XJTLU_MTH102概率论速通

最新推荐文章于 2024-08-13 21:37:16 发布

Fancivoid

最新推荐文章于 2024-08-13 21:37:16 发布

阅读量626

点赞数 8

文章标签：概率论

本文链接：https://blog.csdn.net/Fancivoid/article/details/140475129

版权

为了吃推广不得不放一篇笔记上来了，不喜勿喷，概率论是工科大二下最简单的科目，希望能帮到各位节约时间。以下是包含PPT的文件内容。网盘链接

L1 排列组合

Permutations

对象的排列是指这些对象在一行中的有序排列。

A permutation of objects is an ordered arrangement of these objects in a row.

In general, n(n − 1)· · ·(n − r + 1) represents the number of different ways that a group of r items could be selected from n items when the order of selection is relevant. And as each group of r items will be counted r! times in this count, it follows that the number of different groups of r items that could be formed from a set of n items is

一般来说，n（n − 1）· · ·（n − r + 1）表示当选择顺序相关时，可以从 n 个项目中选择一组 r 项目的不同方式的数量。并且由于每组 r 项将被计数为 r！在此计数的次数中，可以由一组 N 个项目组成的不同组的 R 项目的数量为

Combinations

First step of probability

L2 概率论初步

Set theory

概率论

Sample space and events

Random experiment: the outcome of an experiment is not predictable with certainty.

随机实验：实验的结果无法确定地预测。

Sample space: the set of all possible outcomes of an experiment.

样本空间：实验的所有可能结果的集合。

Event: any subset of the sample space, i.e. a set consisting of possible outcomes of the experiment

事件：样本空间的任何子集，即由实验的可能结果组成的集合

The Venn diagram is a graphical representation of logical relations among

events

Axioms of probability

Axioms of probability 概率公理

Consider an experiment whose sample space is S. For each event E of S, we

assume that a number P(E) is defined and satisfies the following three axioms:

加法原理

Equally likely models

概率相等模型

L3 条件概率

Conditional probability 条件概率

Multiplication rule

P(A ∩ B) = P(A)P(B|A) = P(B)P(A|B).

Law of total probability

P(A) = P(A ∩ B) + P(A ∩ B c )

L4 贝叶斯定理和独立

Bayes’ rule

P(A|B) = (P(B|A) * P(A)) / P(B)

其中：

P(A|B)：在事件B发生的条件下，事件A发生的概率（后验概率）posterior probability.

P(B|A)：在事件A发生的条件下，事件B发生的概率（条件概率）。

P(A)：事件A发生的概率（先验概率）prior probability

P(B)：事件B发生的概率。

B发生的概率范围内A的概率=A和B发生的共同概率现在除去让B必须发生。

Independent events

Two events A and B are said to be independent if

P(A ∩ B) = P(A)P(B).

Two events A and B that are not independent are said to be dependent.

Remark. Pay attention, A and B are independent does not mean that A ∩ B = ∅!

Property. If A and B are independent, then

P(A|B) = P(A) and P(B|A) = P(B).

The probability of A does not depend on the occurrence or nonoccurrence of B, and conversely.

L5 离散随机变量

Random variables

A sample space S may be difficult to describe mathematically if the elements of S are not numbers. We need to find a way to associate each element s of S with a real number x, which leads to the notion of random variables.

S = {H, FH, FFH, FFFH, . . .},

S = {FFF, HFF, FHF, FFH, HHF, HFH, FHH, HHH}

一个最多可数的随机变量称为离散随机变量。

A random variable that can take on at most a countable number of possible values is said to be discrete random variable.

对于一个离散随机变量x和任何值x，概率P（X = x）通常用p (x)表示，称为概率质量函数。以下简称为pmf。

Mean and variance

L6 常用的离散随机变量三种分布

Binomial distribution

伯努里分布，

A Bernoulli experiment is a random experiment with two outcomes, modeled with the sample space

S = {0, 1}

非零即一

Let X be a random variable associated with a Bernoulli experiment with

P(X = 1) = p, P(X = 0) = 1 – p,

for some 0 <= p<= 1. The pmf of X can be written as

p(x) = (p ^ x) ((1 - p) ^(1-x)) , x = 0, 1

E[X]=(0)(1 - p)+(1)(p) = p

Var(X)=(0 - p)^2(1-p)+(1 - p)^2 p = p(1 - p)

Binomial distribution

二项分布

A Bernoulli experiment is performed n times independently, and let the random variable X be the number of times when the outcome is 1 in the n trials X是n次中结果为1的个数

The support (range) of X is {0, 1,..., n}.

