精华内容
下载资源
问答
  • 常用分布

    2016-12-25 10:21:47
    常用分布之二项分布 典型例题 常用分布之泊松分布 Poisson分布 典型例题 常用分布之均匀分布 均匀分布 典型例题 常用分布之指数分布 指数分布 ...

    常用分布之二项分布

    这里写图片描述
    典型例题
    这里写图片描述

    常用分布之泊松分布

    Poisson分布
    这里写图片描述
    典型例题
    这里写图片描述

    常用分布之均匀分布

    均匀分布
    这里写图片描述
    典型例题
    这里写图片描述

    常用分布之指数分布

    指数分布
    这里写图片描述
    典型例题
    这里写图片描述

    常用分布之正态分布

    正态分布N(0,1)
    这里写图片描述
    标准正态分布
    这里写图片描述
    典型例题
    这里写图片描述

    展开全文
  • 常用分布函数

    万次阅读 2019-07-11 23:57:16
    0-1分布 设随机变量X只可能取0与1两个值,分布律为 则称X服从以p为参数的0-1分布 即 X 0 1 P 1-p p 用于描述: 对新生儿性别进行登记;...

    0-1分布

    设随机变量X只可能取0与1两个值,分布律为

    则称X服从以p为参数的0-1分布

    X

    0

    1

    P

    1-p

    p

     

    用于描述:

           对新生儿性别进行登记;检查产品质量是否合格;某车间的电力消耗是否超负荷

    二项分布

    设随机变量X只可能取0和1两个值,记: P(X=1)=p, P(X=0)=1-p,将该实验重复独立地进行n次,设X=1的次数为k,则

    用于描述:

            对病人治疗结果的有效与无效,某种化验结果的阳性与阴性,接触某传染源的感染与未感染

    二项分布(binomial distribution)就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布

    Matlab

     

     

    泊松分布

    设随机变量X的所有可能取值为0,1,2,3,…,而取各个值的概率为

    其中λ>0是常数,则称X服从参数为λ的泊松分布,记做 X ~ π(λ)

    用于描述:

            泊松分布适合于描述单位时间(或空间)内随机事件发生的次数

    一本书一页中的印刷错误数;某地区一天内邮递遗失的信件数;某医院一天内的急诊病人数;某一地区一个时间间隔内发生交通事故的次数;在一个时间间隔内某种放射性物质发出的,经过计数器的粒子个数等。

    Matlab

    二项式分布与泊松分布的关系

    均匀分布

    若连续型随机变量X具有概率密度

    则称X在区间[a,b]上服从均匀分布,记做X ~ U(a,b)

    指数分布

    若连续型随机变量X的概率密度为:

    则称X服从参数λ的指数分布.其中λ > 0是分布的一个参数,常被称为率参数(rate parameter)。λ表示每单位时间内发生某事件的次数

    用于描述:

            指数分布可以用来表示独立随机事件发生的时间间隔。比如旅客进机场的时间间隔、中文维基百科新条目出现的时间间隔;许多电子产品的寿命分布一般服从指数分布。有的系统的寿命分布也可用指数分布来近似

    Matlab

    正态分布

    若连续性随机变量X的概率密度为:

    则称X为正态分布函数

    用于描述:

            在生产条件不变的情况下,产品的强力、抗压强度、口径、长度等指标;同一种生物体的身长、体重等指标;同一种种子的重量;测量同一物体的误差;弹着点沿某一方向的偏差;某个地区的年降水量;以及理想气体分子的速度分量,等等.

    Matlab

    展开全文
  • 概率方面的库函数主要有各种常见分布分布函数、概率密度、分布率以及生成服从各种分布随机数的函数.统计方面的库函数含盖了简单随机样本下常见的参数估计(点估计、区间估计),假设检验.此外还含有大量涉及实验...
  • 概率论常用分布

    万次阅读 多人点赞 2018-09-14 14:18:55
    概率论常用分布 伯努利分布 二项分布 几何分布 泊松分布 beta分布 均匀分布 指数分布 正态分布 卡方分布

    概率论常用分布

    • 伯努利分布
    • 二项分布
    • 几何分布
    • 泊松分布
    • beta分布
    • 均匀分布
    • 指数分布
    • 正态分布
    • 卡方分布

    这里写图片描述

    这里写图片描述

    展开全文
  • 4.1.1 数学期望(常用分布的期望).ppt
  • 统计学常用分布与分位数.doc
  • 统计学常用分布及分位数.doc
  • 六大常用分布的矩估计和最大似然估计推导过程

    万次阅读 多人点赞 2020-09-28 14:00:47
    数学期望常称为“均值”,即“随机变量取值的平均值”之意,这个平均是以概率为权的平均,不是通常意义上的(总数)/(个数),数学期望由随机变量的分布完全决定。 Xˉ=1n∑i=1nxi \bar{X}=\frac{1}{n}\sum_{i=1}^nx_i X...

