Kalman滤波学习笔记三《数学基础:概率论》
学习笔记参考:《Kalman滤波基础及MATLAB仿真》北京航空航天大学出版社——王可东编著
注:本篇笔记根据博主个人数学的掌握情况整理
一、概率
1、常用概率分布及其数学期望和方差
分布 | 分布列 p k p_k pk 或分布密度 p ( x ) p(x) p(x) | 期望 | 方差 |
---|---|---|---|
0 − 1 0-1 0−1 分布 | p k = p k ( 1 − p ) 1 − k , p_k=p^k(1-p)^{1-k}, pk=pk(1−p)1−k, k = 0 , 1 k=0,1 k=0,1 | p p p | p ( 1 − p ) p(1-p) p(1−p) |
二项分布 b ( n , p ) b(n,p) b(n,p) | p k = C n k p k ( 1 − p ) n − k , p_k=C_n^{k}p^k(1-p)^{n-k}, pk=Cnkpk(1−p)n−k, k = 0 , 1 , ⋯ , n k=0,1,\cdots,n k=0,1,⋯,n | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
泊松分布 P ( λ ) P(\lambda) P(λ) | p k = λ k k ! e − λ , p_k=\frac{{\lambda}^k}{k!}e^{-\lambda}, pk=k!λke−λ, k = 0 , 1 , ⋯ k=0,1,\cdots k=0,1,⋯ | λ \lambda λ | λ \lambda λ |
超几何分布 h ( n , N , M ) h(n,N,M) h(n,N,M) | p k = C M k C N − M n − k C N n , p_k=\frac{C_M^{k}C_{N-M}^{n-k}}{C_N^{n}}, pk=CNnCMkCN−Mn−k, k = 0 , 1 , ⋯ , r k=0,1,\cdots,r k=0,1,⋯,r ( r = m i n { M , n } ) (r=min\{M,n\}) (r=min{M,n}) | n M N n\frac{M}{N} nNM | n M ( N − M ) ( N − n ) N 2 ( N − 1 ) \frac{nM(N-M)(N-n)}{N^2(N-1)} N2(N−1)nM(N−M)(N−n) |
几何分布 G e ( p ) Ge(p) Ge(p) | p k = ( 1 − p ) k − 1 p , p_k=(1-p)^{k-1}p, pk=(1−p)k−1p, k = 1 , 2 , ⋯ k=1,2,\cdots k=1,2,⋯ | 1 p \frac{1}{p} p1 | 1 − p p 2 \frac{1-p}{p^2} p21−p |
负二项分布 N b ( r , p ) Nb(r,p) Nb(r,p) | p k = C k − 1 r − 1 ( 1 − p ) k − r p r , p_k=C_{k-1}^{r-1}(1-p)^{k-r}p^r, pk=Ck−1r−1(1−p)k−rpr, k = r , r + 1 , ⋯ k=r,r+1,\cdots k=r,r+1,⋯ | r p \frac{r}{p} pr | r ( 1 − p ) p 2 \frac{r(1-p)}{p^2} p2r(1−p) |
均匀分布 U ( a , b ) U(a,b) U(a,b) | p ( x ) = 1 b − a , p(x)=\frac{1}{b-a}, p(x)=b−a1, a < x < b a<x<b a<x<b | a + b 2 \frac{a+b}{2} 2a+b | ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2 |
指数分布 E x p ( λ ) Exp(\lambda) Exp(λ) | p ( x ) = λ e − λ x , p(x)=\lambda e^{-\lambda x}, p(x)=λe−λx, x ≥ 0 x\geq0 x≥0 | 1 λ \frac{1}{\lambda} λ1 | 1 λ 2 \frac{1}{\lambda^2} λ21 |
正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) | p ( x ) = 1 2 π σ e x p { − ( x − μ ) 2 2 σ 2 } , p(x)=\frac{1}{\sqrt{2\pi}\sigma}exp\{-{\frac{(x-\mu)^2}{2\sigma^2}}\}, p(x)=2πσ1exp{−2σ2(x−μ)2}, − ∞ < x < ∞ -\infty<x<\infty −∞<x<∞ | μ \mu μ | σ 2 \sigma^2 σ2 |
对数正态分布 L N ( μ , σ 2 ) LN(\mu,\sigma^2) LN(μ,σ2) | p ( x ) = 1 2 π σ x e x p { − ( l n x − μ ) 2 2 σ 2 } , p(x)=\frac{1}{\sqrt{2\pi}\sigma x}exp\{-{\frac{(lnx-\mu)^2}{2\sigma^2}}\}, p(x)=2πσx1exp{−2σ2(lnx−μ)2}, x > 0 x>0 x>0 | e μ + σ 2 / 2 e^{\mu+\sigma^2/2} eμ+σ2/2 | e 2 μ + σ 2 ( e σ 2 − 1 ) e^{2\mu+\sigma^2}(e^{\sigma^2}-1) e2μ+σ2(eσ2−1) |
伽马分布 G a ( α , λ ) Ga(\alpha,\lambda) Ga(α,λ) | p ( x ) = λ α Γ ( α ) x α − 1 e − λ x , p(x)=\frac{\lambda^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x}, p(x)=Γ(α)λαxα−1e−λx, x ≥ 0 x\geq0 x≥0 | α λ \frac{\alpha}{\lambda} λα | α λ 2 \frac{\alpha}{\lambda^2} λ2α |
贝塔分布 B e ( a , b ) Be(a,b) Be(a,b) | p ( x ) = Γ ( a + b ) Γ ( a ) Γ ( b ) x a − 1 ( 1 − x ) b − 1 , p(x)=\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}x^{a-1}(1-x)^{b-1}, p(x)=Γ(a)Γ(b)Γ(a+b)xa−1(1−x)b−1, 0 < x < 1 0<x<1 0<x<1 | a a + b \frac{a}{a+b} a+ba | a b ( a + b ) 2 ( a + b + 1 ) \frac{ab}{(a+b)^2(a+b+1)} (a+b)2(a+b+1)ab |
