯卡分布:在伯努利试验序列中,记每次试验中事件 \(A\) 发生的概率为 \(p\) ,如果 \(X\) 为事件 \(A\) 第 \(r\) 次出现时的试验次数,则 \(X\) 的可能取值为 \(r,r+1,\cdots ,r+m, \cdots\) .称 \(X\) 服从负二项分布或巴斯卡分布,其分布列为
\[P(X=k)=\left(\begin{array}{l} k-1 \\ r-1 \end{array}\right) p^{r}(1-p)^{k-r}, k=r, r+1, \cdots \]记为 \(X\sim Nb(r,p)\) . 当 \(r=1\) 时,即为几何分布.
负二项分布的数学期望和方差
\[\begin{align} E(X) &=\sum_{k=r}^\infty k \left( \begin{matrix} k-1\\r-1 \end{matrix} \right) p^r(1-p)^{k-r} \\ &=\frac{r}{p}\sum_{k=r}^\infty \left( \begin{matrix} k\\r \end{matrix} \right) p^{r+1}(1-p)^{k-r}\\ &=\frac{r}{p} \end{align} \]\[\begin{align} E(X^2)&= \frac{r}{p}\sum_{k=r}^\infty k \left( \begin{matrix} k\\r \end{matrix} \right) p^{r+1}(1-p)^{k-r} \\&=\frac{r}{p} \left[\sum_{k=r}^\infty (k+1) \left( \begin{matrix} k\\r \end{matrix} \right) p^{r+1}(1-p)^{k-r} \\-\sum_{k=r}^\infty \left( \begin{matrix} k\\r \end{matrix} \right) p^{r+1}(1-p)^{k-r} \right] \\&=\frac{r}{p}\left(\frac{r+1}{p}-1 \right) \\&=\frac{r(r-p+1)}{p^2} \end{align} \]因此
\[\operatorname{Var}(X)=E(X^2)-[E(X)]^2=\frac{r(1-p)}{p^2} \]标签：常用,right,frac,begin,离散,分布,end,array,left 来源： https://www.cnblogs.com/deer2021/p/15603669.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。