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 全概率公式讲解
概率论中几种常用重要分布
概率论中几种常用的重要的分布摘要：本文主要探讨了概率论中的几种常用分布，的来源和他们中间的关系。
其在实际中的应用。
关键词1 一维随机变量分布随机变量的分布是概率论的主要内容之一，一维随机变量部分要介绍六中常用分布，即( 0 －1) 分布、二项分布、泊松分布、均匀分布、指数分布和正态分布． 下面我们将对这六种分布逐一地进行讨论．随机事件是按试验结果而定出现与否的事件。
它是一种“定性”类型的概念。
为了进一步研究有关随机试验的问题，还需引进一种“定量”类型的概念，即，根据试验结果而定取什么值（实值或向量值）的变数。
称这种变数为随机变数。
本章内将讨论取实值的这种变数—— 一维随机变数。
定义1.1 设X 为一个随机变数，令 ()([(,)])([]),()F x P X x P Xx x=∈-∞=-∞+∞.这样规定的函数()F x 的定义域是整个实轴、函数值在区间[0,1]上。
它是一个普通的函数。
成这个函数为随机函数X 的分布函数。
有的随机函数X 可能取的值只有有限多个或可数多个。
更确切地说：存在着有限多个值或可数多个值12,,...,a a 使得 12([{,,...}])1P X a a ∈=称这样的随机变数为离散型随机变数。
称它的分布为离散型分布。
【例1】下列诸随机变数都是离散型随机变数。
（1）X 可能取的值只有一个，确切地说，存在着一个常数a ,使([])1P X a ==。
称这种随机变数的分布为退化分布。
一个退化分布可以用一个常数a 来确定。
（2）X 可能取的值只有两个。
确切地说，存在着两个常数a ，b ，使([{,}])1P X a b ∈=.称这种随机变数的分布为两点分布。
如果([])P X b p ==，那么，([])1P X a p ===-。
因此，一个两点分布可以用两个不同的常数,a b 及一个在区间（0,1）内的值p 来确定。
特殊地，当,a b 依次为0,1时，称这两点分布为零-壹分布。
二项分布正态分布泊松分布的区别和联系
二项分布正态分布泊松分布的区别和联系大家好，今天我们来聊聊二项分布、正态分布和泊松分布，这三个家伙可都是概率论里的“大腕儿”，虽然有时候让人头疼，但是它们在现实生活中可是无处不在哦！咱们就从它们的“区别和联系”这个角度来探讨一下吧。
咱们来看看二项分布。
二项分布呢，就像是一个抽奖活动，你不知道会抽到什么奖品，但是你知道每次抽奖只有两个选项：中奖或者不中奖。
而且呢，每次抽奖的概率都是一样的。
这个概率就是二项分布的概率参数，也就是成功的概率。
那么，如果我们知道这个概率是多少，比如说成功的概率是0.5,那么我们就可以算出在10次抽奖中中奖的次数是多少了。
当然啦，如果你想更了解二项分布，还可以了解一下它的期望值、方差等等概念。
接下来，咱们说说正态分布。
正态分布呢，就像是一个正常的人长相一样，它的形状是对称的，中间高两边低。
而且呢，正态分布在统计学里的地位可是非常重要的哦！因为它可以用来描述很多自然现象，比如人的身高、考试成绩等等。
而且呢，正态分布还有一个很酷的特点，就是它的均值和方差是可以自己设定的哦！这就意味着，我们可以根据实际情况来调整正态分布的形状，以便更好地描述我们关心的数据。
当然啦，正态分布在实际应用中还有很多其他的应用，比如假设检验、置信区间等等。
咱们来说说泊松分布。
泊松分布呢，就像是一个钟表一样，它的时间间隔是固定的，而且每个时间点的事件发生次数也是固定的。
这个概念听起来有点儿像二项分布，但是它们之间还是有很多区别的。
比如说，泊松分布的时间间隔是固定的，而二项分布没有这个限制；泊松分布的事件发生次数也是固定的，而二项分布则没有这个要求。
泊松分布还涉及到一个重要的概念——单位时间面积。
这个概念听起来有点儿专业，其实就是指在一个固定的时间段内，某个事件发生的总面积是多少。
泊松分布在实际应用中有很多用途，比如计算电话呼叫次数、交通事故发生次数等等。
好了，今天我们就先聊到这里吧。
希望大家能够通过对二项分布、正态分布和泊松分布的学习，更好地理解这些概率论里的概念。
数据分析-分布类别
数据分析-分布类别数据分析是一门应用统计学和信息技术手段来对数据进行分析、解释和预测的学科。
数据分析可以帮助我们发现数据中的规律和趋势，从而支持决策和解决问题。
在数据分析中，分布是一种重要的统计概念。
分布描述了数据的频率分布情况，可以用来揭示数据的集中趋势和离散程度。
本文将从不同类型的分布入手，讨论它们的特点和应用。
首先，我们来讨论常见的离散分布。
离散分布主要用于描述离散型数据的频率分布情况。
其中最常见的是二项分布和泊松分布。
二项分布是描述二分类试验的结果，比如抛硬币、投骰子等。
它的特点是结果只能是成功或失败，并且每次试验的成功概率相同。
泊松分布则常用于描述单位时间内事件发生次数的概率分布，比如一天内接到的电话数量、网站每小时的访问量等。
离散分布的研究可以帮助我们预测和规划未来的事件发生。
接下来，我们讨论连续分布。
连续分布用于描述连续型数据的概率分布情况。
最常见的连续分布是正态分布。
正态分布是自然界和社会现象中最常见的一种分布，例如身高、体重、考试成绩等。
正态分布的特点是呈钟形曲线，均值和标准差可以完全决定分布的形态。
