概率论:常见分布的期望与方差、中心极限定理

目录

一、0、1分布

二、二项分布

三、泊松分布

四、均匀分布​

五、指数分布

六、正态分布

七、中心极限定理及其应用

(1)中心极限定理的定义

(2)使用示例


在学习中心极限定理的时候,常常需要用到不同分布的期望与方差公式,如果临时推导将浪费大量时间还不一定算的对,于是本文将常见分布的期望、方差公式直接给出。并有记忆方式进行辅助。

一、0、1分布

二、二项分布

三、泊松分布

而泊松分布的方差其实也可以近似看做二项分布的方差,只不过需要这样理解:

当然,你也可以直接套用方差的公式,利用无穷级数中的泰勒展开公式,类似上述求解期望的方式得到方差,不过非常的繁琐。

四、均匀分布

均匀分布的方差公式需要额外记忆一下,似乎并没有什么直观的方式记忆。我们直接死记硬背分母有个12,分子是区间的长度平方即可。

五、指数分布

六、正态分布

正态分布根本就不需要我们手动求解期望与方差,因为题目中已经给出了。

七、中心极限定理及其应用

(1)中心极限定理的定义

(2)使用示例

由此,我们看出来:

所谓的中心极限定理应用也非常简单,只需要大家能熟练的记忆上述常见分布的期望与方差,即可带入公式,最后利用一步标准化思想化为标准正态分布即可。

相关推荐
一只蒟蒻ovo1 天前
线性分类模型
分类·数据挖掘·概率论
AI科技星3 天前
哥德巴赫猜想1+1基于平行素数对等腰梯形网格拓扑与素数渐近密度的大偶数满填充完备性证明
人工智能·线性代数·架构·概率论·学习方法
killerbasd3 天前
总结 5.12
概率论
OzupeSir4 天前
三门两羊问题 - 蒙提霍尔问题
python·概率论
the sun344 天前
概率论:期望、方差、协方差及相关系数
概率论
NashSKY7 天前
EM 算法完整推导与本质剖析
算法·机器学习·概率论
AI科技星9 天前
数理原本·卷零:信息本源与震动论
人工智能·线性代数·架构·概率论·学习方法·量子计算
初心未改HD11 天前
机器学习之朴素贝叶斯分类器详解
人工智能·机器学习·概率论
the sun3413 天前
概率论:二维随机变量、随机变量组合函数的分布求解
概率论