本博客用于记录概率论与数理统计学习笔记。
目录
- p1 绪论
- p2 样本空间和随机事件
- p3 事件的相互关系和运算
- p4频率
- p5概率
- p6古典概型(等可能概型)
- p7条件概率的定义
- p8条件概率
- p9全概率和贝叶斯公式
- p10全概率和贝叶斯公式
- p11事件的独立性
- p12事件的独立性
- p13随机变量
- p14随机变量
- p15离散随机变量的分布
- p16离散随机变量的分布
- p17分布函数
- p18分布函数
- p19分布函数
- p20 连续性随机概率密度函数
- p21 连续性随机概率密度函数
- p22 均匀分布
- p23 指数分布
- p24 高斯(正态,误差)分布
- p25 标准正态分布
- p26,27随机变量的函数分布
- p28 二元离散型随机变量的联合概率分布
- p29 二元离散型随机变量的条件概率分布
- p30 二元离散型随机变量的边缘概率分布
- p31二元随机变量的联合分布函数
- p32 二元随机变量的边际分布函数和条件分布函数
- p33 二元随机变量的联合概率密度函数
- p34 边缘概率密度函数
- p35 条件概率密度函数
- p36 条件概率密度函数例题
- p37 二元随机变量的均匀分布和正态分布
- p38随机变量的独立性
- p39二元正态分布的独立性
- p40二元随机变量的函数分布
- p41 连续性随机变量Z=X+Y的分布
- p42 连续性随机变量Z=X+Y的分布
- p43 Min(X,Y)和Max(X,Y)的分布
- p44 随机变量的数学期望
- p45常见分布的期望求解方法
- p46 随机变量函数的数学期望
- p47 二元随机变量函数的数学期望
- p48数学期望的性质
- p49 方差的定义和常见分布的方差推导
- p50方差的性质及其证明
- p51 正太分布方差的性质
- p52 协方差的定义及其性质
- p53相关系数及其性质
- P54 不向相关与独立
- P55 矩,协方差矩阵,多远正太分布的性质
- P56依概率收敛和切比雪夫不等式
- P57 大数定律
- P58 大数定律
- P59 中心极限定理
p1 绪论
p2 样本空间和随机事件
随机试验
- 在同样条件下重复进行
- 知道所有试验可能出现的结果
- 在实验室不知道这次会出现哪个结果
样本空间(集合)
随机试验所有可能的结果。
随机事件
样本空间的子集。
几个特殊的随机事件:
- 必然事件:一定会发生的事假。(比如把整个样本空间看做一个随机事件)
- 不可能事件:空集
- 基本事件:只包含一个样本点
例如:公交站现在有多少个人在等车?
样本空间:S={x : x>=0}
事件A表示等车人数大于等于0 A={x : x>=0} (必然事件)
事件A表示等车人数大于等于5 B={x : x>=5} (随机事件)
事件C表示恰好有三人等车 C={3} (基本事件)
事件D等车人数多于3且小于3 D={} (不可能事件)
p3 事件的相互关系和运算
关系
- 包含 A ⊂ B A\subset B A⊂B
- 相等 A=B
运算
- 和事件 A ∪ B A\cup B A∪B
- 积事件 A ∩ B A\cap B A∩B
- 逆事件
A
‾
\overline A
A
p4频率
随机事件A在N次随机实验中发生次数所占的比例,随着N增大趋于稳定。最终稳定到随机事件A发生的概率。
p5概率
讲到概率的的性质和一些简单的计算公式。
p6古典概型(等可能概型)
- 样本空间的样本点有限(有限性)
- 每个样本点出现概率相等(等可能性)
p7条件概率的定义
P
(
B
∣
A
)
P(B|A)
P(B∣A) : A发生的情况下B发生的概率
P
(
B
∣
A
)
=
P
(
B
A
)
P
(
A
)
P(B|A)= \frac {P(BA)} {P(A)}
P(B∣A)=P(A)P(BA)
后面包含了一些经典例题
p8条件概率
经典例题
p9全概率和贝叶斯公式
划分
样本空间S
第i事件A即为
A
i
A_i
Ai
划分满足以下性质:
- A 1 ∪ A 2 ∪ A 3 ∪ . . . . A n = S A_1\cup A_2\cup A_3 \cup....A_n=S A1∪A2∪A3∪....An=S
- 任意j,k满足 A j ∩ A k = ϕ A_j \cap A_k=\phi Aj∩Ak=ϕ
全概率公式
贝叶斯
p10全概率和贝叶斯公式
例题讲解
p11事件的独立性
P
(
A
,
B
)
=
P
(
A
)
∗
P
(
B
)
P(A,B)=P(A)*P(B)
P(A,B)=P(A)∗P(B)
独立和不相容两个概念,不相同。
独立性考虑的是A,B会不会相互影响
相容考虑的是两个事件有无交集
p12事件的独立性
经典例题
p13随机变量
随机变量实际上是一个函数:一个将样本点映射到实数空间的函数。方便我们描述随机数事件。
p14随机变量
分布
所有随机变量取值及其对应概率
p15离散随机变量的分布
二项分布(0-1分布)
二项分布记为:
X
∼
0
−
1
(
p
)
X\sim 0-1(p)
X∼0−1(p) 发生概率为p
也可记为
X
∼
B
(
1
,
p
)
X\sim B(1,p)
X∼B(1,p) 也可表示进行一次伯努利实验,发生的概率为p
X
∼
B
(
n
,
p
)
X\sim B(n,p)
X∼B(n,p)表示进行n次伯努利实验,发生的概率为p
例:抛一枚不均匀的硬币,正面向上概率为0.4
用X表示抛9次硬币正面向上的次数:
X服从二项分布
X
∼
B
(
9
,
0.4
)
X \sim B(9,0.4)
X∼B(9,0.4)
用X表示抛9次硬币正面向上的次数:
X服从二项分布
X
∼
B
(
9
,
0.6
)
X \sim B(9,0.6)
X∼B(9,0.6)
二项分布概率计算方法
P
(
X
=
k
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
P(X=k)=C_n^k p^k{(1-p)}^{n-k}
P(X=k)=Cnkpk(1−p)n−k
p16离散随机变量的分布
泊松分布
X
∼
π
(
λ
)
或
X
∼
P
(
λ
)
X \sim \pi(\lambda) 或 X \sim P(\lambda)
X∼π(λ)或X∼P(λ)
概率计算公式:
P
(
x
=
k
)
=
λ
k
e
−
λ
k
!
