概率分布函数各种类型

Click on a distribution for the parameterization of that distribution. Click on an arrow for details on the relationship represented by the arrow. Other diagrams on this site:

The chart above is adapted from the chart originally published by Lawrence Leemis in 1986 (Relationships Among Common Univariate Distributions, American Statistician 40:143-146.) Leemis published a larger chart in 2008 which is available online.

The precise relationships between distributions depend on parameterization. The relationships detailed below depend on the following parameterizations for the PDFs.

Let C(n, k) denote the binomial coefficient(n, k) and B(a, b) = Γ(a) Γ(b) / Γ(a + b).

Geometric: f(x) = p (1-p)x for non-negative integers x.

Discrete uniform: f(x) = 1/n for x = 1, 2, ..., n.

Negative binomial: f(x) = C(r + x - 1, x) p r(1-p)x for non-negative integers x. See notes on the negative binomial distribution.

Beta binomial: f(x) = C(n, x) B(α + x, n + β - x) / B(α, β) for x = 0, 1, ..., n. Hypergeometric: f(x) = C(M, x) C(N-M, K - x) / C(N, K) for x = 0, 1, ..., N. Poisson: f(x) = exp(-λ) λx/ x! for non-negative integers x. The parameter λ is both the mean and the variance.

Binomial: f(x) = C(n, x) p x(1 - p)n-x for x = 0, 1, ..., n.

Bernoulli: f(x) = p x(1 - p)1-x where x = 0 or 1.

Lognormal: f(x) = (2πσ2)-1/2 exp( -(log(x) - μ)2/ 2σ2) / x for positive x. Note that μ and σ2are not the mean and variance of the distribution.

Normal : f(x) = (2π σ2)-1/2 exp( - ?((x - μ)/σ)2 ) for all x.

Beta: f(x) = Γ(α + β) xα-1(1 - x)β-1/ (Γ(α) Γ(β)) for 0 ≤ x ≤ 1.

Standard normal: f(x) = (2π)-1/2 exp( -x2/2) for all x.

Chi-squared: f(x) = x-ν/2-1 exp(-x/2) / Γ(ν/2) 2ν/2for positive x. The parameter ν is called the degrees of freedom.

Gamma: f(x) = β-α xα-1 exp(-x/β) / Γ(α) for positive x. The parameter α is called the shape and β is the scal e.

Uniform: f(x) = 1 for 0 ≤ x ≤ 1.

Cauchy: f(x) = σ/(π( (x - μ)2+ σ2) ) for all x. Note that μ and σ are location and scale parameters. The Cauchy distribution has no mean or variance. Snedecor F: f(x) is proportional to x(ν1 - 2)/2/ (1 + (ν1/ν2) x)(ν1 + ν2)/2 for positive x. Exponential: f(x) = exp(-x/μ)/μ for positive x. The parameter μ is the mean.

Student t: f(x) is proportional to (1 + (x2/ν))-(ν + 1)/2 for positive x. The parameter ν is called the degrees of freedom.

Weibull: f(x) = (γ/β) xγ-1 exp(- xγ/β) for positive x. The parameter γ is the shape and β is the scale.

Double exponential : f(x) = exp(-|x-μ|/σ) / 2σ for all x. The parameter μ is the location and mean; σ is the scale.

For comparison, see distribution parameterizations in R/S-PLUS and Mathematica.

In all statements about two random variables, the random variables are implicitly independent.

Geometric / negative binomial: If each X i is geometric random variable with probability of success p then the sum of n X i's is a negative binomial random variable with parameters n and p.

Negative binomial / geometric: A negative binomial distribution with r = 1 is a geometric distribution.

Negative binomial / Poisson: If X has a negative binomial random variable with r large, p near 1, and r(1-p) = λ, then F X≈ F Y where Y is a Poisson random variable with mean λ.

Beta-binomial / discrete uniform: A beta-binomial (n, 1, 1) random variable is a discrete uniform random variable over the values 0 ... n.

Beta-binomial / binomial: Let X be a beta-binomial random variable with parameters (n, α, β). Let p = α/(α + β) and suppose α + β is large. If Y is a binomial(n, p) random variable then F X≈ F Y.

Hypergeometric / binomial: The difference between a hypergeometric distribution and a binomial distribution is the difference between sampling without replacement and sampling with replacement. As the population size increases relative to the sample size, the difference becomes negligible. Geometric / geometric: If X1 and X2 are geometric random variables with probability of success p1 and p2 respectively, then min(X1, X2) is a geometric random variable with probability of success p = p1 + p2 - p1 p2. The relationship is simpler in terms of failure probabilities: q = q1 q2.

Poisson / Poisson: If X1 and X2are Poisson random variables with means μ1 and μ2respectively, then X1 + X2is a Poisson random variable with mean μ1 + μ2.

Binomial / Poisson: If X is a binomial(n, p) random variable and Y is a Poisson(np) distribution then P(X = n) ≈ P(Y = n) if n is large and np is small. For more information, see Poisson approximation to binomial.

Binomial / Bernoulli: If X is a binomial(n, p) random variable with n = 1, X is a Bernoulli(p) random variable.

Bernoulli / Binomial: The sum of n Bernoulli(p) random variables is a binomial(n, p) random variable.

Poisson / normal: If X is a Poisson random variable with large mean and Y is a normal distribution with the same mean and variance as X, then for integers j and k, P(j ≤ X ≤ k) ≈ P(j - 1/2 ≤ Y ≤ k + 1/2). For more information, see normal approximation to Poisson.

