数学分布(泊松分布二项分布正态分布均匀分布指数分布)+生存分析+贝叶斯概率公式+全概率公式..docVIP

数学期望：随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个， 则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 也就是说，我们用数学的方法分析了这个概率性的问题，对于每一个家庭，最有可能它家的孩子为1.11个。 可以简单的理解为求一个概率性事件的平均状况。 各种数学分布的方差是： 一个完全符合分布的样本 这个样本的方差 概率密度的概念是：某种事物发生的概率占总概率(1)的比例,越大就说明密度越大。比如某地某次考试的成绩近似服从均值为80的正态分布，即平均分是80分，由正态分布的图形知x=80时的函数值最大，即随机变量在80附近取值最密集，也即考试成绩在80分左右的人最多。 下图为概率密度函数图(F(x)应为f(x)，表示概率密度)： 离散型分布：二项分布、泊松分布 连续型分布：指数分布、正态分布、X2分布、t分布、F分布 抽样分布只与自由度，即样本含量（抽样样本含量）有关 二项分布（binomial distribution）：例子抛硬币 重复试验（n个相同试验，每次试验两种结果，每种结果概率恒定————伯努利试验） P(X=0), P(X=1), P(X=3), ……….所有可能的概率共同组成了一个分布，即二项分布 泊松分布（possion distribution）： 一个单位内（时间、面积、空间）某稀有事件 此事件发生K次的概率 3、P(X=0), P(X=1), P(X=3), ……….所有可能的概率共同组成了一个分布，即泊松分布 二项分布与泊松分布的关系： 二项分布在事件发生概率很小，重复次数n很大的情况下，其分布近似泊松分布 均匀分布(uniform distribution)： 分为连续型均匀分布和离散型均匀分布 离散型均匀分布： n种可能的结果 每个可能的概率相等(1/n) 连续型均匀分布： 可能的结果是连续的 每个可能的概率相等() 连续型均匀分布概率密度函数如下图： 指数分布（exponential distribution）： 用来表示独立随机事件发生的时间间隔，比如旅客进机场的时间间隔、中文维基百科新条目出现的时间间隔等等。normal distribution）： 又称高斯分布。 描述一个群体的某个指标。 这个指标是连续的。 每个特定指标在整个群体中都有一个概率（）。 所有指标概率共同组成了一个分布，这个分布就是正态分布。 正态分布的概率密度函数如下图： 中心极限定理： 不论总体的分布形式如何（正态或非正态），只要样本（抽样样本）含量n足够大时，样本均数的分布就近似正态分布，且均数与总体均数相等，标准差为（总体标准差）/（n的开方）。 中心极限定理使得t分布、F分布和X2分布在抽样样本含量很大时不需要对总体样本是否正态有要求。 t分布（student t distribution）: 1、t分布是以0为中心的一簇曲线，每个自由度决定一个曲线 2、自由度是一个抽样小样本中的具体观测值的个数（抽样样本含量）-1 3、总体样本呈正态分布（抽样样本含量较小时，要求总体样本呈正态分布，如果抽样样本含量很大（eg. n = 100），由中心极限定理可知抽样样本均数也近似正态分布，因而“差值”的概率也呈正态分布，而t分布的每一条曲线实际上都是正态分布曲线） 4、从一个总体样本中抽取很多个小样本———抽样 5、每个小样本都有一个均值 6、每个小样本的均值与总体样本均值有一个差值，这个差值用t估计 7、可能有多个小样本的差值估计都是t，t出现的次数占所有小样本的比例可以用一个概率衡量 8、所有t值的概率组成一个分布，就是t分布的一个曲线 9、另外做一个抽样，每个小样本包含的观测值不同，则形成t分布的另外一个曲线 10、自由度越大，则曲线越接近于标准正态分布 11、t分布只与自由度相关 t分布的概率密度函数如下图（v为自由度）： X2分布（chi square distribution）： 1、X2分布也是一簇曲线，每个自由度决定一个曲线 2、自由度是一个抽样小样本中的具体观测值的个数（抽样样本含量）