MATH-PRO-11 常见分布（二项/泊松/均匀/指数/正态）

数学一 > ### 概率论与数理统计 > #### 常见分布

---

一、定位信息

项目	内容
所属章节	第二章 随机变量及其分布
知识单元编号	MATH-PRO-11
前置知识	MATH-PRO-09（离散型）、MATH-PRO-10（连续型）
后续关联	MATH-PRO-12（随机变量函数的分布）、MATH-PRO-19（期望）、MATH-PRO-20（方差）
考试地位	核心中的核心，每年大量考题涉及
难度等级	★★★★☆

---

二、知识点讲解

1. 二项分布 $B(n, p)$

背景：$n$ 次独立重复伯努利试验中，成功次数 $X$ 服从二项分布。

$P(X = k) = C_n^k p^k (1-p)^{n-k}, \quad k = 0, 1, \ldots, n$

记为 $X \sim B(n, p)$。

特例：$n = 1$ 时为 0-1 分布（伯努利分布）$B(1, p)$。

性质：

• $E(X) = np$，$D(X) = np(1-p)$
• 若 $X \sim B(n, p)$，$Y \sim B(m, p)$，且 $X, Y$ 独立，则 $X + Y \sim B(n+m, p)$（可加性，要求 $p$ 相同）

2. 泊松分布 $P(\lambda)$

$P(X = k) = \frac{\lambda^k}{k!} e^{-\lambda}, \quad k = 0, 1, 2, \ldots$

记为 $X \sim P(\lambda)$，$\lambda > 0$ 为参数。

泊松定理（逼近定理）：若 $X_n \sim B(n, p_n)$，$np_n = \lambda$（常数），则当 $n \to \infty$ 时：

$C_n^k p_n^k (1-p_n)^{n-k} \to \frac{\lambda^k}{k!} e^{-\lambda}$

应用：$n$ 大、$p$ 小时，$B(n,p) \approx P(np)$。经验法则：$n \geq 20$，$p \leq 0.05$ 时近似效果好。

性质：$E(X) = D(X) = \lambda$

3. 均匀分布 $U(a, b)$

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

记为 $X \sim U(a, b)$。

分布函数： $F(x) = \begin{cases} 0, & x \leq a \\ \frac{x-a}{b-a}, & a < x < b \\ 1, & x \geq b \end{cases}$

性质：$E(X) = \frac{a+b}{2}$，$D(X) = \frac{(b-a)^2}{12}$

4. 指数分布 $E(\lambda)$

$f(x) = \begin{cases} \lambda e^{-\lambda x}, & x > 0 \\ 0, & x \leq 0 \end{cases}$

记为 $X \sim E(\lambda)$，$\lambda > 0$。

分布函数： $F(x) = \begin{cases} 1 - e^{-\lambda x}, & x > 0 \\ 0, & x \leq 0 \end{cases}$

性质：

• $E(X) = \frac{1}{\lambda}$，$D(X) = \frac{1}{\lambda^2}$
• 无记忆性：$P(X > s + t \mid X > s) = P(X > t)$，$s, t > 0$

无记忆性是指数分布的独特性质：已知寿命超过 $s$，剩余寿命的分布与从0开始一样。

5. 正态分布 $N(\mu, \sigma^2)$

$f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \quad -\infty < x < +\infty$

记为 $X \sim N(\mu, \sigma^2)$。

性质：

• $E(X) = \mu$，$D(X) = \sigma^2$
• $f(x)$ 关于 $x = \mu$ 对称
• $x = \mu$ 时 $f(x)$ 取最大值 $\frac{1}{\sqrt{2\pi}\sigma}$

标准正态分布：$Z = \frac{X - \mu}{\sigma} \sim N(0, 1)$

标准正态密度：$\varphi(z) = \frac{1}{\sqrt{2\pi}} e^{-z^2/2}$

标准正态分布函数：$\Phi(z)$，满足 $\Phi(-z) = 1 - \Phi(z)$。

正态分布的概率计算： $P(a < X < b) = \Phi\left(\frac{b-\mu}{\sigma}\right) - \Phi\left(\frac{a-\mu}{\sigma}\right)$

重要性质：

• 若 $X \sim N(\mu, \sigma^2)$，则 $aX + b \sim N(a\mu + b, a^2\sigma^2)$
• 若 $X \sim N(\mu_1, \sigma_1^2)$，$Y \sim N(\mu_2, \sigma_2^2)$，且 $X, Y$ 独立，则 $X + Y \sim N(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2)$（可加性）