Binomial / normal: If X is a binomial(n, p) random variable and Y is a normal random variable with the same mean and variance as X, i.e. np and np(1-p), then for integers j and k, P(j ≤ X ≤ k) ≈ P(j - 1/2 ≤ Y ≤ k + 1/2). The

approximation is better when p ≈ 0.5 and when n is large. For more information, see normal approximation to binomial.

Lognormal / lognormal: If X1 and X2 are lognormal random variables with parameters (μ1, σ12) and (μ2, σ22) respectively, then X1 X2 is a lognormal random variable with parameters (μ1+ μ2, σ12+ σ22).

Normal / lognormal: If X is a normal (μ, σ2) random variable then e X is a lognormal (μ, σ2) random variable. Conversely, if X is a lognormal (μ, σ2) random variable then log X is a normal (μ, σ2) random variable.

Beta / normal: If X is a beta random varia ble with parameters α and β equal and large, F X≈ F Y where Y is a normal random variable with the same mean and variance as X, i.e. mean α/(α + β) and variance αβ/((α+β)2(α + β + 1)). For more information, see normal approximation to beta.

Normal / standard normal: If X is a normal(μ, σ2) random variable then (X - μ)/σ is a standard normal random variable. Conversely, If X is a normal(0,1) random variable then σ X + μ is a normal (μ, σ2) random variable.

Normal / normal: If X1is a normal (μ1, σ12) random variable and X2 is a normal (μ2, σ22) random variable, then X1 + X2is a normal (μ1+ μ2, σ12+ σ22) random variable.

Gamma / normal: If X is a gamma(α, β) random variable and Y is a normal random variable with the same mean and variance as X, then F X≈ F Y if the shape parameter α is large relative to the scale parameter β. For more information, see normal approximation to gamma.

Gamma / beta: If X1 is gamma(α1, 1) random variable and X2is a gamma (α2, 1) random variable then X1/(X1 + X2) is a beta(α1, α2) random variable. More generally, if X1is gamma(α1, β1) random variable and X2is gamma(α2, β2) random variable then β2 X1/(β2 X1+ β1 X2) is a beta(α1, α2) random variable. Beta / uniform: A beta random variable with parameters α = β = 1 is a uniform random variable.

Chi-squared / chi-squared: If X1 and X2 are chi-squared random variables with ν1and ν2 degrees of freedom respectively, then X1 + X2 is a chi-squared random variable with ν1+ ν2 degrees of freedom.

Standard normal / chi-squared: The square of a standard normal random variable has a chi-squared distribution with one degree of freedom. The sum of the squares of n standard normal random variables is has a chi-squared distribution with n degrees of freedom.

Gamma / chi-squared: If X is a gamma (α, β) random variable with α = ν/2 and β = 2, then X is a chi-squared random variable with ν degrees of freedom. Cauchy / standard normal: If X and Y are standard normal random variables, X/Y is a Cauchy(0,1) random variable.

Student t / standard normal: If X is a t random variable with a large number of degrees of freedom ν then F X≈ F Y where Y is a standard normal random variable. For more information, see normal approximation to t.

Snedecor F / chi-squared: If X is an F(ν, ω) random variable with ω large, then ν X is approximately distributed as a chi-squared random variable with ν degrees of freedom.

Chi-squared / Snedecor F: If X1 and X2 are chi-squared random variables with ν1and ν2 degrees of freedom respectively, then (X1/ν1)/(X2/ν2) is an F(ν1, ν2) random variable.

Chi-squared / exponential: A chi-squared distribution with 2 degrees of freedom is an exponential distribution with mean 2.

Exponential / chi-squared: An exponential random variable with mean 2 is a chi-squared random variable with two degrees of freedom.

Gamma / exponential: The sum of n exponential(β) random variables is a gamma(n, β) rand om variable.

Exponential / gamma: A gamma distribution with shape parameter α = 1 and scale parameter β is an exponential(β) distribution.

Exponential / uniform: If X is an exponential random variable with mean λ, then exp(-X/λ) is a uniform random variabl e. More generally, sticking any random variable into its CDF yields a uniform random variable.

Uniform / exponential: If X is a uniform random variable, -λ log X is an exponential random variable with mean λ. More generally, applying the inverse CDF of any random variable X to a uniform random variable creates a variable with the same distribution as X.

Cauchy reciprocal: If X is a Cauchy (μ, σ) random variable, then 1/X is a Cauchy (μ/c, σ/c) random variable where c = μ2+ σ2.

Cauchy sum: If X1 is a Cauchy (μ1, σ1) random variable and X2 is a Cauchy (μ2, σ2), then X1 + X2is a Cauchy (μ1+ μ2, σ1+ σ2) random variable. Student t / Cauchy: A random variable with a t distribution with one degree of freedom is a Cauchy(0,1) random variable.

Student t / Snedecor F: If X is a t random variable with ν degree of freedom, then X2is an F(1,ν) random variable.

Snedecor F / Snedecor F: If X is an F(ν1, ν2) random variable then 1/X is an F(ν2, ν1) random variable.

Exponential / Exponential: If X1 and X2 are exponential random variables with mean μ1and μ2 respectively, then min(X1, X2) is an exponential random variable with mean μ1μ2/(μ1+ μ2).

Exponential / Weibull: If X is an exponential random variable with mean β, then X1/γis a Weibull(γ, β) random variable.

Weibull / Exponential: If X is a Weibull(1, β) random variable, X is an exponential random variable with mean β.

