大家好，关于几何分布是离散还是连续很多朋友都还不太明白，今天小编就来为大家分享关于概率论中独立和不独立的例子的知识，希望对各位有所帮助！
超几何分布为什么不考虑顺序
因为超几何分布是一种不放回抽样的概率分布，在每次抽样中都会减少总体中被抽样的数量，因此顺序并不会影响最终的结果。该分布的概率密度函数只考虑了每次抽样中随机选择的元素是否符合条件，具有独立性和不含重复的特点。因此，在超几何分布中并不需要考虑顺序。超几何分布通常用于对有限总体中符合某种条件的元素的概率进行推断。这个分布在实际应用中比较常见，例如在决策制定中需要对人口、物品和事件等进行抽样时可以采用这个分布。
离散型随机变量和超几何分布的区别
超几何分布表示的是一种特殊的离散型随机变量的分布列，所以超几何分布也是离散型随机变量的一种。超几何分布是属于离散型变量的，他们区别在于离散型变量的范围更广。
随机取值的变量就是随机变量，随机变量分为离散型随机变量与连续型随机变量两种，随机变量的函数仍为随机变量。有些随机变量,它全部可能取到的不相同的值是有限个或可列无限多个,这种随机变量称为”离散型随机变量”.
超几何分布是统计学上一种离散概率分布。它描述了由有限个物件中抽出n个物件，成功抽出指定种类的物件的次数（不归还）。在产品质量的不放回抽检中，若N件产品中有M件次品，抽检n件时所得次品数X=k，则P(X=k)=C（M，k）·C(N-M,n-k)/C(N,n），C（ab）为古典概型的组合形式，a为下限，b为上限，此时我们称随机变量X服从超几何分布（hypergeometricdistribution）
两点分布和超几何分布的区别
1.两点分布：表示一次试验只有两种结果即随机变量X只有两个可能的取值2.二项分布是一个离散型概率分布.它描述n个独立的伯努利试验的成功次数.此伯努利试验成功概率为p.一个分布X如果服从次数为n,成功概率为p的二项分布,记作：X?B(n,p)*数学期望为np.*方差为npq=np(1?p).3.几何分布是离散型机率分布.其中一种定义为：在第n次伯努利试验,才得到第一次成功的机率.详细的说,是：n次伯努利试验,前n-1次皆失败,第n次才成功的机率.
关于几何分布与它的期望、方差公式
几何分布的期望和方差是EX=nM/N，超几何分布是统计学上一种离散概率分布。它描述了从有限N个物件（其中包含M个指定种类的物件）中抽出n个物件，成功抽出该指定种类的物件的次数（不放回）。
称为超几何分布，是因为其形式与“超几何函数”的级数展式的系数有关，超几何分布中的参数是M，N，n，上述超几何分布记作X-H(n，M，N)。
几何分布通俗讲解
几何分布:
P(X=n)=(1?p)^(n?1)p，随着n增大呈等比级数变化，等比级数又称几何级数。
这可能和以前几何学中无限分割图形得到的级数有关。
超几何分布:
P（X=k）=C(k,n)(1-p)^(n-k)p^k，这个级数和几何级数类似，是超几何级数，因得此名。
基于故障检测(隔离)成功数的超几何分布，利用极大似然法思想研究了RFDC(RFIC)指标的点估计方法，利用贝叶斯公式研究了区间估计方法，并给出了测试性验证规则。
仿真结果表明，与传统的二项分布法相比，对于样本总体确定情况下的测试性验证，超几何分布法的评估和验证结果更加准确，更加适应当前电子装备检测设备的特点，适用于测试性指标RFDC和RFIC的评估和验证。
在伯努利试验中，成功的概率为p，若ξ表示出现首次成功时的试验次数，则ξ是离散型随机变量，它只取正整数，且有P(ξ=k)=(1-p)的(k-1)次方乘以p(k=1，2，…，0<p<1)，此时称随机变量ξ服从几何分布。
它的期望为1/p，方差为(1-p)/(p的平方)。
什么叫几何分布
思路好像不是很清楚。二项分布表示n重贝努利实验（比如扔骰子）中事件A出现k次的概率，概率函数为B(n,p)=P(X=k)=(n,k)pk(1-p)n-k，k=0,1,2,…；几何分布表示随机实验（比如打靶）中事件A第k次出现（前k-1次不出现）的概率，概率函数为G(p)=p(1-p)k-1,k=1,2,…，它的一个重要性质是无记忆性。说联系很牵强，就是均属于常见的离散型分布，那区别就是这两个分布基本上就没有联系。
数学的分布列怎么做
数学的分布列是指给定一个随机变量X，计算它取某个特定值的概率的分布。下面是回答您的1.分布列是通过随机变量的取值及其概率分布来组成的；2.要计算分布列，需要先了解随机变量的概率分布，包括离散型概率分布和连续型概率分布等；3.离散型随机变量，如二项分布、泊松分布、几何分布等，可以通过计算每一个离散点对应的概率得到；4.而连续型随机变量，如正态分布、均匀分布等，则需要通过概率密度函数对应的面积来计算。因此，要求解数学分布列，需要先了解随机变量的概念和相关概率分布，再根据所给定的条件进行计算。
好了，文章到此结束，希望可以帮助到大家。
