概率论几种易混淆的形式

  1. 正态分布标准型

x − μ σ \frac{x - \mu}{\sigma} σx−μ

  1. 大数定律形式

P { X ≤ ∑ i = 1 n x i − n μ n σ 2 } = ∫ − ∞ X 1 2 π e − x 2 2 d x P\{X \le \frac{\sum_{i= 1}^{n}x_i -n\mu}{\sqrt{n\sigma^2}} \} = \int _{-\infty}^{X}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx P{X≤nσ2 ∑i=1nxi−nμ}=∫−∞X2π 1e−2x2dx

即:

P { X ≤ x ˉ − μ σ n } = ∫ − ∞ X 1 2 π e − x 2 2 d x P\{X \le \frac{\bar x -\mu}{\frac{\sigma}{\sqrt{n}}} \} = \int _{-\infty}^{X}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx P{X≤n σxˉ−μ}=∫−∞X2π 1e−2x2dx

  1. 关于 χ 2 \chi^2 χ2的定理

( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1) σ2(n−1)S2∼χ2(n−1)

  1. x ˉ − μ S / n ∼ t 2 ( n − 1 ) \frac{\bar x - \mu}{S/\sqrt{n}} \sim t^2(n-1) S/n xˉ−μ∼t2(n−1)
相关推荐
人机与认知实验室1 天前
频率主义 vs 贝叶斯主义中的态、势、感、知
人工智能·机器学习·概率论
Echo_NGC22371 天前
【贝叶斯公式】从先验到后验的概率推演
人工智能·贝叶斯·概率论·扩散模型
DeepModel4 天前
【概率分布】指数分布(Exponential Distribution)原理、推导与实战
python·算法·概率论
DeepModel4 天前
【概率分布】正态分布(高斯分布)原理、可视化与机器学习实战
python·算法·概率论
DeepModel6 天前
【概率分布】卡方分布的原理、推导与实战应用
python·算法·概率论
DeepModel6 天前
【概率分布】均匀分布的原理、推导与Python实现
python·算法·概率论
MoRanzhi12036 天前
一维概率分布可视化实践:基于 Python 的理论曲线与样本图对照
python·概率论·matplotlib·seaborn·scipy·统计学·概率分布可视化
DeepModel6 天前
【概率分布】泊松分布的原理、推导与实战应用
python·算法·概率论
DeepModel8 天前
【概率分布】几何分布超详细解析
算法·概率论
DeepModel8 天前
【概率分布】多项分布详解
算法·概率论