文章目录
离散型随机变量（Discrete Random Variable）的概率分布连续型随机变量（Continuous Random Variable）的概率分布基于正态分布的几个分布卡方（χ2）（\chi^2）（χ2）分布（Chi-square Distribution）ttt分布（t Distribution）FFF分布（F Distribution）中心极限定理（Central Limit Theorem）离散型随机变量（Discrete Random Variable）的概率分布
二项分布（Binomial Distribution）X∼Bin(n,p)X\sim Bin(n,p)X∼Bin(n,p)比如扔n次硬币，每一次扔硬币都是互相独立的，结果只包含正面和反面两种结果，出现正面的概率为ppp, 出现反面的概率是 qqq，p+q=1p+q=1p+q=1。设出现正面的次数是XXX, 那么
p(X=x)=Cnxpxqn−xp(X=x)=C^x_np^xq^{n-x}p(X=x)=Cnxpxqn−x， E(X)=np,Var(X)=npqE(X)=np, Var(X)=npqE(X)=np,Var(X)=npq泊松分布（Poisson Distribution）X∼Pois(λ)X\sim Pois(\lambda)X∼Pois(λ)
一段时间内，事件发生的次数的概率。比如，一个小时内，5位顾客来店里的概率是多少？设顾客数为XXX，一个小时内的顾客数平均是λ\lambdaλ, 来店里的顾客数就服从Poisson Distribution。
p(X=x)=λe−λx!p(X=x)=\frac{\lambda e^{-\lambda}}{x!}p(X=x)=x!λe−λ ,E(X)=λ,Var(X)=λE(X)=\lambda, Var(X)=\lambdaE(X)=λ,Var(X)=λ
【当p趋近于0且n足够大时，Binomial Distribution近似等于Poisson Distribution。】
连续型随机变量（Continuous Random Variable）的概率分布
Probability Density FunctionorPDF: f(x)f(x)f(x)
Probability Mass FunctionorPMF: F(x)F(x)F(x)
F(x)=p(X≤x)=∫−∞xf(t)dtF(x)=p(X\leq x)=\int^x_{- \infty}f(t)dtF(x)=p(X≤x)=∫−∞xf(t)dt， f(x)=F′(x)f(x)=F^{'}(x)f(x)=F′(x)
p(a<X<b)=∫abf(x)dx=F(a)−F(b)p(a<X<b)=\int^b_af(x)dx=F(a)-F(b)p(a<X<b)=∫abf(x)dx=F(a)−F(b),相当于density曲线下面在a和b之间的面积
期望与方差：
E(X)=∫−∞+∞xf(x)=μE(X)=\int^{+\infty}_{-\infty}xf(x)=\muE(X)=∫−∞+∞xf(x)=μ
Var(X)=∫−∞+∞[x−E(x)]2f(x)=σ2Var(X)=\int^{+\infty}_{-\infty}[x-E(x)]^2f(x)=\sigma^2Var(X)=∫−∞+∞[x−E(x)]2f(x)=σ2
正态分布（Normal Distribution）X∼N(μ,σ2)X\sim N(\mu,\sigma^2)X∼N(μ,σ2)
f(x)=1σ2πe−12σ2(x−μ)2f(x)=\frac{1}{\sigma \sqrt{2\pi}}e^{-\frac{1}{2\sigma^2}(x-\mu)^2}f(x)=σ2π1e−2σ21(x−μ)2, μ\muμ决定图像中心位置，当x=μx=\mux=μ时，f(x)f(x)f(x)达到最大值，f(μ)=12πσf(\mu)=\frac{1}{2\pi\sigma}f(μ)=2πσ1。 σ\sigmaσ越大，曲线越平缓。
标准正态分布（Standard Normal Distribution）Z=X−μσ∼N(0,1)Z=\frac{X-\mu}{\sigma}\sim N(0,1)Z=σX−μ∼N(0,1)
PDF:φ(x)=12πe−x22PDF: \varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}PDF:φ(x)=2π1e−2x2
