概率论与数理统计基础（一）:随机事件、概率与随机变量的期望、方差、切比雪夫不等式

最新推荐文章于 2023-01-08 14:15:42 发布

wamg潇潇

最新推荐文章于 2023-01-08 14:15:42 发布

阅读量3.4k

点赞数 1

分类专栏：概率论与数理统计概率论与数理统计

本文链接：https://blog.csdn.net/qq_29831163/article/details/89340494

版权

概率论与数理统计同时被 2 个专栏收录

9 篇文章 16 订阅

订阅专栏

概率论与数理统计

5 篇文章 8 订阅

订阅专栏

随机事件与概率

1.充要条件； 2.条件概率： 3. 全概率公式 4.贝叶斯公式

随机变量及其分布

1. 随机变量 2. 分布函数的三个基本性质： 3. 概率分布列：

4. 数学期望: 5 期望的数学性质： 6. 方差：

7 期望的数学性质： 8 标准差 9 切比雪夫不等式【chebyshev's theorem】

10 随机变量的标准化 11 期望的另外两个性质：

随机事件与概率

1.充要条件

A的充要条件是B，则充分性是: $B\Rightarrow A$ ; 必要性是： $A\Rightarrow B$

2.条件概率：

设A,B是两个事件，若 $P(B) > 0$ ,则称 $P(A|B)=\frac{P(AB)}{P(B)}$ 为“在事件B发生的前提下，事件A发生的概率"

3. 全概率公式

设 $B_{1},B_{2},...B_{n},$ 互不相容，且 $\bigcup_{i=1}^{n}B_{i} =\Omega$ ,如果 $P(B_{i}) > 0\, ,i=1,2,....,n$ ,则对任意事件A有 $P(A)=\sum_{i=1}^{n}P(B_{i})P\left ( A|B_{i} \right )$ .

4.贝叶斯公式

设 $B_{1},B_{2},...B_{n},$ 互不相容，且 $\bigcup_{i=1}^{n}B_{i} =\Omega$ ,如果 $P\left ( A \right )> 0,\: P(B_{i}) > 0\, ,i=1,2,....,n$ ,则

$P(B_{i}|A)=\frac{P(B_{i})P\left ( A|B_{i} \right )}{\sum_{j=1}^{n}P(B_{j})P\left ( A|B_{j} \right )}\: \: i=1,2,...,n$ .

其中 $P(B_{i})$ 为 $B_{i}$ 的先验概率， $P(B_{i}|A)$ 为 $B_{i}$ 的后验概率，表示在“事件A发生”这个新信息后，对 $B_{i}$ 的概率作出的修正。

随机变量及其分布

1. 随机变量

离散型：仅取有限个或可列个值，
连续型：取值充满某个区间（a，b）其中a 可取 $+\infty$ ，b可取 $-\infty$ 。

2. 分布函数的三个基本性质：

单调性，有界性，右连续性

3. 概率分布列：

两个基本性质：1）非负性，2）正则性： $\sum_{i=1}^{+\infty }p\left ( x_{i} \right )=1$

离散型： $p_{i}=p\left ( x_{i} \right )=p\left ( X=x_{i} \right ),\: i=1,2,..,n,..$

概率密度函数：

两个基本性质：1）非负性，2）正则性： $\int_{-\infty }^{+\infty }p\left ( x \right ) \mathrm{d}x=1$

零概率（概率为0）的事件不一定是不可能事件，因为连续变量的概率就在具体的某个点都为零。

连续型的分布函数F(x)是（ $-\infty$ ， $+\infty$ ）上的连续函数，（除可能在有限个点或可列个点上不可导以外）与概率密度函数p(x)的关系： $F{}'\left ( x \right )=p\left ( x \right )$

$P\left ( x\leq a \right )=F\left ( a \right )\:; \: P\left ( x< a \right )=F\left ( a-0 \right ) \: ;\: P\left ( x > a \right )=1-F\left ( a\right ) \: ;\:$

$P\left ( x= a \right )=F\left ( a \right )-F\left ( a-0 \right )\:\: \: \: ; \: P\left ( x \geq a \right )=1-F\left ( a-0 \right ) \: \: \: ;\: P\left ( \left | x| < a \right )=F\left ( a-0\right )- F\left ( -a \right )\: ;\:$

4. 数学期望:

