Bernoulli Distribution and Binomial Distribution

Introduction

I will use Feynman technique to interpret Bernoulli Distribution and Binomial Distribution. But I found that it's not easy to do, maybe a mathematic outsider cannot understand my words. So this time I only describe some principles behind them, and do not outline their expectations and variance equations.

Interpretation for Bernoulli Distribution

Bernoulli Distribution is also called Binary Distribution. This distribution only can generate two possible values, and these two values can be any two values. For simplicity, we define these two values as 1 and 0. When the output is 1, the probability of this event in which the output is 1 is p, then the other case, the related probability is (1 - p). Therefore, the PDF(Probability Density Function) can be defined below:

p(y)= \begin{cases} p , \quad \ \ & for \quad y=1\\ 1 - p, \quad \ \ & for \quad y=0\ \end{cases}

We also use one formulation to express it:

p(y) = p^y(1 - p)^{(1 - y)}

A case study for for Bernoulli Distribution

Tossing a coin one time is the most direct and simplest example for Bernoulli Distribution, because it only generates two consequences: head or tail. If the coin is uniform, the probability of generating head is 0.5, and the other side's probability is also 0.5.

Interpretation for Binomial Distribution

Binomial Distribution is based on Bernoulli Distribution. If we do Bernoulli trials for more than 2 times, we call it Binomial trial.Assume we did Bernoulli trials n times totally, and the event of generating 1 happened k times(k \leq n), so we have three parameter, n,k,p, and the PDF(Probability Density Function) is:

f(k, n, p)=\binom nk p^k(1-p)^{n-k}

Inside this equation,

\binom nk=\frac{n!}{k!(n-k)!}

It means that k times trails in total n tims are generating 1, so (n-k) times are generating 0.

A simple case study for Binomial Distribution

Tossing one coin for several times can be considered as the case study of Binomial Distribution. And each time is mutually independent.

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末怨咪,一起剝皮案震驚了整個濱河市苔埋,隨后出現(xiàn)的幾起案子称勋,更是在濱河造成了極大的恐慌绩郎,老刑警劉巖,帶你破解...
    沈念sama閱讀 218,858評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件窖贤,死亡現(xiàn)場離奇詭異溯香,居然都是意外死亡喷众,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,372評論 3 395
  • 文/潘曉璐 我一進(jìn)店門莺债,熙熙樓的掌柜王于貴愁眉苦臉地迎上來滋觉,“玉大人,你說我怎么就攤上這事齐邦∽迪溃” “怎么了?”我有些...
    開封第一講書人閱讀 165,282評論 0 356
  • 文/不壞的土叔 我叫張陵措拇,是天一觀的道長我纪。 經(jīng)常有香客問我,道長丐吓,這世上最難降的妖魔是什么浅悉? 我笑而不...
    開封第一講書人閱讀 58,842評論 1 295
  • 正文 為了忘掉前任,我火速辦了婚禮汰蜘,結(jié)果婚禮上仇冯,老公的妹妹穿的比我還像新娘。我一直安慰自己族操,他們只是感情好苛坚,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,857評論 6 392
  • 文/花漫 我一把揭開白布比被。 她就那樣靜靜地躺著,像睡著了一般泼舱。 火紅的嫁衣襯著肌膚如雪等缀。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,679評論 1 305
  • 那天娇昙,我揣著相機(jī)與錄音尺迂,去河邊找鬼。 笑死冒掌,一個胖子當(dāng)著我的面吹牛噪裕,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播股毫,決...
    沈念sama閱讀 40,406評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼膳音,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了铃诬?” 一聲冷哼從身側(cè)響起祭陷,我...
    開封第一講書人閱讀 39,311評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎趣席,沒想到半個月后兵志,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,767評論 1 315
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡宣肚,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,945評論 3 336
  • 正文 我和宋清朗相戀三年想罕,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片钉寝。...
    茶點(diǎn)故事閱讀 40,090評論 1 350
  • 序言:一個原本活蹦亂跳的男人離奇死亡弧呐,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出嵌纲,到底是詐尸還是另有隱情俘枫,我是刑警寧澤,帶...
    沈念sama閱讀 35,785評論 5 346
  • 正文 年R本政府宣布逮走,位于F島的核電站鸠蚪,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏师溅。R本人自食惡果不足惜茅信,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,420評論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望墓臭。 院中可真熱鬧蘸鲸,春花似錦、人聲如沸窿锉。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,988評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至窑多,卻和暖如春仍稀,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背埂息。 一陣腳步聲響...
    開封第一講書人閱讀 33,101評論 1 271
  • 我被黑心中介騙來泰國打工技潘, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人千康。 一個月前我還...
    沈念sama閱讀 48,298評論 3 372
  • 正文 我出身青樓享幽,卻偏偏與公主長得像,于是被迫代替她去往敵國和親拾弃。 傳聞我的和親對象是個殘疾皇子琉闪,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,033評論 2 355

推薦閱讀更多精彩內(nèi)容