---

三、常见分布对比表

分布	记号	期望	方差	特点
0-1分布	$B(1,p)$	$p$	$p(1-p)$	最简单的离散分布
二项分布	$B(n,p)$	$np$	$np(1-p)$	$n$ 次独立重复试验
泊松分布	$P(\lambda)$	$\lambda$	$\lambda$	期望=方差，稀有事件
几何分布	$G(p)$	$\frac{1}{p}$	$\frac{1-p}{p^2}$	首次成功等待时间
均匀分布	$U(a,b)$	$\frac{a+b}{2}$	$\frac{(b-a)^2}{12}$	等可能取值
指数分布	$E(\lambda)$	$\frac{1}{\lambda}$	$\frac{1}{\lambda^2}$	无记忆性
正态分布	$N(\mu,\sigma^2)$	$\mu$	$\sigma^2$	对称，可加性

四、记忆辅助

1. 二项分布：$n$ 次独立试验，每次成功概率 $p$，成功次数 $\sim B(n,p)$。
2. 泊松分布：稀有事件的计数，$E(X)=D(X)=\lambda$。
3. 均匀分布：等可能取值，"面积=概率"。
4. 指数分布：无记忆性，寿命模型，$E(X)=1/\lambda$。
5. 正态分布：对称钟形曲线，标准化 $Z=\frac{X-\mu}{\sigma}$，$\Phi(-z)=1-\Phi(z)$。

---

五、例题精解

【例题1】正态分布概率计算

题目：设 $X \sim N(2, 4)$，求 $P(0 < X < 4)$。（已知 $\Phi(1) = 0.8413$）

解答：

第一步：标准化

$\mu = 2$，$\sigma = 2$。$Z = \frac{X - 2}{2} \sim N(0, 1)$。

第二步：转化区间

$P(0 < X < 4) = P\left(\frac{0-2}{2} < Z < \frac{4-2}{2}\right) = P(-1 < Z < 1)$

第三步：用 $\Phi$ 函数计算

$P(-1 < Z < 1) = \Phi(1) - \Phi(-1) = \Phi(1) - (1 - \Phi(1)) = 2\Phi(1) - 1$

$= 2 \times 0.8413 - 1 = 0.6826$

第四步：结论

$P(0 < X < 4) = 0.6826$。这就是著名的" $1\sigma$ 原则"——正态分布中 $(\mu - \sigma, \mu + \sigma)$ 内的概率约为68.26%。

---

【例题2】泊松近似

题目：某厂生产的灯泡次品率为0.01，现取200个检验，求恰好有3个次品的概率。（已知 $e^{-2} \approx 0.1353$）

解答：

第一步：确定分布

$X$ = 次品数，$X \sim B(200, 0.01)$。

第二步：用泊松近似

$n = 200$ 较大，$p = 0.01$ 较小，$\lambda = np = 2$。

$P(X = 3) \approx \frac{2^3}{3!} e^{-2} = \frac{8}{6} \times 0.1353 = \frac{4}{3} \times 0.1353 \approx 0.1804$

第三步：精确计算（对比）

$P(X=3) = C_{200}^3 \times 0.01^3 \times 0.99^{197} \approx 0.1814$

第四步：结论

泊松近似值 $0.1804$ 与精确值 $0.1814$ 非常接近，近似效果良好 ✓。

---

六、考情分析

年份	题型	考点	分值
每年必考	计算题	正态分布概率计算（标准化）	4-10分
高频	选择题	分布性质辨析（期望、方差）	4分
中频	应用题	二项分布/泊松分布建模	10分
中频	证明题	指数分布无记忆性	10分

---

七、易错点

1. 正态分布标准化：$X \sim N(\mu, \sigma^2)$，则 $\frac{X-\mu}{\sigma} \sim N(0,1)$，分母是 $\sigma$（标准差），不是 $\sigma^2$（方差）。

2. 二项分布的可加性条件：$X+Y \sim B(n+m,p)$ 要求 $X, Y$ 独立且 $p$ 相同。$p$ 不同不能直接相加。

3. 泊松近似的适用条件：$n$ 大、$p$ 小。$n$ 小或 $p$ 大时近似效果差。

4. $\Phi(-z) = 1 - \Phi(z)$：利用标准正态分布的对称性。如 $\Phi(-1) = 1 - \Phi(1) = 0.1587$。

5. 指数分布的参数含义：$f(x) = \lambda e^{-\lambda x}$，$E(X) = 1/\lambda$。参数 $\lambda$ 越大，期望越小（寿命越短）。

---

八、来源标注

来源	说明
教材	浙大版《概率论与数理统计》第2章 §2.4
大纲	考研数学一大纲"常见分布"
重点	正态分布每年必考，二项/泊松高频