对于离散型随机变量： $E\left ( X \right )=\sum _{i}x_{i}p\left ( x_{i} \right )$

对于连续型随机变量： $E\left ( X \right )=\int _{-\infty }^{+\infty }xp\left ( x \right )\mathr{d}x$

期望是分布的位置特征，方差是分布的离散特征/散步特征。

5 期望的数学性质：

假定以下所涉及的数学期望与方差均存在：

X的某一函数 $g \left ( X \right )$ 的数学期望为:

【X离散时】： $E\left [g \left ( X \right ) \right ] =\sum _{i}\left g (x_{i} )\right p\left ( x_{i} \right )$

【X连续】： $E\left [g \left ( X \right ) \right ] = \int_{-\infty }^{+\infty }g\left ( x \right )p\left ( x \right )\mathr{d}x}$

若c是常数，则 $E\left ( c \right )=c$
对任意常数a,有 $E\left ( ax \right )=aE\left ( x \right )$
对任意的两个函数 $g_{1}\left ( x \right )$ 和 $g_{2}\left ( x \right )$ ，有 $E\left [g_{1}\left ( x \right )\pm g_{2}\left ( x \right ) \right ] =E\left [ g_{1}\left ( x \right ) \right ]\pm E\left [ g_{2}\left ( x \right ) \right ]$

6. 方差：

随机变量X对其期望 $E\left ( X \right )$ 的偏差平方的数学期望,是分布的散布特征

$Var\left ( X \right )=E\left [ X-E\left ( X \right ) \right ]^{2} =E\left ( X^{2} \right )-\left [ E\left ( X \right ) \right ]^{2}$

7 方差的数学性质：

假定以下所涉及的方差均存在：

若c是常数，则 $Var\left ( c \right )=0$
对任意常数a,b,有 $Var\left ( aX+b\right )=a^{2}Var\left ( x \right )$
若随机变量X的方差存在，则 $Var\left ( X\right )=0$ 的充要条件是，X几乎处处为某个常数a, 即 $P\left ( X=a \right )=1$

8 标准差

方差的正平方根 $\sigma \left ( X \right )=\sigma _{x} =\sqrt{Var\left ( X \right )}$ 即为标准差；

9 切比雪夫不等式【chebyshev's theorem】

设X的数学期望与方差都存在，则对任意常数 $\epsilon > 0$ ，有

$P\left [ |X-E(X)| \geqslant \epsilon \right ] \leqslant \frac{Var(X)}{\epsilon ^{2}}$ 或者 $P\left [ |X-E(X)| < \epsilon \right ]\geq 1- \frac{Var(X)}{\epsilon ^{2}}$

切比雪夫不等式给出了随机变量取值的大偏差（指事件 $|X-E(X)| \geqslant \epsilon$ ）发生的概率的上限，该上限与分布的方差成正比。

10 随机变量的标准化

对任意随机变量X,如果X的数学期望与方差存在，则称 $X^{\ast} = \frac{X-E(X)}{\sqrt{Var(X)}}$ 为X的标准化随机变量，此时有

$E\left ( X^{\ast} \right )=0 \: ;\: \: Var\left ( X^{\ast} \right ) =1$

11 期望的另外两个性质：

设随机变量X的分布函数为 $F\left ( x \right )$ ，且 $E\left ( X \right )$ 存在，则 $E\left ( X \right )=\int_{0}^{+\infty }\left [ 1-F\left ( x \right ) \right ]\mathr{d}x -\int_{-\infty }^{0 }F\left ( x \right ) \mathr{d}x$
设g(x)为随机变量X取值的集合上的非负不减函数，且 $E\left ( g\left ( X \right ) \right )$ 存在，则对任意的 $\epsilon > 0$ 有 $P\left ( X> \epsilon \right ) \leqslant \frac{E\left ( g\left ( X \right ) \right )}{g\left ( \epsilon \right )}$

参考资料：

概率论与数理统计教程-茆诗松-第二版；习题与解答

wamg潇潇

关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
2
评论
概率论与数理统计基础（一）:随机事件、概率与随机变量的期望、方差、切比雪夫不等式

目录随机事件与概率1.充要条件； 2.条件概率： 3. 全概率公式 4.贝叶斯公式随机变量及其分布1. 随机变量 2. 分布函数的三个基本性质：3. 概率分布列：4. 数学期望: 5 期望的数学性质： 6. 方差：7 期望的数学性质： 8 标准差 9...
复制链接

扫一扫