常见随机变量分布

Apr 22, 2026

Last updated on Apr 23, 2026

---

离散型

伯努利分布

研究只有两个对立结果的单次实验的概率分布。

$$P(X = x) = \begin{cases} p, &x = 1 \\ 1 - p, &x = 0 \end{cases}$$

或

$$P(X = x) = p^{x} (1 - p)^{1 - x}, x \in \{0, 1 \}$$

$X \sim Bern(p)$

• 期望：$E(x) = p$
• 方差：$D(x) = p(1 - p)$

二项分布

描述在一系列独立的、只有两种结果的实验中，成功次数的概率分布。

• 重复性：进行了 $n$ 次相同的试验
• 独立性：每次试验的结果互不影响
• 二元性：每次试验只有两种结果
• 恒定性：每次试验成功的概率 $p$ 是恒定不变的

用 $X$ 表示 $n$ 次试验中成功的次数，那么 $X$ 服从二项分布，记作 $X \sim B(n, p)$，其概率质量函数(PMF)如下：

$$P(X = k) = \binom{n}{k} p^{k} (1 - p)^{n - k}$$

• 期望：$E(X) = np$
• 方差：$D(X) = np(1 - p)$

泊松分布

用于描述在一定时间或空间范围内，某件事发生的平均次数已知，且这些事件发生是相互独立的情况下，这件事恰好发生 $k$ 次的概率。

若 $X \sim \text{Poisson}(\lambda)$ ，则有

$$P(X = k) = \frac{\lambda^{k} e^{- \lambda}}{k!}$$

泊松分布期望推导

$$\begin{aligned} E(X) &= \sum^{\infty}_{k = 0} k \cdot \frac{\lambda^{k} e^{- \lambda}}{k!} \end{aligned}$$

其中当 $k = 0$ 时对应项为 $0$ ，故从 $k = 1$ 开始

$$\begin{aligned} E(X) &= \sum^{\infty}_{k = 0} k \cdot \frac{\lambda^{k} e^{- \lambda}}{k!} \\ &= e^{- \lambda} \cdot \lambda \sum^{\infty}_{k = 1} \frac{\lambda^{k - 1}}{(k - 1)!} \end{aligned}$$

设 $j = k - 1$，则当 $k = 1$ 时 $j = 0$

$$\begin{aligned} E(X) &= e^{- \lambda} \cdot \lambda \sum^{\infty}_{j = 0} \frac{\lambda^{j}}{j!} \end{aligned}$$

注意到 $f(x) = e^{x}$ 在 $x = 0$ 处的展开即为

$$\sum^{\infty}_{j = 0} \frac{x^{j}}{j!}$$

则

$$E(X) = \lambda$$

泊松分布方差推导

先算 $E[X(X - 1)]$

$$\begin{aligned} E[X(X - 1)] &= \sum^{\infty}_{k = 0} k(k - 1) \frac{\lambda^{k} e^{- \lambda}}{k!} \\ &= \sum^{\infty}_{k = 2} \frac{k(k - 1) \lambda^{k} e^{- \lambda}}{k(k - 1)(k - 2)!} \\ &= \sum^{\infty}_{k = 2} \frac{\lambda^{k} e^{- \lambda}}{(k - 2)!} \\ &= \lambda^{2}e^{- \lambda} \sum^{\infty}_{k = 2} \frac{\lambda^{k - 2}}{(k - 2)!} \\ &= \lambda^{2} e^{- \lambda} e^{\lambda} \\ &= \lambda^{2} \end{aligned}$$

则

$$E(X^{2}) = E[X(X - 1)] + E(X) = \lambda^{2} + \lambda$$ $$D(X) = E(X^{2}) - [E(X)]^{2} = \lambda$$

连续型

均匀分布

在给定范围内，每一个点出现的概率都一模一样。在这里我们讨论连续均匀分布，离散均匀分布即类似于掷骰子，每一面概率相同。

对于连续均匀分布，有概率密度函数(PDF)：

$$f(x) = \begin{cases} \frac{1}{b - a}, &a \le x \le b \\ 0, &\text{other} \end{cases}$$

累积分布函数(CDF)：

$$F(x) = \begin{cases} 0, &x < a \\ \frac{x - a}{b - a}, &a \le x < b \\ 1, &x \ge b \end{cases}$$

若有 $X \sim U(a, b)$，则有

• 期望：$E(X) = \frac{a + b}{2}$
• 方差：$D(X) = \frac{(b - a)^{2}}{12}$

正态分布

即 $X \sim N(\mu, \sigma^{2})$，有

$$f(x) = \frac{1}{\sigma \sqrt{2 \pi}} e^{- \frac{1}{2} (\frac{x - \mu}{\sigma})^{2}}$$

• 期望：$E(X) = \mu$
• 方差：$D(X) = \sigma^{2}$

指数分布

用于衡量两个事件之间的时间间隔

若有 $X \sim Exp(\lambda)$

$$f(x; \lambda) = \begin{cases} \lambda e^{- \lambda x}, &x \ge 0 \\ 0, &x < 0 \end{cases}$$

它的显著特性是无记忆性，即

$$P\{X > s + t \mid X > s \} = P(X > t)$$

• 期望：$E(X) = \frac{1}{\lambda}$
• 方差：$D(X) = \frac{1}{\lambda^{2}}$

瑞利分布

设有两个独立同分布的正态分布变量($\mu = 0$，方差均为 $\sigma^{2}$)，设其为 $X, Y$，则对应二维平面上的坐标 $(X, Y)$ 到原点的距离 $R = \sqrt{X^{2} + Y^{2}}$ 服从瑞利分布，记作 $X \sim \text{Rayleigh}(\sigma)$

它的PDF为：

$$f(x; \sigma) = \begin{cases} \frac{x}{\sigma^{2}} e^{- \frac{x^{2}}{2\sigma^{2}}}, &x \ge 0 \\ 0, &x < 0 \end{cases}$$

瑞利分布期望推导

有

$$\begin{aligned} E(X) &= \int^{\infty}_{0} x f(x) dx \\ &= \frac{1}{\sigma^{2}} \int^{\infty}_{0} x^{2} e^{- \frac{x^{2}}{2 \sigma^{2}}} dx \end{aligned}$$

这里利用高斯积分

$$\int^{\infty}_{0} x^{2} e^{- ax^{2}} dx = \frac{1}{4 \pi} \sqrt{\frac{\pi}{a}}$$

令 $a = \frac{1}{2 \sigma^{2}}$，代入得

$$E(X) = \sigma \sqrt{\frac{\pi}{2}}$$

瑞利分布方差推导

$$E(X^{2}) = \int^{\infty}_{0} x^{2} \frac{x}{\sigma^{2}} e^{- \frac{x^{2}}{2\sigma^{2}}} dx$$

令 $u = \frac{x^{2}}{2\sigma^{2}}$, $du = \frac{x}{\sigma^{2}} dx$

$$E(X) = \int^{\infty}_{0} (2\sigma^{2} u) e^{-u} du = 2\sigma^{2} \int^{\infty}_{0} ue^{-u} du = 2\sigma^{2}$$

则方差为：

$$D(X) = 2\sigma^{2} - (\sigma \sqrt{\frac{\pi}{2}})^{2} = \frac{4 - \pi}{2} \sigma^{2}$$