柯西分布 C a u ( μ , λ ) Cau(\mu,\lambda) Cau(μ,λ) | p ( x ) = 1 π λ λ 2 + ( x − μ ) 2 , p(x)=\frac{1}{\pi}\frac{\lambda}{\lambda^2+(x-\mu)^2}, p(x)=π1λ2+(x−μ)2λ, − ∞ < x < ∞ -\infty<x<\infty −∞<x<∞ | 不 存 在 不存在 不存在 | 不 存 在 不存在 不存在 |
韦布尔分布 | p ( x ) = d d x ( 1 − e x p { − ( x η ) m } ) , p(x)=\frac{d}{dx}(1-exp\{-(\frac{x}{\eta})^m\}), p(x)=dxd(1−exp{−(ηx)m}), x > 0 x>0 x>0 | η Γ ( 1 + 1 m ) \eta\Gamma(1+\frac{1}{m}) ηΓ(1+m1) | η 2 [ Γ ( 1 + 2 m ) − Γ 2 ( 1 + 1 m ) ] \eta^2 [ \Gamma(1+\frac{2}{m})-\Gamma^2(1+\frac{1}{m})] η2[Γ(1+m2)−Γ2(1+m1)] |
卡方分布 χ 2 ( n ) \chi^2(n) χ2(n) | p ( x ) = x n / 2 − 1 e − x / 2 Γ ( n / 2 ) 2 n / 2 , p(x)=\frac{x^{n/2-1}e^{-x/2}}{\Gamma(n/2)2^{n/2}}, p(x)=Γ(n/2)2n/2xn/2−1e−x/2, x ≥ 0 x\geq0 x≥0 | n n n | 2 n 2n 2n |
t t t分布 | p ( x ) = Γ ( ( n + 1 ) / 2 ) Γ ( n / 2 ) n π ( 1 + x 2 n ) − n + 1 2 , p(x)=\frac{\Gamma((n+1)/2)}{\Gamma(n/2)\sqrt{n\pi}}(1+\frac{x^2}{n})^{-\frac{n+1}{2}}, p(x)=Γ(n/2)nπΓ((n+1)/2)(1+nx2)−2n+1, − ∞ < x < ∞ -\infty<x<\infty −∞<x<∞ | 0 0 0 ( n ≥ 2 ) (n\geq2) (n≥2) | n n − 2 \frac{n}{n-2} n−2n ( n ≥ 3 ) (n\geq3) (n≥3) |
F F F分布 | p ( x ) = Γ ( ( m + n ) / 2 ) Γ ( n / 2 ) Γ ( m / 2 ) m m 2 n n 2 x m 2 − 1 ( n + m x ) − m + n 2 , p(x)=\frac{\Gamma((m+n)/2)}{\Gamma(n/2)\Gamma(m/2)}m^{\frac{m}{2}}n^{\frac{n}{2}}x^{\frac{m}{2}-1}(n+mx)^{-\frac{m+n}{2}}, p(x)=Γ(n/2)Γ(m/2)Γ((m+n)/2)m2mn2nx2m−1(n+mx)−2m+n, x > 0 x>0 x>0 | n n − 2 \frac{n}{n-2} n−2n ( n ≥ 3 ) (n\geq3) (n≥3) | 2 n 2 ( m + n − 2 ) m ( n − 2 ) 2 ( n − 4 ) \frac{2n^2(m+n-2)}{m(n-2)^2(n-4)} m(n−2)2(n−4)2n2(m+n−2) ( n ≥ 5 ) (n\geq5) (n≥5) |
2、几个概念的区分
① 互斥事件:若两事件
A
A
A 和
B
B
B 不能在同一次试验中都发生(但可以都不发生),则称它们是互斥的;如果一些事件中任意两个都互斥,则称这些事件是两两互斥的,或简称互斥的 。
② 对立事件:是互斥事件的一个重要情况,专指两个事件的关系。若
A
A
A 为一事件,则事件
B
=
{
A
d
o
e
s
n
o
t
h
a
p
p
e
n
}
B=\{A \ does \ not \ happen\}
B={A does not happen} 称为
A
A
A 的对立事件,记为
A
ˉ
\bar{A}
Aˉ 。
③ 独立事件:两个事件之间的独立性指:一个事件的发生不影响另一个事件的发生,即:
P
(
A
B
)
=
P
(
A
)
P
(
B
)
P(AB)=P(A)P(B)
P(AB)=P(A)P(B) 。
④ 不相关事件:随机变量的协方差为 0 。
3、一些公式
①
A
−
B
=
A
−
A
B
=
A
B
ˉ
A-B=A-AB=A\bar{B}
A−B=A−AB=ABˉ
②
P
(
A
1
+
A
2
+
A
3
)
=
P
(
A
1
)
+
P
(
A
2
)
+
P
(
A
3
)
−
P
(
A
1
A
2
)
−
P
(
A
2
A
3
)
−
P
(
A
3
A
1
)
+
P
(
A
1
A
2
A
3
)
P(A_1+A_2+A_3)=P(A_1)+P(A_2)+P(A_3)-P(A_1A_2)-P(A_2A_3)-P(A_3A_1)+P(A_1A_2A_3)
P(A1+A2+A3)=P(A1)+P(A2)+P(A3)−P(A1A2)−P(A2A3)−P(A3A1)+P(A1A2A3)
③
P
(
A
B
∣
C
)
=
P
(
A
∣
B
C
)
P
(
B
∣
C
)
P(AB|C)=P(A|BC)P(B|C)
P(AB∣C)=P(A∣BC)P(B∣C)
④ 全概率公式:
P
(
A
)
=
∑
j
=
1
n
P
(
B
j
)
P
(
A
∣
B
j
)
P(A)=\sum_{j=1}^nP(B_j)P(A|B_j)
P(A)=∑j=1nP(Bj)P(A∣Bj)
⑤ 贝叶斯公式:
P
(
B
i
∣
A
)
=
P
(
A
B
i
)
P
(
A
)
=
P
(
B
i
)
P
(
A
∣
B
i
)
∑
j
=
1
n
P
(
B
j
)
P
(
A
∣
B
j
)
P(B_i|A)=\frac{P(AB_i)}{P(A)}=\frac{P(B_i)P(A|B_i)}{\sum_{j=1}^nP(B_j)P(A|B_j)}
P(Bi∣A)=P(A)P(ABi)=∑j=1nP(Bj)P(A∣Bj)P(Bi)P(A∣Bi)
4、两个结论
①
n
n
n 个人排成一圈的排法个数为:
(
n
−
1
)
!
(n-1)!
(n−1)!
② 将
n
n
n 个相异的物件分成
k
k
k 堆,各堆物件数分别为
r
1
,
r
2
,
⋯
,
r
k
r_1,r_2,\cdots,r_k
r1,r2,⋯,rk 的分法个数为:
n
!
r
1
!
r
2
!
⋯
r
k
!
