常见概率分布

二项分布、泊松分布、几何分布、均匀分布、正态分布、指数分布和伽马分布等少数分布族在概率论和统计学中反复出现，因为它们都源于简单且常见的生成机制。

Definition

常见概率分布是标准的参数族定律，每个定律都由具有少量参数的概率质量或密度函数定义，它们模拟最常遇到的随机模式，并作为概率模型的构建模块。

Scope

本主题涵盖了主要的离散族，如伯努利分布、二项分布、几何分布、负二项分布和泊松分布，以及主要的连续族，如均匀分布、指数分布、伽马分布、贝塔分布和正态分布，以及它们的生成机制、矩和特征函数，以及连接它们的极限和结构关系。

Core questions

• 每种标准分布是由何种生成机制产生的？
• 离散族和连续族通过极限和变换如何关联？
• 标准族的矩和特征函数是什么？
• 为什么正态分布在它们之中占据核心地位？

Key concepts

• 伯努利和二项分布
• 泊松和指数分布
• 伽马和贝塔族
• 正态分布
• 族间关系

Key theories

二项分布的泊松极限

当独立试验次数增加而成功概率减小，使得预期成功次数保持不变时，二项分布收敛于泊松分布，这解释了为什么稀有事件计数服从泊松分布。

作为普遍极限的正态分布

正态分布是许多小的独立贡献的标准化和的极限定律，这就是为什么它能模拟测量误差和总量，并作为经典统计学的参考分布。

Clinical relevance

这些分布族是应用概率和统计学中的默认模型：泊松分布和指数分布描述了可靠性和排队论中的到达和寿命，二项分布及其相关分布描述了试验和调查中成功的计数，而正态分布则支撑着测量误差模型、置信区间和大量的统计推断。

History

这些命名的分布积累了三个世纪：伯努利和棣莫弗研究了计数和正态近似，泊松推导了稀有事件定律，高斯和拉普拉斯确立了误差的正态分布。现代处理方法根据它们的生成机制和极限关系来组织它们。

Key figures

• Abraham de Moivre
• Simeon Denis Poisson
• Carl Friedrich Gauss
• Jacob Bernoulli

Seminal works

• feller1968

Frequently asked questions

为什么正态分布如此常见？

因为中心极限定理使其成为许多独立小效应的标准化和的极限分布，因此任何由许多可比较的贡献组成量，无论细节如何，都倾向于近似正态分布。

指数分布和泊松分布之间有什么联系？

它们从两个角度描述了相同的过程：在泊松过程中，固定时间间隔内的事件数量服从泊松分布，而事件之间的等待时间服从指数分布。