Exponential / Double exponential: If X and Y are exponential random variables with mean μ, then X-Y is a double exponential random variable with mean 0 and scale μ

Double exponential / exponential: If X is a double exponential random variable with mean 0 and scale λ, then |X| is an exponential random variable with mean λ.

常用的概率分布类型其特征

常用的概率分布类型及其特征 3．1 二点分布和均匀分布 1、两点分布许多随机事件只有两个结果。如抽检产品的结果合格或不合格；产品或者可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取0和1。它服从的分布称两点分布。其概率分布为：其中 Pk=P（X=Xk），表示X取Xk值的概率： 0≤P≤1。 X的期望 E（X）=P X的方差 D（X）=P（1—P） 2、均匀分布如果连续随机变量X的概率密度函数f（x）在有限的区间[a，b]上等于一

个常数，则X服从的分布为均匀分布。其概率分布为： X的期望 E（X）=（a+b）/2 X的方差 D（X）=（b-a）2/12 3．2 抽样检验中应用的分布 3．2．1 超几何分布假设有一批产品，总数为N，其中不合格数为d，从这批产品中随机地抽出n件作为被检样品，样品中的不合格数X服从的分布称超几何分布。 X的分布概率为： X=0，1，…… X的期望 E（X）=nd/N

X的方差 D（X）=（（nd/N）（（N-d）/N）（（N-n）/N））（1/2）3．2．2 二项分布超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。假设有一批产品，不合格品率为P，从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。 X的概率分布为： 0

历年高考数学概率与分布列解析汇编

1 1 第十一章高考概率与统计考点解析概率与统计试题是高考的必考内容。当求等可能性事件、互斥事件和相互独立事件的概率，解此类题目常应用以下知识： (1) 等可能性事件(古典概型)的概率：P (A )＝) ()(I card A card ＝n m ; 等可能事件概率的计算步骤： ① 计算一次试验的基本事件总数n ; ② 设所求事件A ，并计算事件A 包含的基本事件的个数m ; ③ 依公式()m P A n =求值; ④ 答，即给问题一个明确的答复。 (2) 互斥事件有一个发生的概率：P (A ＋B )＝P (A )＋P (B ); 特例：对立事件的概率：P (A )＋P (A )＝P (A ＋A )＝1。 (3) 相互独立事件同时发生的概率：P (A ·B )＝P (A )·P (B ); 特例：独立重复试验的概率：P n (k )＝k n k k n p p C --)1(。其中P 为事件A 在一次试验中发生的概率，此式为二项式[(1-P)+P]n 展开的第k+1项。 (4) 解决概率问题要注意“四个步骤，一个结合”： ① 求概率的步骤是：第一步，确定事件性质???????等可能事件互斥事件独立事件 n 次独立重复试验即所给的问题归结为四类事件中的某一种。第二步，判断事件的运算???和事件积事件即是至少有一个发生，还是同时发生，分别运用相加或相乘事件。第三步，运用公式()()()()()()()()(1) k k n k n n m P A n P A B P A P B P A B P A P B P k C p p -?=???+=+???=??=-??等可能事件: 互斥事件：独立事件： n 次独立重复试验:求解第四步，答，即给提出的问题有一个明确的答复。考点1 考查等可能事件概率计算在一次实验中可能出现的结果有n 个，而且所有结果出现的可能性都相等。如果事件A 包含的结果有m 个，那么P （A ）= n m 。这就是等可能事件的判断方法及其概率的计算公式。高考常借助不同背景的材料考查等可能事件概率的计算方法以及分析和解决实际问题的能力。例1、从4名男生和2名女生中任选3人参加演讲比赛。 (I) 求所选3人都是男生的概率； (II)求所选3人中恰有1名女生的概率； (III)求所选3人中至少有1名女生的概率。解：(I) 所选3人都是男生的概率为 34361.5 C C =

概率论中几种具有可加性的分布及其关系

目录摘要 (1) 关键词 (1) Abstract (1) Key words (1) 引言 (1) 1 几种常见的具有可加性的分布 (1) 1.1 二项分布 (2) 1.2 泊松分布（Possion分布） (3) 1.3 正态分布 (4) 1.4 伽玛分布 (6) 1.5 柯西分布 (7) 1.6 卡方分布 (7) 2 具有可加性的概率分布间的关系 (8) 2.1 二项分布的泊松近似 (8) 2.2 二项分布的正态近似 (9) 2.3 正态分布与泊松分布间的关系 (10) 2.4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布的关系 (11) 3 小结 (12) 参考文献 (12) 致谢 (13)