    矩估计和极大似然估计

    矩估计基于辛钦大数定律:

    当样本的容量足够大时,样本k阶距(A_k)收敛域总体k阶距(a_k)

    样本的平均值去估计总体的均值(期望)

    期望和均值

    数学期望常称为“均值”,即“随机变量取值的平均值”之意,这个平均是以概率为权的平均,不是通常意义上的(总数)/(个数),数学期望由随机变量的分布完全决定。
    X ˉ = 1 n ∑ i = 1 n x i \bar{X}=\frac{1}{n}\sum_{i=1}^nx_i Xˉ=n1i=1nxi
    (1)式,其实是平均值(期望是均值),对其求期望其实就是一个加权的过程,所以无论是哪种分布,都是E(x)=μ,而非X平均值=μ

    方差:衡量一组数据离散程度的度量
    S 2 = 1 n ∑ i = 1 n ( X − μ ) 2 S^2=\frac{1}{n}\sum_{i=1}^n(X-\mu)^2 S2=n1i=1n(Xμ)2
    误差分析:

    • 因为X取得是样本,所以X的取值存在误差
    • 因为我们事先是不知道是什么分布的,所以μ是不知道的,使用均值替代的话,也会出现误差

    方差和修正方差的来源及其证明
    S 2 = 1 n ∑ i = 1 n ( x i − X ˉ ) 2 S 2 = 1 n ∑ i = 1 n [ ( x i − μ ) − ( X ˉ − μ ) ] 2 S 2 = 1 n ∑ i = 1 n [ ( x i − μ ) 2 − 2 ( x i − μ ) ( X ˉ − μ ) + ( X ˉ − μ ) 2 ] S 2 = 1 n ∑ i = 1 n ( x i − μ ) 2 − 2 n ∑ i = 1 n ( x i − μ ) ( X ˉ − μ ) + ( X ˉ − μ ) 2 S 2 = 1 n ∑ i = 1 n ( x i − μ ) 2 − ( X ˉ − μ ) 2 E ( S 2 ) = E ( 1 n ∑ i = 1 n ( x i − μ ) 2 − ( X ˉ − μ ) 2 ) = σ 2 − E ( ( X ˉ − μ ) 2 ) E ( ( X ˉ − μ ) 2 ) = E ( X ˉ 2 − 2 μ X ˉ + μ 2 ) = E ( X ˉ 2 ) − E ( X ˉ ) 2 = D ( X ) = σ 2 n E ( S 2 ) = σ 2 − σ 2 n = n − 1 n σ 2 S^2=\frac{1}{n}\sum_{i=1}^n(x_i-\bar{X})^2\\ S^2=\frac{1}{n}\sum_{i=1}^n[(x_i-\mu)-(\bar{X}-\mu)]^2\\ S^2=\frac{1}{n}\sum_{i=1}^n[(x_i-\mu)^2-2(x_i-\mu)(\bar{X}-\mu)+(\bar{X}-\mu)^2]\\ S^2=\frac{1}{n}\sum_{i=1}^n(x_i-\mu)^2-\frac{2}{n}\sum_{i=1}^{n}(x_i-\mu)(\bar{X}-\mu)+(\bar{X}-\mu)^2\\ S^2=\frac{1}{n}\sum_{i=1}^n(x_i-\mu)^2-(\bar{X}-\mu)^2\\ E(S^2)=E(\frac{1}{n}\sum_{i=1}^n(x_i-\mu)^2-(\bar{X}-\mu)^2)=\sigma^2-E((\bar{X}-\mu)^2)\\ E((\bar{X}-\mu)^2)=E(\bar{X}^2-2\mu\bar{X}+\mu^2)=E(\bar{X}^2)-E(\bar{X})^2=D(X)=\frac{\sigma^2}{n}\\ E(S^2)=\sigma^2-\frac{\sigma^2}{n}=\frac{n-1}{n}\sigma^2\\ S2=n1i=1n(xiXˉ)2S2=n1i=1n[(xiμ)(Xˉμ)]2S2=n1i=1n[(xiμ)22(xiμ)(Xˉμ)+(Xˉμ)2]S2=n1i=1n(xiμ)2n2i=1n(xiμ)(Xˉμ)+(Xˉμ)2S2=n1i=1n(xiμ)2(Xˉμ)2E(S2)=E(n1i=1n(xiμ)2(Xˉμ)2)=σ2E((Xˉμ)2)E((Xˉμ)2)=E(Xˉ22μXˉ+μ2)=E(Xˉ2)E(Xˉ)2=D(X)=nσ2E(S2)=σ2nσ2=nn1σ2
    由上可知S^2σ^2是有微小差距的,所以对此做修正,得到的方差就是修正方差
    E ( n n − 1 S 2 ) = n n − 1 n − 1 n σ 2 = σ 2 n n − 1 S 2 = n n − 1 1 n ∑ i = 1 n ( x i − X ˉ ) 2 = 1 n − 1 ∑ i = 1 n ( x i − X ˉ ) 2 ( S ∗ ) 2 = 1 n − 1 ∑ i = 1 n ( x i − X ˉ ) 2 E(\frac{n}{n-1}S^2)=\frac{n}{n-1}\frac{n-1}{n}\sigma^2=\sigma^2\\ \frac{n}{n-1}S^2=\frac{n}{n-1}\frac{1}{n}\sum_{i=1}^n(x_i-\bar{X})^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\bar{X})^2\\ (S^*)^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\bar{X})^2 E(n1nS2)=n1nnn1σ2=σ2n1nS2=n1nn1i=1n(xiXˉ)2=n11i=1n(xiXˉ)2(S)2=n11i=1n(xiXˉ)2
    本质:使用样本原点距去估计总体原点距的一种方法(用样本量估计总体量)