\frac{n!}{r_1!r_2!\cdots r_k!}
r1!r2!⋯rk!n!,其中
r
1
+
r
2
+
⋯
+
r
k
=
n
r_1+r_2+\cdots+r_k=n
r1+r2+⋯+rk=n 。
5、二维离散随机变量
p
i
j
p_{ij}
pij
①
p
i
j
=
P
{
X
=
x
i
,
Y
=
y
j
}
p_{ij}=P\{X=x_i,Y=y_j\}
pij=P{X=xi,Y=yj} ,
∑
i
=
1
∞
∑
j
=
1
∞
p
i
j
=
1
\sum_{i=1}^\infty\sum_{j=1}^\infty p_{ij}=1
∑i=1∞∑j=1∞pij=1 ,
F
(
x
,
y
)
=
∑
x
i
≤
x
∑
y
i
≤
y
p
i
j
F(x,y)=\sum_{x_i\leq x}\sum_{y_i\leq y}p_{ij}
F(x,y)=∑xi≤x∑yi≤ypij ;
②
p
i
⋅
=
P
{
X
=
x
i
}
=
∑
j
=
1
∞
p
i
j
p_{i\cdot}=P\{X=x_i\}=\sum_{j=1}^\infty p_{ij}
pi⋅=P{X=xi}=∑j=1∞pij ,
p
⋅
j
=
P
{
Y
=
y
j
}
=
∑
i
=
1
∞
p
i
j
p_{\cdot j}=P\{Y=y_j\}=\sum_{i=1}^\infty p_{ij}
p⋅j=P{Y=yj}=∑i=1∞pij ;
③
P
{
X
=
x
i
∣
Y
=
y
j
}
=
p
i
j
p
⋅
j
P\{X=x_i|Y=y_j\}=\frac{p_{ij}}{p_{\cdot j}}
P{X=xi∣Y=yj}=p⋅jpij ,
P
{
Y
=
y
j
∣
X
=
x
i
}
=
p
i
j
p
i
⋅
P\{Y=y_j|X=x_i\}=\frac{p_{ij}}{p_{i\cdot }}
P{Y=yj∣X=xi}=pi⋅pij ;
④
P
{
(
X
,
Y
)
∈
G
}
=
∑
(
x
i
,
y
j
)
∈
G
p
i
j
P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G} p_{ij}
P{(X,Y)∈G}=∑(xi,yj)∈Gpij ;
⑤ 若
X
X
X 与
Y
Y
Y 独立,则
p
i
j
=
p
i
⋅
p
⋅
j
p_{ij}=p_{i\cdot }p_{\cdot j}
pij=pi⋅p⋅j 。
6、二维连续随机变量
f
(
x
,
y
)
f(x,y)
f(x,y)
①
F
(
x
,
y
)
=
∫
−
∞
x
∫
−
∞
y
f
(
u
,
v
)
d
u
d
v
F(x,y)=\int_{-\infty}^x\int_{-\infty}^yf(u,v)dudv
F(x,y)=∫−∞x∫−∞yf(u,v)dudv ,
f
(
x
,
y
)
=
∂
2
F
∂
x
∂
y
f(x,y)=\frac{\partial^2F}{\partial x\partial y}
f(x,y)=∂x∂y∂2F ;
②
F
X
(
x
)
=
F
(
x
,
+
∞
)
F_X(x)=F(x,+\infty)
FX(x)=F(x,+∞) ,
F
Y
(
y
)
=
F
(
+
∞
,
y
)
F_Y(y)=F(+\infty,y)
FY(y)=F(+∞,y) ;
③
f
X
(
x
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
y
f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy
fX(x)=∫−∞+∞f(x,y)dy ,
f
Y
(
y
)
=
∫
−
∞
+
∞
f
(
x
,
y
)
d
x
f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)dx
fY(y)=∫−∞+∞f(x,y)dx ;
④
f
Y
∣
X
(
y
∣
x
)
=
f
(
x
,
y
)
f
X
(
x
)
f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}
fY∣X(y∣x)=fX(x)f(x,y) ,
f
X
∣
Y
(
x
∣
y
)
=
f
(
x
,
y
)
f
Y
(
y
)
f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}
fX∣Y(x∣y)=fY(y)f(x,y) ;
⑤
P
{
x
1
<
X
<
x
2
,
y
1
<
Y
<
y
2
}
=
F
(
x
2
,
y
2
)
+
F
(
x
1
,
y
1
)
−
F
(
x
1
,
y
2
)
−
F
(
x
2
,
y
1
)
P\{x_1<X<x_2,y_1<Y<y_2\}=F(x_2,y_2)+F(x_1,y_1)-F(x_1,y_2)-F(x_2,y_1)
P{x1<X<x2,y1<Y<y2}=F(x2,y2)+F(x1,y1)−F(x1,y2)−F(x2,y1) ;
⑥
P
{
(
X
,
Y
)
∈
D
}
=
∬
(
x
,
y
)
∈
D
f
(
x
,
y
)
d
x
d
y
P\{(X,Y)\in D\}=\iint_{(x,y)\in D}f(x,y)dxdy
P{(X,Y)∈D}=∬(x,y)∈Df(x,y)dxdy ;
⑦
X
X
X 与
Y
Y
Y 独立
⇔
F
(
x
,
y
)
=
F
X
(
x
)
F
Y
(
y
)
⇔
f
(
x
,
y
)
=
f
X
(
x
)
f
Y
(
y
)
⇔
f
X
∣
Y
(
x
∣
y
)
=
f
X
(
x
)
⇔
f
Y
∣
X
(
y
∣
x
)
=
f
Y
(
y
)
\Leftrightarrow F(x,y)=F_X(x)F_Y(y)\Leftrightarrow f(x,y)=f_X(x)f_Y(y)\Leftrightarrow f_{X|Y}(x|y)=f_X(x)\Leftrightarrow f_{Y|X}(y|x)=f_Y(y)
⇔F(x,y)=FX(x)FY(y)⇔f(x,y)=fX(x)fY(y)⇔fX∣Y(x∣y)=fX(x)⇔fY∣X(y∣x)=fY(y) 。
7、相互独立随机变量函数的分布
① 和的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
X
+
Y
Z=X+Y
Z=X+Y 概率密度函数为:
f
Z
(
z
)
=
∫
−
∞
+
∞
f
(
x
,
z
−
x
)
d
x
=
∫
−
∞
+
∞
f
(
z
−
y
,
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)dx=\int_{-\infty}^{+\infty}f(z-y,y)dy
fZ(z)=∫−∞+∞f(x,z−x)dx=∫−∞+∞f(z−y,y)dy 若
X
X
X 与
Y
Y
Y 独立,则有卷积公式:
f
Z
(
z
)
=
∫
−
∞
+
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
=
∫
−
∞
+
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)dy
fZ(z)=∫−∞+∞fX(x)fY(z−x)dx=∫−∞+∞fX(z−y)fY(y)dy ② 差的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
