二项分布和两点分布的区别超几何分布

两点分布的分布列就是

X 0 1

P p 1-p

不论题目有什么区别,只有两种可能,要么是这种结果要么是那种结果,通俗点,要么成功要么失败

而二项分布的可能结果是不确定的甚至是没有尽头的,

列一个二项分布的分布列就是

X 0 1 2 ……… n

P C(0)(n)·(1-p)^n C(1)(n)·p·(1-p)^(n-1) …… C(n)(n)·p^n·(1-p)^0

也就是说当n=1时,这个特殊二项分布就会变成两点分布,

即两点分布是一种特殊的二项分布

假定在N件产品中有M件不合格品,即不合格率p=M/N在产品中随机抽n件做检查,发现X件是不合格品,可知X的概率函数为P(X=k)=C(k,M)C(n-k,N-M)/C(n,N),k=max{0,n-N+M},,min{n,M}通常称这个随机变量X服从超几何分布这种抽样检查方法等于无放回抽样数学上不难证明,当M=Np时,n-无穷,limC(k,M)C(n-k,N-M)/C(M,N)=B(n,p) (二项分布）因此,在实际应用时,只要N>=10n,可用二项分布近似描述不合格品个数

F(x)的定义是F(x)=P{X<=x}

由于只有两点,所以分类就是

当x<0时，F(x)=P{X<=x}=P(空集)=0 (因为变量不为取得到小于0的数)

当0<=x<1 时，F(x)=P{X<x}=P{X=0}=q

当x>=1 时，F(x)=P{X<x}=P{X=0或X=1}=P{X=1}+P{X=0}=p+q=1

所以F(x)为

F(x)=0 ，x<0

F(x=q ，0<=x<1

F(x)=1 ，x>=1

P的矩估计为（X上方一横），P的极大似然估计为（X上方一横），两种估计都是P的无偏估计。

（1）因为，EX=P=（X上方一横）所以，P的矩估计＾p=（X上方一横）。

（2）L=(Σx1/n)（1-P）＾（1-x)（p^x）＝（1-P）＾（n-Σ（1，n）＊xi）＊（p^（Σ（1，n）＊xi））

lnL=（n-Σ（1，n）＊xi）ln（1-P）＋（Σ（1，n）＊xi）ln（P）

（lnL）’=-（n-Σ（1，n）＊xi）/（1-P）+（Σ（1，n）＊xi）/P=0

解得EX=P=（X上方一横）

（3）因为E（X上方一横）=EX1=P，所以，两种估计都是P的无偏估计。

性质：

矩估计是利用样本矩来估计总体中相应的参数。首先推导涉及相关参数的总体矩（即所考虑的随机变量的幂的期望值）的方程。然后取出一个样本并从这个样本估计总体矩。接着使用样本矩取代（未知的）总体矩，解出感兴趣的参数。从而得到那些参数的估计。

矩法估计量实际上只集中了总体的部分信息，这样它在体现总体分布特征上往往性质较差，只有在样本容量n较大时，才能保障它的优良性,因而理论上讲，矩法估计是以大样本为应用对象的。

二项分布就是n个两点分布，两点分布的概率是P=p^x(1-p)^(1-x)，所以似然函数 L=p^∑Xi（1-p）^(n-∑Xi)，构造 lnL=∑Xilnp+(n-∑Xi) ln(1-p)，对p进行求导，令其结果等于0，就是∑Xi/p+(n-∑Xi)/(1-p)=0，通分后令分母等于0，可以得到p=（∑Xi）/n

求极大似然函数估计值的一般步骤：

（1） 写出似然函数；

（2） 对似然函数取对数，并整理；

（3） 求导数 ；

（4） 解似然方程 。

扩展资料：

极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。

极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。

——极大似然估计

区别：

0-1分别有叫两点分布；两者区别在与随机变量的个数不一样

0-1分布只有两种情况，两个随机变量

而二项分布是指重复做一件互不干扰的实验且每次实验的结果只有两种，这样实验结果是多种的，随机变量也是多个的！

相同点：

是0-1分布可以看做二项分布的特例

实验只做一次，那么结果只有两种。可以看做0-1分布也可看做二项分布

希望对您有帮组

离散型随机变量的分布函数也就是分段函数，分段函数就是对于自变量x的不同的取值范围有不同的解析式的函数，它是一个函数，而不是几个函数；分段函数的定义域是各段函数定义域的并集，值域也是各段函数值域的并集。

