概率论与数理统计

最新推荐文章于 2023-02-10 21:40:06 发布

Chen_X1

最新推荐文章于 2023-02-10 21:40:06 发布

阅读量1k

点赞数

文章标签：概率论

本文链接：https://blog.csdn.net/m0_67226105/article/details/126598676

版权

1.随机试验（E）

在相同条件下可重复

结果不止一个（事先知道所有结果）

无法预测是哪个结果

2.样本空间（S）

随机试验E的所有可能结果组成的集合

样本点：样本空间的元素

3.事件（随机事件）：各种结果

基本事件相对于实验目的不能再分（不必再分）（由一个样本点组成的样本集）

复合事件由基本事件复合

必然事件每次实验一定发生的结果（S）

不可能事件一定不发生（空集Ø）

4.事件间的关系

1）包含 $gif.latex?A%5Csubset%20B$ A发生必然导致B发生

2）相等 $gif.latex?A%5Csubset%20B$ 且 $gif.latex?B%5Csubset%20A$ 即A=B

3）和事件（事件A与B的并） $gif.latex?A%5Ccup%20B$ A，B中至少有一个发生时事件 $gif.latex?A%5Ccup%20B$ 发生

Tip： $gif.latex?A+B%5Csupset%20A$ $gif.latex?A+A%3DA$ $gif.latex?A+%5Cvarnothing%20%3DA$ $gif.latex?A+S%3DS$

4）积事件（事件A与B的交） $gif.latex?A%5Ccap%20B$ A，B同时发生时事件 $gif.latex?A%5Ccap%20B$ 发生

Tip： $gif.latex?AB%5Csubset%20A$ $gif.latex?AA%3DA$ $gif.latex?A%5Cvarnothing%20%3D%5Cvarnothing$ $gif.latex?AS%3DA$

5）差事件 $gif.latex?A-B$ A发生而B不发生时事件 $gif.latex?A-B$ 发生

6）互不相容事件（两事件互斥） $gif.latex?A%5Ccap%20B%3D%5Cvarnothing$ A和B不能同时发生

Tip：基本事件两两互不相容

7）对立事件（逆事件） $gif.latex?A%5Ccup%20B%3DS$ 且 $gif.latex?A%5Ccap%20B%3D%5Cvarnothing$ A，B中有且只有一个发生

Tip： $gif.latex?A%5Ccup%5Coverline%7BA%7D%3DS$ $gif.latex?%5Coverline%7BA%7D%3DS-A$ $gif.latex?A%5Coverline%7BA%7D%3D%5Cvarnothing$ $gif.latex?%5Coverline%7B%5Coverline%7BA%7D%7D%3DA$

A与B的差事件可以表示为： $gif.latex?A-B%3DA%5Coverline%7BB%7D%3DA%5Ccup%20B-B%3DA-AB$

5.运算律

1）交换律

2）结合律

3）分配律 $gif.latex?A%5Ccup%20%28B%5Ccap%20C%29%3D%28A%5Ccup%20B%29%5Ccap%20%28A%5Ccup%20C%29$ $gif.latex?A%5Ccap%20%28B%5Ccup%20C%29%3D%28A%5Ccap%20B%29%5Ccup%20%28A%5Ccap%20B%29$

4) 德摩根律 $gif.latex?%5Coverline%7BA%5Ccup%20B%7D%3D%5Coverline%7BA%7D%5Ccap%20%5Coverline%7BB%7D$ $gif.latex?%5Coverline%7BA%5Ccap%20B%7D%3D%5Coverline%7BA%7D%5Ccup%20%5Coverline%7BB%7D$

6.频率

n次试验中事件A发生的次数na称为事件A发生的频数

比值na/n称为事件A发生的频率记成 $gif.latex?fn%28A%29$

性质：1）非负 [0,1]

2）规范若为必然事件频率=1

3）可加

7.概率

1）非负对每个事件A P(A)>=0

2）规范对于必然事件S 有P(S)=1

3）可列可加

性质：1） $gif.latex?P%28%5CO%20%29%3D0$

2）有限可加性

3）若 $gif.latex?A%5Csubset%20B$ 有P(B-A)=P(B)-P(A) P(B)>=P(A)

Tip:一般情况下P(B-A)=P(B)-P(AB)

4）对任一事件A P(A)<=1

5）对任一事件A $gif.latex?P%28%5Coverline%7BA%7D%29%3D1-P%28A%29$

6）加法公式 P( $gif.latex?A%5Ccup%20B$ )=P(A)+P(B)-P(AB)