The pmf of X is p(k) = P(X = k) = （nk） p ^k (1 - p) ^n-k , k = 0, 1,..., n.

Bernoulli distribution 是n=1的情况；

Binomial distribution

E(X) = np, Var(X) = np(1 - p)

Geometric distribution

几何分布

Motivation: we are interested in X the number of independent trials needed in order to get the first success. The probability of success in each trial is constantly p œ (0, 1).

动机：我们感兴趣的是为了获得第一次成功所需的独立试验的数量。每次试验成功的概率始终为p范围是（0,1）。

The support (range) of X is {1, 2, 3,...}. A random variable X is said to have a geometric distribution if the pmf of X is defined by

where 0 < p < 1, q = 1 ≠ p.

Poisson distribution

某事件以一定速率发生的话

The Poisson distribution is a discrete probability distribution that gives the probability of a given number of events occurring in a fixed interval of time or space if these events occur with a known average rate.

L7 连续随机变量

Continuous random variables

一个连续随机变量，它描述在整个区间的分布曲线的函数，就是概率密度函数pdf。

性质

cdf累积分布函数：在pdf上比x小的累积

Mean and variance

连续随机变量的平均值（期望）

有内层函数直接代换即可

一些期望的特征

方差

Uniform distribution均匀分布

在a-b任意一点概率相同，pdf是一条直线。

L8 常用的连续随机变量三种分布

Exponential distribution

这里例题2讲述了一个泊松分布和指数分布的转化。

泊松分布适合描述单位时间（或单位面积）内随机事件的平均发生次数。但是，当事件发生的频率非常高时（即λ很大），我们不再关心具体的事件发生次数，而是更关心事件发生之间的时间间隔。而这个时间间隔的分布就是指数分布。

因此，可以说指数分布是泊松分布在λ趋近于无穷大时的极限分布。这意味着，在某些特定条件下（如高频率事件），泊松分布和指数分布可以相互转换或近似。

基本靠cdf相减进行计算，

特性memoryless,取任意两段等长，求得的数值相同。

Normal distribution

一个标准的正态分布

因为图像是对称的，小于0的部分比如Φ(-0.8)可以直接取反。Φ(0.8)

Rayleigh distribution

L9 联合分布的随机变量（多变量）

首先，我们要明白随机变量。随机变量，简单来说，就是一个可能会取不同值的变量，这些值取决于某种随机过程或实验的结果。比如，掷一个骰子，点数就是一个随机变量，因为它可能是1、2、3、4、5或6。

联合pmf（联合概率质量函数）：

Joint probability mass functiontion

当我们谈论两个或更多的随机变量时，我们可能会关心它们同时取某个值的概率。比如，我们掷两个骰子，一个骰子的点数是X，另一个骰子的点数是Y。那么，X和Y同时取某个值的概率就是它们的联合pmf。

边缘pmf（边缘概率质量函数）：

marginal probability mass function (marginal pmf)

当我们只关心一个随机变量的概率，而不关心其他随机变量的取值时，我们就用到了边缘pmf。比如，如果我们只关心第一个骰子的点数X，而不关心第二个骰子的点数Y，那么X取某个值的概率就是它的边缘pmf。

PDF（概率密度函数）：

joint probability density function (joint pdf)

概率密度函数描述的是随机变量在某一取值范围内的概率分布情况。

对于连续随机变量（取值可以是任何实数，如身高、体重等），我们不能简单地列出所有可能的取值和对应的概率（因为这样的取值太多了），而是用一个函数来描述这些概率，这个函数就是PDF。PDF在某个点的值并不代表该点取值的概率，但它可以告诉我们该点附近的取值概率。比如，如果我们说某个人的身高在1.7米附近的概率密度很大，那就意味着这个人有很大的可能性身高接近1.7米。