X
−
Y
Z=X-Y
Z=X−Y 概率密度函数为:
f
Z
(
z
)
=
∫
−
∞
+
∞
f
(
x
,
x
−
z
)
d
x
=
∫
−
∞
+
∞
f
(
y
+
z
,
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)dx=\int_{-\infty}^{+\infty}f(y+z,y)dy
fZ(z)=∫−∞+∞f(x,x−z)dx=∫−∞+∞f(y+z,y)dy 若
X
X
X 与
Y
Y
Y 独立,则有:
f
Z
(
z
)
=
∫
−
∞
+
∞
f
X
(
x
)
f
Y
(
x
−
z
)
d
x
=
∫
−
∞
+
∞
f
X
(
y
+
z
)
f
Y
(
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(x-z)dx=\int_{-\infty}^{+\infty}f_X(y+z)f_Y(y)dy
fZ(z)=∫−∞+∞fX(x)fY(x−z)dx=∫−∞+∞fX(y+z)fY(y)dy ③ 积的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
X
Y
Z=XY
Z=XY 概率密度函数为:
f
Z
(
z
)
=
∫
−
∞
+
∞
1
∣
x
∣
f
(
x
,
z
x
)
d
x
=
∫
−
∞
+
∞
1
∣
y
∣
f
(
z
y
,
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\mid x\mid}f(x,\frac{z}{x})dx=\int_{-\infty}^{+\infty}\frac{1}{\mid y\mid}f(\frac{z}{y},y)dy
fZ(z)=∫−∞+∞∣x∣1f(x,xz)dx=∫−∞+∞∣y∣1f(yz,y)dy 若
X
X
X 与
Y
Y
Y 独立,则有:
f
Z
(
z
)
=
∫
−
∞
+
∞
1
∣
x
∣
f
X
(
x
)
f
Y
(
z
x
)
d
x
=
∫
−
∞
+
∞
1
∣
y
∣
f
X
(
z
y
)
f
Y
(
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\mid x\mid}f_X(x)f_Y(\frac{z}{x})dx=\int_{-\infty}^{+\infty}\frac{1}{\mid y\mid}f_X(\frac{z}{y})f_Y(y)dy
fZ(z)=∫−∞+∞∣x∣1fX(x)fY(xz)dx=∫−∞+∞∣y∣1fX(yz)fY(y)dy ④ 商的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
X
/
Y
Z=X/Y
Z=X/Y 概率密度函数为:
f
Z
(
z
)
=
∫
−
∞
+
∞
∣
y
∣
f
(
y
z
,
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}\mid y\mid f(yz,y)dy
fZ(z)=∫−∞+∞∣y∣f(yz,y)dy 若
X
X
X 与
Y
Y
Y 独立,则有:
f
Z
(
z
)
=
∫
−
∞
+
∞
∣
y
∣
f
X
(
y
z
)
f
Y
(
y
)
d
y
f_Z(z)=\int_{-\infty}^{+\infty}\mid y\mid f_X(yz)f_Y(y)dy
fZ(z)=∫−∞+∞∣y∣fX(yz)fY(y)dy ⑤
m
a
x
{
X
,
Y
}
max\{X,Y\}
max{X,Y} 的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
m
a
x
{
X
,
Y
}
Z=max\{X,Y\}
Z=max{X,Y} 概率分布函数为:
F
m
a
x
(
z
)
=
F
(
z
,
z
)
F_{max}(z)=F(z,z)
Fmax(z)=F(z,z) 若
X
X
X 与
Y
Y
Y 独立,则有:
F
m
a
x
(
z
)
=
F
X
(
z
)
F
Y
(
z
)
F_{max}(z)=F_X(z)F_Y(z)
Fmax(z)=FX(z)FY(z) ⑥
m
i
n
{
X
,
Y
}
min\{X,Y\}
min{X,Y} 的分布
设
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y),则
Z
=
m
i
n
{
X
,
Y
}
Z=min\{X,Y\}
Z=min{X,Y} 概率分布函数为:
F
m
i
n
(
z
)
=
F
X
(
z
)
+
F
Y
(
z
)
−
F
(
z
,
z
)
F_{min}(z)=F_X(z)+F_Y(z)-F(z,z)
Fmin(z)=FX(z)+FY(z)−F(z,z) 若
X
X
X 与
Y
Y
Y 独立,则有:
F
m
i
n
(
z
)
=
1
−
[
1
−
F
X
(
z
)
]
[
1
−
F
Y
(
z
)
]
F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)]
Fmin(z)=1−[1−FX(z)][1−FY(z)]
8、常见分布的可加性
设
X
X
X 与
Y
Y
Y 独立,则:
① 若
X
∼
b
(
n
,
p
)
X\thicksim b(n,p)
X∼b(n,p),
Y
∼
b
(
m
,
p
)
Y\thicksim b(m,p)
Y∼b(m,p),则
X
+
Y
∼
b
(
n
+
m
,
p
)
X+Y\thicksim b(n+m,p)
X+Y∼b(n+m,p) ;
② 若
X
∼
P
(
λ
1
)
X\thicksim P(\lambda_1)
X∼P(λ1),
Y
∼
P
(
λ
2
)
Y\thicksim P(\lambda_2)
Y∼P(λ2),则
X
+
Y
∼
P
(
λ
1
+
λ
2
)
X+Y\thicksim P(\lambda_1+\lambda_2)
X+Y∼P(λ1+λ2) ;
③ 若
X
∼
N
(
μ
1
,
σ
1
2
)
X\thicksim N(\mu_1,\sigma_1^2)
X∼N(μ1,σ12),
Y
∼
N
(
μ
2
,
σ
2
2
)
Y\thicksim N(\mu_2,\sigma_2^2)
Y∼N(μ2,σ22),则
a
X
+
b
Y
∼
N
(
a
μ
1
+
b
μ
2
,
a
2
σ
1
2
+
b
2
σ
2
2
)
aX+bY\thicksim N(a\mu_1+b\mu_2,a^2\sigma_1^2+b^2\sigma_2^2)
aX+bY∼N(aμ1+bμ2,a2σ12+b2σ22) ;
④ 若
X
∼
χ
2
(
n
)
X\thicksim \chi^2(n)
X∼χ2(n),
Y
∼
χ
2
(
m
)
Y\thicksim \chi^2(m)
Y∼χ2(m),则
X
+
Y
∼
χ
2
(
n
+
m
)
X+Y\thicksim \chi^2(n+m)
X+Y∼χ2(n+m) 。
9、两个例题
①
X
X
X 的分布函数为
F
(
x
)
F(x)
F(x) 且反函数存在,则随机变量
Y
=
F
(
X
)
Y=F(X)
Y=F(X) 的分布函数
F
(
y
)
F(y)
F(y) 为?
