概率统计第一章打卡学习

随机事件

1.1 基本概念

随机现象
对事件得结果不能完全预测得现象，称之为随机现象
随机试验
观察随机现象实现得过程，称为随机试验。记为E

条件：
1 可以在相同条件下重复进行
2 结果有多种可能性，并且所有可能的结果事先已知
3 作一次试验究竟哪个结果出现，事先不能确定
**
样本空间**
包含随机实验中所有可能的集合为样本空间，记为 $\Omega$

样本点
实验的每一可能结果称为样本点，记为 $\omega$

随机事件
在样本空间中满足一定条件的子集为随机事件，用大写字母 A,B，B

note: 随机事件在随机实验中可能出现也可能不出现

必然事件
在试验中，称一个事件发生是指构成该事件的一个样本点出现，由于样本空间$\Omega$包含所有样本点，所以在每次实验中，它总发生，因此称$\Omega$为必然事件

不肯能事件
空集$\varphi$不包含任何样本点，且在每次实验中总部发生

理解
其实这里的一些基本概念 可以理解为一个集合
1 全集为样本空间，其中每一个元素都代表个样本点，而全集和子集的关系，就是随机事件发生的概率问题，全集因为包含所有的样本点，所以它一定是可能发生，空集则相反，他与任何子集的交集都是空集，所以一定是不可能发生的称为不可能事件

1.2 概率

1 定义
在随机实验中，每个随机事件的发生在整个样本空间中都有对应的实数P(A)与之相对应

理解
我一直的看法就是 概率其实就是每个随机事件在整个样本空间中所占的比例，也就是子集子集在全集中所占的比例

特点
1 对于每个事件$A$,均有$0<P⟨A⟩<=1$
2 $P⟨\Omega ⟩=1$
3 若事件$A_1,A_2,A_3$两两互斥，（互斥的意思是在整个样本空间中任意两个互斥事件不可能同时发生，也就是说 任意两个子集之间没有交集）
则有$P⟨A_1\bigcap A_2\bigcap A_3⟩=P⟨A_1⟩+P⟨A_2⟩.....$

主要性质
1 对于任一事件A，均有$P⟨\bar{A}⟩=1-P⟨A⟩$

2 若事件A B 是包含的关系，即A$\subset$B,则有

$P⟨B-A)=P(B)-P(A),P(B)>P(A)$
1 对于任意两个事件A和B，有
$P(A\cup B)=P(A)+P(B)-P(A\cap B)$

1.3 古典概型

古典概型的特点在于
1 样本空间有限
2 每个样本点出现是等可能的，且每次实验有且仅有一个样本点发生

公式 这里定义事件A 它包含了m个样本点 则事件A出现的概率为：
$P(A)=\frac{m}{n}（n为事件所有样本点）)$

古典概型的推广
在学习中主要涉及到的是古典概型中的排列组合问题，但在实际的应用中可能结果打出人们所意料的，比如资料中所提及的生日问题

#递归方程
def recursion(n)
	if n== 0:
		return 1;
	else
		return (n*recursion(n-1))
		
l_fac = recursion(365)
l_k_fac = recursion(365 - 40)
l_k_exp = 365**40  #365的40次方

p_B = l_fac/（l_k_fac * l_k_exp）
print("事件B的概率为："，p_B)
print("40个同学中至少两个人同一天过生日的概率是："，1-p_B)

1.4 条件概率

1 定义
设A和B是两个事件，且$P(B)>0$, 称为$P(A|B)=\frac{P(AB)}{P(A)}$ 为在事件B发生的条件下，事件A发生的概率

全概率公式和贝叶斯公式

1 概率乘法公式：
$P(AB)=P(B|A)P(A)=P(A|B)P(B)$

2事件组，满足
1 $B_1,B_2,......$两两互斥，即$B_i\cap B_j=\varphi i和j不相等，$且$P(B_i)>0$
2 $B_i\cup B_2....=\Omega$
则称事件组$B_1{B}_2........$是样本空间 $\Omega$的一个划分

全概率公式
设$B_1,B_2$是样本空间$\Omega$的一个划分，A为任意事件，则$P(A)={\sum }_{i=1}^{\infty }P(B_i)P(A|B_i)$

