可汗学院统计学(二)

本文深入探讨了泊松分布和正态分布的基本概念与计算方法。泊松分布用于描述单位时间内独立事件发生的概率,如车辆通过路口的情况;正态分布则是一种连续概率分布,广泛应用于自然和社会科学,其概率密度函数由均值和标准差决定。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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)=lim⁡n→∞(nk)⋅(λn)k⋅(1−λn)n−k=lim⁡n→∞n!k!(n−k)!⋅(λn)k⋅(1−λn)n−k=lim⁡n→∞n⋅(n−1)⋯⋅(n−k+1)nk⋅λkk!⋅(1−λn)n⋅(1−λn)−k=lim⁡n→∞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)=nlim(nk)(nλ)k(1nλ)nk=nlimk!(nk)!n!(nλ)k(1nλ)nk=nlimnkn(n1)(nk+1)k!λk(1nλ)n(1nλ)k=nlim1k!λkeλ1=k!λkeλ

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)=σ2π1e21(σxμ)2
Standard Z score:x−μσ\frac{x-\mu}{\sigma}σxμ
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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值