解:已知
F
(
y
)
=
P
{
Y
≤
y
}
=
P
{
F
(
X
)
≤
y
}
F(y)=P\{Y\leq y\}=P\{F(X)\leq y\}
F(y)=P{Y≤y}=P{F(X)≤y},且
F
(
X
)
∈
(
0
,
1
)
F(X)\in (0,1)
F(X)∈(0,1),则:
当
y
<
0
y<0
y<0:
F
(
y
)
=
0
F(y)=0
F(y)=0; 当
y
≥
1
y\geq1
y≥1:
F
(
y
)
=
1
F(y)=1
F(y)=1;
当
0
≤
y
<
1
0\leq y<1
0≤y<1:
F
(
y
)
=
P
{
X
≤
F
−
1
(
y
)
}
=
F
(
F
−
1
(
y
)
)
=
y
F(y)=P\{X\leq F^{-1}(y)\}=F(F^{-1}(y))=y
F(y)=P{X≤F−1(y)}=F(F−1(y))=y 。
②
X
∼
N
(
0
,
1
)
X\thicksim N(0,1)
X∼N(0,1),
Y
∼
B
(
n
,
p
)
Y\thicksim B(n,p)
Y∼B(n,p),且
X
X
X 与
Y
Y
Y 独立,
Z
=
X
+
Y
Z=X+Y
Z=X+Y,则
F
Z
(
z
)
F_Z(z)
FZ(z) 为?
解:
F
Z
(
z
)
=
P
{
X
+
Y
≤
z
}
=
∑
i
=
0
n
P
{
Y
=
i
}
P
{
X
+
Y
≤
z
∣
Y
=
i
}
=
∑
i
=
0
n
C
n
i
p
i
(
1
−
p
)
n
−
i
P
{
X
≤
z
−
Y
∣
Y
=
i
}
F_Z(z)=P\{X+Y\leq z\}=\sum_{i=0}^nP\{Y=i\}P\{X+Y\leq z|Y=i\}=\sum_{i=0}^nC_n^ip^i(1-p)^{n-i}P\{X\leq z-Y|Y=i\}
FZ(z)=P{X+Y≤z}=∑i=0nP{Y=i}P{X+Y≤z∣Y=i}=∑i=0nCnipi(1−p)n−iP{X≤z−Y∣Y=i}
由于
X
X
X 与
Y
Y
Y 独立,则:
F
Z
(
z
)
=
∑
i
=
0
n
C
n
i
p
i
(
1
−
p
)
n
−
i
P
{
X
≤
z
−
i
}
=
∑
i
=
0
n
C
n
i
p
i
(
1
−
p
)
n
−
i
∫
−
∞
z
−
i
1
2
π
e
−
t
2
2
d
t
F_Z(z)=\sum_{i=0}^nC_n^ip^i(1-p)^{n-i}P\{X\leq z-i\}=\sum_{i=0}^nC_n^ip^i(1-p)^{n-i}\int_{-\infty}^{z-i}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt
FZ(z)=i=0∑nCnipi(1−p)n−iP{X≤z−i}=i=0∑nCnipi(1−p)n−i∫−∞z−i2π1e−2t2dt
10、一维连续随机变量的函数的分布
设连续随机变量
X
X
X 概率密度为
f
(
x
)
f(x)
f(x) ,
y
=
g
(
x
)
y=g(x)
y=g(x) 在
(
a
,
b
)
(a,b)
(a,b) 上严格单调,其反函数
x
=
h
(
y
)
x=h(y)
x=h(y) 有连续导数,随机变量
Y
=
g
(
X
)
Y=g(X)
Y=g(X),则有:
Ψ
(
n
)
=
{
f
(
h
(
y
)
)
⋅
∣
h
′
(
y
)
∣
,
if
y
∈
(
c
,
d
)
0
,
others
\Psi(n)= \begin{cases} f(h(y))\cdot\mid h'(y)\mid, & \text {if $y\in(c,d)$} \\ 0, & \text{others} \end{cases}
Ψ(n)={f(h(y))⋅∣h′(y)∣,0,if y∈(c,d)others其中
(
c
,
d
)
(c,d)
(c,d) 为
g
(
x
)
g(x)
g(x) 的值域 。
11、期望
E
E
E
① 对于一维离散随机变量
p
i
=
P
{
X
=
x
i
}
p_i=P\{X=x_i\}
pi=P{X=xi} :
E
(
X
)
=
∑
i
=
1
∞
x
i
p
i
,
E
[
g
(
X
)
]
=
∑
i
=
1
∞
g
(
x
i
)
p
i
E(X)=\sum_{i=1}^{\infty}x_ip_i,E[g(X)]=\sum_{i=1}^{\infty}g(x_i)p_i
E(X)=i=1∑∞xipi,E[g(X)]=i=1∑∞g(xi)pi对于二维离散随机变量
p
i
j
=
P
{
X
=
x
i
,
Y
=
y
j
}
p_{ij}=P\{X=x_i,Y=y_j\}
pij=P{X=xi,Y=yj} :
E
[
g
(
X
,
Y
)
]
=
∑
i
=
1
∞
∑
j
=
1
∞
g
(
x
i
,
y
j
)
p
i
j
E[g(X,Y)]=\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}g(x_i,y_j)p_{ij}
E[g(X,Y)]=i=1∑∞j=1∑∞g(xi,yj)pij ② 对于一维连续随机变量
X
∼
f
(
x
)
X\thicksim f(x)
X∼f(x) :
E
(
X
)
=
∫
−
∞
+
∞
x
f
(
x
)
d
x
,
E
[
g
(
X
)
]
=
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
E(X)=\int_{-\infty}^{+\infty}xf(x)dx,E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)dx
E(X)=∫−∞+∞xf(x)dx,E[g(X)]=∫−∞+∞g(x)f(x)dx对于二维连续随机变量
(
X
,
Y
)
∼
f
(
x
,
y
)
(X,Y)\thicksim f(x,y)
(X,Y)∼f(x,y) :
E
[
g
(
X
,
Y
)
]
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
E[g(X,Y)]=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy ③
E
(
∑
i
=
1
n
a
i
X
i
)
=
∑
i
=
1
n
a
i
E
(
X
i
)
E(\sum_{i=1}^{n}a_iX_i)=\sum_{i=1}^{n}a_iE(X_i)
