文章写于2020.8.31晚7点,复习《概率论》第二章。
伯努利概型
伯努利概型的引入来源于伯努利试验,伯努利试验是一种重复独立试验,具体的定义如下:
伯努利试验:只有两个可能结果的试验。关于试验,可以理解为一个三元组 ( Ω , F , P ) (\Omega,\mathcal F,P) (Ω,F,P),如果是有限离散情形,每次试验按照概率 P P P蹦出一个样本点 ω \omega ω,伯努利试验就可以简单理解为扔一个(可能不均匀的)硬币。给定的 Ω \Omega Ω里只有2个点,理解为“正面”or“反面”, F = { Ω , ∅ , A , A c } \mathcal F = \{\Omega,\varnothing,A,A^c\} F={Ω,∅,A,Ac},再给定投得“正面”的概率 P P P,这个伯努利试验就被确定了。
伯努利试验被认为是一直重复无限次做下去的(无限次投币),还有概念** n \boldsymbol n n重伯努利试验**,样本空间共有 2 n 2^n 2n个点,事件域自然是样本点的任意子集。根据独立性也可以得到概率 P P P。注意可列重伯努利试验的样本点无穷多个,甚至不可列,而可和 [ 0 , 1 ] [0,1] [0,1]区间一一对应。
伯努利试验的应用范围比较广,当代遗传学、工业产品检验,机票超售问题(每个旅客当做一个试验)等等。
伯努利分布
没啥好谈的,就扔一次硬币的分布。只需要一个参数 p p p代表事件 A A A出现的概率就行。也可以叫做两点分布。
二项分布
有关n重伯努利试验的分布。给参数
n
,
p
n,p
n,p分别代表伯努利试验的次数和出现正面的概率。可以任意计算
b
(
k
;
n
,
p
)
b(k;n,p)
b(k;n,p)表示投正面的次数为
k
k
k的概率。计算公式为
b
(
k
;
n
,
p
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
b(k;n,p) = C_n^kp^k(1-p)^{n-k}
b(k;n,p)=Cnkpk(1−p)n−k
几何分布
讨论伯努利试验首次成功出现在第
k
k
k次试验的概率。
g
(
k
;
p
)
=
(
1
−
p
)
k
−
1
p
g(k;p) = (1-p)^{k-1}p
g(k;p)=(1−p)k−1p
注:计算出这些分布的概率利用的是n重伯努利试验、试验的独立性。
帕斯卡分布
与著名的分赌注问题有关。先胜利 t t t局的人拿走奖金,甲赢了r局,乙赢了s局,问奖金的分配方法。
建立模型,假设甲每局赢的概率为定值
p
p
p,视为投硬币投到正面,那么考虑伯努利试验扔硬币正好扔到第
t
t
t次正面出现在第
k
k
k次试验的概率。
f
(
k
;
t
,
p
)
=
C
k
−
1
t
−
1
p
t
(
1
−
p
)
k
−
t
,
k
=
t
,
t
+
1
,
⋯
f(k;t,p) = C_{k-1}^{t-1}p^t(1-p)^{k-t},k = t,t+1,\cdots\\
f(k;t,p)=Ck−1t−1pt(1−p)k−t,k=t,t+1,⋯
则只需考虑扔到
t
−
r
t-r
t−r次正面出现在第1次~第2t-s-r-1次即可。
利用牛顿二项式、组合数公式,可以证明帕斯卡分布的概率和为1:
∑
k
=
t
∞
f
(
k
;
t
,
p
)
=
∑
l
=
0
∞
C
l
+
t
−
1
t
−
1
p
t
(
1
−
p
)
l
=
∑
l
=
0
∞
(
−
1
)
l
C
−
t
l
p
t
(
1
−
p
)
l
=
p
t
∑
l
=
0
∞
C
−
t
l
(
p
−
1
)
l
=
p
t
p
−
t
=
1
\sum_{k=t}^\infty f(k;t,p) = \sum_{l=0}^\infty C_{l+t-1}^{t-1}p^{t}(1-p)^l=\sum_{l=0}^\infty (-1)^l C_{-t}^lp^t(1-p)^l = p^t\sum_{l=0}^\infty C_{-t}^l (p-1)^l = p^tp^{-t} = 1
k=t∑∞f(k;t,p)=l=0∑∞Cl+t−1t−1pt(1−p)l=l=0∑∞(−1)lC−tlpt(1−p)l=ptl=0∑∞C−tl(p−1)l=ptp−t=1
负二项分布
等待第r次成功前失败次数为k的概率。与帕斯卡分布为同一个模型。
n
b
(
k
;
r
,
p
)
=
C
r
+
k
−
1
r
(
1
−
p
)
k
p
r
,
k
=
0
,
1
,
2
,
⋯
nb(k;r,p) = C_{r+k-1}^r (1-p)^kp^r, k = 0,1,2,\cdots
nb(k;r,p)=Cr+k−1r(1−p)kpr,k=0,1,2,⋯
后续再补充特征函数、母函数等