6. 泊松分布
考虑这样一个问题:一个小时内经过某路口的车辆数的概率。由于车辆经过一个路口是一瞬间的事,因此,可以把这个问题看成:在n个瞬时中,有k个瞬时有车经过路口的概率。设车经过路口的概率为p,则这个问题是一个n趋近于无穷大时的二项分布问题。
假设已知泊松分布的期望为λ\lambdaλ。则E(X)=λ=np,p=λnE(X)=\lambda=n p, \quad p=\frac{\lambda}{n}E(X)=λ=np,p=nλ
计算过程为:
P(x=k)=limn→∞(nk)⋅(λn)k⋅(1−λn)n−k=limn→∞n!k!(n−k)!⋅(λn)k⋅(1−λn)n−k=limn→∞n⋅(n−1)⋯⋅(n−k+1)nk⋅λkk!⋅(1−λn)n⋅(1−λn)−k=limn→∞1⋅λkk!⋅e−λ⋅1=λkk!⋅e−λ\begin{aligned} P(\mathrm{x}&=\mathrm{k} ) \\ &=\lim _{n \rightarrow \infty}\left(\begin{array}{c}{n} \\ {k}\end{array}\right) \cdot\left(\frac{\lambda}{n}\right)^{k} \cdot\left(1-\frac{\lambda}{n}\right)^{n-k} \\ &=\lim _{n \rightarrow \infty} \frac{n !}{k !(n-k) !} \cdot\left(\frac{\lambda}{n}\right)^{k} \cdot\left(1-\frac{\lambda}{n}\right)^{n-k} \\ &=\lim _{n \rightarrow \infty} \frac{n \cdot(n-1) \cdots \cdot(n-k+1)}{n^{k}} \cdot \frac{\lambda^{k}}{k !} \cdot\left(1-\frac{\lambda}{n}\right)^{n} \cdot\left(1-\frac{\lambda}{n}\right)^{-k} \\ &=\lim _{n \rightarrow \infty} 1 \cdot \frac{\lambda^{k}}{k !} \cdot e^{-\lambda} \cdot 1 \\ &=\frac{\lambda^{k}}{k !} \cdot e^{-\lambda} \end{aligned}P(x=k)=n→∞lim(nk)⋅(nλ)k⋅(1−nλ)n−k=n→∞limk!(n−k)!n!⋅(nλ)k⋅(1−nλ)n−k=n→∞limnkn⋅(n−1)⋯⋅(n−k+1)⋅k!λk⋅(1−nλ)n⋅(1−nλ)−k=n→∞lim1⋅k!λk⋅e−λ⋅1=k!λk⋅e−λ
7. 正态分布
正态分布的概率密度函数:p(x)=1σ2πe−12(x−μσ)2p(x)=\frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^{2}}p(x)=σ2π1e−21(σx−μ)2
Standard Z score:x−μσ\frac{x-\mu}{\sigma}σx−μ
表示数据离均值的距离是几个标准差。
正态分布可以通过二项分布近似很好地得到。
累计分布函数CDF:CDF(x)=∫−∞xp(x)dxC D F(x)=\int_{-\infty}^{x} p(x) d xCDF(x)=∫−∞xp(x)dx
最佳打比赛,后续补充。