离散型随机变量的累积分布函数图像呈阶梯状，所以F(x)在非间断点处处连续，在间断点(基本空间中的事件点对应随机变量取值)处仅左连续，这里f(x)即是分布列（对应连续型随机变量的密度函数），基本空间（必然事件）对应一离散点列（离散随机变量所有可取的值），所以f(1-0)不存在。

离散型

离散型的直接列出取值和取到这个值的概率，比如两点分布P(X=1)=06，P(X=0)=04这样。

 连续型的取到一个特定值的概率是0，只有取值在一个区间里面有意义，所以用分布函数和概率密度函数描述。分布函数F(x)表示随机变量X≤x的概率，也就是F(x)=P(X≤x)。概率密度函数就是 F(x)的导数，记为f(x)，满足P(a≤X≤b)=∫(a到b)f(x)dx。

二项分布的分布函数公式：s^2=((m-x1)^2+(m-x2)^2++(m-xn)^2)/n。

在n次独立重复的伯努利试验中，设每次试验中事件A发生的概率为p。用X表示n重伯努利试验中事件A发生的次数，则X的可能取值为0，1，…，n，且对每一个k（0≤k≤n），事件{X=k}即为“n次试验中事件A恰好发生k次”，随机变量X的离散概率分布即为二项分布。

图形特点

对于固定的n以及p，当k增加时，概率P{X=k}先是随之增加直至达到最大值，随后单调减少。可以证明，一般的二项分布也具有这一性质，且: 

1、当（n+1）p不为整数时，二项概率P{X=k}在k=[(n+1)p]时达到最大值。

2、当（n+1）p为整数时，二项概率P{X=k}在k=(n+1)p和k=(n+1)p-1时达到最大值。

分布函数F(x)=0，x<-1

=p，-1≤x<0

=p+1/3，0≤x<2

=1，2≤x

解题过程如下：

三个概率的数字成等差数列

而且相加的值为1

那么得到分别为p，1/3，2/3-p

于是按照公式得到

分布函数F(x)=0，x<-1

=p，-1≤x<0

=p+1/3，0≤x<2

=1，2≤x

其中p的取值在0到1/3之间即可

(1)、两点分布(0-1分布)

若随机变量X只可能取0和1两个值，且它的分布列为P{X=1}=p，PX = 0 = l − P(0 < P < 1)，则称X服从参数为p的两点分布，记作X~B(1, p)。其分布函数为

(2)、二项分布

若随机变量X的分布律为(k=0, 1, 2, , n) 且0<P<1，则称X服从参数为n，P的二项分布，记作x~B(n，P)。

(3)、泊松(Poisson)分布

若随机变量X所有可能取值为0，1，2，…，它取各个值的概率为

，(k=0,1,2，…)

式中：λ > 0是常数，则称X服从参数为 λ 的泊松分布，记为X ~ Π(λ)。

有些随机现象需要同时用多个随机变量来描述。例如对地面目标射击，d着点的位置需要两个坐标才能确定，因此研究它要同时考虑两个随机变量，一般称同一概率空间(Ω,F,p)上的n个随机变量构成的n维向量X=(x,x,…，x)为n维随机向量。

随机变量可以看作一维随机向量。称n元x,x,…，x的函数为X的(联合)分布函数。又如果(x,x)为二维随机向量，则称x+ix(i=-1)为复随机变量。

随机变量的独立性 独立性是概率论所独有的一个重要概念。设x,x,…，xn是n个随机变量，如果对任何n个实数x,x,…，xn都有 即它们的联合分布函数F(x,x,…，x)等于它们各自的分布函数F(x),F(x),…，F(x)的乘积。