P(x=k)=\frac{\lambda ^ke^{- \lambda}}{k!}
P(x=k)=k!λke−λ
当n>10,p<0.1时泊松分布可看做二项分布的近似。概率计算结果基本一致。
几何分布
几何分布记为:
x
∼
G
e
o
m
(
p
)
x \sim Geom(p)
x∼Geom(p)
概率计算公式:
P
(
X
=
k
)
=
p
(
1
−
p
)
k
−
1
P(X=k)=p{(1-p)}^{k-1}
P(X=k)=p(1−p)k−1
典型服从几何分布例子:
我们投掷一枚骰子,6点向上时停止投掷。投掷的次数服从几何分布。
p17分布函数
(可以用来描述连续型和离散型随机变量的分布)
分布函数
F
(
x
)
=
P
(
X
≤
x
)
有
时
记
作
:
F
X
(
x
)
=
P
(
X
≤
x
)
F(x)=P(X\leq x)有时记作:F_X(x)=P(X\leq x)
F(x)=P(X≤x)有时记作:FX(x)=P(X≤x)
p18分布函数
离散型随机变量分布和分布函数互推的例子
p19分布函数
连续性随机变量的分布函数
p20 连续性随机概率密度函数
连续性变量才有概率密度函数
p21 连续性随机概率密度函数
经典例题
p22 均匀分布
记作X~U(a,b)
p23 指数分布
记作
X
∼
E
(
λ
)
X \sim E(\lambda)
X∼E(λ)或者
X
∼
E
x
p
(
λ
)
X \sim Exp(\lambda)
X∼Exp(λ)
指数分布的无记忆性:
P
(
X
>
t
0
+
t
∣
X
>
t
0
)
=
P
(
X
>
t
)
P(X>t_0+t|X>t_0)=P(X>t)
P(X>t0+t∣X>t0)=P(X>t)
例如:
p24 高斯(正态,误差)分布
记作:
X
∼
N
(
μ
,
σ
2
)
X \sim N(\mu,\sigma ^2)
X∼N(μ,σ2)
密度函数:
f
(
x
)
=
1
2
π
σ
e
−
(
x
−
μ
)
2
2
σ
2
f(x)=\frac1{\sqrt{2\pi} \sigma}e^{-\frac{(x- \mu)^2}{2\sigma^2}}
f(x)=2πσ1e−2σ2(x−μ)2
用途:
p25 标准正态分布
记作:
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1)
概率密度函数:
φ
(
x
)
=
1
2
π
e
−
x
2
2
\varphi(x)=\frac1{\sqrt{2\pi} }e^{-\frac{x^2}{2}}
φ(x)=2π1e−2x2
分布函数常常记作:
ϕ
(
x
)
\phi(x)
ϕ(x)
p26,27随机变量的函数分布
简单来说就是y=f(x)已知x的分布(假设x是离散随机变量)或者x的密度函数(x为连续性随机变量)求y的分布函数或者密度函数。
另外:
x=h(y) 是y=f(x)的反函数。h()通常用来表示反函数。
p28 二元离散型随机变量的联合概率分布
分布(率),分布函数,概率密度函数 是三个不同的概念
p29 二元离散型随机变量的条件概率分布
p30 二元离散型随机变量的边缘概率分布
p31二元随机变量的联合分布函数
p32 二元随机变量的边际分布函数和条件分布函数
p33 二元随机变量的联合概率密度函数
p34 边缘概率密度函数
p35 条件概率密度函数
p36 条件概率密度函数例题
p37 二元随机变量的均匀分布和正态分布
p38随机变量的独立性
p39二元正态分布的独立性
二元随机变量一些性质推广到多元随机变量
p40二元随机变量的函数分布
1. 离散型
2.连续型
p41 连续性随机变量Z=X+Y的分布
p42 连续性随机变量Z=X+Y的分布
例题
p43 Min(X,Y)和Max(X,Y)的分布
p44 随机变量的数学期望
1.离散型
1.连续型
p45常见分布的期望求解方法
p46 随机变量函数的数学期望
p47 二元随机变量函数的数学期望
p48数学期望的性质
p49 方差的定义和常见分布的方差推导
1.定义
2.与期望之间的推导公式
p50方差的性质及其证明
p51 正太分布方差的性质
p52 协方差的定义及其性质
p53相关系数及其性质
P54 不向相关与独立
1.不相关的定义
1.不相关的性质
P55 矩,协方差矩阵,多远正太分布的性质
1.原地矩和中心矩
2.混合矩
3.N元随机变量的期望
4.n元随机变量的协方差矩阵
5.N元正态随机变量的矩阵表示及其性质
P56依概率收敛和切比雪夫不等式
1.依概率收敛
2.切比雪夫不等式
定义了某个值出现在均值附近概率的上下界
P57 大数定律
1.贝努里大数定律
2.贝努里大数定律意义
3.大数定律
不同的条件会得到不同的大数定律