E(∑i=1naiXi)=∑i=1naiE(Xi)
④ 设
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn 相互独立:
E
(
∑
i
=
1
n
X
i
)
=
∑
i
=
1
n
E
(
X
i
)
E(\sum_{i=1}^{n}X_i)=\sum_{i=1}^{n}E(X_i)
E(∑i=1nXi)=∑i=1nE(Xi),
E
(
∑
i
=
1
n
g
i
(
X
i
)
)
=
∑
i
=
1
n
E
(
g
i
(
X
i
)
)
E(\sum_{i=1}^{n}g_i(X_i))=\sum_{i=1}^{n}E(g_i(X_i))
E(∑i=1ngi(Xi))=∑i=1nE(gi(Xi))
12、方差
D
D
D 或
V
a
r
Var
Var
①
D
(
X
)
=
E
[
(
X
−
E
X
)
2
]
=
E
(
X
2
)
−
(
E
X
)
2
D(X)=E[(X-EX)^2]=E(X^2)-(EX)^2
D(X)=E[(X−EX)2]=E(X2)−(EX)2
②
D
(
X
)
≥
0
⇒
E
(
X
2
)
≥
(
E
X
)
2
D(X)\geq 0\Rightarrow E(X^2)\geq(EX)^2
D(X)≥0⇒E(X2)≥(EX)2
③
D
(
X
+
Y
)
=
D
X
+
D
Y
+
2
C
o
v
(
X
,
Y
)
D(X+Y)=DX+DY+2Cov(X,Y)
D(X+Y)=DX+DY+2Cov(X,Y),
D
(
X
−
Y
)
=
D
X
+
D
Y
−
2
C
o
v
(
X
,
Y
)
D(X-Y)=DX+DY-2Cov(X,Y)
D(X−Y)=DX+DY−2Cov(X,Y)
④
D
(
∑
i
=
1
n
a
i
X
i
)
=
∑
i
=
1
n
a
i
2
D
(
X
i
)
+
2
∑
1
≤
i
≤
j
≤
n
a
i
a
j
C
o
v
(
X
i
,
X
j
)
D(\sum_{i=1}^{n}a_iX_i)=\sum_{i=1}^{n}a_i^2D(X_i)+2\sum_{1\leq i\leq j\leq n}a_ia_jCov(X_i,X_j)
D(∑i=1naiXi)=∑i=1nai2D(Xi)+2∑1≤i≤j≤naiajCov(Xi,Xj)
⑤
∀
\forall
∀ 常数
c
c
c,
D
(
X
)
≤
E
(
(
X
−
c
)
2
)
D(X)\leq E((X-c)^2)
D(X)≤E((X−c)2)
⑥ 设
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn 相互独立:
D
(
∑
i
=
1
n
a
i
X
i
)
=
∑
i
=
1
n
a
i
2
D
(
X
i
)
D(\sum_{i=1}^{n}a_iX_i)=\sum_{i=1}^{n}a_i^2D(X_i)
D(∑i=1naiXi)=∑i=1nai2D(Xi),
D
(
∑
i
=
1
n
g
i
(
X
i
)
)
=
∑
i
=
1
n
D
(
g
i
(
X
i
)
)
D(\sum_{i=1}^{n}g_i(X_i))=\sum_{i=1}^{n}D(g_i(X_i))
D(∑i=1ngi(Xi))=∑i=1nD(gi(Xi))
⑦
X
∗
=
X
−
E
X
D
X
X^*=\frac{X-EX}{\sqrt{DX}}
X∗=DXX−EX 是
X
X
X 的标准化随机变量,
E
X
∗
=
0
EX^*=0
EX∗=0,
D
X
∗
=
1
DX^*=1
DX∗=1
⑧ 设随机变量
X
X
X 的期望和方差均存在,且
D
X
=
0
DX=0
DX=0,则
P
{
X
=
E
X
}
=
1
P\{X=EX\}=1
P{X=EX}=1
13、协方差、协方差矩阵和相关系数
C
o
v
Cov
Cov、
Σ
\Sigma
Σ 和
ρ
\rho
ρ
①
C
o
v
(
X
,
Y
)
=
E
[
(
X
−
E
X
)
(
Y
−
E
Y
)
]
=
E
(
X
Y
)
−
E
X
⋅
E
Y
Cov(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY
Cov(X,Y)=E[(X−EX)(Y−EY)]=E(XY)−EX⋅EY
②
C
o
v
(
X
,
Y
)
=
C
o
v
(
Y
,
X
)
Cov(X,Y)=Cov(Y,X)
Cov(X,Y)=Cov(Y,X),
C
o
v
(
X
,
X
)
=
D
X
Cov(X,X)=DX
Cov(X,X)=DX,
C
o
v
(
X
,
c
)
=
0
Cov(X,c)=0
Cov(X,c)=0,其中
c
c
c 为常数
③
C
o
v
(
∑
i
=
1
n
a
i
X
i
,
Y
)
=
∑
i
=
1
n
a
i
C
o
v
(
X
i
,
Y
)
Cov(\sum_{i=1}^{n}a_iX_i,Y)=\sum_{i=1}^{n}a_iCov(X_i,Y)
Cov(∑i=1naiXi,Y)=∑i=1naiCov(Xi,Y)
④
C
o
v
(
a
X
,
b
Y
)
=
a
b
C
o
v
(
X
,
Y
)
Cov(aX,bY)=abCov(X,Y)
Cov(aX,bY)=abCov(X,Y)
⑤ 设
X
=
(
X
1
,
⋯
,
X
n
)
T
X=(X_1,\cdots,X_n)^T
X=(X1,⋯,Xn)T 为
n
n
n 维随机变量,若
D
X
i
DX_i
DXi 存在,则
Σ
=
(
C
o
v
(
X
i
,
X
j
)
)
n
×
n
\Sigma=(Cov(X_i,X_j))_{n\times n}
Σ=(Cov(Xi,Xj))n×n 为协方差矩阵
⑥ 二维情况的协方差矩阵:
Σ
=
[
C
o
v
(
X
,
X
)
C
o
v
(
X
,
Y
)
C
o
v
(
Y
,
X
)
C
o
v
(
Y
,
Y
)
]
\Sigma=\begin{bmatrix} Cov(X,X) & Cov(X,Y) \\ Cov(Y,X) & Cov(Y,Y) \\ \end{bmatrix}
Σ=[Cov(X,X)Cov(Y,X)Cov(X,Y)Cov(Y,Y)]
⑦ 相关系数
ρ
=
C
o
v
(
X
,
Y
)
D
X
D
Y
\rho=\frac{Cov(X,Y)}{\sqrt{DX}\sqrt{DY}}
ρ=DXDYCov(X,Y),
ρ
=
0
⇔
\rho=0\Leftrightarrow