8.条件概率

1）A、B是两个事件且P(A)>0 称 $gif.latex?%5Cdpi%7B80%7D%20P%28B%7CA%29%3D%5Cfrac%7BP%28AB%29%7D%7BP%28A%29%7D$ 为事件A发生的条件下事件B发生的条件概率

2）非负性

3）规范性

4）可列可加性

5） $gif.latex?%5Cdpi%7B80%7D%20P%28A%7CB%29%3D1-P%28%5Coverline%7BA%7D%7CB%29$

6） $gif.latex?%5Cdpi%7B80%7D%20P%28B1%5Ccup%20B2%20%7C%20A%29%3DP%28B1%7CA%29+P%28B2%7CA%29-P%28B1B2%7CA%29$

7）乘法定理：P(AB)=P(B|A)P(A)

9.全概率公式和贝叶斯公式

1）全概率公式设试验E的样本空间为S A为E的事件 B1,B2,...,Bn为S的一个划分且P(Bi)>0

则P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)

2）贝叶斯公式设试验E的样本空间为S A为E的事件 B1,...,Bn为S的一个划分 P(Bi)>0 P(A)>0

则 $gif.latex?%5Cdpi%7B80%7D%20P%28Bi%7CA%29%3D%5Cfrac%7BP%28A%7CBi%29P%28Bi%29%7D%7B%5Csum_%7Bj%3D1%7D%5E%7Bn%7DP%28A%7CBj%29P%28Bj%29%7D$

10.独立性：设A、B是两事件若满足P(AB)=P(A)P(B) 则称A、B相互独立简称A、B独立。

互斥与独立不能同时成立

n个事件相互独立：任意k(2<=k<=n)个事件满足P(A1~Ak)=P(A1)P(A2)...P(Ak)

11.随机变量：随机试验的样本空间S={e} 随机变量X=X(e)是定义在样本空间S上的实值单值函数

离散型随机变量：取到的值是有限个或可列无限多个

(0-1)分布(两点分布)： $gif.latex?P%5Cleft%20%5C%7B%20X%3Dk%20%5Cright%20%5C%7D%3Dp%5E%7Bk%7D%281-p%29%5E%7B1-k%7D$

X服从(0-1)分布(两点分布) 记为X～B(1,p)

X	0	1
Pk	1-p	p

伯努利试验：试验E只有两个可能结果 n重伯努利试验：将E独立重复地进行n次

二项分布：设X表示n重伯努利试验中事件A发生的次数可能取值为0,1,2...,n

$gif.latex?P%5Cleft%20%5C%7B%20X%3Dk%20%5Cright%20%5C%7D%3D%5Ctextrm%7BC%7D_%7Bn%7D%5E%7Bk%7Dp%5E%7Bk%7D%281-p%29%5E%7Bn-k%7D$ n>=1 0<p<1

X服从二项分布记为X～B(n,,p)

泊松分布： $gif.latex?P%5Cleft%20%5C%7B%20X%3Dk%20%5Cright%20%5C%7D%3D%5Cfrac%7B%5Clambda%5E%7Bk%7D%20e%5E%7B-%5Clambda%20%7D%7D%7Bk%21%7D$ λ大于0 是常数

X服从参数为λ的泊松分布记为X～π(λ)

当二项分布中n很大 p很小时可以用λ=np的泊松分布近似

几何分布： $gif.latex?P%5Cleft%20%5C%7B%20X%3Dk%20%5Cright%20%5C%7D%3Dp%281-p%29%5E%7Bk-1%7D$ 其中k=1,2,3... 0<p<1

12.随机变量的分布函数

X是一个随机变量 x是任意实数函数F(x)=P{X<=x}称为X的分布函数

有时也写为 $gif.latex?F_%7BX%7D%28x%29%3DP%20%5Cleft%20%5C%7B%20X%5Cleqslant%20x%20%5Cright%20%5C%7D$

有 $gif.latex?P%5Cleft%20%5C%7B%20a%3C%20X%5Cleqslant%20b%20%5Cright%20%5C%7D%3DP%5Cleft%20%5C%7B%20X%5Cleqslant%20b%20%5Cright%20%5C%7D-P%5Cleft%20%5C%7B%20X%5Cleqslant%20a%20%5Cright%20%5C%7D%3DF%28b%29-F%28a%29$

有 $gif.latex?P%5Cleft%20%5C%7B%20a%3C%20X%3Cb%20%5Cright%20%5C%7D%3DP%5Cleft%20%5C%7B%20a%3C%20X%5Cleqslant%20b%20%5Cright%20%5C%7D-P%5Cleft%20%5C%7B%20X%3Db%20%5Cright%20%5C%7D$

一般离散型随机变量的分布函数为阶梯函数设分布律为 $gif.latex?P%5Cleft%20%5C%7B%20X%3Dx_%7Bk%7D%20%5Cright%20%5C%7D%3Dp_%7Bk%7D$ k=1,2...

