常见分布的数学期望和方差

最新推荐文章于 2024-11-12 23:56:37 发布

原创最新推荐文章于 2024-11-12 23:56:37 发布 · 4.5k 阅读

47 ·

CC 4.0 BY-SA版权

文章标签：

#概率论 #数理统计 #数学期望 #方差

概率论与数理统计专栏收录该内容

1 篇文章

订阅专栏

本文概述了概率论中离散随机变量的0-1、二项和泊松分布，以及连续随机变量的均匀、指数和正态分布，重点介绍了它们各自的数学期望和方差公式。同时涵盖了数理统计中的卡方、t和F分布，详述了分布表达式及其统计特性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

常见分布的数学期望和方差

概率论六大分布：
（离散）0-1、二项、泊松

（连续）均匀、指数、正态

数理统计三大分布：
卡方分布、t分布、F分布

分布：	表达式（密度函数）	数学期望	方差
(概率论—离散随机变量)
0–1分布：X~B(1,p)	$P{X=k}=pk(1−p)1−k,k=0,1\large P\{X=k\}=p^{k}(1-p)^{1-k}, \quad k=0,1$	p	p(1-p)
二项分布：X~B(n,p)	$,n\large P\{X=k\}=C^{k}_{n}p^{k}(1-p)^{n-k}, k=0,1, \cdots, n$	np	np(1-p)
泊松分布：X~P(λ)	$,λ>0\large P\{X=k\}=e^{-\lambda} \frac{\lambda^{k}}{k !}, k=0,1, \cdots, \lambda>0$	λ	λ
(概率论—连续随机变量)
均匀分布：X~U(a,b)	$\large f(x)=\left\{\begin{array}{c}\frac{1}{b-a}, a<x<b, \\0, \quad \text { 其他 }\end{array}\right.$	(a+b)/2	$(b−a)212\large \frac{(b-a)^2}{12}$
指数分布：X~EXP(θ)	$f(x)={1θe−xθ,x>00,x≤0(θ>0)\large f(x)=\left\{\begin{array}{c}\frac{1}{\theta} e^{-\frac{x}{\theta}}, x>0 \\0, x \leq 0\end{array} \quad(\theta>0)\right.$	θ	$θ^2$
正态分布：X~N(μ,σ²)	$f(x)=12πσe−(x−μ)22σ2(μ∈R,σ>0){\large f(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}} \quad(\mu \in R, \sigma>0)}$	μ	$σ^2$
标准正态分布：X~N(0,1)	$f(x)=12πe−x22(μ∈R,σ>0){\large f(x)=\frac{1}{\sqrt{2 \pi} } e^{-\frac{x^{2}}{2 }} \quad(\mu \in R, \sigma>0)}$	0	1
(数理统计三大分布)
卡方分布： $χ2∼χ2(n)\chi^{2} \sim \chi^{2}(n)$	$χ2=X12+X22+⋯+Xn2\large \chi^{2} =X_{1}^{2}+X_{2}^{2}+\cdots+X_{n}^{2}$ ( $X∼N(0,1)X\sim N(0,1)$ )	n	2n
t-分布：t~t(n)	$t=XY/n\large t=\frac{X}{\sqrt{Y / n}}$ ( $X∼N(0,1)X\sim N(0,1)$ ， $Y∼χ2(n)Y\sim \chi^2(n)$ )	0	$nn−2\large \frac{n}{n-2}$
F-分布：F~F(m,n)	$F=X/mY/n\large F=\frac{X /m}{Y / n}$ $\sim \chi^{2}\left(m\right), Y \sim \chi^{2}\left(n\right))$	$nn−2\large \frac{n}{n-2}$	$2n2(m+n−2)m(n−2)2(n−4)\large \frac{2 n^{2}(m+n-2)}{m(n-2)^{2}(n-4)}$