ρ=0⇔
X
X
X 与
Y
Y
Y 不相关
⑧ 若随机变量
ξ
=
a
X
+
b
\xi=aX+b
ξ=aX+b,
η
=
c
Y
+
d
\eta=cY+d
η=cY+d,则
ρ
ξ
η
=
a
c
∣
a
c
∣
ρ
X
Y
\rho_{\xi\eta}=\frac{ac}{\mid ac\mid}\rho_{XY}
ρξη=∣ac∣acρXY
⑨
∣
ρ
X
Y
∣
=
1
⇔
∃
\mid \rho_{XY}\mid=1\Leftrightarrow \exists
∣ρXY∣=1⇔∃ 常数
a
,
b
a,b
a,b 使得
P
{
Y
=
a
X
+
b
}
=
1
P\{Y=aX+b\}=1
P{Y=aX+b}=1,其中:
a
=
{
D
Y
D
X
,
if
ρ
X
Y
=
1
−
D
Y
D
X
,
if
ρ
X
Y
=
−
1
,
b
=
E
Y
−
a
E
X
a= \begin{cases} \sqrt{\frac{DY}{DX}}, & \text {if $\rho_{XY}=1$} \\ -\sqrt{\frac{DY}{DX}}, & \text{if $\rho_{XY}=-1$} \end{cases},b=EY-aEX
a=⎩⎨⎧DXDY,−DXDY,if ρXY=1if ρXY=−1,b=EY−aEX
14、矩
①
X
X
X 的
k
k
k 阶(原点)矩:
E
(
X
k
)
=
∫
−
∞
+
∞
x
k
f
(
x
)
d
x
E(X^k)=\int_{-\infty}^{+\infty}x^kf(x)dx
E(Xk)=∫−∞+∞xkf(x)dx
②
X
X
X 的
k
k
k 阶中心矩:
E
(
(
X
−
E
X
)
k
)
E((X-EX)^k)
E((X−EX)k)
③ 若
X
∼
N
(
μ
,
σ
2
)
X\thicksim N(\mu,\sigma^2)
X∼N(μ,σ2):
k
k
k 为奇数时:
E
(
X
−
E
X
)
k
=
0
E(X-EX)^k=0
E(X−EX)k=0
k
k
k 为偶数时:
E
(
X
−
E
X
)
k
=
σ
k
⋅
(
k
−
1
)
⋅
(
k
−
3
)
⋅
⋯
⋅
3
⋅
1
E(X-EX)^k=\sigma^k\cdot(k-1)\cdot(k-3)\cdot\cdots\cdot3\cdot1
E(X−EX)k=σk⋅(k−1)⋅(k−3)⋅⋯⋅3⋅1
15、不等式
①
C
a
u
c
h
y
−
S
c
h
w
a
r
z
Cauchy-Schwarz
Cauchy−Schwarz 不等式:
∣
E
(
X
Y
)
∣
≤
(
E
X
2
)
1
/
2
⋅
(
E
Y
2
)
1
/
2
\mid E(XY)\mid\leq(EX^2)^{1/2}\cdot(EY^2)^{1/2}
∣E(XY)∣≤(EX2)1/2⋅(EY2)1/2
(
E
∣
X
+
Y
∣
2
)
1
/
2
≤
(
E
X
2
)
1
/
2
+
(
E
Y
2
)
1
/
2
(E\mid X+Y\mid^2)^{1/2}\leq(EX^2)^{1/2}+(EY^2)^{1/2}
(E∣X+Y∣2)1/2≤(EX2)1/2+(EY2)1/2
∣
C
o
v
(
X
,
Y
)
∣
≤
D
X
⋅
D
Y
\mid Cov(X,Y)\mid\leq\sqrt{DX}\cdot\sqrt{DY}
∣Cov(X,Y)∣≤DX⋅DY ②
M
a
r
k
o
v
Markov
Markov 不等式:设随机变量
X
X
X 存在
E
∣
X
∣
k
E\mid X\mid^k
E∣X∣k ,其中
k
>
0
k>0
k>0,则对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
P
{
∣
X
∣
≥
ϵ
}
≤
E
∣
X
∣
k
ϵ
k
P\{\mid X\mid\geq\epsilon\}\leq\frac{E\mid X\mid^k}{\epsilon^k}
P{∣X∣≥ϵ}≤ϵkE∣X∣k
P
{
∣
X
−
E
X
∣
≥
ϵ
}
≤
E
∣
X
−
E
X
∣
k
ϵ
k
P\{\mid X-EX\mid\geq\epsilon\}\leq\frac{E\mid X-EX\mid^k}{\epsilon^k}
P{∣X−EX∣≥ϵ}≤ϵkE∣X−EX∣k ③
C
h
e
b
y
s
h
e
v
Chebyshev
Chebyshev 不等式:设随机变量
X
X
X 存在
E
X
EX
EX 和
D
X
DX
DX,则对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
P
{
∣
X
−
E
X
∣
≥
ϵ
}
≤
D
X
ϵ
2
P\{\mid X-EX\mid\geq\epsilon\}\leq\frac{DX}{\epsilon^2}
P{∣X−EX∣≥ϵ}≤ϵ2DX
16、依概率收敛与大数定律
① 设随机变量
X
X
X 与随机变量序列
{
X
n
}
\{X_n\}
{Xn}
(
n
=
1
,
2
,
⋯
)
(n=1,2,\cdots)
(n=1,2,⋯) ,若对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
lim
n
→
∞
P
{
∣
X
n
−
X
∣
≥
ϵ
}
=
0
或
lim
n
→
∞
P
{
∣
X
n
−
X
∣
<
ϵ
}
=
1
\lim_{n \to \infty}P\{\mid X_n-X\mid\geq\epsilon\}=0或\lim_{n \to \infty}P\{\mid X_n-X\mid<\epsilon\}=1
n→∞limP{∣Xn−X∣≥ϵ}=0或n→∞limP{∣Xn−X∣<ϵ}=1 则称
{
X
n
}
\{X_n\}
{Xn} 依概率收敛于
X
X
X ,记为:
lim
n
→
∞
X
n
=
X
(
P
)
或
X
n
⟶
P
X
(
n
→
∞
)
\lim_{n \to \infty}X_n=X(P)或X_n \stackrel{P}{\longrightarrow}X(n\rightarrow\infty)
n→∞limXn=X(P)或Xn⟶PX(n→∞) ②
C
h
e
b
y
s
h
e
v
Chebyshev
Chebyshev 大数定律:
设
{
X
i
}
\{X_i\}
{Xi}
(
i
=
1
,
2
,
⋯
,
n
,
⋯
)
(i=1,2,\cdots,n,\cdots)
