西安企业网站建站wordpress 问答系统

离散概率分布

对于任何具有离散分布的随机变量，其样本空间（可能的取值集合）是有限的或可数无穷的，并且每个可能的取值都对应一个概率。

• 概率质量函数（PMF）： 定义离散随机变量 X 取某个特定值的概率：

  f(x)=P(X=x)

• 累积分布函数（CDF）： 定义随机变量 XXX 小于或等于某个值的概率：

  F(x)=P(X≤x)

• 性质：

  1. 概率总和为 1：
     $$\sum _{i=1}^{\infty }P(X=x_i)=1$$

  2. 概率非负： P(X=xi)≥0

  3. 不可能出现的事件概率为 0，而一定发生的事件概率为 1： 0≤P(X=x)≤1

示例：掷一个公平的六面骰子

假设 XXX 表示掷一个公平六面骰子的结果，其可能的取值是：

X∈{1,2,3,4,5,6}

由于骰子是公平的，所以每个面出现的概率都是相等的，即：
P ( X = x ) = { 1 6 , x ∈ { 1 , 2 , 3 , 4 , 5 , 6 } 0 , otherwise P(X = x) = \begin{cases} \frac{1}{6}, & x \in \{1, 2, 3, 4, 5, 6\} \\ 0, & \text{otherwise} \end{cases} P(X=x)={61​,0,​x∈{1,2,3,4,5,6}otherwise​
这就是骰子的概率质量函数（PMF）。

二项分布与连续分布

1. 二项分布（Binomial Distribution）

二项分布是用于建模二项试验（Bernoulli Trials）**的离散概率分布，适用于独立重复试验的场景，每次试验只有**成功或失败两种结果。

• 设随机变量 X 表示 n 次独立伯努利试验中成功的次数，每次试验成功的概率为 p，则 X 服从二项分布：

  X∼Bin(n,p)

• 概率质量函数（PMF）：
  $$P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k(1-p{)}^{n-k},k=0,1,2,...,n$$
  其中：
  $$\left(\genfrac{}{}{0ex}{}{n}{k}\right)=\frac{n!}{k!(n-k)!}$$
  是组合数，表示从 n次试验中选 k次成功的可能方式。
  $$p^k$$
  表示 kkk 次成功的概率。
  $$(1-p{)}^{n-k}$$
  表示其余 n−k 次失败的概率。

• 均值与方差：

  E(X)=np,Var(X)=np(1−p)

• 示例： 如果一枚硬币抛 10 次，每次正面朝上的概率是 0.5，则 XXX（出现正面的次数）服从二项分布：

  X∼Bin(10,0.5)

  计算 P(X=5)：
  $$P(X=5)=\left(\genfrac{}{}{0ex}{}{10}{5}\right)(0.5{)}^5(0.5{)}^5=\frac{10!}{5!5!}\times 0.5^{10}=0.246$$

---

2. 连续分布（Continuous Distributions）

如果随机变量 X 取值为不可数的无限多个值，则它服从连续概率分布。例如，一个人的身高可以是任意实数（如 170.5cm），而不是离散的整数值（如 170cm 或 171cm）。

• 概率密度函数（PDF）： 对于连续随机变量，点概率 P(X=x)=0P(X = x) = 0P(X=x)=0，但可以通过概率密度函数 f(x)f(x)f(x) 计算一个区间的概率：
  $$P(a\le X\le b)={\int }_a^{b}f(x)dx$$
  性质：

  • f(x)≥0（密度非负）

  • 总概率为 1：
    $${\int }_{-\infty }^{\infty }f(x)dx=1$$

  • 累计分布函数（CDF）：
    $$F(x)=P(X\le x)={\int }_{-\infty }^{x}f(t)dt$$

• 示例：标准正态分布： 正态分布是最常见的连续分布，表示为：

  X∼N(μ,σ^2)

  其中：

  • μ 是均值（期望值）

  • σ^2 是方差（标准差 σ的平方）

  • 概率密度函数（PDF）：
    $$f(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

  示例计算： 在 R 语言中，dnorm(10, 10, 0.1) 计算的是 N(10,0.12) 在 x=10x 处的概率密度：

  dnorm(10, 10, 0.1)
  

在连续型概率分布的概率密度函数（PDF）\中，确实可能出现 f(x)>1 的情况。这并不违反概率的基本规则。原因如下：

1. PDF 的关键性质

一个概率密度函数 f(x) 必须满足以下条件：

1. 非负性：对所有 x ，都有 f(x)≥0

2. 总概率为 1：整个定义域上的积分必须等于 1，即：
   $${\int }_{-\infty }^{\infty }f(x)dx=1$$

2. 为什么 f(x)>1可能成立？

在连续分布中，f(x) 表示的是概率密度，而不是具体的概率值。概率密度的物理意义是单位区间内的概率值，而不是点的概率值。因此，f(x) 只要在整个定义域上的面积（积分）仍然是 1，就不会违反概率规则。

• 例如：均匀分布 U(0, 0.5)
  $$f(x)=\{\begin{array}{ll}2,& 0\le x\le 0.5\\ 0,& 其他\end{array}$$
  这里 f(x)=2明显大于 1，但满足：
  $${\int }_0^{0.5}2dx=1$$
  所以仍然是合法的概率密度函数。

3. 何时 f(x)不可能大于 1？

对于离散型分布（如二项分布、泊松分布），概率质量函数（PMF）P(X=x) 必须满足 P(X=x)≤1，因为它表示具体的概率值，而不是概率密度。因此，在离散分布中，不可能出现概率大于 1 的情况。

总结

• 连续分布的 PDF 允许 f(x)>1，只要总概率（积分）仍然等于 1。
• 离散分布的 PMF 不能大于 1，因为它表示具体的概率。