正态分布的研究可以帮助我们了解各种现象的普遍规律。
除了常见的分布类型，还有其他一些特殊的分布。
例如，指数分布用于描述连续事件的间隔时间，如等待的时间、失效的时间等。
对数正态分布用于描述正态分布取对数后的分布情况，例如收入、房价等。
这些特殊的分布在实际问题中也有重要的应用，可以帮助我们更好地理解和分析现象。
在实际应用中，分布的分析对于数据的合理解读和判断至关重要。
通过对某一现象的分布分析，我们可以了解其集中趋势、离散程度、对称性等特征。
在决策和解决问题时，我们可以根据分布的特点采取相应的措施。
例如，对于一个右偏分布（即正态分布的尾部向右延伸），我们可以采取措施加强对极端值的防范和管理。
因此，掌握各种分布的特点和应用，对于数据分析工作至关重要。
最后，我们需要注意数据分析中对于分布的合理假设和验证。
二项分布、泊松分布、均匀分布、指数分布、正态分布
二项分布、泊松分布、均匀分布、指数分布、正态分
布
二项分布是离散概率分布的一种，适用于只有两种可能结果（成功和失败）的独立重复试验。
每次试验成功的概率为p，失败的概率为1-p。
试验的次数为n。
二项分布表示了在n次独立重复试验中，成功次数为k的概率分布。
泊松分布：
泊松分布是在一段固定时间或空间中，随机事件发生的次数的概率分布。
它适用于事件发生率较低，但时间或空间较大的情况。
泊松分布的参数λ表示单位时间或单位空间中事件的平均发生率。
泊松分布的概率质量函数是离散的，表示了事件发生次数为k的概率。
均匀分布：
均匀分布是连续概率分布的一种，也称为矩形分布。
在一个定义在[a, b]区间上的随机变量的情况下，均匀分布概率密度函数使得[a, b]区间上每个区间的长度相等，且概率密度函数在该区间上是常数。
均匀分布的概率密度函数是恒定的，且在[a, b]区间外为零。
指数分布：
指数分布是连续概率分布的一种。
它适用于描述独立随机事件的等待时间，当事件发生的概率是恒定的。
指数分布的概率密度函数呈指数形式下降，并且在x 轴上永不为零。
指数分布的参数λ表示单位时间内事件发生的平均次数。
正态分布：
正态分布是连续概率分布的一种，也称为高斯分布。
它是最常见的概率分布之一，常被用于描述自然界中许多现象的分布情况，如身高、体重等。
正态分布的概率密度函数呈钟形曲线，均值和标准差是正态分布的参数。
正态分布具有许多重要的性质，如对称性、中心极限定理等。
二项分布 泊松分布 正态分布
二项分布泊松分布正态分布一、二项分布二项分布是概率论中的一种离散概率分布模型，也是最重要的概率模型之一。
它描述了在n个独立重复的是/非试验中，成功次数的概率分布。
其中每次试验只有两种可能结果，成为“成功”和“失败”。
二项分布的概率密度函数为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)其中，P(X=k)表示在n次独立重复试验中成功k次的概率，C(n,k)表示从n个试验中选择k个成功的组合数，p表示每次试验成功的概率。
在实际应用中，二项分布可以描述许多事件的概率分布，例如硬币的正反面、反应速度快慢等。
通过计算二项分布的概率，我们可以对未来事件的结果进行预测，并作出相应的决策。
二、泊松分布泊松分布是指在一段时间或一定空间内，某一事件发生的次数的概率分布。
泊松分布的概率质量函数为：P(X=k) = (λ^k * e^-λ) / k!其中，P(X=k)表示某一事件发生k次的概率，λ表示事件平均发生率。
泊松分布常用于描述稀有事件，如地震发生的频率、网站访问量、电话呼叫次数等。
泊松分布具有以下特点：1. 事件的发生次数是独立的，一个事件的发生不影响其他事件的发生；2. 平均发生率是一个常数；3. 事件在一段时间或一定空间内是随机分布的。
通过泊松分布的计算，可以对事件的发生概率和频率进行估计，从而做出相应的安排和预测。
三、正态分布正态分布，又称高斯分布或钟形曲线分布，是一种连续概率分布。
正态分布的概率密度函数为：f(x) = (1 / (σ * √(2π))) * e^(-((x-μ)^2 / (2σ^2)))其中，f(x)表示随机变量X的概率密度函数，μ表示均值，σ表示标准差，π表示圆周率，e表示自然对数的底数。
正态分布的特点是呈现出典型的钟形曲线，均值对应曲线的对称轴。
根据“三个σ原则”，大约68.27%的数据位于均值附近的一个标准差范围内，大约95.45%的数据位于两个标准差范围内，大约99.73%的数据位于三个标准差范围内。
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+全概率公式资料讲
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：1、一个完全符合分布的样本2、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1、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）2、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，即二项分布泊松分布（possion distribution）：1、一个单位内（时间、面积、空间）某稀有事件2、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：1、n种可能的结果2、每个可能的概率相等(1/n)连续型均匀分布：1、可能的结果是连续的2、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。
