概率论
事件和概率
-
概念
-
样本空间:一个随机试验的所有可能结果组成的集合,标记为 S S S。
-
事件: S S S的一个子集 A A A, A ⊆ S A\subseteq S A⊆S,称为事件。
-
事件计算
- A ∪ B A\cup B A∪B, A A A 与 B B B 的并,即发生 A A A 或 B B B 或者两者都发生。
- A ∩ B A\cap B A∩B, A A A 与 B B B 的交,即 A A A 与 B B B 都发生。
- A c A^c Ac, A A A 的补,即 A A A 不发生
- A / B A/ B A/B, A A A 与 B B B 的差,即 A A A 发生, B B B 不发生。
- ϕ \phi ϕ,空集,不可能时间
-
概率公理:满足以下3个条件的函数称为概率函数。
-
0 ≤ P ( A ) ≤ 1 0 \le P(A) \le 1 0≤P(A)≤1
-
P ( S ) = 1 P(S)=1 P(S)=1
-
如果 A 1 A 2 A 3 … A_1 A_2 A_3… A1A2A3… 是一系列两两无关的事件,即对于任何 i , j , i ≠ j , A i ∩ A j = ϕ , i,j,i≠j,A_i \cap A_j=\phi, i,j,i=j,Ai∩Aj=ϕ,则
P ( ⋃ k = 1 ∞ A k ) = ∑ k = 1 ∞ P ( A k ) \Large{P\Big(\bigcup_{k=1}^{\infty}A_k \Big)=\sum_{k=1}^{\infty}P(A_k)} P(k=1⋃∞Ak)=k=1∑∞P(Ak)
-
-
条件概率:令 B B B 为一个事件满足 P ( B ) > 0 P(B)>0 P(B)>0,对于任一事件 A A A ,定义 A A A 的关于 B B B 的条件概率。
P ( A ∣ B ) = P ( A ∩ B ) P ( B ) \Large{P(A|B)=\frac{P(A \cap B)}{P(B)}} P(A∣B)=P(B)P(A∩B) -
独立
- 如果 A , B A,B A,B,满足 P ( A ∩ B ) = P ( A ) P ( B ) P(A∩B)=P(A)P(B) P(A∩B)=P(A)P(B),称 A , B A,B A,B 独立。
- 且可以推出 P ( A ) = P ( A ∣ B ) P(A)=P(A|B) P(A)=P(A∣B)。
-
-
性质
-
概率的加法公式: P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A ∩ B ) P(A \cup B)=P(A)+P(B)-P(A\cap B) P(A∪B)=P(A)+P(B)−P(A∩B)
-
并的界: P ( A ∪ B ) ≤ P ( A ) + P ( B ) P(A\cup B)\le P(A)+P(B) P(A∪B)≤P(A)+P(B)
-
全概率公式:设 B 1 B 2 B 3 … B n B_1 B_2 B_3 …B_n B1B2B3…Bn 是样本空间 S S S 中互不相交的一系列事件,并且满足 S = ∪ k + 1 n B k S=\cup _{k+1}^n B_k S=∪k+1nBk,那么对于任意事件 A A A
P ( A ) = ∑ k = 1 n P ( A ∣ B k ) P ( B k ) \Large{P(A)=\sum_{k=1}^nP(A|B_k)P(B_k)} P(A)=k=1∑nP(A∣Bk)P(Bk)
-
期望和方差
-
概念
- 随机变量:
- 在样本空间 S S S 上的一个随机变量 X X X 是 S S S 上的一个取值为实数的函数。只取有限个或者可数无穷多个值的随机变量称为离散随机变量。
- 数学期望
- 对于取值有限的离散型随机变量 X X X ,假设 X X X 有概率分布 p j = P ( X = x j ) p_j=P(X=x_j) pj=P(X=xj),则称 E ( X ) = ∑ j = 1 n x j p j E(X)=\sum_{j=1}^nx_jp_j E(X)=∑j=1nxjpj 为 X X X 的数学期望,其中 n n n 为 X X X 不同取值的个数。
- 方差
- 定义离散随机变量 X X X 的方差为 v a r ( X ) = E ( X − E ( X ) ) 2 \mathrm{var}(X)= E\Big(X-E(X)\Big)^2 var(X)=E(X−E(X))2。
- 称 σ x = v a r ( X ) σ_x =\sqrt{\mathrm{var}(X)} σx=var(X) 为 X X X 的标准差。
- 随机变量:
-
性质
-
期望的线性性:对于任意一组有限个离散随机变量来说 X 1 X 2 … X n X_1 X_2 … X_n X1X2…Xn
E ( ∑ i = 1 n x i ) = ∑ i = 1 n E ( x i ) \Large{E\Big( \sum_{i=1}^nx_i\Big)=\sum_{i=1}^nE(x_i)} E(i=1∑nxi)=i=1∑nE(xi) -
如果 X X X 和 Y Y Y 是两个独立的随机变量,那么 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)
-
马尔科夫不等式
- 假设
X
X
X 是只取非负数值的随机变量,对于任意
a
>
0
a>0
a>0,有
P ( X ≥ a ) ≤ E ( X ) a \Large{P(X \ge a)\le \frac{E(X)}{a}} P(X≥a)≤aE(X)
- 假设
X
X
X 是只取非负数值的随机变量,对于任意
a
>
0
a>0
a>0,有
-
切比雪夫不等式
- 对任意随机变量
X
X
X 及任意
a
>
0
a>0
a>0,有
P ( ∣ X − E ( X ) ∣ ≥ a ) ≤ v a r ( X ) a 2 \Large{P\Big(\big|X-E(X)\big|\ge a\Big)\le \frac{\mathrm{var}(X)}{a^2}} P( X−E(X) ≥a)≤a2var(X)
- 对任意随机变量
X
X
X 及任意
a
>
0
a>0
a>0,有
-
-
概率分布
-
二项分布
-
概率函数
p ( k ) = ( n k ) p k ( 1 − p ) n − k \Large{p(k)=\begin{pmatrix}n\\k\end{pmatrix}p^k(1-p)^{n-k}} p(k)= nk pk(1−p)n−k
称为以 n , p n,p n,p 为参数的二项分布。 -
数学期望
E [ X ] = E 1 [ X ] + ⋯ + E n [ X ] = n ( 0 × ( 1 − p ) + 1 × p ) = n p \Large{E[X]=E_1[X]+\cdots+E_n[X]=n\Big(0\times(1-p)+1\times p\Big)=np} E[X]=E1[X]+⋯+En[X]=n(0×(1−p)+1×p)=np -
方差
v a r [ X ] = n p ( 1 − p ) \Large{\mathrm{var}[X]=np(1-p)} var[X]=np(1−p)
-
-
几何分布
-
概率函数
p ( k ) = p ( 1 − p ) k − 1 \Large{p(k)=p(1-p)^{k-1}} p(k)=p(1−p)k−1
称为以 p p p 为参数的几何分布 -
数学期望
E [ X ] = p + ( 1 − p ) ( E [ X ] + 1 ) ⇒ E [ X ] = 1 p \Large{E[X]=p+(1-p)(E[X]+1) \Rightarrow E[X]=\frac{1}{p}} E[X]=p+(1−p)(E[X]+1)⇒E[X]=p1 -
方差
v a r [ X ] = 1 − p p 2 \Large{\mathrm{var}[X]=\frac{1-p}{p^2}} var[X]=p21−p
-
-