概率论中几种具有可加性的分布及其关系概率论中几种具有可加性的分布及其关系摘要概率论与数理统计中概率分布的可加性是一个十分重要的内容.所谓分布的可加性指的是同一类分布的独立随机变量和的分布仍属于此类分布.结合其特点，这里给出了概率论中几种具有可加性的分布：二项分布，泊松分布，正态分布，柯西分布，卡方分布以及伽玛分布.文章讨论了各类分布的性质及其可加性的证明，这里给出了证明分布可加性的两种方法，即利用卷积公式和随机变量的特征函数.除此之外，文章就可加性分布之间的各种关系，如二项分布的泊松近似，棣莫佛-拉普拉斯中心极限定理等，进行了不同层次的讨论. 关键词概率分布可加性相互独立特征函数 Several Kinds of Probability Dstribution and its Relationship with Additive Abstract Probability and mathematical statistics in the probability distribution of additivity is a very important content.The distribution of the so-called additivity refers to the distribution of the same kind of independent random variables and distribution are still belong to this kind of https://www.360docs.net/doc/6c9893304.html,bined with its characteristics, here given several has additivity distribution in probability theory: the binomial distribution, poisson distribution and normal distribution and cauchy distribution, chi-square distribution and gamma distribution.Article discusses the nature of all kinds of distribution and its proof of additivity, additive of proof distribution are also given two methods, namely using convolution formula and characteristic function of a random variable. In addition, this paper the relationships between the additive property distribution, such as the binomial distribution of poisson approximation, Di mo - Laplace's central limit theorem, and so on, has carried on the different levels of discussion. Key Words probability distribution additivity property mutual independence characteristic function 引言概率论与数理统计是研究大量随机现象的统计规律性的学科，在概率论与数理统计中，有时候我们需要求一些随机变量的和的分布，在这些情形中，有一种求和类型比较特殊，即有限个相互独立且同分布的随机变量的和的分布类型不变，这一求和过程称为概率分布的“可加性”.概率分布中随机变量的可加性是一个相当重要的概念，本文给出了概率论中常见的六种具有可加性的分布，包括二项分布，泊松分布，正态分布，伽玛分布，柯西分布和卡方分布.文章最后讨论了几项分布之间的关系，如二项分布的泊松近似，正态近似等等. 1 几种常见的具有可加性的分布在讨论概率分布的可加性之前，我们先来看一下卷积公式和随机变量的特征函数,首先来看卷积公式[1]： ①离散场合的卷积公式设离散型随机变量ξζ,彼此独立，且它们的分布列分别是n k a k P k ,1,0,)(???===ζ和.,,1,0,)(n k b k P k ???===ξ则ξζ?+=的概率分布列可表示

高考数学概率与统计知识点汇编

高中数学之概率与统计求等可能性事件、互斥事件和相互独立事件的概率解此类题目常应用以下知识: (1)等可能性事件(古典概型)的概率：P(A)＝)()(I card A card ＝n m ; 等可能事件概率的计算步骤：计算一次试验的基本事件总数n ; 设所求事件A ，并计算事件A 包含的基本事件的个数m ; 依公式 ()m P A n = 求值; 答，即给问题一个明确的答复. (2)互斥事件有一个发生的概率：P(A ＋B)＝P(A)＋P(B); 特例：对立事件的概率：P(A)＋P(A )＝P(A ＋A )＝1. (3)相互独立事件同时发生的概率：P(A ·B)＝P(A)·P(B); 特例：独立重复试验的概率：Pn(k)＝k n k k n p p C --)1(.其中P 为事件A 在一次试验中发生的概率，此式为二项式[(1-P)+P]n 展开的第k+1项. (4)解决概率问题要注意“四个步骤，一个结合”：求概率的步骤是：第一步，确定事件性质?? ?? ???等可能事件互斥事件独立事件 n 次独立重复试验即所给的问题归结为四类事件中的某一种. 第二步，判断事件的运算 ?? ?和事件积事件即是至少有一个发生，还是同时发生，分别运用相加或相乘事件. 第三步，运用公式()()()()()()()()(1) k k n k n n m P A n P A B P A P B P A B P A P B P k C p p -? =???+=+? ??=??=-??等可能事件: 互斥事件：独立事件： n 次独立重复试验:求解第四步，答，即给提出的问题有一个明确的答复. 例1．在五个数字12345，，，，中，。例2．若随机取出三个数字，则剩下两个数字都是奇数的概率是（结果用数值表示）． [解答过程]0.3提示:13 35C 33. 54C 10 2P ===?

经典高考概率分布类型题归纳

（2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。由题设知4(4)10n n --≥，解得14 5 n ≥，又n N ∈，得3n =，或4n =。所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为。（2012年）22．（本小题满分10分）（古典概型）设ξ为随机变量，从棱长为1的正方体的12条棱中任取两条，当两条棱相交时，0ξ=；当两条棱平行时，ξ的值为两条棱之间的距离；当两条棱异面时，1ξ=．（1）求概率(0)P ξ=；（2）求ξ的分布列，并求其数学期望()E ξ．【命题意图】本题主要考查概率分布列、数学期望等基础知识，考查运算求解能力. 【解析】（1）若两条棱相交，则交点必为正方形8个顶点中的一个，过任意一个顶点恰有3条棱， ∴共有23 8C 对相交棱， ∴(0)P ξ==232128C C =4 11 . (2)若两条棱平行，则它们的距离为1 的共有6 对，故 (P ξ== 2126C =111 , (1)1(0)(P P P ξξξ==-=-==4111111- -=6 11 . ∴随机变量ξ的分布列是

16种常见概率分布概率密度函数、意义及其应用

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) 2 10. 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 2 3. 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 o i E(X) 一 4. Beta 分布（一：分布） f （X ）二 E(X) Var(X)= (b-a)2 12 Var(X)二 1 ~2