二项分布正态分布泊松分布的区别和联系
二项分布正态分布泊松分布的区别和联系1. 引言嘿，大家好！今天我们来聊聊三位数学界的明星：二项分布、正态分布和泊松分布。
这三位在统计学中可是占据了一席之地，像一顿丰盛的盛宴，各有各的特色。
无论你是学霸还是小白，都能从中找到乐趣。
好了，咱们就开始这段有趣的旅程吧！2. 二项分布2.1 概述先来聊聊二项分布。
想象一下，你在抛硬币，每次都有两个结果：正面或反面，简单吧？这就是二项分布的基本思想。
二项分布其实是关于在固定次数的独立实验中，某个事件发生的次数的概率分布。
比如，你抛十次硬币，想知道正面朝上几次的概率，这时候二项分布就派上用场了。
2.2 公式与应用二项分布的公式其实不复杂：P(X=k) = C(n, k) * p^k * (1p)^(nk)。
听起来复杂？其实就是告诉你，C(n, k)是组合数，p是成功的概率，n是实验次数。
应用场景可多了，像调查满意度、投票结果等等，统统能用到它。
3. 正态分布3.1 概述接下来，我们来聊聊正态分布。
说到正态分布，很多人第一反应就是“钟形曲线”。
对，就是这个意思！正态分布常常用来描述自然现象，比如身高、体重等，大家聚在平均值附近，像是一群小鸟围着大树。
大树就是平均值，小鸟就是数据，越远离大树的小鸟，数量就越少。
3.2 特性与应用正态分布的神奇之处在于它有两个参数：平均值和标准差。
平均值决定了“大树”的位置，而标准差则决定了“小鸟”的分布范围。
它在各个领域都能见到，比如心理测试、质量控制等，简直是统计学的万金油！4. 泊松分布4.1 概述最后，我们来说说泊松分布。
泊松分布有点像二项分布的兄弟，但它处理的事情有点不同。
泊松分布主要关注在一个固定的时间或空间内，某个事件发生的次数。
比如说，某个时间段内接到的电话数量，听起来很实用吧？4.2 公式与应用泊松分布的公式是P(X=k) = (λ^k * e^(λ)) / k!，其中λ是平均发生率，k是发生次数。
是不是觉得有点复杂？但它的应用场景相当广泛，比如交通事故、客户到店数量等，完全可以帮助我们更好地做出预测。
正态分布二项分布泊松分布的区别与联系
正态分布二项分布泊松分布的区别与联系当然，了解不同分布的特点挺有趣的，让我们轻松聊聊正态分布、二项分布和泊松分布的区别与联系。
1. 正态分布正态分布，哇，这个家伙真是个大明星！它的图像就像个优雅的山峰，左右对称，中间高，两边低，给人一种很和谐的感觉。
很多自然现象，比如人的身高、考试成绩，都可以用正态分布来描述。
这就像我们说的“中庸之道”，绝大多数人都在平均值附近，极端的情况就像火锅里的辣椒，虽少但很显眼。
正态分布的一个超级厉害的地方就是它有两个参数：均值和标准差。
均值决定了山的高低，而标准差则告诉你山的陡峭程度。
2. 二项分布接下来，让我们聊聊二项分布。
这个家伙则有点像在玩掷硬币的游戏。
每次投掷，结果非黑即白，要么是成功，要么是失败。
想象一下，你在一次掷骰子的比赛中，你想知道投出六的次数，这就是二项分布的玩法！它由两个关键因素决定：试验的次数和成功的概率。
说白了，二项分布就是个“是或不是”的游戏，很简单，但有时候却可以让人头疼，尤其是计算概率的时候。
3. 泊松分布最后，我们要提到的是泊松分布。
这个分布可真是个小怪兽，它主要用来描述在固定时间或空间内发生的事件数量，比如一分钟内接到的电话数量，或者街上经过的车数。
泊松分布的一个有趣之处在于，它适用于那些随机发生的事件，并且这些事件彼此独立。
想象一下，你在咖啡店等朋友，突然有个人来问你路，这个事件的到来就有点像泊松分布，不是每天都发生，但一旦发生了，可能就让你意外惊喜。
4. 三者的联系那么，这三者到底有什么联系呢？其实，它们都是在帮助我们理解不确定性，尽管风格各有不同。
正态分布是个大方的朋友，二项分布像个认真负责的学生，而泊松分布则像个随性的小伙伴。
它们之间也有一些深层的关系，比如在特定条件下，二项分布可以趋近于正态分布，当试验次数很大而成功概率很小的时候，正态分布就成了二项分布的“庇护所”。
而泊松分布也是二项分布的极限形式，当试验次数趋向于无穷大时，成功概率趋近于零，二项分布就像魔法一样变成了泊松分布。
概率分布函数公式整理二项分布正态分布与泊松分布
概率分布函数公式整理二项分布正态分布与泊松分布概率分布函数公式整理：二项分布、正态分布与泊松分布概率分布函数是描述随机变量的概率分布的函数。
在统计学和概率论中，有许多常见的概率分布函数可以被用来描述不同类型的随机变量。
在本文中，我们将整理二项分布、正态分布以及泊松分布的概率分布函数公式。
一、二项分布的概率分布函数公式二项分布描述了在n次独立重复的伯努利试验中成功次数的概率分布。
假设每次试验成功的概率为p，则在n次试验中成功k次的概率可以表示为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)其中，C(n, k)表示组合数，即从n个不同元素中选择k个元素的组合数。
p^k表示p的k次方，(1-p)^(n-k)表示(1-p)的(n-k)次方。
