概率论复习

随机事件及其概率

-随机现象和随机事件
在自然界中现象可以分为确定性现象和随机现象，
确定性现象中有必然现象和不可能现象
随机现象具有统计规律性

• 随机实验
  1.相同条件下可以重复进行
  2.每次实验的结果可知，而且不止一个
  3.实验之前，不知道结果

• 随机事件
  我们可以将其理解为集合，概率是对事件进行赋值
  样本空间，样本点，基本事件等概念可以通过集合角度对其进行理解，样本空间便是集合的取值范围，样本点便是集合上的某一基本，基本事件便是集合中的元素。

事件的关系与事件的运算

• 事件的关系
  1.包含关系
  2.相等关系
• 事件的运算
• 和
  相当于对两个集合求并集
• 积
  相当于对两个集合求交集
• 差
  求一个集合中含有的，而另一个集合中没有的
• 逆
  求一个集合的对立面
• 互不相容
  两个集合的交集为空集，也就是说不能同时发生

两个必背公式

频率和概率

• 进行n次实验，在n次实验中发生了a次，则a可以称之为频数，a与n的比值称之为频率。其具有以下特性
• 非负性
• 规范性
• 可列可加性
• 补充：统计规律性是指实验次数足够大，频率趋于稳定。比如抛硬币，当实验次数足够多时，其概率便趋近于0.5
  我们知道概率便是对事件进行赋值，那个值便是使一个频率趋近于稳定的数
  不难看出其也具有非负性，归一性，可列可加性。

概率的性质

古典概型和几何概型

• 古典概型其满足两个条件，第一是基本事件的个数是有限的，第二个便是它们等可能发生。 下面我介绍一下古典概型的计算公式。

使用古典概型的计算公式，涉及计数运算，元素较多时不可能一一列出，因此我们可以采取排列组合的方式，下面用一道例题，让我们更深刻地去了解它。

• 实际推断原理：概率很小的事在一次实验中，几乎不可能发生。

几何概型

用几何图形的度量来计算概率，我用课本上一道例题感觉不错

条件概率和乘法公式

条件概率是已知第一个事件A发生的前提下求的二个事件B发生的概率。不难发现其也符合，非负性，归一性，可列可加性
由概率公式变形便可得到乘法公式

全概率公式和贝叶斯公式

对样本空间的全面刨析，联合加法公式和乘法公式计算随机事件方法，这便是全概率公式的意义

完备事件组

已知原因推结果便是全概率公式

已知结果推原因便是贝叶斯公式

解题方法

独立性与伯努利概型

一个事件的发生与否对另一个事件没有影响，这个便是独立性。p(ab)=p(a)p(b)

相互独立与两两独立

伯努利概型是n次独立重复实验的概率计算问题
其要满足以下条件：1.n次实验可重复（条件相同，结果相同）2.每个结果相互独立3.实验的结果只有两种

随机变量及其分布

• 随机变量的概念
  每次实验之前，结果不能确定，其取值情况依赖于实验结果，也就是说变量的取值是随机的。这种变量便是随机变量。有一个形如y=x，这种形式的函数，x的取值，y上有且仅有唯一的一个值与之相对应，y 便是x 的一维随机变量
  
  这道例题有助于我们对随机变量的理解，随机变量可分为离散型和连续型
• 离散型随机变量
  随机变量的取值是有限个或无线可列个
  • 离散型随机变量的分布律

x	Xi
p	Pi
不难看出其具有非负性和归一性

• 三种重要的离散型随机变量

  • 0-1分布 记为X~B(1,p)
    随机变量x的取值只能是0和1两个数值
    

  • 二项分布
    随机实验的结果只有两种，将其重复进行n次，也可称之为n重伯努利实验，其一样具有归一性和非负性
    
    不难发现此处的计算有点困难，后面我将介绍泊松定理解决它

  • 泊松分布
    泊松分布是由二项分布的极端情况
    

泊松定理：n充分大时泊松分布与二项分布近似

• 随机变量的分布函数
  描述随机变量X的统计规律性，小于等于一个数，这个数是右端点的概率。统计规律性是指在大量重复实验中所呈现出固有的规律性
  
  

• 连续型随机变量及其概率密度
  计算连续性随机变量时可以不用区分落在开区间还是闭区间
  
  
  下面介绍三种重要的连续型随机变量

  • 均匀分布
    
    

  • 指数分布
    
    电子元件的寿命，随机服务的系统中每次服务等待的时间都看看成指数分布
    

  • 正太分布
    
    
    

• 随机变量函数分布
  生活中，我们不难发现，商品和利润存在某种联系，随机变量商品X，利润则是Y=g(X),
  可以利用商品得到利润的分布
  两种题型
  
  
  连续型则是一般求法和利用反函数
  

多维连续随机变量

• 二维随机变量
  二维随机变量分为离散型和连续型两大类，不仅与单个随机变量有关，还依赖于它们的相互关系，因此要将X,Y两个变量作为一个整体，对其进行研究
  
  也就是说一个随机试验由两个随机变量所决定
  

下面我写两道例题来说明二维连续型随机变量和离散型随机变量

• 边缘分布
  
  简而言之，就是单独去考虑一个随机变量，另一个随机变量让其取无穷

• 条件分布
  本人认为条件分布中求取边缘分布是关键，如果是y的概率密度则dx，如果是x的概率密度则dy，谁在下面则求谁的边缘概率密度，下面通过一道例题对其进行了解
  

• 相互独立的随机变量
  

• 两个随机变量的函数分布
  两种类型分别是连续型和离散型。离散型分别把所有可能性列出来。在对其进行计算，而连续型有两种方法分别是概念法和卷积公式
  
  
  
  

随机变量的数字特征，其核心操作便是求期望

• 数学期望
  该数字特征反映了平均水平。
  
  
  

• 方差
  期望可以体现随机变量X的平均水平，但有时有可能两组数据，期望一样，但它们的并不相同，那我们如何去衡量俩组数据呢？可以利用方差，反差反应了这两组数据的偏离程度。
  
  
  

• 协方差及相关系数
  用于描述X，Y之间的相互关系的数字特征
  
  
  

• 矩
  概率论中的矩是一组用来衡量随机变量分布特征的数值，主要包括原点矩和中心矩，它们在描述概率分布的形状、离散程度等方面起着至关重要的作用。

一阶原点矩（即期望值E[X]）描述了随机变量的平均值或期望，是度量分布的中心位置的重要指标。二阶原点矩与一阶原点矩的结合可以计算方差（Var(X) = E[X^2] - (E[X])^2），方差衡量的是随机变量取值的离散程度，反映了个体与均值的偏差平方的平均状况。三阶中心矩则用来描述分布的偏度（偏态），它反映了分布是否对称以及偏向哪一边。四阶中心矩用于衡量分布的峰度（峭度），反映了概率分布尖峭或平坦的程度

样本及抽样分布

数理统计的内容就是包含如何收集整理资料，如何对数据进行研究判断，从而对所研究对象的性质，特点做出判断

• 样本

• 抽样分布