概率论:
随机事件: 包括基本事件,复合事件,必然事件,不可能事件;
A⊆B: 事件A 发生,一定导致事件B 发生;
A=B: A⊆B, B⊆A
A∪B: 事件A与事件B 至少发生一次;
A∩B,AB,A*B: 事件A 与 事件B 同时发生;
AB=∅时,则事件A 与 事件B 为互斥事件(互不相容事件);
A-B = A- A∩B = A
AB=∅,且 A∪B =S, 则 事件A 与 事件B 互为逆事件,或 对立事件;
逻辑分配律: A∪(B∩C) = (A∪B)∩(A∪C);
德摩根率:
=
=
=
概率公理:
1.非负性;
2.概率的有限可加性;
3.性质:
1. A⊆B,则 P(B) >= P(A), 且 : P(A-B)=P(B)-P(A);
2. 0<=P<=1, P(A)+ P() = 1;
3. P(A∪B)<= P(A)+P(B);
P(A∪B) =P(A)+P(B)-P(AB)
古典概型:
特点:
1.样本元素有限;
2.每个基本事件出现的可能性相等;
公式:
A称为: 排列数公式;
C称为: 组合数公式;
关于排列组合的自我理解! 结合这里: 组合数公式= 排列集合 去掉 重复的组合;
条件概型:
, 表示 在A发生的情况下,B发生的概率;(修正)
,表示, 在B发生的情况下,A发生的概率;
若 , 则
乘法公式:
P(AB) = P(A)*P(B|A)
推广: 将一部分看作为整体,依次拆开;
注意条件概率,与同时出现的区别;
全概率公式:
由乘法公式 和 条件概率 推导而来;
贝叶斯公式:
全概率公式的升级;
,可看作由条件概率推导而来;
独立事件:
P(A|B) = P(A) =P(B|A);
有: P(AB) = P(A)*P(B);
相互独立与互不相容的区别:
互不相容,指的是不能同时发生;
相互独立,指的是二者可以同时发生,只是两个事件互不影响;
二者没有关系,或者说没有推理关系;
ABC三事件两两独立 =/= 三事件独立;
若AB为独立事件,则A与B,A与, 与也相互独立;
随机变量:
分类: 离散型; 非离散型(连续型,其它);
随机变量的分布律:
随机变量X 所有可能取值的概率情况表示为:
表示:随机变量X服从该分布;
或者记作:
一般地,概率有三种表达式:
1.分析表达式: 如:
2.表格或者 矩阵表达式,如上;
3.图形表达式;
常见离散型随机变量的概率分布:
1.两点分布:
即 X 只可能取 0 和 去两个值,其表达式为:
2.等可能分布:
即 X 的分布 服从:
3.二项分布:(n重伯努利实验: 相互独立实验n重,只有两种可能结果)
记作: 泛化:
或者表示为:
或者记作: X ~ b(n,p)
4.泊松分布:
泊松定理:设 λ是一个大于0 的常数, n 为正整数,若 有: ,则 对任意正整数k , 有:
记作:
5.几何分布:
其中,p=1-q, q表失败,p表成功。
随机变量的分布函数:
理解: 分布函数存在的原因在于,级数的知识让我们知道累加的式子存在规律;
分布函数概念:
对于随机变量X,我们不仅要知道X取哪些值,知道X取这些值的概率,更重要的是想知道X在 区间(a,b)的概率;
eg: ,记,
分布函数的定义:
设X 是随机变量,x 是任意实数,函数 F(x) = P{X<= x},称为 X 的分布函数;
它的定义域为: R , 值域为: [0,1]
注意: P{X >= 5.5} 与 P{x >= 5.5}是不一样的。
分布函数的性质:
1. 0 <= F(x) <= 1, x∈(-∞,+∞);
2. F(x1) < F(x2), (x1 < x2)
3. F(-∞) = lim F(x)= 0, x-> -∞;
F(∞) = lim F(x) =1, x-> ∞;
4.