二、正态分布的概率分布函数公式正态分布也被称为高斯分布，它是一种连续型的概率分布，被广泛应用于自然科学、社会科学和工程技术等领域。
正态分布的概率密度函数公式为：f(x) = (1 / (σ * sqrt(2π))) * e^(-((x-μ)^2 / (2σ^2)))其中，μ表示均值，σ表示标准差，e表示自然常数。
正态分布的概率密度函数是一个钟形曲线，对称于均值μ。
三、泊松分布的概率分布函数公式泊松分布常用于描述单位时间内独立事件发生次数的概率分布，如电话交换机接到呼叫的次数、某个网站每分钟访问次数等。
泊松分布的概率质量函数公式为：P(X=k) = (e^(-λ) * λ^k) / k!其中，k表示事件发生的次数，λ表示单位时间内平均发生的事件次数。
e表示自然常数，k!表示k的阶乘。
综上所述，二项分布、正态分布和泊松分布是常见的概率分布函数。
通过这些概率分布函数的公式，我们可以计算不同情况下的概率值，进而对实际问题进行概率分析和推断。
了解这些概率分布函数的公式，有助于我们更好地理解概率论与统计学的应用场景，并能够根据具体问题选择合适的概率分布进行建模和分析。
二项分布、泊松分布和正态分布的关系及其应用
二项分布、泊松分布和正态分布的关系及其应用二项分布、泊松分布和正态分布是统计学中常见的三种分布类型，它们在描述随机变量的分布和概率方面有着重要的应用。
本文将介绍这三种分布的基本概念和特点，探讨它们之间的关系，并结合实际应用场景进行分析。
一、二项分布二项分布是描述一组独立重复的伯努利试验中成功次数的概率分布，其中每次试验有两种可能的结果：成功或失败。
假设试验成功的概率为p，失败的概率为1-p，进行n次试验后成功的次数X服从二项分布。
二项分布的概率质量函数为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)C(n, k)表示组合数，表示在n次试验中成功k次的概率。
二项分布在实际应用中有着广泛的应用，例如在质量控制中描述次品率、在市场营销中描述广告点击率等。
二、泊松分布泊松分布是描述单位时间或单位空间内事件发生次数的概率分布，常用于描述罕见事件的发生概率，如自然灾害的发生次数、电话交换机接到呼叫的次数等。
泊松分布的概率质量函数为：P(X=k) = (λ^k * e^(-λ)) / k!λ表示单位时间或单位空间内事件的平均发生率，k表示事件发生的次数。
泊松分布的特点是均值和方差相等，且当n充分大、p充分小、np=λ时，二项分布可以近似地表示为泊松分布。
泊松分布在实际应用中有着丰富的场景，如在交通流量预测中描述交通事故发生的次数、在医学统计中描述疾病发作的次数等。
三、正态分布正态分布（又称高斯分布）是统计学中最常见的连续型概率分布，其概率密度函数呈钟型曲线，具有单峰对称的特点。
正态分布在自然界和社会现象中均有广泛应用，如身高、体重、考试成绩等往往服从正态分布。
正态分布的概率密度函数为：f(x) = (1/sqrt(2πσ^2)) * e^(-(x-μ)^2 / 2σ^2)μ表示均值，σ^2表示方差。
正态分布具有许多有用的性质，比如68-95-99.7法则，大部分数据分布在均值附近，以及许多随机变量的总和或平均值都近似服从正态分布等。
统计学常用分布
统计学常用分布一、引言在统计学中，分布是描述数据变化规律和概率的重要工具。
不同的数据类型和问题背景需要采用不同的分布来描述。
本篇文章将介绍统计学中常用的几种分布，包括正态分布、二项分布与泊松分布、指数分布与对数正态分布、卡方分布与t分布等。
二、正态分布正态分布是最常见的连续概率分布之一，它在自然现象、工程技术和社会科学等领域都有广泛的应用。
正态分布的曲线呈钟形，数据值集中在均值附近，随着远离均值，概率逐渐减小。
正态分布在统计学中具有重要地位，许多统计方法和模型都以正态分布为基础。
三、二项分布与泊松分布1.二项分布：二项分布是用来描述伯努利试验中的随机事件的概率分布，其中每次试验只有两种可能的结果，并且每次试验都是独立的。
二项分布适用于计数数据，尤其在生物实验和可靠性工程等领域有广泛应用。
2.泊松分布：泊松分布是二项分布在伯努利试验次数趋于无穷时的极限形式，常用于描述单位时间内随机事件的次数。
泊松分布在概率论和统计学中具有重要地位，广泛应用于保险、通信和生物医学等领域。
四、指数分布与对数正态分布1.指数分布：指数分布描述的是随机事件之间的独立间隔时间或者随机变量的概率分布。
指数分布常用于描述寿命测试和等待时间等问题，例如电话呼叫的间隔时间和电子元件的寿命等。
2.对数正态分布：对数正态分布在统计学中用于描述那些其自然对数呈正态分布的随机变量。
许多生物学、经济学和社会科学中的数据都服从对数正态分布，例如人的身高、体重以及股票价格等。
五、卡方分布与t分布1.卡方分布：卡方分布在统计学中主要用于描述离散型概率分布。
卡方分布是通过对两个独立的随机变量进行平方和运算得到的，常用于拟合检验和置信区间的计算。
2.t分布：t分布在统计学中广泛应用于样本数据的参数估计和假设检验。
相比于正态分布，t分布在数据量较小或参数偏离正态性时具有更好的稳定性。
t分布在金融、生物医学和可靠性工程等领域有广泛应用。
六、结论在统计学中，不同的数据类型和问题背景需要采用不同的分布来描述。
统计学中的常用概率分布及其性质