概率论中几种常用重要分布

概率论中几种常用的重要的分布摘要：本文主要探讨了概率论中的几种常用分布，的来源和他们中间的关系。其在实际中的应用。关键词 1 一维随机变量分布随机变量的分布是概率论的主要内容之一，一维随机变量部分要介绍六中常用分布，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．下面我们将对这六种分布逐一地进行讨论．随机事件是按试验结果而定出现与否的事件。它是一种“定性”类型的概念。为了进一步研究有关随机试验的问题，还需引进一种“定量”类型的概念，即，根据试验结果而定取什么值（实值或向量值）的变数。称这种变数为随机变数。本章内将讨论取实值的这种变数—— 一维随机变数。定义1.1 设X 为一个随机变数，令 ()([(,)])([]),()F x P X x P X x x =∈-∞=-∞ +∞. 这样规定的函数()F x 的定义域是整个实轴、函数值在区间[0,1]上。它是一个普通的函数。成这个函数为随机函数X 的分布函数。有的随机函数X 可能取的值只有有限多个或可数多个。更确切地说：存在着有限多个值或可数多个值12,,...,a a 使得 12([{,,...}])1P X a a ∈= 称这样的随机变数为离散型随机变数。称它的分布为离散型分布。【例1】下列诸随机变数都是离散型随机变数。（1）X 可能取的值只有一个，确切地说，存在着一个常数a ,使([])1P X a ==。称这种随机变数的分布为退化分布。一个退化分布可以用一个常数a 来确定。（2）X 可能取的值只有两个。确切地说，存在着两个常数a ，b ，使 ([{,}])1P X a b ∈=.称这种随机变数的分布为两点分布。如果([])P X b p ==，那么，([])1P X a p ===-。因此，一个两点分布可以用两个不同的常数,a b 及一个在区间（0,1）内的值p 来确定。特殊地，当,a b 依次为0,1时，称这两点分布为零-壹分布。从而，一个零-壹分布可以用一个在区间（0，1）内的值p 来确定。（3）X 可能取的值只有n 个：12,...,a a （这些值互不相同），且，取每个i a 值

一十种概率密度函数

一十种概率密度函数 function zhifangtu(x,m) %画数据的直方图,x表示要画的随机数,m表示所要画的条数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% a=min(x); b=max(x); l=length(x); h=(b-a)/m; %量化x x=x/h; x=ceil(x); w=zeros(1,m); for i=1:l for j=1:m if (x(i)==j) %x(i)落在j的区间上，则w(j)加1 w(j)=w(j)+1; else continue end end end w=w/(h*l); z=a:h:(b-h); bar(z,w); title('直方图') function y=junyun(n) %0-1的均匀分布，n代表数据量，一般要大于1024 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% y=ones(1,n); x=ones(1,n); m=100000; x0=mod(ceil(m*rand(1,1)),m); x0=floor(x0/2); x0=2*x0+1; u=11; x(1)=x0; for i=1:n-1 x(i+1)=u*x(i)+0; x(i+1)=mod(x(i+1),m); x(i)=x(i)/m; end %x(n)单位化

x(n)=x(n)/m; y=x; function y=zhishu(m,n) %指数分布,m表示指数分布的参数,m不能为0.n表示数据量,n一般要大于1024 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% x=junyun(n); for i=1;n if (x(i)==0) x(i)=0.0001; else continue; end end u=log(x); y=-(1/m)*u; function y=ruili(m,n) %瑞利分布,m是瑞利分布的参数,n代表数据量,n一般要大于1024 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% x=junyun(n); for i=1:n if (x(i)==0) x(i)=0.0001; else continue; end end u=(-2)*log(x); y=m*sqrt(u); function y=weibuer(a,b,n) %韦布尔分布,a,b表示参数,b不能为0.n表示数据量,一般要大于1024 %a=1时,是指数分布 %a=2时,是瑞利分布%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% x=junyun(n); for i=1:n if (x(i)==0) x(i)=0.0001; else continue; end

经典高考概率分布类型题归纳

经典高考概率分布类型题归纳 -CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN

经典高考概率分布类型题归纳高考真题一、超几何分布类型二、二项分布类型三、超几何分布与二项分布的对比四、古典概型算法五、独立事件概率分布之非二项分布（主要在于如何分类）六、综合算法高考真题 2010年 22、（本小题满分10分）（相互独立事件）某工厂生产甲、乙两种产品，甲产品的一等品率为80%，二等品率为20%；乙产品的一等品率为90%，二等品率为10%。生产1件甲产品，若是一等品则获得利润4万元，若是二等品则亏损1万元；生产1件乙产品，若是一等品则获得利润6万元，若是二等品则亏损2万元。设生产各种产品相互独立。（1）记X （单位：万元）为生产1件甲产品和1件乙产品可获得的总利润，求X 的分布列；（2）求生产4件甲产品所获得的利润不少于10万元的概率。【解析】本题主要考查概率的有关知识，考查运算求解能力。满分10分。（1）由题设知，X 的可能取值为10，5，2，-3，且 P （X=10）=0.8×0.9=0.72， P （X=5）=0.2×0.9=0.18， P （X=2）=0.8×0.1=0.08， P （X=-3）=0.2×0.1=0.02。由此得X 的分布列为：（2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。由题设知4(4)10n n --≥，解得14 5 n ≥，又n N ∈，得3n =，或4n =。所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为0.8192。

考试练习题常用概率分布教学提纲

考试练习题常用概率分布

第四章选择题： 1．二项分布的概率分布图在条件下为对称图形。 A ．n > 50 B ．π=0.5 C ．n π=1 D ．π=1 E ．n π> 5 2．满足时，二项分布B （n,π）近似正态分布。 A ．n π和n （1－π）均大于等于5 B ．n π或n （1－π）大于等于5 C ．n π足够大 D ．n > 50 E ．π足够大 3. 的均数等于方差。 A ．正态分布 B ．二项分布 C ．对称分布 D ．Poisson 分布 E ．以上均不对 4．标准正态典线下，中间95%的面积所对应的横轴范围是。 A ．－∞到+1.96 B ．－1.96到+1.96 C ．－∞到+2.58 D ．－2.58到+2.58 E ．－1.64到+1.64 5．服从二项分布的随机变量的总体均数为。 A ．n （1－π） B ．（n －1）π C ．n π（1－π） D ．n π 6．服从二项分布的随机变量的总体标准差为。 A . B . （1-π）（1-π）（ -）π1 C . D . π（1-π）（π 7.设X 1,X 2分别服从以λ1,λ2为均数的Poisson 分布,且X 1与X 2独立,则X 1+X 2服从以为方差的Poisson 分布。 A . B .λ2λ12+2λ 2λ1+ C . D . 2λ2λ1+（） 2λ2λ1+（） E .λ2λ12+2 8．满足时，Poisson 分布Ⅱ（λ）近似正态分布。

