事件A发生时事件B发生的概率P(B|A)=
P
(
A
B
)
‾
P
(
A
)
\begin{matrix}\underline{P(AB)}\\P(A)\end{matrix}
P(AB)P(A)
概率性质
P∅=0,P(Ω)=1,P(A)∈[0,1],P(A’)=1-P(A),A⊆B⇒P(A)≤P(B)
古典概率
P(A)=
A
中样本点的数量
‾
Ω
中样本点的总数
=
n
(
A
)
‾
n
(
Ω
)
\begin{matrix}\underline{A中样本点的数量}\\Ω中样本点的总数\end{matrix}=\begin{matrix}\underline{n(A)}\\n(Ω)\end{matrix}
A中样本点的数量Ω中样本点的总数=n(A)n(Ω)
几何概率
P(A)=
A
的几何度量
‾
Ω
的几何度量
=
L
(
A
)
‾
L
(
Ω
)
\begin{matrix}\underline{A的几何度量}\\Ω的几何度量\end{matrix}=\begin{matrix}\underline{L(A)}\\L(Ω)\end{matrix}
A的几何度量Ω的几何度量=L(A)L(Ω)
概率加法
P(A+B)=P(A)+P(B)-P(AB)
概率减法
P(A-B)=P(A)-P(AB)
概率乘法
P(AB)=P(A)P(B│A)=P(B)P(A│B)
全概率公式
P(A)=∑P(Bi)P(A│Bi),B为非零完备事件组
贝叶斯公式
P(Bk│A)=
P
(
A
B
k
)
‾
P
(
A
)
=
P
(
B
k
)
P
(
A
│
B
k
)
‾
∑
P
(
B
i
)
P
(
A
│
B
i
)
\begin{matrix}\underline{P(AB_k)}\\P(A)\end{matrix}=\begin{matrix}\underline{P(B_k)P(A│B_k)}\\∑P(B_i)P(A│B_i)\end{matrix}
P(ABk)P(A)=P(Bk)P(A│Bk)∑P(Bi)P(A│Bi),B为非零完备事件组
A
n
m
=
n
!
(
n
−
m
)
!
‾
,
C
n
m
=
n
!
m
!
(
n
−
m
)
!
‾
A_n^m=\begin{matrix}n!\\\overline{(n-m)!}\end{matrix},C_n^m=\begin{matrix}n!\\\overline{m!(n-m)!}\end{matrix}
Anm=n!(n−m)!,Cnm=n!m!(n−m)!
fX(x)=F’X(x),P(a<x<b)=
∫
a
b
∫_a^b
∫abfX(x)dx,
∫
−
∞
+
∞
∫_{-∞}^{+∞}
∫−∞+∞fX(x)dx=1
离散型变量分布
P(X=xi)=pi或
X
│
x
1
x
2
⋯
x
n
P
│
p
1
p
2
⋯
p
n
\frac{\begin{matrix}X│x_1&x_2&⋯&x_n\end{matrix}}{\begin{matrix}P│p_1&p_2&⋯&p_n\end{matrix}}
P│p1p2⋯pnX│x1x2⋯xn,∑pi=1
若P(X=k)=p(1-p)k-1,k∈N+,p∈(0,1),则X服从参数为p的几何分布,E(X)=
1
p
\frac1p
p1,D(X)=
1
p
2
−
1
p
\frac1{p^2}-\frac1p
p21−p1
超几何分布
若P(X=k)=
C
M
k
C
N
−
M
n
−
k
C
N
n
\frac{\begin{matrix}C_M^kC_{N-M}^{n-k}\end{matrix}}{\begin{matrix}C_N^n\end{matrix}}
CNnCMkCN−Mn−k,k∈[max(0,n+M-N),min(n,M)],则X~H(n,M,N)
超几何分布的意义
N件产品中有M件次品,从中抽取n件,样本中含k个次品
泊松分布P
若P(X=k)=
λ
k
e
−
λ
k
!
\frac{λ^ke^{-λ}}{k!}
k!λke−λ,λ>0,k∈N,则X~P(λ),E(X)=D(X)=λ
泊松分布可加性
X~P(λ1),Y~P(λ2)⇒X+Y~P(λ1+λ2)
均匀分布U
若f(x)=
{
1
b
−
a
‾
,
a
<
x
<
b
0
,
其它
\left\{\begin{matrix}\begin{matrix}1\\\overline{b-a}\end{matrix},a<x<b\\0,其它\end{matrix}\right.
