考研数学-概率论

概率计算式

1. $P(\overline{A}$ $\overline{B})＝P(\overline{A+B})$

2. 互不相容=>$AB=\varnothing =>P(AB)=0$
   互相独立=>P(AB)=P(A)P(B)

3. $P(AB)=P(A)-P(A\overline{B})$

4. 四对事件
   A与B,$\overline{A}$与B,$\overline{B}$与A,$\overline{A}$与$\overline{B}$,任何一对相互独立，其他都独立
   若A,B相互独立，则P(B|A)=A（直观上就是与条件无关）

5. P(A-B)=1成立时，A,B，C三个事件相互独立。
   $P(A-B)=1$,则$P(A\overline{B})=1,$故$P(A)=1,P(\overline{B})=1$,故而$P(\overline{A})=P(B)=0,$于是$A,\overline{B},\overline{A},B$与任何一个事件均独立。即A,B，C相互独立。

6. $P(C|AB)=1$,可以得到AB发生，C必发生。$P(C)>=P(AB)$

7. $P(AB)$的范围：
   当$B$属于$A$时，$P(AB)$最大
   由$P(AB)=P(A)+P(B)-P(A+B),P(A+B)$最大时，$P(AB)$最小

8. 常见离散随机变量的分布

	表示	分布律	含义	$EX$	$DX$
二项分布	$X$~$B(n,p)$	P { X = k } = C n k p k q n − k P{\{X=k\}}=C_n^kp^kq^{n-k} P{X=k}=Cnk​pkqn−k	独立重复事件n次，事件A发生k次的概率	$np$	$np(1-p)$
超几何分布	$X$~$H(n,M,N)$	P { X = k } = C M k ∗ C N − M n − k C N n P{\{X=k\}}=\frac{C_M^k*C_{N-M}^{n-k}}{C_N^n} P{X=k}=CNn​CMk​∗CN−Mn−k​​	N件产品中有M件次品，从中选取n件产品（不放回），有X件次品的概率
泊松分布	$X$~$P（\lambda ）$	P { X = k } = λ k e − λ k ! P{\{X=k\}}=\frac{\lambda^ke^{-\lambda}}{k!} P{X=k}=k!λke−λ​	n很大，p很小时可以用泊松分布逼近	$\lambda$	$\lambda$
几何分布	$X$~$G(p)$	P { X = k } = p ( 1 − p ) k − 1 P{\{X=k\}}=p(1-p)^{k-1} P{X=k}=p(1−p)k−1	事件A首次发生时的次数	$\frac{1}{p}$	$\frac{1-p}{p^2}$

指数分布，几何分布没有记忆性

9. 连续型概率分布

分布		概率密度函数	分布函数
均匀分布	X~$U(a,b)$	$f(x)=\{\begin{array}{l}\frac{1}{b-a},a<x<b,\\ 0,其他\end{array}$	$F(x)=\{\begin{array}{l}0,x<a\\ \frac{x-a}{b-a},a\le x<b,\\ a,x\ge b\end{array}$	$\frac{a+b}{2}$	$\frac{(b-a{)}^2}{12}$
指数分布	X~$e(\lambda )$	$f(x)=\{\begin{array}{l}\lambda e^{-\lambda x},x\ge 0\\ 0,x<0\end{array}$	$F(x)=\{\begin{array}{l}1-e^{-\lambda x},x>0\\ 0,x\le 0\end{array}$	$EX=\frac{1}{\lambda }$	$DX=\frac{1}{{\lambda }^2}$
正态分布	X~$N(\mu ,{\sigma }^2)$	$\phi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$	$EX=\mu$	$DX={\sigma }^2$

10. $F_1(x),F_2(x)$都是分布函数，故$F_1(x)F_2(x)$也是分布函数，

11. 求随机变量X的函数的分布方法：
    (1).定义法：求出分布函数，再求导
    $F_Y(y)=P(Y<=y)=P(g(X)<=y)$
    $f_Y(y)=\frac{d[F_y(y)]}{dy}$
    (2).公式法：
    条件Y=g(X),函数单调
    $f_Y(y)=\{\begin{array}{l}f[h(y)]\ast |h^{\prime }(y)|,a<y<b,\\ 0,other,\end{array}((a,b)是h(y)的定义域)$

12. 验证概率密度的方法：
    （1）证明：$f(x)>0,{\int }_{-inf}^{+inf}f(x)dx=1$
    （2）证明：$f(x)=F^{\prime }(x)$