    估计均值
    E ( X ˉ ) = E ( 1 n ∑ i = 1 n x i ) = 1 n ∑ i = 1 n E ( x i ) = 1 n n μ = μ E(\bar X)=E(\frac{1}{n}\sum_{i=1}^nx_i)=\frac{1}{n}\sum_{i=1}^nE(x_i)=\frac{1}{n}n\mu=\mu E(Xˉ)=E(n1i=1nxi)=n1i=1nE(xi)=n1nμ=μ

    u ^ = X ˉ = 1 n ∑ i = 1 n x i \hat{u}=\bar{X}=\frac{1}{n}\sum_{i=1}^nx_i u^=Xˉ=n1i=1nxi

    估计方差
    σ 2 = a 2 − a 1 2 = 1 n ∑ i = 1 n x i 2 − X ˉ 2 = 1 n ∑ i = 1 n ( x i − X ˉ ) 2 = S 2 \sigma^2=a_2-a_1^2=\frac{1}{n}\sum_{i=1}^nx_i^2-\bar{X}^2=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{X})^2=S^2 σ2=a2a12=n1i=1nxi2Xˉ2=n1i=1n(xiXˉ)2=S2

    σ ^ 2 = S 2 \hat{\sigma}^2=S^2 σ^2=S2


    0-1分布:只有一个未知参数,所以也只能估P的值

    X01
    P1-pp

    p ( x = x i ) = ( 1 − p ) 1 − x i p x i p(x=x_i)=(1-p)^{1-x_i}p^{x_i} p(x=xi)=(1p)1xipxi

    矩估计:
    E ( X ˉ ) = E ( 1 n ∑ i = 1 n x i ) = 1 n ∑ i = 1 n E ( x i ) = 1 n n p = p E(\bar{X})=E(\frac{1}{n}\sum_{i=1}^nx_i)=\frac{1}{n}\sum_{i=1}^nE(x_i)=\frac{1}{n}np=p E(Xˉ)=E(n1i=1nxi)=n1i=1nE(xi)=n1np=p

    p ^ = X ˉ = 1 n ∑ i = 1 n x i \hat{p}=\bar{X}=\frac{1}{n}\sum_{i=1}^{n}x_i p^=Xˉ=n1i=1nxi

    最大似然估计
    L ( p ) = ( 1 − p ) ∑ x i = 1 n ( 1 − x i ) p ∑ x i = 1 n x i L(p)=(1-p)^{\sum_{x_i=1}^n(1-x_i)}p^{\sum_{x_i=1}^n{x_i}} L(p)=(1p)xi=1n(1xi)pxi=1nxi

    l n L ( p ) = ∑ x i = 1 n ( 1 − x i ) l n ( 1 − p ) + ∑ x i = 1 n x i l n p lnL(p)=\sum_{x_i=1}^n(1-x_i)ln(1-p)+\sum_{x_i=1}^n{x_i}lnp lnL(p)=xi=1n(1xi)ln(1p)+xi=1nxilnp