统计学中的常用概率分布及其性质概率论是数学中的一个分支，它研究的是随机事件的发生概率以及由随机变量带来的影响。
概率分布则是衡量随机变量取值的可能性的一种方法。
概率分布可以用来得出某些随机变量出现的概率，同时可以用来比较多个随机变量之间的差异。
在统计学中，常用的概率分布有正态分布、伯努利分布、泊松分布、指数分布、二项分布、负二项分布以及几何分布。
正态分布正态分布是一种非常常见的概率分布，也叫高斯分布。
正态分布的概率密度函数是一个钟形曲线，其均值、方差以及标准差的值决定了曲线的位置与形态。
伯努利分布伯努利分布是一种离散概率分布，其只有两个可能结果，即成功或失败。
在伯努利分布中，成功的概率为p，失败的概率为1-p。
伯努利分布可以用来估计投掷硬币等随机事件的概率。
泊松分布泊松分布是一种离散概率分布，它用来衡量独立随机事件在一段时间内发生的次数。
泊松分布的概率密度函数为: P(X=k)= e^-λ * λ^k/k!，其中λ为平均发生次数。
指数分布指数分布是一种连续概率分布，其用途非常广泛，例如在可靠性工程学中，指数分布可以用来描述设备故障发生之间的时间间隔。
指数分布的概率密度函数为: f(x) = λ * e^-λx，其中λ为发生比例。
二项分布二项分布是一种离散概率分布，其表示在n次试验中成功的次数。
二项分布的概率函数为：P(X=k)= (n!/(k!*(n-k)!)) * p^k * (1-p)^(n-k)，其中p为成功概率，n为试验次数。
负二项分布负二项分布是一种离散概率分布，其表示在成功x次之前，需要进行n次试验中失败的次数。
负二项分布的概率密度函数为：P(X=k)= (k-1)!((r-1)!*(k-r)!)p^r(1-p)^(k-r)几何分布几何分布是二项分布的一个特例，其表示在n次试验中，首次发生成功的次数。
几何分布的概率密度函数为：P(X=k)=(1-p)^(k-1)* p，其中p为成功概率，k为试验次数。
几种常见的概率分布及应用
几种常见的概率分布及应用常见的概率分布有很多种，在统计学和概率论中，这些分布被广泛应用于各种领域，包括自然科学、工程、经济和社会科学等。
下面是几种常见的概率分布及其应用：1. 均匀分布（Uniform Distribution）：均匀分布是最简单的概率分布之一，它的概率密度函数在一个给定的区间内是常数。
这种分布广泛应用于统计推断、模拟和随机数生成等领域。
2. 二项分布（Binomial Distribution）：二项分布适用于具有两个可能结果的离散试验，如抛硬币、打靶等。
在二项分布中，每个试验都是独立的，并且具有相同的概率。
二项分布在实验研究和贝叶斯统计等领域有广泛的应用。
3. 泊松分布（Poisson Distribution）：泊松分布适用于描述单位时间或空间内稀有事件发生次数的概率分布。
它在复杂事件模型、风险评估和可靠性分析等领域有广泛的应用。
4. 正态分布（Normal Distribution）：正态分布是最常见的连续概率分布之一，也被称为高斯分布。
它具有对称的钟形曲线，广泛应用于自然科学、社会科学和工程等领域。
正态分布在统计推断、回归分析、贝叶斯统计等方面发挥着重要作用。
5. 指数分布（Exponential Distribution）：指数分布适用于描述事件发生之间的时间间隔的概率分布。
它在可靠性工程、队列论、生存分析等领域有广泛的应用。
6. γ分布（Gamma Distribution）：γ分布是一类连续概率分布，用于描述正数随机变量的分布，如等待时间、寿命和利润等。
它在贝叶斯统计、过程控制和金融分析等领域被广泛使用。
7. t分布（T-Distribution）：t分布是一种用于小样本情况下的概率分布，它类似于正态分布，但考虑了样本容量较小的情况。
t分布在统计推断和假设检验等方面有广泛的应用。
8. χ²分布（Chi-Square Distribution）：χ²分布是一种用于度量变量之间的独立性和相关性的概率分布。
常用数据分布、二项分布，伯努利分布，正态分布
常用数据分布、二项分布，伯努利分布，正态分布数据分布数据分布是—种形象的数据描述方式，用各种统计图形将数据的分布形态形象地展现在图形上，指的是数据分概率分布或频数分布，即单个值在整个数据集中的分布。
基本概念1、随机变量：随机变量是随机事件在数量上的表现，按取值分类分为离散型随机变量和连续型随机变量。
例如随机在两男两女中抽取两个人，要求一男一女，有可能出现（男1 , 女1) 、（男1, 女2) 、（男2, 女1) 、（男2, 女2) I 我们关心的是—个男—个女，而并不关心是哪个男的配对哪个女的。
离散型随机变量：在一定区间内变星的取值为无数个或可数个，例如商品个数，人口总数等，主要包括：柏怒利随机变量、二项随机变量、几何随机变晕、泊松随机变星。
连续型随机变量在一定区间内变量的取值为无数个，数值无法进行一一列举，如血红蛋白的测定值等，主要包括：均匀随机变量、指数随机变量、伽马随机变量、正态随机变量。
2、古典概率：指事件中结果种类是确定的，且结果发生概率都相同，这种事件发生的概率被称古典概率，例如抛硬币和掷骰子等。
3、条件概率：指时间A在时间B已经发生的条件下所发生的的概率，例如掷骰子时第一次掷到1第二次掷到2的概率就是条件概率。
4、离散变量：指变量值可以按照—定顺序进行列举，通常以整数位取值的变量，例如：人口数、商品数等。