2贝叶斯公式
设$B_1{B}_2........$是样本空间$\Omega$的一个划分，则对任一事件$A(P(A)>0)$
$P(B_i|A)=\frac{P(B_{i}A)}{P(A)}=\frac{P(B_i)P(A|B_i)}{{\sum }_{i=1}^{\infty }P(B_i)P(A|B_i)}$
上述称为贝叶斯公式
$P(B_i)为先验概率，P(B_i|A)为后验概率$
理解
在资料的理解中它给出了一个阳性条件下为肝癌的机率，这就意味着，如果使用条件概率，就是阳性患者还是肝癌的概率/阳性患者 但有的时候阳性患者的概率 未知时候，则可根据贝叶斯公式，求解阳性条件下是肝癌的加上阳性条件下不是肝癌的，这样就得到了阳性患者的概率。

随机变量

2.1 随机变量及其分布
随机变量
这里描述的是在随机试验$E$，在样本空间中$\Omega$，每$\omega$都在实数域上有对应的值$X(\omega )$与之对应，那么这个$X(\omega )就是我们需要关注的值$
注意
随机变量的取值并不是固定的，这区别与普通的函数，每个样本点随对应的随机变量的取值也是不确定的。我们关心随机变量，往往关心它的取值的概率，而不是他去那些值
分布函数

分布函数的定义:
分布函数的公式如下所示，设随机变量X，对于任意的x都有
$F(x)=P(X<=x)(-\infty <x<+\infty )$
我们管这样的函数叫做分布函数，也叫做概率累加函数

2.2 离散型随机变量

如果随机变量$X$的全部x的取值为可列无穷多个。X称为离散型随机变量，,那么其对应的概率为
$P(X=x_k)=p_{k}k=1,2,3,4........$
其对应的分布函数为
$F(X)=\sum _{k=1}^{X=x_k}{p}_k$
这样部门管这个叫做离散函数的分布律

2.3 常见的离散分布
2.3.1 伯努利实验和二项式分布
定义
如果一个实验只有两种结果，我们则管这样的分布叫做伯努利分布，其公式如下所示
$P(X)=pP(\bar{X})=1-p$
$其中0<p<1$
如果像这样的实验可重复n次进行，则叫做n重伯努利分布

伯努利分布中有一个重要的分布叫做二项式分布，
其中二项式分布，表示在n此实验中 正事件所发生的概率
其公式为
$P(x=k)=C_n^k{p}^k(1-p{)}^{n-k}k=01234$
*记作B（n, k）表示的是n次实验中k次发生的概率为k的概率是多少。

其分布函数为
$F(x)=\sum _k^{|x|}{C}_n^k{p}^k(1-p{)}^{n-k}$
$这里需要注意的是意思就是如果想知道有三次成功的概率则需要将0次1次2次3次的概率加在一起就是这个概率分布的意思$

随机变量的数字特征
2.4.1 数学期望
离散型
$E(x)=\sum _{k=1}^{x_k}{x}_k{p}_k)$ $这里\sum _{k=1}^{x_k}{x}_k{p}_k是收敛的$
对于连续性
$E(x)={\int }_{-\infty }^{+\infty }xf(x)$ $其中f(x)被称为概率密度函数$
这个数学期望也被称为均值

性质
1 若c为一个常数，则$E(c)=c$
2 $E(aX+bY)=aE(X)+bB(Y)$
3 X Y独立则有 $E(XY)=E(X)E(Y)$

2.4.2 方差
$var(x)=E((X-E(x{)}^2))$
$\sqrt{var(x)}叫做均方差$

性质
1 若C为常数 ，则$var(c)=0$
2 $var(cX+b)=c^{2}E(X)$
3 若X Y独立
$var(X=Y)=var(X)+var(y)$

协方差和相关系数
协方
$cov(X,Y)=E((X-E(x)|Y-E(Y))$

性质
$1cov(X,Y)=cov(Y,X)$
$2cov(ax+b,bx+c)=abcov(x,y)abcd为任意常数$
$3cov(X_1+X_2,Y)=cov(X_1,Y)+cov(X_2,Y)$
$4cov(X,Y)=E(XY)-E(X)E(YXY相互独立$
$5|cov(X,Y)|<=\sqrt{var(X)}\sqrt{var(Y)}$
$6cov(X,X=var(X))$

相关系数

基本上我们会用相关系数来衡量两个变量之间额关系，相关系数的取值从-1到1，当小于0是则代表负相关，大于零时则代表正相关，当其绝对值越接近1是则代表相关性程度越好

公式
$\rho (x,y)=\frac{cov(x,y)}{\sqrt{var(x)}\sqrt{var(y)}}$