A．λ无限大 B．λ>20 C．λ=1 D．λ=0 E．λ=0.5 9．满足时，二项分布B（n，π）近似Poisson分布。 A．n很大且π接近0 B．n→∞ C．nπ或n（1－π）大于等于5 D．n很大且π接近0.5 E．π接近0.5 10．关于泊松分布，错误的是。 A．当二项分布的n很大而π很小时，可用泊松分布近似二项分布 B．泊松分布均数λ唯一确定 C．泊松分布的均数越大，越接近正态分布 D．泊松分布的均数与标准差相等 E．如果X1和X2分别服从均数为λ1和λ2的泊松分布，且相互独立。则 X1+X2服从均数为λ1+λ2的泊松分布。 11．以下分布中，均数等于方差的分布是。 A．正态分布 B．标准正态分布 C．二项分布 D．Poisson分布 E．t 分布 12．随机变量X服从正态分布N（μ1，σ12），Y服从正态分布N（μ2，σ 2），X与Y独立，则X－Y服从。 2 A．N（μ1+μ2，σ12－σ22） B．N（μ1－μ2，σ12－σ22） C．N（μ1－μ2，σ12+σ22） D．N（0，σ12+σ22） E．以上均不对 13．下列叙述中，错误的是。 A．二项分布中两个可能结果出现的概率之和为1 B．泊松分布只有1个参数λ C．正态曲线下的面积之和为1

高考概率分布类型题归纳

高考概率分布类型题归纳文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]

经典高考概率分布类型题归纳高考真题一、超几何分布类型二、二项分布类型三、超几何分布与二项分布的对比四、古典概型算法五、独立事件概率分布之非二项分布（主要在于如何分类）六、综合算法高考真题 2010年 22、（本小题满分10分）（相互独立事件）某工厂生产甲、乙两种产品，甲产品的一等品率为80%，二等品率为20%；乙产品的一等品率为90%，二等品率为10%。生产1件甲产品，若是一等品则获得利润4万元，若是二等品则亏损1万元；生产1件乙产品，若是一等品则获得利润6万元，若是二等品则亏损2万元。设生产各种产品相互独立。（1）记X （单位：万元）为生产1件甲产品和1件乙产品可获得的总利润，求X 的分布列；（2）求生产4件甲产品所获得的利润不少于10万元的概率。【解析】本题主要考查概率的有关知识，考查运算求解能力。满分10分。（1）由题设知，X 的可能取值为10，5，2，-3，且 P （X=10）=×=， P （X=5）=×=， P （X=2）=×=， P （X=-3）=×=。由此得X 的分布列为：（2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。由题设知4(4)10n n --≥，解得14 5 n ≥，又n N ∈，得3n =，或4n =。所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为。（2012年）22．（本小题满分10分）（古典概型）设ξ为随机变量，从棱长为1的正方体的12条棱中任取两条，当两条棱相交时， 0ξ=；当两条棱平行时，ξ的值为两条棱之间的距离；当两条棱异面时，1ξ=．

16种常见概率分布概率密度函数、意义及其应用

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) χ分布（卡方分布） (7) 10.2 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 (11) 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。

1()f x b a = - ()2 a b E X += 2 ()()12 b a Var X -= 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2~(,)X N μσ。正态分布为方差已知的正态分布 2(,)N μσ的参数μ的共轭先验分布。 22 ()2()x f x μσ-- = ()E X μ= 2()Var X σ= 3. 指数分布指数分布~()X Exp λ是指要等到一个随机事件发生，需要经历多久时间。其中0λ>为尺度参数。指数分布的无记忆性：{}|{}P X s t X s P X t >+>=>。 (),0 x f x e x λλ-=> 1 ()E X λ = 2 1 ()Var X λ = 4. Beta 分布（β分布）

Beta 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。如果二项分布(,)B n p 中的参数p 的先验分布取(,)Beta a b ，实验数据（事件A 发生y 次，非事件A 发生n-y 次），则p 的后验分布(,)Beta a y b n y ++-，即Beta 分布为二项分布(,)B n p 的参数p 的共轭先验分布。 10 ()x t x t e dt ∞--Γ=? 1 1()()(1)()() a b a b f x x x a b --Γ+= -ΓΓ ()a E X a b = + 2 ()()(1) ab Var X a b a b = +++ 5. Gamma 分布 Gamma 分布即为多个独立且相同分布的指数分布变量的和的分布，解决的