PMF:ϕ(x)=∫−∞x12πe−t22dtPMF:\phi(x)=\int^x_{-\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dtPMF:ϕ(x)=∫−∞x2π1e−2t2dt
正态分布概率问题中，将一般正态分布转化为标准正态分布后就可以查表，以及：ϕ(−x)=1−ϕ(x)\phi(-x)=1-\phi(x)ϕ(−x)=1−ϕ(x)
基于正态分布的几个分布
统计量（Statistics）: X1,X2,...XnX_1,X_2,...X_nX1,X2,...Xn是一个样本，那么由这些样本构造的函数：T(X1,X2,...Xn)T(X_1,X_2,...X_n)T(X1,X2,...Xn)是样本的统计量。常见的统计量包括样本均值，样本方差等。
抽样分布（Sampling Distribution）: 简单来说就是样本统计量的分布。在正态总体的情况下，可以推导出统计三大分布：χ2\chi^2χ2分布，ttt分布， FFF分布。
卡方（χ2）（\chi^2）（χ2）分布（Chi-square Distribution）
如果 X1,X2,...XnX_1,X_2,...X_nX1,X2,...Xn相互独立且服从标准正态分布，那么Σi=1nXi2\Sigma_{i=1}^nX_i^2Σi=1nXi2服从自由度（Degree of Freedom, or df）为n的χ2\chi^2χ2分布：X2∼χ(n)X^2\sim \chi(n)X2∼χ(n)。如果X12∼χ2(n1)X_1^2\sim \chi^2(n_1)X12∼χ2(n1)，X22∼χ2(n2)X_2^2\sim \chi^2(n_2)X22∼χ2(n2)，那么X12+X22∼χ2(n1+n2)X_1^2+X_2^2\sim \chi^2(n_1+n_2)X12+X22∼χ2(n1+n2)。不同的自由度下，卡方分布的PDFPDFPDF如下图：
ttt分布（t Distribution）
如果XXX服从标准正态分布，YYY服从自由度为nnn的卡方分布，且XXX和YYY相互独立，那么t=XY/nt=\frac{X}{\sqrt{Y/n}}t=Y/nX服从自由度为nnn的ttt分布：t∼t(n)t\sim t(n)t∼t(n)。ttt分布的PDF图像和正态分布很像，都是钟型，但ttt分布的尾部更厚一点，说明ttt分布比正态分布更容易观测到极端值。自由度越高，越接近正态分布。一般认为n≥30n\geq30n≥30时基本可以看做正态分布。不同自由度下的ttt分布和标准正态分布的PDFPDFPDF如下：
FFF分布（F Distribution）
如果V1,V2V_1,V_2V1,V2相互独立且满足自由度分别为n1n_1n1和n2n_2n2的卡方分布，那么X=V1/n1V2/n2X=\frac{V_1/n_1}{V_2/n_2}X=V2/n2V1/n1满足自由度为n1n_1n1和n2n_2n2(两个自由度的位置不能交换)的FFF分布：X∼F(n1,n2)X\sim F(n_1,n_2)X∼F(n1,n2)。以及，如果X∼t(n)X\sim t(n)X∼t(n), 那么X2∼F(1,n)X^2\sim F(1,n)X2∼F(1,n)。不同自由度下的FFF分布PDF如下图：
中心极限定理（Central Limit Theorem）
样本均值Xˉ\bar{X}Xˉ是一个常见的统计量，前面说过抽样分布时是样本统计量的分布，而在总体服从N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2)的情况下， Xˉ\bar{X}Xˉ的抽样分布也是正态分布：Xˉ∼N(μ,σ2n)\bar{X}\sim N(\mu,\frac{\sigma^2}{n})Xˉ∼N(μ,nσ2)。而当总体不服从正态分布的情况下，根据中心极限定理，如果nnn足够大，Xˉ\bar{X}Xˉ的分布也近似正态分布。设总体均值为μ\muμ, 总体方差为σ2\sigma^2σ2, 抽取样本量为nnn的样本，nnn足够大时，Xˉ\bar{X}Xˉ近似服从N(μ,σ2n)N(\mu,\frac{\sigma^2}{n})N(μ,nσ2)，或Xˉ−μσ/n\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}σ/nXˉ−μ近似服从N(0,1)N(0,1)N(0,1)。
····················未完待续····················