5、连续变量：指在一定区间中可以任意取值的变量，数值连续不断，可无限分隔，例如：生产零件的规格，身高体重等。
6、期望值：指在一个离散型随机变量试验中，每次可能出现的结果的概率乘以其结果的总和，不同于常识中的期望值，统计学中的期望值，也许和每—个结果都不相同离散变量分布1、二项分布：指在每次试验中只有两种可能的结果，例如：市场调研员询问消费者对某种洗发用品是否满意，其结果也只有两个，即满意与不满意；拨打朋友手机的结果，即接通与没接通。
如果某个事件或活动的结果多千两个，但只关心其中一个，也可以视为只有两个结果。
数学分布生存分析贝叶斯概率公式全概率公式
数学分布生存分析贝叶斯概率公式全概率公式数学分布，也称为概率分布函数，是用来描述随机变量的取值和概率之间的关系的数学函数。
常见的数学分布包括泊松分布、二项分布、正态分布、均匀分布和指数分布。
其中，泊松分布用于描述单位时间内事件发生的次数，二项分布用于描述二项试验中成功的次数，正态分布用于描述连续随机变量的分布，均匀分布用于描述随机变量在一个区间内取值的均匀分布情况，指数分布用于描述连续随机变量的分布。
生存分析是一种统计方法，用于研究个体在给定时间段内生存的概率。
生存分析主要应用于生物学、医学、工程等领域，用于研究个体在不同条件下生存时间的差异和影响因素。
生存分析中常用的方法包括生存曲线、生存函数、风险比等。
贝叶斯概率公式是概率论中的一个重要公式，用于计算在给定先验概率的情况下，后验概率的条件概率。
在贝叶斯概率中，先验概率是基于以往的经验或知识得出的概率，后验概率是在观察到一些证据之后更新的概率。
贝叶斯概率公式为：P(A，B)=P(B，A)*P(A)/P(B)其中，P(A，B)表示在B发生的条件下，A发生的概率，P(B，A)表示在A发生的条件下，B发生的概率，P(A)和P(B)分别表示A和B的边缘概率。
全概率公式是概率论中的另一个重要公式，用于计算一个事件的概率，通过将该事件分解成多个互斥事件的并集来计算。
P(A)=P(A，B1)*P(B1)+P(A，B2)*P(B2)+...+P(A，Bn)*P(Bn)其中，P(A)表示事件A发生的概率，P(A，Bi)表示在条件Bi下，事件A发生的概率，P(Bi)表示事件Bi发生的概率。
以上是对数学分布、生存分析、贝叶斯概率公式和全概率公式的简要介绍。
每种概念都非常庞大，各自包含了更多的理论和具体应用，可以进一步深入学习和探索。
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（新）
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（新）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：1、⼀个完全符合分布的样本2、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1、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）2、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，即⼆项分布泊松分布（possion distribution）：1、⼀个单位内（时间、⾯积、空间）某稀有事件2、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：1、n种可能的结果2、每个可能的概率相等(1/n)连续型均匀分布：1、可能的结果是连续的2、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。
常见概率分布 应用场景
常见概率分布应用场景
常见的概率分布主要包括：二项分布、泊松分布、正态分布、指数分布和伽马分布等。
这些概率分布在不同的领域和场景中都有广泛的应用，以下是一些常见的应用场景：
1. 二项分布：在二项试验中，每次试验只有两个结果，成功和失败。
二项分布常用于描述一系列独立重复的试验中成功次数的概率分布，例如投硬币、掷骰子等。
2. 泊松分布：泊松分布常用于描述单位时间或单位面积内某个事件发生的次数的概率分布。
例如描述单位时间内电话呼入量的分布、单位面积内事件发生的频率等。
3. 正态分布：正态分布（高斯分布）是最常见的连续型概率分布，常用于描述各种自然现象的变量，如身高、体重、测试成绩等。
在统计学和随机过程中也广泛应用，如回归分析、假设检验、随机游走等。
4. 指数分布：指数分布用于描述连续随机变量的时间间隔或寿命的概率分布。
经常应用于可靠性工程、生存分析等领域，如设备故障发生的时间、产品寿命等。
5. 伽马分布：伽马分布常用于描述连续随机变量的等待时间的概率分布。
在可靠性工程、排队论、风险分析等领域中有广泛应用。
例如等待时间、服务时间等。
除了上述常见的概率分布外，还有其他一些概率分布如贝努力
分布、几何分布、均匀分布等也有各自的应用场景。
不同的概率分布适用于不同的实际问题，选择正确的概率分布对于分析和解决问题非常重要。
二项分布 、正态分布、泊松分布的关系
二项分布、正态分布、泊松分布的关系二项分布、正态分布和泊松分布是概率论中的三种重要分布，它们各自有不同的应用场景和特点。
