pen 不變 .net 研究 enter 數值 利用 變量 解析

伯努利實驗：

如果無窮隨機變量序列 是獨立同分布(i．i．d．)的，而且每個隨機變量 都服從參數為p的伯努利分布，那麽隨機變量 就形成參數為p的一系列伯努利試驗。同樣，如果n個隨機變量 獨立同分布，並且都服從參數為p的伯努利分布，則隨機變量 形成參數為p的n重伯努利試驗。

伯努利試驗是只有兩種可能結果的單次隨機試驗。

• 如果試驗E是一個伯努利試驗，將E獨立重復地進行n次，則稱這一串重復的獨立試驗為n重伯努利試驗。

一、伯努利分布：

伯努利分布亦稱“零一分布”、“兩點分布”。稱隨機變量X有伯努利分布, 參數為p(0<p<1),如果它分別以概率p和1-p取1和0為值。EX= p,DX=p(1-p)。伯努利試驗成功的次數服從伯努利分布,參數p是試驗成功的概率。伯努利分布是一個離散型機率分布，是N=1時二項分布的特殊情況，為紀念瑞士科學家詹姆斯·伯努利(Jacob Bernoulli 或James Bernoulli)而命名。

例子：假定重復拋擲一枚均勻硬幣，如果在第i次拋擲中出現正面，令 ；如果出現反面，令 ，那麽，隨機變量 就形成參數為 的一系列伯努利試驗，同樣，假定由一個特定機器生產的零件中10%是有缺陷的，隨機抽取n個進行觀測，如果第i個零件有缺陷，令 ；如果沒有缺陷，令 ，那麽，隨機變量 就形成參數為 的n重伯努利試驗 （百度百科）

E(X)=p， E(X²)=q ， Var(X)=pq

二、二項分布：

n 次Bernoulli試驗的結果中，每次試驗的分布不變，結果為1的次數 X 的分布。就是重復n次的伯努利實驗。

在概率論和統計學裏面，帶有參數n和p的二項分布表示的是n次獨立試驗的成功次數的概率分布。在每次獨立試驗中只有取兩個值，表示成功的值的概率為p，那麽表示試驗不成功的概率為1-p。這樣一種判斷成功和失敗的二值試驗又叫做伯努利試驗。

特殊地，當n=1的時候，我們把二項分布稱為伯努利分布。

如果 1．在每次試驗中只有兩種可能的結果，而且是互相對立的； 2．每次實驗是獨立的，與其它各次試驗結果無關； 3．結果事件發生的概率在整個系列試驗中保持不變，則這一系列試驗稱為伯努利實驗。 在這試驗中，事件發生的次數為一隨機事件，它服從二次分布 三、超幾何分布：

超幾何分布，n 次伯努利試驗，每次試驗分布發生改變，結果為1的次數 X 的分布，當試驗分布變化不大的時候和二項分布結果相同
它描述了從有限N個物件（其中包含M個指定種類的物件）中抽出n個物件，成功抽出該指定種類的物件的次數（不放回）

四、泊松分布 泊松分布就是描述某段時間內，事件具體的發生概率。 泊松分布的概率函數為：

泊松分布的參數λ是單位時間(或單位面積)內隨機事件的平均發生次數。 泊松分布適合於描述單位時間內隨機事件發生的次數。

k事件X發生的頻數；P（X=k）事件X發生k次的概率

泊松分布的期望和方差均為

特征函數為

當二項分布的n很大而p很小時，泊松分布可作為二項分布的近似，其中λ為np。通常當n≧20,p≦0.05時，就可以用泊松公式近似得計算，當n趨近於無窮的時候等同於二項分布。

五、多項分布

是二項式分布的推廣。二項式做n次伯努利實驗，規定了每次試驗的結果只有兩個，如果現在還是做n次試驗，只不過每次試驗的結果可以有多m個，且m個結果發生的概率互斥且和為1，則發生其中一個結果X次的概率就是多項式分布。

扔骰子是典型的多項式分布。扔骰子，不同於扔硬幣，骰子有6個面對應6個不同的點數，這樣單次每個點數朝上的概率都是1/6（對應p1~p6，它們的值不一定都是1/6，只要和為1且互斥即可，比如一個形狀不規則的骰子）,重復扔n次，如果問有k次都是點數6朝上的概率。

六、負二項分布

一種離散概率分布。滿足以下條件的稱為負二項分布：實驗包含一系列獨立的實驗， 每個實驗都有成功、失敗兩種結果，成功的概率是恒定的，實驗持續到r次成功，r為正整數。

當r是整數時，負二項分布又稱帕斯卡分布（巴斯卡分布），其概率質量函數為（其中一種形式，兩種形式對比看下文）： 它表示，已知一個事件在伯努利試驗中每次的出現概率是p，在一連串伯努利試驗中，一件事件剛好在第r + k次試驗出現第r次的概率。 參數為(r, p)的負二項分布的數列k+r的期望是 。

七、gamma分布

是統計學的一種連續概率函數。

gamma函數定義：

Γ(x) = ∫₀^∞ t^x-1 e^-t dt Γ(x+1) = x Γ(x); Γ(x+1) = x!