高考概率分布类型题归纳

经典高考概率分布类型题归纳高考真题一、超几何分布类型二、二项分布类型三、超几何分布与二项分布的对比四、古典概型算法五、独立事件概率分布之非二项分布（主要在于如何分类）六、综合算法高考真题 2010年 22、（本小题满分10分）（相互独立事件）某工厂生产甲、乙两种产品，甲产品的一等品率为80%，二等品率为20%；乙产品的一等品率为90%，二等品率为10%。生产1件甲产品，若是一等品则获得利润4万元，若是二等品则亏损1万元；生产1件乙产品，若是一等品则获得利润6万元，若是二等品则亏损2万元。设生产各种产品相互独立。（1）记X （单位：万元）为生产1件甲产品和1件乙产品可获得的总利润，求X 的分布列；（2）求生产4件甲产品所获得的利润不少于10万元的概率。【解析】本题主要考查概率的有关知识，考查运算求解能力。满分10分。（1）由题设知，X 的可能取值为10，5，2，-3，且 P （X=10）=×=， P （X=5）=×=， P （X=2）=×=， P （X=-3）=×=。由此得X 的分布列为：（2）设生产的4件甲产品中一等品有n 件，则二等品有4n -件。由题设知4(4)10n n --≥，解得14 5 n ≥，又n N ∈，得3n =，或4n =。所求概率为3 344 0.80.20.80.8192P C =??+= 答：生产4件甲产品所获得的利润不少于10万元的概率为。（2012年）22．（本小题满分10分）（古典概型）设ξ为随机变量，从棱长为1的正方体的12条棱中任取两条，当两条棱相交时，0ξ=；当两条棱平行时，ξ的值为两条棱之间的距离；当两条棱异面时，1ξ=．（1）求概率(0)P ξ=；

概率分布函数各种类型

Diagram of distribution relationships Probability distributions have a surprising number inter-connections. A dashed line in the chart below indicates an approximate (limit) relationship between two distribution families. A solid line indicates an exact relationship: special case, sum, or transformation. Click on a distribution for the parameterization of that distribution. Click on an arrow for details on the relationship represented by the arrow. Other diagrams on this site:

数据分析-分布类别

各种分布泊松分布 Poisson分布，是一种统计与概率学里常见到的离散概率分布。泊松分布的概率函数为：泊松分布的参数λ是单位时间(或单位面积、单位体积)内随机事件的平均发生率。泊松分布适合于描述单位时间内随机事件发生的次数。泊松分布的期望和方差均为特征函数为：泊松分布与二项分布当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧10,p≦0.1时，就可以用泊松公式近似得计算。事实上，泊松分布正是由二项分布推导而来的。泊松分布可作为二项分布的极限而得到。一般的说，若 ,其中n很大，p很小，因而不太大时，X的分布接近于泊松分布。这个事实有时可将较难计算的二项分布转化为泊松分布去计算。应用示例

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。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，某放射性物质发射出的粒子，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。卡方分布卡方分布( 分布)是概率论与统计学中常用的一种概率分布。n 个独立的标准正态分布变量的平方和服从自由度为n 的卡方分布。卡方分布常用于假设检验和置信区间的计算。若n个相互独立的随机变量ξ?、ξ?、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution），即分布（chi-square distribution），其中参数n称为自由度。正如正态分布中均值或方差不同就是另一个正态分布一样，自由度不同就是另一个分布。记为或者。卡方分布与正态分布卡方分布是由正态分布构造而成的一个新的分布，当自由度n很大时，分布近似为正态分布。对于任意正整数x，自由度为 k的卡方分布是一个随机变量X 的机率分布。期望和方差

各种概率分布介绍

一、引言 Bayes统计起源于英国学者托马斯.贝叶斯（Thomas Bayes,1702～1761）死后发表的一篇论文“论有关机遇问题的求解”。在此论文中他提出了著名的贝叶斯公式和一些归纳推理方法，随后拉普拉斯（Laplace,P.C.1749～1827）不仅重新发现了贝叶斯定理，阐述的远比贝叶斯更为清晰，而且还用它来解决天体力学、医学统计以及法学问题。之后虽有一些研究和应用但由于其理论尚不完整，应用中出现一些问题，致使贝叶斯方法长期未被接受。直到二战后，瓦尔德(Wald,A.1902～1950)提出统计决策函数论后又引起很多人对贝叶斯研究方法的兴趣。因为在这个理论中，贝叶斯解被认为是一种最优决策函数。在Savage,L.J.(1954)、Jeffreys,H.(1961)、Good,I.J(1950)、Lindley,D.V(1961)、Box,G.E.P.&Tiao,G.C.(1973)、Berger,J.O.(1985)等贝叶斯学者的努力下，对贝叶斯方法在观点、方法和理论上不断的完善。另外在这段时期贝叶斯方法在工业、经济、管理等领域内获得一批无可非议的成功应用。贝叶斯统计的研究论文与著作愈来愈多，贝叶斯统计的国际会议经常举行。如今贝叶斯统计已趋成熟，贝叶斯学派已发展成为一个有影响的学派，开始打破了经典统计学一统天下的局面。贝叶斯统计是在与经典统计的争论中发展起来的,现已成为统计学中不可缺少的一部分.贝叶斯统计与经典统计的主要区别就是是否利用先验信息。贝叶斯统计重视已出现的样本观测值，对尚未发生的样本观测值不予考虑。近几年来对贝叶斯统计的广泛应用，使得贝叶斯统计在可靠性问题中起到越来越重要的作用。尤其是对产品的失效率以及产品寿命的检验中，更是离不开贝叶斯统计。本文主要是探索串联系统和并联系统的可靠性，以及可靠性增长模型的Bayes估计，这些都表现出了Bayes统计在可靠性中的广泛应用。二、绪论（一）统计学及其发展历程人类的统计活动源远流长，自从有了数的概念，有了计数活动，就有了统计。但作为一门学科的统计学，它的出现却晚得多。英国学者配第（W.Petty）《政治算术》一书的问世，标志着统计学的开端。概率论是统计学的重要起源之一。14世纪时，在工商业比较繁荣的意大利以及地中海岸其他地区，由于赌博游戏盛行和保险活动的萌起。人们