    令 : ∂ l n L ( p ) ∂ p = − ∑ x i = 1 n ( 1 − x i ) 1 − p + ∑ x i = 1 n x i p = 0 令:\frac{\partial{lnL(p)}}{\partial{p}}=-\frac{\sum_{x_i=1}^n(1-x_i)}{1-p}+\frac{\sum_{x_i=1}^n{x_i}}{p}=0 plnL(p)=1pxi=1n(1xi)+pxi=1nxi=0

    p ^ = X ˉ = 1 n ∑ i = 1 n x i \hat{p}=\bar{X}=\frac{1}{n}\sum_{i=1}^{n}x_i p^=Xˉ=n1i=1nxi

    注:估计的P,其实表示的就是在n次试验下,出现1的次数的概率


    泊松分布
    P ( x = x i ) = λ x i e − λ x i ! P(x=x_i)=\frac{\lambda^{x_i}e^{-\lambda}}{x_i!} P(x=xi)=xi!λxieλ
    矩估计
    E ( X ˉ ) = E ( 1 n ∑ i = 1 n x i ) = 1 n ∑ i = 1 n E ( x i ) = 1 n n λ = λ E(\bar{X})=E(\frac{1}{n}\sum_{i=1}^{n}x_i)=\frac{1}{n}\sum_{i=1}^{n}E(x_i)=\frac{1}{n}n\lambda=\lambda E(Xˉ)=E(n1i=1nxi)=n1i=1nE(xi)=n1nλ=λ

    λ ^ = X ˉ = 1 n ∑ i = 1 n x i \hat{\lambda}=\bar{X}=\frac{1}{n}\sum_{i=1}^{n}x_i λ^=Xˉ=n1i=1nxi

    注:E(x_i)=入的证明过程,其中使用到了泰勒公式进行变换
    E ( X ) = ∑ i = 1 ∞ x i P ( x = x i ) = ∑ i = 1 ∞ x i λ x i e − λ x i ! = λ e − λ ∑ i = 1 ∞ λ x i − 1 ( x i − 1 ) ! = λ e − λ e λ = λ E(X)=\sum_{i=1}^\infty x_iP(x=x_i)=\sum_{i=1}^\infty x_i\frac{\lambda^{x_i}e^{-\lambda}}{x_i!}=\lambda e^{-\lambda}\sum_{i=1}^\infty \frac{\lambda ^{x_i-1}}{(x_i-1)!}=\lambda e^{-\lambda}e^{\lambda}=\lambda E(X)=i=1xiP(x=xi)=i=1xixi!λxieλ=λeλi=1(xi1)!λxi1=λeλeλ=λ
    最大似然估计
    L ( λ ) = λ ∑ i = 1 n x i e − n λ ∏ i = 1 n x i ! L(\lambda)=\frac{\lambda^{\sum_{i=1}^{n}x_i}e^{-n\lambda}}{\prod_{i=1}^{n}x_i!} L(λ)=i=1nxi!λi=1nxienλ

    l n L ( λ ) = ∑ i = 1 n x i l n ( λ ) − n λ − l n ( ∏ i = 1 n x i ! ) lnL(\lambda)=\sum_{i=1}^{n}x_iln(\lambda)-n\lambda-ln(\prod_{i=1}^nx_i!) lnL(λ)=i=1nxiln(λ)nλln(i=1nxi!)

    令 : ∂ l n L ( λ ) ∂ λ = ∑ i = 1 n x i λ − n = 0 令: \frac{\partial{lnL(\lambda)}}{\partial\lambda}=\frac{\sum_{i=1}^{n}x_i}{\lambda}-n=0 λlnL(λ)=λi=1nxin=0

    可 得 : λ ^ = X ˉ = 1 n ∑ i = 1 n x i 可得:\hat{\lambda}=\bar{X}=\frac{1}{n}\sum_{i=1}^{n}x_i :λ^=Xˉ=n1i=1nxi


    均匀分布
    f ( x ) = { 1 b − a a < x < b 0 其 他 f(x)=\begin{cases}\frac{1}{b-a}\quad a<x<b\\0\quad\quad其他\end{cases} f(x)={ba1a<x<b0

