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