X的分布函数为 $gif.latex?F%28x%29%3DP%5Cleft%20%5C%7B%20X%5Cleqslant%20x%20%5Cright%20%5C%7D%3D%5Csum_%7Bx_%7Bk%7D%5Cleqslant%20x%7D%5E%7B%7Dp_%7Bk%7D$

且F(x)在 $gif.latex?x%3Dx_%7Bk%7D$ 处有跳跃跳跃值为 $gif.latex?p_%7Bk%7D$

13.离散型随机变量分布函数的性质

1) 0<=F(x)<=1

2) F(x)单调不减

3) F(-∞)=0 F(+∞)=1

4) F(x)是右连续函数即F(x+0)=F(x)

14.连续型随机变量与概率密度函数(概率密度)

对于随机变量X的分布函数F(x) 若存在非负的函数f(x) 使对于任意实数x有

$gif.latex?F%28x%29%3D%5Cint_%7B-%5Cinfty%20%7D%5E%7Bx%7Df%28t%29dt$ 则称X为连续型随机变量 f(x)为X的概率密度函数有时写为 $gif.latex?f_%7BX%7D%28x%29$

有概率密度的一定为连续型随机变量 F(x)图像连续

15.概率密度f(x)的性质

1) f(x)>=0 f(x)的值可以大于1

2) $gif.latex?%5Cint_%7B-%5Cinfty%20%7D%5E%7B+%5Cinfty%20%7Df%28x%29dx%3D1$

3) 对于任意实数 $gif.latex?x_%7B1%7D%3Cx_%7B2%7D$ $gif.latex?%5Csmall%20P%5Cleft%20%5C%7B%20x_%7B1%7D%3CX%5Cleqslant%20x_%7B2%7D%20%5Cright%20%5C%7D%3DF%28x_%7B2%7D%29-F%28x_%7B1%7D%29%3D%5Cint_%7Bx_%7B1%7D%7D%5E%7Bx_%7B2%7D%7Df%28x%29dx$

4) 对任意实数a P{X=a}=0

5) P(x1<X<=x2)=P(x1<X<x2)

6) 若f(x)在点x处连续则 $gif.latex?%5Csmall%20F%5E%7B%27%7D%28x%29%3Df%28x%29$

16.均匀分布：X的概率密度函数为 $gif.latex?%5Csmall%20f%28x%29%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20%5Cfrac%7B1%7D%7Bb-a%7D%20%26x%5Cin%20%28a%2Cb%29%20%5C%5C%200%26%20other%20%5Cend%7Bmatrix%7D%5Cright.$

称X服从(a,b)上的均匀分布记为X～U(a,b)

均匀分布具有等可能性 X落入(a,b)中的等长度的任意子区间上是等可能的

17.指数分布：X的概率密度函数为 $gif.latex?%5Csmall%20f%28x%29%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20%5Cfrac%7B1%7D%7B%5Ctheta%7D%20e%5E%7B-%5Cfrac%7B1%7D%7B%5Ctheta%7D%20x%7D%20%26x%3E0%20%5C%5C%200%26x%5Cleqslant%200%20%5Cend%7Bmatrix%7D%5Cright.$

其中θ>0 称X服从参数为θ的指数分布记为X～E(θ)

随机变量X分布函数为 $gif.latex?%5Csmall%20F%28x%29%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%201-e%5E%7B-%5Cfrac%7B1%7D%7B%5Ctheta%7D%20x%7D%20%26x%3E0%20%5C%5C%200%26x%5Cleqslant%200%20%5Cend%7Bmatrix%7D%5Cright.$