    注:这里有两个参数,分别是a和b,故需要至少列两个参数才能得到解

    矩估计
    E ( X ) = ∫ a b x f ( x ) d x = ∫ a b x b − a d x = 1 2 ( b + a ) = X ˉ σ 2 = 1 n ∑ i = 1 n ( x i − X ˉ ) 2 = S 2 ( 下 式 原 理 ) 1 b − a ∫ a b ( x − X ˉ ) 2 d x = 1 b − a ∫ a b ( x − 1 2 ( b + a ) ) 2 d x = 1 12 ( b − a ) 2 = S 2 解 得 : { b ^ = X ˉ + 3 S a ^ = X ˉ − 3 S E(X)=\int_{a}^{b}xf(x)dx=\int_{a}^{b}\frac{x}{b-a}dx=\frac{1}{2}(b+a)=\bar{X}\\ \sigma^2=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{X})^2=S^2(下式原理)\\ \frac{1}{b-a}\int_{a}^{b}(x-\bar{X})^2dx=\frac{1}{b-a}\int_{a}^{b}(x-\frac{1}{2}(b+a))^2dx=\frac{1}{12}(b-a)^2=S^2\\ 解得:\begin{cases}^{\hat{a}=\bar{X}-\sqrt{3}S}_{\hat{b}=\bar{X}+\sqrt{3}S}\end{cases} E(X)=abxf(x)dx=abbaxdx=21(b+a)=Xˉσ2=n1i=1n(xiXˉ)2=S2()ba1ab(xXˉ)2dx=ba1ab(x21(b+a))2dx=121(ba)2=S2{b^=Xˉ+3 Sa^=Xˉ3 S
    最大似然估计

    常规的,列最大似然函数,然后求导令为零是求不出估计值。


    指数分布

    特点:无记忆性,可以用于描述机器寿命。
    f ( x ) = { 0 其 他 λ e − λ x x > 0 f(x)=\begin{cases}^{\lambda e^{-\lambda x}\quad x>0}_{0\quad\quad 其他}\end{cases} f(x)={0λeλxx>0
    矩估计:
    E ( X ) = ∫ 0 + ∞ λ x e − λ x d x = 1 λ = X ˉ λ ^ = 1 X ˉ E(X)=\int_0^{+\infty}\lambda xe^{-\lambda x}dx=\frac{1}{\lambda}=\bar{X}\\ \hat{\lambda}=\frac{1}{\bar{X}} E(X)=0+λxeλxdx=λ1=Xˉλ^=Xˉ1
    极大似然估计
    L ( λ ) = λ n e − λ ∑ i = 1 n x i l n L ( λ ) = n l n λ − λ ∑ i = 1 n x i 令 : ∂ ( l n L ( λ ) ) ∂ λ = n λ − ∑ i = 1 n x i = 0 λ ^ = n ∑ i = 1 n 1 x i = 1 X ˉ L(\lambda)=\lambda^ne^{-\lambda \sum_{i=1}^nx_i}\\ lnL(\lambda)=nln\lambda-\lambda\sum_{i=1}^nx_i\\ 令:\frac{\partial({lnL(\lambda)})}{\partial\lambda}=\frac{n}{\lambda}-\sum_{i=1}^{n}x_i=0\\ \hat{\lambda}=n\sum_{i=1}^n\frac{1}{x_i}=\frac{1}{\bar{X}} L(λ)=λneλi=1nxilnL(λ)=nlnλλi=1nxiλ(lnL(λ))=λni=1nxi=0λ^=ni=1nxi1=Xˉ1


    正态分布
    f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x)=2π σ1e2σ2(xμ)2
    X~N(μ,σ^2)
    { σ ^ = S μ ^ = X ˉ \begin{cases}^{\hat{\mu}=\bar{X}}_{\hat{\sigma}=S}\end{cases} {σ^=Sμ^=Xˉ


    写笔记难免有错误,烦请指正!如有疑问可加QQ:1372931501

    展开全文
  • 六个常用分布的数学期望和方差PPT课件.pptx
  • 概率论中的六种常用分布

    万次阅读 2018-09-29 17:54:38
    版权声明:本文为博主原创文章,欢迎转载,请标明出处。... 每天学习一点点: ...概率论中的六种常用分布,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。 ...
  • 9.7 python模拟常用分布

