【小白话通信】离散分布之间的关系

简介: 前面文章《离散分布的产生》中,主要讲述了如何通过均匀分布来产生各种离散分布。下面我给出一些离散分布之间的关系,从而可以由一种已知的分布来产生另一种分布。

前面文章《离散分布的产生》中,主要讲述了如何通过均匀分布来产生各种离散分布。下面我给出一些离散分布之间的关系,从而可以由一种已知的分布来产生另一种分布。


伯努利分布、二项分布与多项分布


伯努利分布

定义:一个离散随机变量X01,且其分布律

P(X=1)=p,P(X=0)=1p
则此随机变量服从伯努利分布。

实例:抛硬币就是伯努利分布,伯努利分布产生的结果就是1或则0(正面或则反面)。


二项分布

定义:设B1,B2,,Bn(nN)为相互独立的服从参数为p(p[0,1])的伯努利分布,定义随机变量:

X=i=1nBi
那么,随机变量 X服从参数为 (n,p)的二项分布。

实例:由定义可知,二项分布就是n重伯努利分布。形象的说,抛n次硬币,出现正面朝上的次数服从二项分布。


多项分布

定义:设mN,pi[0,1],假设(Y1,Y2,,Ym)是一个离散型m维随机变量。如果其联合分布律满足:对于k1,,km=0,1,,n,当其满足i=1mki=n时,

P(Y1=k1,,Ym=km)=n!k1!kn!pk11pkmm

则称 m维随机变量 (Y1,Y2,,Ym)服从参数为 (n;p1,,pm) m项分布。

几何分布与负二项分布


几何分布

  • 定义:设随机变量Y具有如下的分布律:

    P(Y=k)=(1p)kp,p[0,1],k=0,1,

    则我们称Y服从几何分布。
  • 实例:几何分布的物理意义就是实验成功前所经历的失败次数。拿掷硬币来说,假设正面朝上视为成功,服从该几何分布的随机变量的物理意义就是不断掷硬币直到出现正面朝上前,出现反面朝上的次数,也即是失败的次数。

  • 重要性质无记忆性,即对于整数s>t,有下式成立:

    P(X>s|X>t)=P(X>st)

负二项分布

  • 定义:设Y1,Y2,,Ymm个相互独立且服从相同的几何分布,那么,当随机变量Z满足下式:

    Z=i=1mYi
    此时Z服从负二项分布,此时的分布律为:
    P(Z=k)=(k+m1)!(m1)!k!pm(1p)k,k=0,1,
  • 实例:由定义可知,可以通过几何分布得到负二项分布。举例来说,若我们掷骰子,掷到1即视为成功。则每次掷骰的成功率是1/6。要掷出三次1,所需的掷骰次数属于集合{ 3, 4, 5, 6, … }。掷到三次1的掷骰次数即是服从负二项分布的随机变量。


二项分布与泊松分布

  • 关系:对于参数为(n,p)的二项分布,如果参数n较大,p较小,那么我们可以用参数为λ=np的泊松分布来逼近。

  • 实例:一个盒子里有144个鸡蛋,假如每个鸡蛋破碎的概率都为0.01,请问恰好有3个鸡蛋破碎的概率是多少?

    显然,这是一个二项分布的问题。设随机变量X表示鸡蛋破碎的个数,那么X服从参数为(n=144,p=0.01)的二项分布。因此在这144个鸡蛋中恰好有3个鸡蛋破碎的概率为:

    P(X=3)=C31440.0130.991443=0.1181

    如果用泊松分布进行逼近的话,可知X服从参数为λ=np的泊松分布,则概率近似等于
    P(X=3)=1.4433!e1.44=0.1179
    比较上面两种计算概率的方法,很明显第二种方法的计算量要小于第一种,因此当n较大,p较小时,我们常常用泊松分布来近似计算概率。

原文:http://blog.csdn.net/tengweitw/article/details/45648977

作者:nineheadedbird

目录
相关文章
|
2月前
|
物联网 5G vr&ar
5G频谱分布:连接未来的桥梁
5G频谱分布:连接未来的桥梁
41 2
|
5月前
|
机器学习/深度学习 存储 人工智能
元宇宙与计算层之间存在着密不可分的关系
**元宇宙的计算层是其核心技术心脏,负责处理大数据、实时渲染和交互、以及支持AI。借助云计算弹性扩展资源,边缘计算减少延迟,确保用户沉浸式体验和高效运行。**
|
6月前
R语言分析协变量之间的非线性关系
R语言分析协变量之间的非线性关系
|
6月前
|
数据可视化 数据建模
R语言用线性混合效应(多水平/层次/嵌套)模型分析声调高低与礼貌态度的关系
R语言用线性混合效应(多水平/层次/嵌套)模型分析声调高低与礼貌态度的关系
|
6月前
|
数据可视化 测试技术
R语言线性混合效应模型(固定效应&随机效应)和交互可视化3案例
R语言线性混合效应模型(固定效应&随机效应)和交互可视化3案例
05 离散·连续·多维随机变量及其分布 - 概念点
05 离散·连续·多维随机变量及其分布 - 概念点
52 0
|
存储 数据可视化 数据挖掘
知识点丨重测序数据进行kinship亲缘关系分析、构建IBS矩阵的方法与介绍
知识点丨重测序数据进行kinship亲缘关系分析、构建IBS矩阵的方法与介绍
知识点丨重测序数据进行kinship亲缘关系分析、构建IBS矩阵的方法与介绍
|
数据库
关系数据规范化理论
关系数据规范化理论
|
SQL 算法 网络协议
一图了解,网络7层协议之间的关系
还在等什么,快来一起讨论关注吧,公众号【八点半技术站】,欢迎加入社群
|
人工智能 数据建模 计算机视觉
矩阵和数据之间的关系 | 学习笔记
快速学习矩阵和数据之间的关系
443 0
矩阵和数据之间的关系 | 学习笔记