因为考研的时候我已经学过了高数和线代,加上本科的时候这两门课学得就比较好,所以对这两门课印象比较深刻,记得比较清楚。但是概率论是真的有点烦,公式比较多、模型也多,所以写个笔记方便以后自己查看复习
前置知识
排列组合
基础理论知识
两个常用公式
乘法定理
完成一件事有k个步骤,每个步骤有N_i个方法(0<i<=k),则完成这件事有:
N_1N_2……*N_k 种方法
加法定理
完成一件事有K种不同套路,每种套路有m_i种方法,则完成这件事有:
m_1+m_2+……+m_K 种方法
例题
捆绑法
插空法
插板法
乘法原理
关键在于对问题进行步骤上的分解
图片来源于bilibili@高数叔的百宝箱,侵权删
加法原理
法一:图片来源于bilibili@高数叔的百宝箱,侵权删
法二:图片来源于bilibili@高数叔的百宝箱,侵权删
概率论
在随机变量已知的情况下去研究其规律、性质
基本概念与随机事件的关系
基本概念
略
随机事件的关系
- A⊂B
事件B包含事件A,事件A发生必然导致事件B发生 - A=B
若A⊂B且B⊂A,则称A、B两事件相等 - A∪B
事件A和事件B的和事件,A、B至少有一个发生,则事件A∪B就发生 - A∩B
事件A和事件B的积事件,A、B同时发生,则A∩B才发生 - A-B
事件A和事件B的差事件,A发生而B不发生时,事件A-B才发生 - A∩B=Ø
事件A和事件B是互斥的、互不相容的,不可能同时发生 - A∩B=Ø且A∪B=S
互为逆事件或对立事件,即要么A发生B不发生,要么A不发生B发生
事件的运算
例题
略,这个和离散数学一样,就不写了,刚刚复试完离散数学!而且这个也不难!
频率与概率
略,有点简单了!
古典概型和几何概型
只需要知道前者是事件有限,后者是无限,而且后者一般是通过作图求解的。
条件概率
计算公式
P(B|A) = P(AB)/P(A),事件A发生的条件下事件B发生的条件概率
全概率公式和贝叶斯公式
全概率公式
如果一个样本空间S被B1、B2、……、Bn这样一个完备事件组划分,且P(Bi)>0,则P(A)=P(AB1)+P(AB2)+……+P(ABn)=P(A|B1)P(B1)+P(A|B2)P(B2)+……+P(A|Bn)P(Bn)
贝叶斯公式
例题
- 例1
- 例2
事件的独立性
顾名思义就是两个事件相互独立,所以P(AB)=P(A)P(B)
独立性的结论
例题
- 例1
一维离散型随机变量及其分布
常见的离散随机变量分布
泊松定理
离散随机变量分布函数
例题
- 例1
- 例2
- 例3
一维连续型随机变量及其概率密度
概率密度函数及其性质
常见的连续型随机变量分布
例题
-
例1
-
例2
随机变量的函数的分布
离散型
连续型
- 单调变化型
- 非单调型
二维离散型随机变量及其分布
和一维一样,不做过多笔记
二维连续型随机变量及其分布
只不过把积分换成了二重积分,都一样!
二维随机变量的独立性
和事件独立性差不多
两个随机变量最值的分布
就是前面的变式,都一样
期望和方差
数学期望的定义和性质
期望描述的是均值
方差的定义和性质
方差(也叫标准差)描述的是变量与均值的差距,即稳定性
常用分布的期望和方差
协方差和相关系数
协方差的定义和性质
相关系数的定义和性质
相关系数描述的是两个变量之间的关系,可以消除量纲的影响
大数定律及中心极限定理
大数定律
大数定律说的其实是:当实验的次数足够多时,事件发生的概率会逐渐趋于稳定,而且精度是十分高的。所以这就可以解释抛硬币实验为什么正反都是二分之一。
中心极限定理
描述的是所有模型的平均值的分布都是正态分布
数理统计
随机变量的分布是未知的,所以要通过实验获得数据,从而去估计这些总体未知的信息
样本与抽样分布
常见样本量
常见分布
咖方分布
t分布
F分布
正态总体的样本均值和样本方差的分布
例题
- 例1
- 例2
- 例3
点估计
矩估计
最大似然估计
例题
- 例1
- 例2
- 例3