分布函数重要公式:
1. P{a<= X <= b} = F(b) - F(a);
2. P{X > a} = 1-F(a);
注意,不同的随机变量,其分布函数不一定不同
连续型随机变量及其概率密度:
几何概型: 若事件发生的概率 只与 长度(或面积,或体积)有关,则称之为 几何概型;
连续性随机变量:
对于 X 的分布函数 F(x), 存在非负函数,使得 ∀ x∈R, (边上限积分), f(x) 称为 x的概率密度函数;称X 为连续性随机变量;
性质:
F'(x) = f(x)
概率密度 和分布函数 必知 其一 方可求解;
概率密度的概念与性质:
对于随机变量X,对于分布函数F(x),存在非负函数,对∀ x∈R, ,称为:X 为连续性随机变量; f(x)称为 X 的概率密度函数;
性质:
1. f(x) >= 0;
2. P{X <= a} = F(a) =
3. 若 P{x=a} =0, 此时 无法确定 {X = a} 是不可能事件;
4. P{X >a} = 1-F(a) =
5. 若 f(x) 在 点 x 处连续,则有 F'(x) = f(x) 即 可积分函数的原函数一定连续;
eg: 设连续性随机变量X 的分布函数:
F(x)=
1.求 A,B的值; 2.求X的概率密度函数;
eg: 设 随机变量 X 的概率密度:
f(x) =
1.求k; 2.求 X 的分布函数;
常见连续型随机变量的分布(概率密度函数 与 分布函数):
1.均匀分布:
概率密度: , 称X 服从区间(a,b) 的均匀分布; 记作: X ~ U(a,b)
分布函数:
2.指数分布:
概率密度: , 称 X 服从 指数分布; 记作: X ~ Z(α); -->X~E(α) (2019.7.14修正)
分布函数:
3.正态分布(高斯分布):
概率密度: ,
称 X 服从参数为 μ 和 σ^2 的正态分布,记作: X ~N(μ,σ^2);
其中参数的作用: μ 改变概率密度函数图像的位置,称为位置参数; σ影响概率密度函数图形的峰高,称为尺度参数;
分布函数:
标准正态分布: 若 X ~(0,1) 则 称为标准正态分布;
性质: 其概率密度图像关于 x= μ 对称,因此有:
f(x) =f(2μ -x) ==> F(x) = 1-F(2μ-x) = 1-F(-x)
注意,其分布函数不一定对称;
若函数的原函数不为初等函数,则可以用二重积分计算其定积分的值。
常见标准正态分布值: Φ(0) =0.5 ,Φ(0.5) = 0.6915
引理(正态分布的标准化):
若 X ~N(μ,σ^2), 则 Z = (x-μ)/σ ~ N(0,1)
, 即 所有分布都可以转化为标准正态分布计算;
随机变量的函数分布(跟 连续性随机变量的概率密度函数,以及离散型随机变量的概率分布 不是同一个概念):
以下内容引用自:当地较为英俊的男子
所以,随机变量的分布函数也好,随机变量的函数分布也好, 它们的本质 都是分布函数。 断句时要注意,并且要注意全称: 随机变量 的 分布函数 以及 随机变量的函数 的 分布函数;
如: Y = sin X;
1.离散型: 略;
2.连续性随机变量的函数分布:
1.分布函数法:
即 先求 分布函数,再求: = ;
2.公式法:
多维随机变量及其分布:
二维随机变量:
设 E 是随机实验,样本空间 S ={w} , 设 X = X(w) , Y = Y(w) 是定义在S 上的 随机变量, 由他们构成的一个向量(X,Y) 叫二维随机变量; 记作: (X,Y) = ( X(w) , Y(w));
二维随机变量的联合分布函数:
称为 随机变量 X 和 Y 的 联合分布函数;
若 ,称为 边缘分布函数;
性质:
1. F(x,y) 是 变量x 和 y 的不减函数,即对于任意固定的 y, 当 x2>x1 时,F(x2,y) >= F(x1,y);
2. 0 <= F(x,y) <= 1 且 有
对于任意固定的 y,
F(-∞,y) = lim F(x,y) =0 , x-> -∞;
F(-∞,-∞) =0;
F(+∞,+∞)=1;
3. F(x,y) = F(x+0,y) , F(x,y) = F(x,y+0);
二维随机变量的分布函数性质:
F(x1 < X < x2 , y1 < Y < y2) = F(x2,y2) - F(x1,y2) -F(x2,y1) + F(x1,y1);
边缘分布函数:
二维离散型随机变量:
分布概率:
性质:
1. P ij >= 0;
2. ;
分布函数: F(x,y) = P{X <= x , Y <= y};
边缘分布 概率:, 即当 x 或 y 一方不变时,对应的x 或者 y 加满。
边缘分布函数:
二维连续性随机变量:
分布函数: , 其中,f(u,v) 为概率密度函数;
性质:
1. f(x,y) >= 0, -∞<x <+∞;
2 .
3. , 其说明:分布函数 F(x,y) 与 密度函数 f(x,y) 可相互确定。
4. 随机点 (X,Y) 落在平面的概率:
边缘概率密度 以及 边缘分布函数:
<1>. 知 F(x,y) , 求
边缘分布函数:
<2>. 知 F(x,y) 求
先求,再求:
<3>. 知 f(x,y) , 求
<4>. 知 f(x,y) , 求 F(x,y)
<5>. 知 f(x,y) ,求:
关键式子:
二维随机变量的常用分布:
1.均匀分布:
2. 二维正态分布:
2019.6.4 补充:
事件A与B的各种易混淆概念(自我总结,恐有错误):
1. A与B 都要发生: p(A+B) 其对立事件为 A与B 都不发生: 关键点: 它们是平行结构,相当于并行的,无先后之分。 关注发不发生的问题;
2. A与B 同时发生: p(AB) 其对立事件为 A与B 不同时发生:而非 ,后者为 A,B都不发生(同上1) 关键点: 与1相比,它就有了顺序性,相当于串行的,但是仍然无先后之分。 关注同不同时的问题。 --->说法有误(2019.7.14)
3.B发生的条件下A发生: p(A|B) 其对立事件为 B发生的条件下A不发生: , 关键点: 其关注的重点在第二个条件上,断句应该这样: A发生的条件下 B 发生。 会出现这种分式的原因是因为 A 相对于全局仍然是一个概率,但是它又充当了B的全局。 数形结合之后,就比较好理解了 。 关注先后与迭代概率的问题。
4.A发生 而且 B 不发生(即同 B不发生而且A发生): p(A-B) , 解释同1,与3相比,它没有顺序性。 注意: 它与2 可以进行转换: 如: =p(A-B) = p(A)-P(AB); 以及 =
2019.6.22补充:
随机变量的函数的分布处理思路:
1.离散型随机变量A,B, 它们通过 分布律 进行交互;离散型随机变量 分布函数 转 分布律: 取边界值(有等号的那侧);
2.连续型随机变量A, B, 它们通过 分布函数 进行交互; 从书本p41-p42可知,先有分布函数,再有概率密度,概率密度是一种抽象;