以下将简要介绍它们的关系：1.二项分布：二项分布适用于伯努利试验，即在相同条件下独立重复进行的试验，每次试验只有两种可能的结果（通常用0和1表示），并且每次试验成功的概率为p。
在这种情况下，n次独立重复试验中成功k次的概率服从参数为n和p的二项分布。
2.正态分布：正态分布是一种连续概率分布，描述了许多自然现象的概率分布情况，例如人类的身高、考试分数等。
正态分布具有钟形曲线，且曲线关于均值对称。
正态分布的方差决定了分布的宽度，均值决定了分布的位置。
3.泊松分布：泊松分布适用于描述在单位时间内（或单位面积上）随机事件的预期次数，例如某时间段内到达的顾客数量或某地区交通事故发生的次数。
泊松分布的概率函数形式与二项分布类似，但泊松分布的参数λ是描述单位时间内随机事件的平均发生率，而不是概率。
关系总结：1.二项分布和泊松分布都是离散概率分布，适用于描述离散随机事件（二项分布是成功次数，泊松分布是随机事件次数）的概率。
2.正态分布是连续概率分布，适用于描述连续变量的概率分布情况。
3.在某些情况下，当二项分布的试验次数n非常大且每次试验的成功概率p非常小（但np保持常数）时，二项分布近似于泊松分布。
这种近似在统计学中被称为“泊松近似”。
4.正态分布在数学和统计学中具有重要地位，因为许多自然现象的概率分布情况都可以用正态分布来近似描述。
正态分布在概率论和统计学中有着广泛的应用。
总结来说，二项分布、正态分布和泊松分布在不同的应用场景下都有各自的特点和适用范围。
它们之间的关系在于泊松分布在一定条件下可以近似于二项分布，而正态分布在许多自然现象中都有广泛的应用。
泊松分布 二项分布 正态分布
泊松分布二项分布正态分布泊松分布、二项分布和正态分布是概率论中常用的三种分布模型。
它们在统计学、生物学、金融学等领域中有着广泛的应用。
本文将分别介绍这三种分布的概念、特点和应用。
一、泊松分布泊松分布是一种离散型的概率分布，用来描述在一定时间或空间范围内事件发生的次数的概率分布。
泊松分布的概率质量函数为：P(X=k) = (λ^k * e^(-λ)) / k!其中，λ为单位时间或单位空间内事件的平均发生率，k为事件发生的次数。
泊松分布的期望值和方差均为λ。
泊松分布的应用非常广泛。
例如，在电话交换机中，用于描述单位时间内电话呼叫的数量；在生物学中，用于描述单位面积内个体的分布密度；在金融学中，用于描述单位时间内某种事件的发生次数，如股市中的涨跌幅度。
二、二项分布二项分布是一种离散型的概率分布，用来描述在n次独立重复试验中成功次数的概率分布。
二项分布的概率质量函数为：P(X=k) = C(n,k) * p^k * (1-p)^(n-k)其中，n为试验次数，k为成功次数，p为每次试验成功的概率。
C(n,k)为组合数，表示从n次试验中选择k次成功的组合数。
二项分布的期望值为np，方差为np(1-p)。
当n足够大时，二项分布逼近于正态分布。
二项分布的应用非常广泛。
例如，在质量控制中，用于描述在一批产品中不合格品的数量；在投资中，用于描述投资组合中不同资产的涨跌情况；在医学研究中，用于描述药物治疗的成功率。
三、正态分布正态分布是一种连续型的概率分布，也称为高斯分布。
它具有钟形对称曲线，常用于描述自然界和社会现象中的各种变量。
正态分布的概率密度函数为：f(x) = (1 / (σ * √(2π))) * e^(-(x-μ)^2 / (2σ^2))其中，μ为均值，σ为标准差。
正态分布的均值、中位数和众数均相等。
正态分布的特点是其均值和方差能够完全描述其形态。
当数据服从正态分布时，均值、中位数和众数相等，且呈现出对称的钟形曲线。
概率论与数理统计中的三种重要分布
概率论与数理统计中的三种重要分布概率论与数理统计中的三种重要分布摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。
因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。
关键词：二项分布；Poisson 分布；正态分布；定义；性质一、二项分布二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生这种分布的重要现实源泉是所谓的伯努利试验。
（一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布) 1．泊努利试验在许多实际问题中，我们感兴趣的是某事件A 是否发生。
例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。
在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。
为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = ()q p A P =-=1。
2．泊努利分布定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数，则ξp q 10~，称ξ服从参数为)10(<（二）二项分布[Binomial distribution]把一重Bernoulli 试验E 独立地重复地进行n 次得到n 重Bernoulli 试验。