⎩⎨⎧1b−a,a<x<b0,其它,则X~U(a,b),E(X)=
a
+
b
‾
2
\begin{matrix}\underline{a+b}\\2\end{matrix}
a+b2,D(X)=
(
a
−
b
)
2
‾
12
\begin{matrix}\underline{(a-b)^2}\\12\end{matrix}
(a−b)212
指数分布E
若f(x)=
{
λ
e
−
λ
x
,
x
>
0
0
,
其它
\left\{\begin{matrix}λe^{-λx},x>0\\0,其它\end{matrix}\right.
{λe−λx,x>00,其它,λ>0,则X~E(λ),E(X)=λ-1,D(X)=λ-2
正态分布N
若f(x)=
1
2
π
σ
‾
e
−
(
x
−
μ
)
2
2
σ
2
\begin{matrix}1\\\overline{\sqrt{2π}σ}\end{matrix}e^{-\frac{(x-μ)^2}{2σ^2}}
12πσe−2σ2(x−μ)2,σ>0,则X~N(μ,σ2),E(X)=μ,D(X)=σ2
标准正态分布
X~N(0,1),Φ(x)=
1
2
π
‾
∫
−
∞
x
e
−
x
2
2
d
x
\begin{matrix}1\\\overline{\sqrt{2π}}\end{matrix}∫_{-∞}^xe^{-\frac{x^2}2}\mathrm dx
12π∫−∞xe−2x2dx,Φ’(x)=φ(x)=
1
2
π
‾
e
−
x
2
2
\begin{matrix}1\\\overline{\sqrt{2π}}\end{matrix}e^{-\frac{x^2}2}
12πe−2x2
正态分布特性1
X~N(μ,σ2) ⇒ aX+b~N(aμ+b,(aσ)2),
X
−
μ
σ
\frac{X-μ}{σ}
σX−μ~N(0,1)
正态分布特性2
X~N(μ,σ^2) ⇒ F(X)=Φ(
X
−
μ
‾
σ
\begin{matrix}\underline{X-μ}\\σ\end{matrix}
X−μσ),P(a<x<b)=Φ(
b
−
μ
‾
σ
\begin{matrix}\underline{b-μ}\\σ\end{matrix}
b−μσ)-Φ(
a
−
μ
‾
σ
)
\begin{matrix}\underline{a-μ}\\σ\end{matrix})
a−μσ)
二维随机变量
若X,Y是样本空间上的两个随机变量,则(X,Y)为二维随机变量
二维离散随机变量
可能取有限个或可数无穷个值的二维随机变量
二维离散变量分布
P(X=xi,Y=yj)=pij,∑pij=1
二维连续变量分布
F(x,y)=P(X≤x,Y≤y)=
∫
−
∞
x
∫
−
∞
y
∫_{-∞}^x∫_{-∞}^y
∫−∞x∫−∞yf(x,y)dydx
D(X)=σ2(X)=E([X-E(X)]2)=E(X2)-E2(X),
S
2
=
∑
(
X
i
−
X
ˉ
)
2
‾
n
−
1
S^2=\begin{matrix}\underline{∑(X_i-\bar X)^2}\\n-1\end{matrix}
S2=∑(Xi−Xˉ)2n−1,σ或S为标准差
方差特性
D(aX+b)=a2D(X),D(X±Y)=D(X)+D(Y)±2Cov(X,Y)
样本的矩
k阶原点矩
=
1
n
∑
X
i
k
=\frac 1n∑X_i^k
=n1∑Xik,k阶中心矩
=
1
n
∑
(
X
i
−
X
ˉ
)
k
=\frac 1n∑(X_i-\bar X)^k
=n1∑(Xi−Xˉ)k
二级中心矩展开
1
n
∑
(
X
i
−
X
ˉ
)
2
=
X
2
‾
−
X
ˉ
2
\frac 1n∑(X_i-\bar X)^2=\overline{X^2}-\bar X^2
n1∑(Xi−Xˉ)2=X2−Xˉ2
ρxy=
C
o
v
(
X
,
Y
)
D
(
X
)
⋅
D
(
Y
)
‾
\begin{matrix}Cov(X,Y)\\\overline{\sqrt{D(X)·D(Y)}}\end{matrix}