指数分布具有无记忆性

18.正态分布：X的概率密度为 $gif.latex?%5Csmall%20f%28x%29%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%20%7D%5Csigma%20%7De%5E%7B-%5Cfrac%7B%28x-%5Cmu%29%5E%7B2%7D%7D%7B2%5Csigma%20%5E%7B2%7D%7D%7D$ $gif.latex?%5Csmall%20-%5Cinfty%20%3C%5Cmu%20%3C+%5Cinfty$ $gif.latex?%5Csmall%20%5Csigma%20%3E0$

称X服从参数为 $gif.latex?%5Csmall%20%5Cmu%2C%20%5Csigma$ 的正太分布（或高斯分布）记为 $gif.latex?%5Csmall%20X%5Csim%20N%28%5Cmu%2C%5Csigma%20%5E%7B2%7D%20%29$

f(x)关于x=μ对称

x<=μ时 f(x)是严格单调递增函数

$gif.latex?%5Csmall%20f_%7Bmax%7D%3Df%28%5Cmu%29%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%20%7D%5Csigma%20%7D$

$gif.latex?%5Csmall%20%5Clim_%7B%7Cx-%5Cmu%7C%20%5Cto%20%5Cinfty%20%7Df%28x%29%3D0$

μ为位置参数：当固定σ 改变μ的大小时 f(x)图形形状不变只是沿着x轴作平移变换

σ为尺度参数：当固定μ 改变σ的大小时 f(x)图形对称轴不变 σ越小图形越高越瘦

19.标准正态分布：若Z～N(0,1) 称Z服从标准正态分布

Z的概率密度函数为 $gif.latex?%5Csmall%20%5Cvarphi%20%28z%29%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%20%7D%7De%5E%7B-%5Cfrac%7Bz%5E%7B2%7D%7D%7B2%7D%7D$

Z的分布函数 $gif.latex?%5Csmall%20%5CPhi%20%28Z%29%3D%5Cint_%7B-%5Cinfty%20%7D%5E%7Bz%7D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%20%7D%7De%5E%7B-%5Cfrac%7Bt%5E%7B2%7D%7D%7B2%7D%7Ddt$

$gif.latex?%5Csmall%20%5Cvarphi%20%28z%29%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%20%7D%7De%5E%7B-%5Cfrac%7Bz%5E%7B2%7D%7D%7B2%7D%7D$ 关于y轴对称则有 $gif.latex?%5Csmall%20%5CPhi%20%28-z%29%3D1-%5CPhi%20%28z%29$

当 $gif.latex?%5Csmall%20X%5Csim%20N%28%5Cmu%2C%5Csigma%20%5E%7B2%7D%20%29$ 时 $gif.latex?%5Csmall%20%5Cfrac%7BX-%5Cmu%7D%7B%5Csigma%20%7D%5Csim%20N%280%2C1%29$

20.随机变量的函数的分布

已知X的概率分布 Y=g(X) 求Y的概率分布：给出Y的可能取值+等价事件

若g()为严格单调函数则Y=g(X)的概率密度为 $gif.latex?%5Csmall%20f_%7BY%7D%28y%29%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20f_%7BX%7D%5Bh%28y%29%5D%7Ch%5E%7B%27%7D%28y%29%7C%26%5Calpha%20%3Cy%3C%5Cbeta%20%5C%5C%200%26other%20%5Cend%7Bmatrix%7D%5Cright.$

其中h(y)是g(x)的反函数 $gif.latex?%5Csmall%20%5Calpha%20%3Dmin%5Cleft%20%5C%7B%20g%28-%5Cinfty%20%29%2Cg%28%5Cinfty%20%29%20%5Cright%20%5C%7D$ $gif.latex?%5Csmall%20%5Cbeta%20%3Dmax%5Cleft%20%5C%7B%20g%28-%5Cinfty%20%29%2Cg%28%5Cinfty%20%29%20%5Cright%20%5C%7D$

21.二维随机变量：样本空间S={e} 由定义在S上的随机变量X=X(e) Y=Y(e)构成的向量(X,Y)

22.二维随机变量(X,Y)的分布函数(随机变量X,Y的联合分布函数)：

$gif.latex?%5Csmall%20F%28x%2Cy%29%3DP%5Cleft%20%5C%7B%20%28X%5Cleqslant%20x%29%5Ccap%28Y%5Cleqslant%20y%29%20%5Cright%20%5C%7D$ 记成 $gif.latex?%5Csmall%20P%5Cleft%20%5C%7B%20X%5Cleqslant%20x%2CY%5Cleqslant%20y%20%5Cright%20%5C%7D$