欢迎您访问 最编程 本站为您分享编程语言代码，编程技术文章！

热门搜索/Hot Search

您现在的位置是： 首页

均匀分布和指数分布论文

最编程 2024-04-14 08:26:40
...

均匀分布

在概率论和统计学中，均匀分布也叫矩形分布，是对称概率分布，在相同长度间隔的分布概率是等可能的。 均匀分布由两个参数a和b定义，它们是数轴上的最小值和最大值，通常缩写为U（a，b）。

假设 X ~ U(a,b) 其概率密度为
f(x) = \begin{cases} \frac{1}{b - a}, & a < x < b \\ 0 \end{cases}

uniform_distribution.jpeg

则有期望 E(X) = \int_{-\infty}^{\infty} x f(x) dx = \int_a^b \frac{1}{b-a} x dx = \frac{1}{2}(a+b)
那么方差为 D(X) = E(X^2) - [E(X)]^2
= \int_a^b x^2 \frac{1}{b-a} dx - \left( \frac{a+b}{2} \right) = \frac{(b-a)^2}{12}

指数分布

在概率理论和统计学中，指数分布（也称为负指数分布）是描述泊松过程中的事件之间的时间的概率分布，即事件以恒定平均速率连续且独立地发生的过程。 这是伽马分布的一个特殊情况。 是几何分布的连续模拟，具有无记忆的关键性质。 除了用于分析泊松过程外，还可以在其他各种环境中找到。

y = \lambda e^{-\lambda x}
假设随机变量 X 服从指数分布，其概率密度为
f(x) = \begin{cases} \frac{1}{\theta} e^{-\frac{x}{\theta}} & x > 0 & \theta >0 \\ 0 & x \le 0 \end{cases}
则有
E(X) = \int_{-\infty}^{+\infty} x f(x) dx = \infty_0^{+\infty} x \cdot \frac{1}{\theta} e^{-\frac{x}{\theta}}dx
- xe^{-\frac{x}{\theta}}|_0^{+\infty} + \int_{0}^{+\infty}e^{-\frac{x}{\theta}}dx = \theta

D(X) = E(X^2) - [E(X)]^2 = \infty_0^{+\infty} x^2 \cdot \frac{1}{\theta} e^{-\frac{x}{\theta}}dx - \theta^2 = 2\theta - \theta^2 = \theta^2
指数函数的一个重要特征是无记忆性(遗失记忆性)
对于时间，单一个人等车的时间，再去
P(X>s + t|x>s) = P(x>t)
如果 X 是我们家里买的吸顶灯，即使用了 s 小时，则供使用至少 s + t 小时的条件概率，与未使用开始至少使用 t 小时的概率相等。

上一篇： 两个高斯分布之和的分布 - 正态分布的再生

下一篇： 入门级统计学：常见概率分布 + Python 绘制分布图

推荐阅读