Gamma分布中的參數α稱為形狀參數（shape parameter），β稱為逆尺度參數（scale parameter）

假設隨機變量X為等到第α件事發生所需之等候時間, 密度函數為 特征函數為 伽馬分布的概率密度函數和失效率函數取決於形狀參數 的數值。 當 時， 為遞減函數； 當 時， 為遞增函數； 當 時， 為單峰函數； Gamma的可加性 兩個獨立隨機變量X和Y，且X~Ga(a,γ），Y~Ga(b,γ），則Z = X+Y ~ Ga(a+b,γ）。註意X和Y的尺度參數必須一樣。 Gamma分布的特殊形式 當形狀參數α=1時，伽馬分布就是參數為γ的指數分布，X~Exp（γ） 當α=n/2，β=1/2時，伽馬分布就是自由度為n的卡方分布，X^2(n) β=n，Γ(n,α)就是Erlang分布。Erlang分布常用於可靠性理論和排隊論中 ,如一個復雜系統中從第 1 次故障到恰好再出現 n 次故障所需的時間;從某一艘船到達港口直到恰好有 n 只船到達所需的時間都服從 Erlang分布；

八、指數分布

指數分布是事件的時間間隔的概率。如：

• 嬰兒出生的時間間隔

• 來電的時間間隔

• 奶粉銷售的時間間隔

• 網站訪問的時間間隔

是描述泊松過程中的事件之間的時間的概率分布，即事件以恒定平均速率連續且獨立地發生的過程。 這是伽馬分布的一個特殊情況，它是幾何分布的連續模擬，它具有無記憶的關鍵性質。

指數函數的一個重要特征是無記憶性（Memoryless Property，又稱遺失記憶性）。這表示如果一個隨機變量呈指數分布，當s,t>0時有P(T>t+s|T>t)=P(T>s)。即，如果T是某一元件的壽命，已知元件使用了t小時，它總共使用至少s+t小時的條件概率，與從開始使用時算起它使用至少s小時的概率相等。

期望值： ，方差： 若隨機變量x服從參數為λ的指數分布，則記為 。

九、卡方分布

若n個相互獨立的隨機變量ξ?，ξ?，...,ξn ，均服從標準正態分布（也稱獨立同分布於標準正態分布），則這n個服從標準正態分布的隨機變量的平方和 構成一新的隨機變量，其分布規律稱為卡方分布（chi-square distribution）。其中參數 稱為自由度。記為 或者 （其中 ， 為限制條件數）。

卡方分布是由正態分布構造而成的一個新的分布，當自由度 很大時， 分布近似為正態分布。

1) 分布在第一象限內，卡方值都是正值，呈正偏態（右偏態），隨著參數 的增大， 分布趨近於正態分布；卡方分布密度曲線下的面積都是1.

2) 分布的均值與方差可以看出，隨著自由度 的增大，χ2分布向正無窮方向延伸（因為均值 越來越大），分布曲線也越來越低闊（因為方 越來越大）。

3）不同的自由度決定不同的卡方分布，自由度越小，分布越偏斜。 4) 若 互相獨立，則： 服從 分布，自由度為 5) 分布的均數為自由度 ，記為 E( ) = 。 6) 分布的方差為2倍的自由度( )，記為 D( ) =

十、Beta分布

B函數，又稱為Beta函數或者第一類歐拉積分，是一個作為伯努利分布和二項式分布的共軛先驗分布的密度函數，是指一組定義在(0,1) 區間的連續概率分布，定義如下：

有兩個參數

Β分布的概率密度函數是： 其中 是Γ函數。隨機變量X服從參數為 的Β分布通常寫作 Β分布的累積分布函數是 [1] ： 其中 是不完全Β函數， 是正則不完全貝塔函數。 Beta分布與Gamma分布的關系為：

