在非线性函数下的DNA概率测量聚类分布

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:

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.

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

第二章随机变量及其函数的概率分布

第二章 随机变量及其函数的概率分布 §2.1 随机变量与分布函数 §2.2 离散型随机变量及其概率分布 一、 填空题 1. 某射手每次命中目标的概率为0.8，若独立射击了三次，则三次中命中目标次数为k 的概率==)(k X P 3,2,1,0,) 2.0()8.0(33=-k C k k k ； 2. 设随机变量X 服从泊松分布，且)2()1(===X P X P ，则==)4(X P 0.0902 ； 3. 设X 服从参数为p 的两点分布，则X 的分布函数为 ?? ? ??≥<≤-<=1 ,110 ,10 ,0)(x x p x x F ； 4. 已知随机变量X 的概率分布：P(X =1)=0.2, P(X =2)=0.3, P(X =3)=0.5, 则其分布 函数)(x F = 0 10.2 120.5 231 3x x x x =λ==则且,0),,2,1()(b k b k X P k 为（B ） (A) λ>0的任意实数; (B) ；11+=b λ (C) λ=b +1; (D) 1 1 -=b λ. 三、 计算下列各题 1. 袋中有10个球，分别编号为1~10，从中任取5个球，令X 表示取出5个球的最大号码，试求X 的分布列。 解 X 的可能取值为5，6，7，8，9，10 且10,9,8,7,6,5 ,)(5 10 41 ===-k C C k X P k 所以X 的分布列为

求随机变量函数的概率密度函数的教学方法

浅谈如何简单求随机变量函数的概率密度函数的方法 摘要:针对教材中给出的求连续型随机变量函数的概率密度的方法的单一,在借鉴前人研究成果的基础上,提出求概率密度的四步教学法。 概率论与数理统计就是一门很有特色的数学分支,无论就是综合类大学还就是高职、高专院校,都将它作为一门必修课。在大学《概率论与数理统计》中,随机变量函数就是一个重点也就是一个难点,尤其就是连续性随机变量函数的概率密度,教材中只就是一般给出两种方法:一种就是先求其分布函数,然后对分布函数求导,来得概率密度函数;二就是教材中的定理1[1] 关键字: 随机变量函数 概率密度 一、 定义1:如果存在一个函数()g x ,使得随机变量,X Y 满足()Y g X = 则称随机变 量Y 就是随机变量X 的函数,那么随机变量Y 的概率密度函数称为随机变量函数的概率密度函数。 二、 (经典公式法)定理1:设随机变量X 具有概率密度 (),X f x x R ∈,又设 ()y g x =出处可导且恒有 ()()''0(0) g x g x ><或则 () Y g X =就是一个连续性 随机变量,其概率密度函数 ()()()11' ,0,X Y f g y g y y f y αβ--???<