定义：在n 重Bernoulli 试验中，设(),()1P A p P A q p ===-若以ξ记事件A 发生的次数，则ξ为一随机变量，且其可能取值为n ,,2,1,0 ，其对应的概率由二项分布给出：{}k n kk n p p C k P --==)1(ξ，n k ,,3,2,1,0 =，则称ξ服从参数为)10(,<若记}{),,(k P p n k b ==ξ，显然满足：(1) 非负性: ),,(p n k b ≥0(2) 规范性:1)]1([)1(),,(0=-+=-=∑∑=-=n nk k n k knn k p p p p Cp n k b二项分布描绘的是n 重Bernoulli 试验中成功出现的次数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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：
1、一个完全符合分布的样本
2、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、X 2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
1、 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）
2、
抽样分布
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，即二
项分布
泊松分布（possion distribution）：
1、一个单位内（时间、面积、空间）某稀有事件
2、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：
1、n种可能的结果
2、每个可能的概率相等(1/n)
连续型均匀分布：
1、可能的结果是连续的
2、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。
指数分布常用于各种“寿命”分布的近似。
1、连续型分布，每个点的概率：
2、无记忆性。
已经使用了s小时的元件，它能再使用t小时的概率，与一个从未使用过的元件使用t小时的概率相同。
即它对已经使用过的s小时没有记忆。
指数分布的概率密度函数如下图：
正态分布（normal distribution）：
又称高斯分布。
1、描述一个群体的某个指标。
2、这个指标是连续的。
3、每个特定指标在整个群体中都有一个概率（）。
4、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）-1
2、总体样本呈正态分布（抽样样本含量（n）较小时，要求总体样本呈正态分布）
3、从总体样本中抽取n个观测值：z1，z2，z3……———抽样
4、将它们平方后求和，这个和用一个新变量表示，即X2
5、重复抽样并获得多个X2：X12，X22，X32，X42………
6、可能有多次抽样的X2值相同，同一个X2值的抽样次数占总次数的比例可以用一个概率表示
7、所有的概率值共同组成一个分布，就是X2分布的一条曲线
8、另外做一次，只要从总体中选取观测值数目n不同，得到的就是另外一条曲线
10、自由度越大，则曲线越接近于标准正态分布
11、X2分布只与自由度相关
X2分布的概率密度函数如下图（n在这里为自由度）：
F分布（F-distribution）：
1、F分布也是一簇曲线，每对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
2、两总体样本方差比的分布
3、总体样本呈正态分布（抽样样本含量（n）较小时，要求总体样本呈正态分布）
4、从总体样本中抽取两个样本，两个样中的观测值数目可相同也可不同，分别
记为n1和n2
5、分别计算出X2：X1，X2
6、构建一个新变量F：
7、重复抽取样本，计算多个F值：F1，F2，F3……..
8、可能有多次抽样的F值相同，同一个F值的抽样次数占总次数的比例可以用一个概率表示
9、所有的概率值共同组成一个分布，就是F分布的一条曲线
10、另外做一次，只要从总体中选取观测值数目n不同，得到的就是另外一条曲线
10、两个自由度越大，则曲线越接近于标准正态分布
11、F分布只与自由度相关
F分布的概率密度函数如下图（m，n在这里为自由度）：
【在推估总体平均值时，基于样本平均数的抽样分布】——t分布【在用样本方差来推估总体方差时，必须知道样本方差的抽样分布】—X2分布【比较两个总体的方差是否相等时，必须知道样本方差的联合抽样分布】—F 分布
生存分析（survival analysis）：
1、多种影响慢性疾病的因素（不同手术方法、不同药物………）
2、随访一群患者
3、一段时间后统计生存和死亡
3、最终给出的结果是一个评价各种因素对生存时间的影响（生存时间、生存率有无差异）
贝叶斯公式（bayes formula）：
1、描述两个条件概率之间的关系———P(Bi|A)与P(A|Bi)，A为事件，Bi 为一个划分
2、P(Bi|A)=P(A|Bi)*P(Bi)/P(A) 或者
3、看图理解
全概率公式（full probability formula）：
1、描述一个特定事件的概率与条件概率间的关系
2、P(A)=P(A|B1)*P(B1) + P(A|B2)*P(B2) + ... + P(A|Bn)*P(Bn)
3、看图理解。