實例：

空氣中含有的氣體狀態的水分。表示這種水分的一種辦法就是相對濕度。即現在的含水量與空氣的最大含水量（飽和含水量）的比值。我們聽到的天氣預告用語中就經常使用相對濕度這個名詞。 相對濕度的值顯然僅能出現於0到1之間（經常用百分比表示）。而空氣為什麽出現某個相對濕度顯然具有隨機性（可以利用最復雜原理），這些提示我們空氣的相對濕度可能符合貝塔分布。

十一、幾何分布

是離散型概率分布。在n次伯努利試驗中，試驗k次才得到第一次成功的機率。詳細地說，是：前k-1次皆失敗，第k次成功的概率。幾何分布是帕斯卡分布當r=1時的特例。

在伯努利試驗中，記每次試驗中事件A發生的概率為p，試驗進行到事件A出現時停止，此時所進行的試驗次數為X，其分布列為： 此分布列是幾何數列的一般項，因此稱X服從幾何分布，記為X ～ GE(p) 。 實際中有不少隨機變量服從幾何分布，譬如，某產品的不合格率為0.05，則首次查到不合格品的檢查次數X ～ GE(0.05) 。 它分兩種情況： （1）為得到1次成功而進行n次伯努利試驗，n的概率分布，取值範圍為1，2，3，...； 這種情況的期望和方差如下： （2）m = n-1次失敗，第n次成功，m的概率分布，取值範圍為0，1，2，3，...。 這種情況的期望和方差如下： 比如，假設不停地擲骰子，直到得到1。投擲次數是隨機分布的，取值範圍是無窮集合{ 1, 2, 3, ... }，並且是一個p= 1/6的幾何分布。

十二、學生分布（t分布）

用於根據小樣本來估計呈正態分布且方差未知的總體的均值。如果總體方差已知（例如在樣本數量足夠多時），則應該用正態分布來估計總體均值。

t分布曲線形態與n（確切地說與自由度df）大小有關。與標準正態分布曲線相比，自由度df越小，t分布曲線愈平坦，曲線中間愈低，曲線雙側尾部翹得愈高；自由度df愈大，t分布曲線愈接近正態分布曲線，當自由度df=∞時，t分布曲線為標準正態分布曲線。

由於在實際工作中，往往σ是未知的，常用s作為σ的估計值，為了與u變換區別，稱為t變換，統計量t 值的分布稱為t分布。[1] 假設X服從標準正態分布N（0,1），Y服從 分布，那麽 的分布稱為自由度為n的t分布,記為 。 分布密度函數 ，其中，Gam(x)為伽馬函數。

十三、正態分布

正態曲線呈鐘型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經常稱之為鐘形曲線。 若隨機變量X服從一個數學期望為μ、方差為σ^2的正態分布，記為N(μ，σ^2)。其概率密度函數為正態分布的期望值μ決定了其位置，其標準差σ決定了分布的幅度。當μ = 0,σ = 1時的正態分布是標準正態分布。

十四、狄利克雷分布

狄利克雷分布(Dirichlet distribution)是多項分布的共軛分布，也就是它與多項分布具有相同形式的分布函數。同時可以看做是將Beta分布推廣到多變量的情形。一類在實數域以正單純形（standard simplex）為支撐集（support）的高維連續概率分布，是Beta分布在高維情形的推廣。

對獨立同分布（independent and identically distributed, iid）的連續隨機變量 和支撐集 ，若 服從狄利克雷分布，則其概率密度函數

有如下定義 [1] ：

式中， 是無量綱的分布參數，

是分布參數的和，

是多元Beta函數（multivariate beta function），

為Gamma函數。由上述解析形式可知，狄利克雷分布是指數族分布 [1] 。

應用

在貝葉斯推斷中，狄利克雷分布作為多項分布的共軛先驗，被用於多項分布、二項分布和類型分布（categorical distribution）的參數估計 [1] 。在機器學習領域，狄利克雷分布和廣義狄利克雷分布被應用於構建混合模型（mixture model）以處理高維的聚類和特征賦權（feature weighting）等非監督學習問題 [21] 。使用狄利克雷分布建立的主題模型（topic model），即隱含狄利克雷分布（Latent Dirichlet Allocation, LDA）被應用於自然語言處理（Natural Language Processing, NLP）和生物信息學研究（bioinfomatics）

泊松分布和負二項分布用途區分

https://www.jianshu.com/p/ad24bb90b972
---------------------
原文：https://blog.csdn.net/tonyshengtan/article/details/82947416

各類分布----二項分布，泊松分布，負二項分布，gamma 分布，高斯分布，學生分布，Z分布