今日打卡第一天,虽然概率统计、应用统计都学过,但都掌握的不太好,并且时间已经过去很久,难免被清理出大脑内存。打卡学习~~
概率统计的第一章主要涉及介绍部分:
- 什么是随机事件
- 什么是概率
- 有关概率的相关公式是什么
- 随机变量的相关定义(随机变量、分布函数、分布律、概率密度函数等等)
- 随机变量的数值特征(均值、方差、协方差)
随机事件
- 随机试验:能够观察随机现象以及随机现象产生结果的实验;随机试验必须可重复,且有多种可能结果;结果不确定;
- 样本点:随机试验的每一个结果就是基本事件,也叫做样本点。样本点是组成随机事件的最小单位。
- 样本空间:一次随机试验的所有的可能结果。样本空间是样本点的集合
- 随机事件:样本点的集合,样本空间的子集。根据条件或者目的(比如掷色子掷出偶数,数数每天早上不掉头发等等),获得基本事件的集合,构成一个随机事件。
概率
简单理解,概率是一个随机事件发生的可能性。概率是个理论上的东西,也就是说在实际中是不存在的。古典概型给出了答案。
- 古典概型
概 率 = 随 机 时 间 包 含 的 基 本 事 件 的 数 量 随 机 事 件 所 有 可 能 结 果 的 数 量 概率 = \frac{随机时间包含的基本事件的数量}{随机事件所有可能结果的数量} 概率=随机事件所有可能结果的数量随机时间包含的基本事件的数量
所以在计算概率的时候难免碰见排列和组合问题,太久没写差点在这上面栽跟头,分不清到底应该用排列和组合。
概率的相关公式
哇,这部分,我学了两边也是从来没记住的部分,现在梳理梳理感觉也没有那么费劲儿。之前是干什么就是记不住,特别是贝叶斯。
条件概率公式、全概率公式、贝叶斯公式
-
条件概率公式
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B) = \frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
所以:
P ( A B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(AB) = \frac{P(A|B)}{P(B)} = \frac{P(B|A)}{P(A)} P(AB)=P(B)P(A∣B)=P(A)P(B∣A)
在B事件发生的情况下,A事件发生的概率,简单get✔。 -
全概率公式
P ( A ) = ∑ i n P ( A ∣ B i ) × P ( B i ) P(A) = \sum_{i}^{n}P(A|B_{i})×P(B_{i}) P(A)=∑inP(A∣Bi)×P(Bi)
B i , B n B_{i},B_{n} Bi,Bn是样本空间的所有样本点。 -
贝叶斯公式
贝叶斯公式是条件概率公式与全概率公式的完美结合,能够事件与事件发生的成因关系
P ( A ∣ B ) = P ( A B ) P ( B ) = P ( B ∣ A ) × P ( A ) ∑ i n P ( B ∣ A i ) × P ( A i ) P(A|B) = \frac{P(AB)}{P(B)} = \frac{P(B|A)×P(A)}{\sum_{i}^{n}P(B|A_{i})×P(A_{i})} P(A∣B)=P(B)P(AB)=∑inP(B∣Ai)×P(Ai)P(B∣A)×P(A)
P ( A ) P(A) P(A)为先验概率, P ( A ∣ B ) P(A|B) P(A∣B)为后验概率,反映了在已知B发生的情况下,为B发生寻找原因。
随机变量
- 随机变量的定义
公式我就直接截图了,说说我的理解。一个随机事件有许多的结果,将随机事件的结果一一对应地映射到实数轴上,就有了一个随机变量,每一个随机事件的结果就有了一个数字表达,神操作,几百年前的人是怎么想到的。
-
随机变量的分布函数
当一个函数满足:
且在x无穷大处 满足:
F ( x ) ≤ 1 F(x) \leq 1 F(x)≤1
该函数定义为x对随机变量分布函数,要注意的是分布函数是一个累计概率函数。 -
随机变量的分布律
粗心的我很容易看错分布函数与分布律。分布律是X = x处时,P(X = x)的概率。 -
随机变量的概率密度函数 – f(x)
随机变量的概率密度函数是针对连续型随机变量使用的。针对任意一个坐标轴上的点谈论f(x)没有意义,都是0;只有在区间里,f(x)才有意义。
随机变量的数值特征
- 期望: E ( x ) E(x) E(x)
- 方差: V a r ( x ) = E ( X − E ( X ) ) 2 = E ( X 2 ) − E 2 ( X ) Var(x) = E(X-E(X))^{2} = E(X^{2}) - E^{2}(X) Var(x)=E(X−E(X))2=E(X2)−E2(X)
- 协方差:$Cov(X,Y) = E ( X − E ( X ) ( Y − E ( Y ) ) E(X-E(X)(Y-E(Y)) E(X−E(X)(Y−E(Y))
- 相关系数: ρ = C o v ( X , Y ) V a r ( X ) V a r ( Y ) \rho = \frac{Cov(X,Y)}{\sqrt{ Var(X)} \sqrt{Var(Y)}} ρ=Var(X)Var(Y)Cov(X,Y)