常用的概率分布类型及其特征

常用的概率分布类型及其特征3. 1二点分布和均匀分布 1、两点分布许多随机事件只有两个结果。如抽检产品的结果合格或不合格; 可靠的工作，或者失效。描述这类随机事件变量只有两个取值，一般取服从的分布称两点分布。其概率分布为：其中Pk=P(X=Xk,表示X取Xk值的概率: 0< P< 1。 X的期望E (X) =P X 的方差 D (X) =P (1 —P) 2、均匀分布产品或者 0和1。它

如果连续随机变量X的概率密度函数f (x)在有限的区间［a , b］上等于个常数，则X服从的分布为均匀分布。其概率分布为: X的期望 E (X) = (a+b) 12 X的方差 D (X) = (b-a) 2/12 3.2抽样检验中应用的分布 3. 2. 1超几何分布假设有一批产品，总数为N,其中不合格数为d,从这批产品中随机地抽出n件作为被检样品，样品中的不合格数X服从的分布称超几何分布。 X的分布概率为： X=0, 1,……

X 的期望 E (X)二nd/N

X 的方差 D (X) = ( (nd/N) ( (N-d) /N ) ( (N-n) /N ) ) (1/2 ) 3. 2. 2二项分布超几何分布的概率公式可以写成阶乘的形式，共有9个阶乘，因而计算起来十分繁琐。二项分布就可以看成是超几何分布的一个简化。假设有一批产品，不合格品率为P,从这批产品中随机地抽出n件作为被检样品，其中不合格品数X服从的分布为二项分布。 X的概率分布为： P(X=x) =厂门1川0

随机变量及其分布列.几类典型的随机分布

随机变量及其分布列.几类典型的随机分布 1．离散型随机变量及其分布列 ⑴离散型随机变量如果在试验中，试验可能出现的结果可以用一个变量X 来表示，并且X 是随着试验的结果的不同而变化的，我们把这样的变量X 叫做一个随机变量．随机变量常用大写字母,,X Y 表示．如果随机变量X 的所有可能的取值都能一一列举出来，则称X 为离散型随机变量． ⑵离散型随机变量的分布列将离散型随机变量X 所有可能的取值i x 与该取值对应的概率i p (1,2,,)i n =列表表示： X X 的分布列． 2．几类典型的随机分布 ⑴两点分布如果随机变量X 其中01p <<，1q p =-X 服从参数为p 的二点分布．二点分布举例：某次抽查活动中，一件产品合格记为1，不合格记为0，已知产品的合格率为80%，随机变量X 为任意抽取一件产品得到的结果，则X 的分布列满足二点分布．两点分布又称01-以这种分布又称为伯努利分布． ⑵超几何分布一般地，设有总数为N 件的两类物品，其中一类有M 件，从所有物品中任取n 件 ()n N ≤，这n 件中所含这类物品件数X 是一个离散型随机变量，它取值为m 时的概率为 C C ()C m n m M N M n N P X m --==(0m l ≤≤，l 为n 和M 中较小的一个)．我们称离散型随机变量X 的这种形式的概率分布为超几何分布，也称X 服从参

数为N ，M ，n 的超几何分布．在超几何分布中，只要知道N ，M 和n ，就可以根据公式求出X 取不同值时的概率()P X m =，从而列出X 的分布列． ⑶二项分布 1．独立重复试验如果每次试验，只考虑有两个可能的结果A 及A ，并且事件A 发生的概率相同．在相同的条件下，重复地做n 次试验，各次试验的结果相互独立，那么一般就称它们为n 次独立重复试验．n 次独立重复试验中，事件A 恰好发生k 次的概率为 ()C (1)k k n k n n P k p p -=-(0,1,2,,)k n =． 2．二项分布若将事件A 发生的次数设为X ，事件A 不发生的概率为1q p =-，那么在n 次独立重复试验中，事件A 恰好发生k 次的概率是()C k k n k n P X k p q -==，其中0,1,2,,k n =．于是得到X 的分布列由式 00111 0()C C C C n n n k k n k n n n n n n q p p q p q p q p q --+=++++ 各对应项的值，所以称这样的散型随机变量X 服从参数为n ，p 的二项分布，记作~(,)X B n p ．二项分布的均值与方差：若离散型随机变量X 服从参数为n 和p 的二项分布，则 ()E X np =，()D x npq =(1)q p =-． ⑷正态分布 1．概率密度曲线：样本数据的频率分布直方图，在样本容量越来越大时，直方图上面的折线所接近的曲线．在随机变量中，如果把样本中的任一数据看作随机变量X ，则这条曲线称为 X 的概率密度曲线．曲线位于横轴的上方，它与横轴一起所围成的面积是1，而随机变量X 落在指定的两个数a b ，之间的概率就是对应的曲边梯形的面积． 2．正态分布 ⑴定义：如果随机现象是由一些互相独立的偶然因素所引起的，而且每一个偶然因素在总体的变化中都只是起着均匀、微小的作用，则表示这样的随机现象的随机变量的概率分布近似服从正态分布．服从正态分布的随机变量叫做正态随机变量，简称正态变量．正态变量概率密度曲线的函数表达式为 22 ()2()x f x μσ--= ，x ∈R ，其中μ，σ是参数，且0σ>， μ-∞<<+∞．式中的参数μ和σ分别为正态变量的数学期望和标准差．期望为μ、标准差为σ的正态分布通常记作2(,)N μσ．正态变量的概率密度函数的图象叫做正态曲线．