相关数学知识

数学知识(一)

集合论

• 举例

  学生上课不规矩的概率 = 0.1

  P(学生上课不规矩) = 0.1

  概率函数的自变数是：事件，而事件是一种集合

• 集合名词

  • 元素

  Ex: 1、2、3、4、5

  • 集合

  Ex:A = {1,2,3,5}

  • 子集合

  Ex: B = {1,2}

  则B是A的子集，表示为$B\subset A$

  • 宇集

  Ex:S = {1,2,3,4,5}

  • 空集合

  Ex:$\emptyset =$ {}

  • 交集

  Ex:$A\bigcap B =$ {1,2}

  • 与集

  $A\bigcup B =$ {1,2,3,5}

  • 补集

  $��=��^��$

  • ​

    

  ​

概率论

随机事件及其概率

排列组合公式	$p_m^n = \frac{m!}{(m-n)!}$从m个人中挑出n个人进行排列的 可能数 $C_m^n = \frac{m!}{n!(m-n)!}$从m 个人中挑出n个人进行组合的可能数
加法和乘法原理	加法原理 ：m+n 某时间有两种方法来完成，第一种方法可由m种方法完成，第二种方法可由n中方法来完成，则这件事可由m+n中方法来完成 乘法原理 ：m*n 某件事有两个步骤来完成，则这件事可由m*n 中种方法来完成
加法公式	$P(A+B )= P(A)+P(B) - P(AB)$ 当$P(AB) = 0$时，$P(A+B ) = P(A)+P(B)$
减法公式	$P(A-B) = P(A)-P(AB)$当$B\subset A$时，$P(A-B) = P(A) - P(B)$ 当A = Ω 时，$P(\frac{}{B}) = 1-P(B)$
条件概率	定义 设A、B是两个事件，且P(A) > 0，则称$\frac{P(AB)}{P(A)}$为事件A发生条件下，事件B发生的条件概率，记为$P(B/A) = \frac{P(AB)}{P(A)}$ 条件概率是概率的一种，所有概率的性质都适合于条件概率 例如 $P(Ω/B) = 1\Rightarrow P(\frac{}{B}/A) = 1-P(B/A)$
乘法公式	乘法公式：$P(AB) = P(A)P(B/A)$
贝叶斯公式	$P(A/B) = \frac{P(B/A)P(A)}{P(B)}$

随机变量

随机变量X定义为一个函数X：Ω,它定义了样本空间到实数的映射。

根据函数的取值类型分为离散型随机变量和连续型随机变量

a) 离散型随机变量：P（X=k）:= P{X=k}

b) 连续型随机变量：P(a≤X≤b) := P{a≤X≤b}

累计分布函数

CDF：定义为一个函数$Fx : R \rightarrow [0,1]$,并且$F_X(x) = P(X\leq x)$

通过它可以计算任何事件的概率

性质：

期望

某随机变量X可以定义为pX(x)(离散型)或者fX(x)（连续型），则定义随机变量g(X)的期望为：

$E[g(X)] =\sum g(x)p(x)$ –离散型随机变量

$E(g(x)) = \int_\infty^\infty g(x)f(x)d_x$–连续型随机变量

对于事件X本身，则有g(X)=X,X的均值

性质：

• E[a]=a
• E[af(X)]=aE[f(X)]
• E(f(X)+g(X))=E[f(X)]+E[g(X)]

方差

方差定义为度量随机变量X在其均值的偏差程度，方差越小其偏离度越小，其形式定义为：$Var(X)=E[(X-E[X])^2]=E[X^2]-E[X]^2$.

性质：

• $Var[a]=0$
• $Var[af(x)]=a^2Var[f(x)]$

常见随机变量分布

条件分布

条件分布是指在知道事件X=x的情况下，事件Y的分布情况。

对于离散型随机变量有(条件概率质量函数)：

$P_{XY}(y|x)= \frac{P_{XY}(x,y)}{P_X(x)}$

对于连续型随机变量有（条件概率密度函数）：

$f_{XY}(y|x)= \frac{f_{XY}(x,y)}{f_X(x)}$

贝叶斯公式

• 连续型随机变量

  

• 离散型随机变量

  

独立

如果事件X和Y相互独立，则有$F_{XY}(x,y)=F_X(x)F_Y(y)$则有

连续型随机变量：

• $f_{XY}(x,y)=f_X(x)f_Y(y)$
• $f_{XY}(y|x)=f_Y(y)$

离散型随机变量：

• $p_{XY}(x,y)=p_X(x)P_Y(y)$
• $p_{XY}(y|x)=P_Y(y)$

期望和协方差

给定两个随机变量X和Y，以及函数 $g:R^2\rightarrow R$,有：，g(X,Y)的期望定义为：

X,Y的协方差定义为：

$Cov(X,Y)=E[(X-E[X])(Y-E[Y])]=E[XY]-E[X]E[Y]$

协方差的直观含义表示变量X和Y的相关性，如果X和Y相互独立，则有Cov[X,y]=0