(i=1,2,⋯,n,⋯) 是相互独立的随机变量序列,
D
X
i
DX_i
DXi 存在且有公共上界:
D
X
i
≤
C
DX_i\leq C
DXi≤C
令
Y
n
=
1
n
∑
i
=
1
n
X
i
Y_n=\frac{1}{n}\sum_{i=1}^{n}X_i
Yn=n1∑i=1nXi ,则
D
Y
n
=
0
(
n
→
∞
)
DY_n=0(n\rightarrow\infty)
DYn=0(n→∞)
对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
P
{
∣
Y
n
−
E
Y
n
∣
<
ϵ
}
=
1
(
n
→
∞
)
P\{\mid Y_n-EY_n\mid<\epsilon\}=1(n\rightarrow\infty)
P{∣Yn−EYn∣<ϵ}=1(n→∞)
③
B
e
r
n
o
u
l
l
i
Bernoulli
Bernoulli 大数定律:
设
μ
n
\mu_n
μn 是
n
n
n 重伯努利试验中事件
A
A
A 发生的次数,每次试验中
A
A
A 发生的概率为
p
p
p ,则
μ
n
n
⟶
P
p
(
n
→
∞
)
\frac{\mu_n}{n} \stackrel{P}{\longrightarrow}p(n\rightarrow\infty)
nμn⟶Pp(n→∞)
即对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
P
{
∣
μ
n
n
−
p
∣
<
ϵ
}
=
1
(
n
→
∞
)
P\{\mid \frac{\mu_n}{n}-p\mid<\epsilon\}=1(n\rightarrow\infty)
P{∣nμn−p∣<ϵ}=1(n→∞)
④
K
h
i
n
c
h
i
n
Khinchin
Khinchin 大数定律:
设随机变量序列
X
1
,
X
2
,
⋯
,
X
n
,
⋯
X_1,X_2,\cdots,X_n,\cdots
X1,X2,⋯,Xn,⋯ 独立同分布,且存在有限的数学期望
E
X
i
=
μ
EX_i=\mu
EXi=μ ,则
1
n
∑
i
=
1
n
X
i
⟶
P
μ
(
n
→
∞
)
\frac{1}{n}\sum_{i=1}^{n}X_i \stackrel{P}{\longrightarrow}\mu(n\rightarrow\infty)
n1∑i=1nXi⟶Pμ(n→∞)
即对任意
ϵ
>
0
\epsilon>0
ϵ>0 有:
P
{
∣
1
n
∑
i
=
1
n
X
i
−
μ
∣
<
ϵ
}
=
1
(
n
→
∞
)
P\{\mid \frac{1}{n}\sum_{i=1}^{n}X_i-\mu\mid<\epsilon\}=1(n\rightarrow\infty)
P{∣n1∑i=1nXi−μ∣<ϵ}=1(n→∞)
17、中心极限定理
①
L
i
n
d
b
e
r
g
−
L
e
v
i
Lindberg-Levi
Lindberg−Levi 定理:
即独立同分布中心极限定理,设
{
X
i
}
\{X_i\}
{Xi}
(
i
=
1
,
2
,
⋯
,
n
,
⋯
)
(i=1,2,\cdots,n,\cdots)
(i=1,2,⋯,n,⋯) 是独立同分布的随机变量序列,若
E
X
i
=
μ
EX_i=\mu
EXi=μ,
D
X
i
=
σ
2
>
0
DX_i=\sigma^2>0
DXi=σ2>0
记
Y
n
=
∑
i
=
1
n
X
i
Y_n=\sum_{i=1}^{n}X_i
Yn=∑i=1nXi,标准化
Y
n
Y_n
Yn 为
Y
n
∗
Y_n^*
Yn∗,则:
P
{
Y
n
∗
≤
x
}
(
n
→
∞
)
=
ϕ
(
x
)
P\{Y_n^*\leq x\}(n\rightarrow\infty)=\phi(x)
P{Yn∗≤x}(n→∞)=ϕ(x),即近似有
∑
i
=
1
n
X
i
∼
N
(
n
μ
,
n
σ
2
)
(
n
→
∞
)
\sum_{i=1}^{n}X_i\thicksim N(n\mu,n\sigma^2)(n\rightarrow\infty)
∑i=1nXi∼N(nμ,nσ2)(n→∞)
②
D
e
M
o
i
v
r
e
−
L
a
p
l
a
c
e
De Moivre-Laplace
DeMoivre−Laplace 定理:
即二项分布以正态分布为其极限的分布定理,设
Y
n
∼
B
(
n
,
p
)
Y_n\thicksim B(n,p)
Yn∼B(n,p)
(
n
≥
1
)
(n \geq 1)
(n≥1) ,则对任意实数
x
x
x 有:
lim
n
→
∞
P
{
Y
n
−
n
p
n
p
(
1
−
p
)
≤
x
}
=
ϕ
(
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\lim_{n \to \infty}P\{\frac{Y_n-np}{\sqrt{np(1-p)}}\leq x\}=\phi(x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^xe^{-\frac{t^2}{2}}dt
n→∞limP{np(1−p)Yn−np≤x}=ϕ(x)=2π1∫−∞xe−2t2dt ③ 二项分布概率计算方法:
若
n
n
n 不太大
(
n
≤
10
)
(n\leq 10)
(n≤10):
P
{
X
=
k
}
=
C
n
k
p
k
(
1
−
p
)
n
−
k
P\{X=k\}=C_n^kp^k(1-p)^{n-k}
P{X=k}=Cnkpk(1−p)n−k
若
n
n
n 较大
p
p
p 较小:
λ
=
n
p
\lambda=np
λ=np,
P
{
X
=
k
}
≈
λ
k
k
!
e
−
λ
P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda}
P{X=k}≈k!λke−λ
若
n
n
n 较大
p
p
p 不太大:
P
{
a
<
X
<
b
}
=
ϕ
(
b
−
n
p
n
p
(
1
−
p
)
)
−
ϕ
(
a
−
n
p
n
p
(
1
−
p
)
)
P\{a<X<b\}=\phi(\frac{b-np}{\sqrt{np(1-p)}})-\phi(\frac{a-np}{\sqrt{np(1-p)}})
P{a<X<b}=ϕ(np(1−p)b−np)−ϕ(np(1−p)a−np)