    万次阅读 2017-09-16 22:45:58
    本章用Python统计模拟的方法,介绍四种常用的统计分布,包括离散分布:二项分布和泊松分布,以及连续分布:指数分布和正态分布,最后查看人群的身高和体重数据所符合的分布。 首先导入python相关模块:import ...
  • 实现了0~1 均匀分布抽样, 实现标准正态分布抽样 实现是三角分布抽样, 实现均匀分布抽样 实现指数分布抽样, 实现尔朗分布抽样, 实现泊松分布抽样, 实现韦布尔分布和伽马分布抽样 见实验代码WeibullDistribution....
  • MATLAB绘制常用分布密度函数图

    千次阅读 2019-10-08 20:18:35
    %密度函数 x1=-1:0.01:4; y1=unifpdf(x1,0,3); %均匀分布 x2=-5:0.001:5; y2=normpdf(x2,0,1); %正态分布 x3=0:0.001:10; y3=exppdf(x3,3); %指数分布 x4=-5:0.01:25; y4=binopdf(x4,100...
  • 随机过程及常用分布

    2014-03-17 10:08:35
    讲述了随机过程在排队论中的应用,及常见的分布和处理方法
  • 机器学习中的常用分布

    千次阅读 2015-03-31 11:35:42
    总结一下机器学习中的几个常见概率分布和共轭先验的概念!
  • Stata: 快速呈现常用分布临界值表

    千次阅读 2018-10-29 09:08:48
    编者按: 这是 UCLA 数字研究与教育研究所介绍的一个教学工具资源,该命令的作用是对几个常用分布的临界值表进行窗口显示。这篇推文帮助我们在教学和学习工作中更快速和便捷的获取临界值表,提高授课和学习效率。 ...
  • 015 t分布、卡方分布、F分布习题及正态总体下常用分布
  • 常用概率分布

    2018-12-27 17:13:18
    本文主要介绍了常用的概率分布,包括他们的定义公式和图像
  • 常用的统计学分布总结

    千次阅读 2019-09-30 18:35:53
    1.伯努利分布(又称之为二点分布或者0-1分布) 伯努利分布(Bernoulli Distribution),是一种离散分布,又称为 “0-1 分布” 或 “两点分布”。例如抛硬币的正面或反面,物品有缺陷或没缺陷,病人康复或未康复,...
  • 4.1常用分布的概率函数图

    千次阅读 2015-10-26 22:50:08
    §4.1常用分布的概率函数图 二项分布n=20,p=0.2 k plot(k,dbinom(k,n,p),type='h', main='Binomial distribution,n=20,p=0.2',xlab='k') 泊松分布 lambda k plot(k,dpois(k,lambda),type='h', main='...
  • 二维常用分布

    千次阅读 2016-12-26 15:59:44
    二维正态分布 二维正态分布的性质
  • 有一个讲的很好的博客: https://www.cnblogs.com/think-and-do/p/6509239.html
  • 1-3、常用概率分布与随机数生成

    千次阅读 2017-09-03 16:03:47
    一、常用概率分布与服从该分布的事件举例。 在实际生活中,有一些事情的发生遵循某些概率分布。因此可以用某些概率分布模型来刻画某些事件。本节简单介绍了一些概率论基础里的概率分布,与可用其刻画的一些事件。...
  • 注:本文针对常用的连续分布:正态分布、均匀分布、指数分布、伽马分布、卡方分布与贝塔分布作了大致的介绍,需要记住它们的参数、数学期望与方差、以及密度函数,一个分布就是一个概率模型。 目录 各种分布之间...
  • 总结一下概统用到的各种分布,以及其期望和方差。
  • alpha默认设定为0.05 [mu,muci]= expfit(x,alpha) 指数分布的极大似然估计,返回显著性水平alpha下的置信区间muci,x是样本(数组或矩阵),alpha默认设定为0.05 [a,b,aci,bci] = unifig(x,alpha) 均匀分布的极大似然...
  • 每一个单变量的分布都是以下三个类的子类的实例: 类 说明 rv_continuous 用于子类化的通用连续随机变量类 rv_discrete 用于子类化的通用离散随机变量类 rv_histogram 生成由直方图给
  • 常用随机变量及其概率分布

    万次阅读 2017-05-20 10:20:40
    一、常用的离散型随机变量及其概率分布 1、(0-1)分布(伯努利分布(Bernoulli distribution)、两点分布) 如果随机变量X 只可能取0与1两个值,其概率分布为: 或写成 则称随机变量X 服从(0-1)分布或...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 249,434
精华内容 99,773
关键字:

常用分布