文章目录
伯努利大数定理
中心极限定理
独立同分布的中心极限定理:独立同分布的n个随机变量,有相同的期望
μ
\mu
μ和方差
σ
2
\sigma^2
σ2,当n充分大时,随机变量的算术平均近似服从正态分布
大数定律阐述了概率是客观存在的,而频率是具有稳定性的,当试验次数无穷多后稳定在一个值附近上下波动,这个值就是概率,表征了事件发生可能性的大小。大数定律是试验研究的理论基础。
中心极限定理则表明在相当一般的条件下,当独立随机变量个数不断增加时,其和的分布趋于正态分布,阐明了正态分布的重要性。
该定理(前两个)意义在于:现实问题中考虑的随机变量能表示成多个随机独立随机变量之和,如实验误差是由许多观测不到、可加的微小误差所合成的,其和近似服从正态分布,因此往往可以用正态分布来估计总的误差。
条件概率
其中,贝叶斯公式是已知结果去寻找原因
解题思路:
结果一般是
B
B
B,题目给出的概率事件一般是
A
i
A_i
Ai,这种概率需要注意是否需要组合条件计算(可以将事件
A
i
A_i
Ai概率相加是否等于1作为判断,因为
A
i
A_i
Ai的并集应该是完备集)。先求出全概率
P
(
B
)
P(B)
P(B),再计算题目要求发生原因的概率
P
(
A
k
)
P
(
B
∣
A
k
)
P(A_k)P(B|A_k)
P(Ak)P(B∣Ak),最后再除。
例题:
1.一台设备由10个元件组成,在保修期间,每个元件的失效率为0.05,各元件是否失效是相互独立的,若有一个元件失效,设备不能使用的概率为0.5,若有两个元件失效,设备不能使用的概率是0.8,若有三个或者三个以上的元件失效,设备一定不能使用。
(1)求设备在保修期内不能使用的概率;
(2)已知设备不能使用,求是一个元件失效的概率。
解:
常用分布
离散分布
数学期望
μ
=
E
(
X
)
=
∑
x
p
(
x
)
\mu=E(X) = \sum{xp(x)}
μ=E(X)=∑xp(x)
特别地:
E
[
(
X
−
μ
)
2
]
=
(
E
(
x
)
)
2
−
μ
2
E[(X-\mu)^2]=(E(x))^2-\mu^2
E[(X−μ)2]=(E(x))2−μ2
方差
σ 2 = E [ ( x − μ ) 2 ] = ∑ ( x − μ ) 2 p ( x ) \sigma^2=E[(x-\mu)^2]=\sum{(x-\mu)^2p(x)} σ2=E[(x−μ)2]=∑(x−μ)2p(x)
伯努利分布
进行一次伯努利试验,成功(X=1)概率为p(0≤p≤1),失败(X=0)概率为1-p,则称随机变量X服从伯努利分布。伯努利只有两种结果
c
数学期望
E = p E = p E=p
方差
D = p ( 1 − p ) D=p(1-p) D=p(1−p)
二项分布
如果试验E是一个伯努利试验,每次伯努利试验的成功概率为p,X代表成功的次数,则X的概率分布是二项分布,记为X~B(n,p)
P
(
X
=
k
)
=
(
n
!
k
!
(
n
−
k
)
!
)
p
k
(
1
−
p
)
1
−
k
P(X=k)=(\frac{n!}{k!(n-k)!})p^k(1-p)^{1-k}
P(X=k)=(k!(n−k)!n!)pk(1−p)1−k
数学期望
E = n p E = np E=np
方差
D = n p ( 1 − p ) D=np(1-p) D=np(1−p)
连续型分布
概率密度函数
Q: 概率密度函数在某点的函数值,有什么意义?
A: 其实 概率密度函数值 即为 概率在该点的变化率.
概率分布函数
正态分布
概率密度函数
数学期望
E = μ E = \mu E=μ
方差
D = σ 2 D=\sigma^2 D=σ2
均匀分布
均匀分布是指连续型随机变量所有可能出现值的出现概率都相同。其概率密度函数为:
f
(
x
)
=
1
b
−
a
f(x)=\frac{1}{b-a}
f(x)=b−a1
数学期望
E = a + b 2 E = \frac{a+b}{2} E=2a+b
方差
D = ( b − a ) 2 12 D=\frac{(b-a)^2}{12} D=12(b−a)2
指数分布
指数分布通常用来表示随机事件发生的时间间隔,如旅客进机场的时间间隔、电子产品的寿命分布等。
指数分布的特征:无记忆性。比如灯泡的使用寿命服从指数分布,无论它已经使用了多长时间,假设为s,只要还没有损坏,它能再使用一段时间t的概率与一件新产品使用时间t的概率是一样的。
概率密度函数
f
(
x
)
=
1
θ
e
−
x
θ
f(x)=\frac{1}{\theta}e^{-\frac{x}{\theta}}
f(x)=θ1e−θx
数学期望
E = θ E = \theta E=θ
方差
D = θ D=\theta D=θ
Γ \Gamma Γ分布
Γ
\Gamma
Γ函数
概率密度函数
χ 2 \chi^2 χ2分布
N(0,1)是标准正态分布
t t t分布
假设检验
例子
显著性水平
显著性水平 α 为犯第一类错误的概率。
显著性水平是指当原假设实际上正确时,检验统计量落在拒绝域的概率,简单理解就是犯弃真错误的概率。这个值是我们做假设检验之前统计者根据业务情况定好的。
P值
用于确定我们是否拒绝H0,是一个概率值,如图当P值小于显著水平时,说明检验的统计量落入拒绝域中,拒绝零假设。
步骤
假设形式:
检验统计量:
σ
\sigma
σ已知:
z
=
x
ˉ
−
μ
0
σ
/
n
z=\frac{\bar{x}-\mu_0}{\sigma/\sqrt{n}}
z=σ/nxˉ−μ0
σ
\sigma
σ未知:
z
=
x
ˉ
−
μ
0
s
/
n
z=\frac{\bar{x}-\mu_0}{s/\sqrt{n}}
z=s/nxˉ−μ0
参数估计
点估计
用样本的估计量的某个取值直接作为总体参数的估计值
例如:用样本均值直接作为总体均值的估计;
用两个样本均值之差直接作为总体均值之差的估计。
区间估计
例子:
最大似然估计
例子:设总体X服从参数为
λ
\lambda
λ的指数分布,
(
x
1
,
x
2
,
.
.
.
,
x
n
)
(x_1,x_2,...,x_n)
(x1,x2,...,xn)为样本观察值,求
λ
\lambda
λ的最大似然估计值
解:总体X的概率密度函数为:
似然函数:
设总体X分布律为:
求参数p的最大似然估计量