Cov(X,Y)D(X)⋅D(Y)∈[-1,1],为1(-1)时线性正(负)相关,为0时不相关
均值之均值
E(
X
ˉ
\bar X
Xˉ)=E(X)=μ
均值之方差
D(
X
ˉ
\bar X
Xˉ)=
1
n
\frac 1n
n1D(X)=
σ
2
‾
n
\begin{matrix}\underline{σ^2}\\n\end{matrix}
σ2n
方差之均值
E(S2)=D(X)=σ2
方差之方差1
Xi~N(μ,σ2) ⇒ ∑
(
X
i
−
μ
‾
σ
)
2
(\begin{matrix}\underline{X_i-μ}\\σ\end{matrix})^2
(Xi−μσ)2~χ²(n) ⇒ D[
(
X
i
−
μ
‾
σ
)
2
(\begin{matrix}\underline{X_i-μ}\\σ\end{matrix})^2
(Xi−μσ)2]=2n ⇒ D[∑(Xi-μ)2]=2nσ4
∃随机变量X1,X2,⋯,Xn,∀ε>0,
lim
n
→
∞
\lim\limits_{n→∞}
n→∞limP(|Xn-C|<ε)=1⇒Xi依概率收敛于常数C,记作Xn
→
P
\overset P→
→PC
依概率收敛的特性
X
n
→
P
a
,
Y
n
→
P
b
⇒
X
n
±
Y
n
→
P
a
±
b
,
X
n
Y
n
→
P
a
b
,
X
n
‾
Y
n
→
P
a
‾
b
,
g
(
X
n
)
→
P
g
(
a
)
X_n\overset P→a,Y_n\overset P→b⇒X_n±Y_n\overset P→a±b,X_nY_n\overset P→ab,\begin{matrix}\underline{X_n}\\Y_n\end{matrix}\overset P→\begin{matrix}\underline{a}\\b\end{matrix},g(X_n)\overset P→g(a)
Xn→Pa,Yn→Pb⇒Xn±Yn→Pa±b,XnYn→Pab,XnYn→Pab,g(Xn)→Pg(a)
大数定律
∃随机变量X1,X2,⋯,Xn,
X
ˉ
=
1
n
∑
X
i
,
X
ˉ
→
P
E
(
X
ˉ
)
\bar X=\frac 1n∑X_i,\bar X\overset P→E(\bar X)
Xˉ=n1∑Xi,Xˉ→PE(Xˉ)⇒随机变量序列{Xn}服从大数定律,棣-拉中的Xn可换成∑Xi
X~N(0,1),Y~χ²(n)⇒T=
X
Y
n
‾
\begin{matrix}X\\\overline{\sqrt{\frac Yn}}\end{matrix}
XnY~t(n)
t分布的性质
t分布的概率密度是偶函数,
lim
n
→
∞
\lim\limits_{n→∞}
n→∞limT~N(0,1)
F分布
X,Y相互独立,X~χ²(a),Y~χ²(b)⇒F=
X
‾
a
Y
‾
b
‾
\begin{matrix}\begin{matrix}\underline X\\a\end{matrix}\\\overline{\begin{matrix}\underline Y\\b\end{matrix}}\end{matrix}
XaYb~F(a,b)
F分布的性质
F~F(a,b)⇒
1
F
\frac1F
F1~F(b,a)
显著度/置信度
显著性水平=a=接近0的数,置信度=1-a=接近1的数
联方差
S
w
2
=
(
n
1
−
1
)
S
1
2
+
(
n
2
−
1
)
S
2
2
‾
n
1
+
n
2
−
2
S_w^2=\begin{matrix}\underline{(n_1-1)S_1^2+(n_2-1)S_2^2}\\n_1+n_2-2\end{matrix}
Sw2=(n1−1)S12+(n2−1)S22n1+n2−2
H0:μ=μ0,接受域为
u
=
∣
X
ˉ
−
μ
0
‾
σ
n
∣
<
u
1
−
a
/
2
u=\begin{vmatrix}\underline{\bar X-μ_0}\\\frac σ{\sqrt n}\end{vmatrix}<u_{1-a/2}
u=Xˉ−μ0nσ<u1−a/2,P(弃真)=a;全8种接受域和置信区间同样