13. A,B为任意两个事件，且$A\subseteq B，P(B)>0$，则 $P(AB)=P(A)$

14. 若$P(B|A)=P(B|\overline{A})$,则可说明$P(AB)=P(A)P(B)$

概率密度以及分布函数

1. 条件分布函数：
   $F_{X|Y}(x|y)={\int }_{-inf}^x\frac{f(u,y)}{f_Y(y)}du$
2. 条件概率密度：
   $f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$
   即：求条件分布=联合发布/边缘分布
3. 独立性讨论：
   定义：$P(X\le x,Y\le y)=P(X\le x)P(Y\le y)$,则X与Y相互独立
   离散型相互独立：
   $p_{i,j}=p_i{p}_j$ (都是等价关系)
   连续型相互独立：
   $f(x,y)=f_X(x)f_Y(y)$ (都是等价关系)
   $f_{X|Y}(x|y)=f_X(x)$
   $f_{Y|X}(y|x)=f_Y(y)$
   二维正态相互独立：$p=0$
   X与Y相互独立，则$f(X)$与$f(Y)$也相互独立。
4. 最大最小函数的分布：
   { m a x { X , Y } ≤ a } = { X ≤ a , Y ≤ a } \{{max\{ X,Y\}}≤a\}=\{X≤a,Y ≤a\} {max{X,Y}≤a}={X≤a,Y≤a}
   { m i n { X , Y } ≤ a } = 全 集 − { X > a , Y > a } \{{min\{ X,Y\}}≤a\}=全集-\{X>a,Y >a\} {min{X,Y}≤a}=全集−{X>a,Y>a}
   m a x { X , Y } = X + Y + ∣ X − Y ∣ 2 max\{X,Y\}=\frac{X+Y+|X-Y|}{2} max{X,Y}=2X+Y+∣X−Y∣​
   m i n { X , Y } = X + Y − ∣ X − Y ∣ 2 min\{X,Y\}=\frac{X+Y-|X-Y|}{2} min{X,Y}=2X+Y−∣X−Y∣​
   m a x { X , Y } ∗ m i n { X , Y } = X Y max\{X,Y\}*min\{X,Y\}=XY max{X,Y}∗min{X,Y}=XY
   m a x { X , Y } + m i n { X , Y } = X + Y max\{X,Y\}+min\{X,Y\}=X+Y max{X,Y}+min{X,Y}=X+Y
5. ${\Sigma }_{i=0}^k{C}_k^i=2^k$
6. ${\int }_{-inf}^{inf}{e}^{-x^2}dx=\sqrt{x}$

期望和方差

1. 推导$E((X-C{)}^2)与E((X-\mu {)}^2)$的关系
   $$\begin{gathered} E((X-C{)}^2) \\ =E((X-\mu +\mu -C{)}^2) \\ =E[(x-\mu {)}^2+(\mu -C{)}^2+2(x-\mu )(\mu -C)] \\ =E((x-\mu {)}^2)+E((\mu -C{)}^2) \\ \ge E[(X-\mu {)}^2] \end{gathered}$$

2. 伽马函数：计算广义积分
   $\Gamma (\alpha )={\int }_0^{+inf}{x}^{\alpha -1}\ast e^{-x}dx,\Gamma (1)=1,\Gamma (\frac{1}{2})=\sqrt{\pi }$
   $\Gamma (\alpha +1)=\alpha \ast \Gamma (\alpha ),F(n+1)=n!$

3. 矩
   原点矩：$E(X^k)$
   中心距：$E((X-EX{)}^k)$
   混合矩：$E(X^k\ast Y^l)$
   混合中心矩：$E((X-EX{)}^k(Y-EY{)}^l)$

4. 协方差：
   $Cov(X,Y)=E((X-EX)(Y-EY))=E(XY)-EXEY$
   $D(X+Y)=DX+DY+2\ast Cov(X,Y),当X，Y独立时，D(X+Y)=DX+DY$
   相关系数：
   ${\rho }_{XY}=\frac{Cov(X,Y)}{\sqrt{DX}\sqrt{DY}}$

5. 协方差与相关系数的性质
   $Cov(X,Y)=Cov(Y,X)$
   $Cov(X,X)=DX$
   $Cov(aX,bY)=abCov(X,Y)$
   $Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)$
   $D(X-Y)=DX+DY-2Cov(X,Y)$
   $|{\rho }_{XY}|=1$等价于$P(Y=aX+b)=1（a\ne 0）$

6. 独立与不相关之间的关系
   独立，必然不相关，反之不对。
   若X,Y不相关，则等价于：
   ${\rho }_{XY}=0$
   $Cov(X,Y)=0$
   $EXY=EXEY$
   $D(X+Y)=DX+DY$
   二维正态，独立与不相关等价

7. 线性组合的相关系数：
   若$U=a_{1}X+b_1,V=a_{2}X+b_2,则{\rho }_{UV}=\frac{a_1{a}_2}{|a_1{a}_2|}{\rho }_{XY}$

8. X，Y的相关系数是标准化随机变量$X^{\ast },Y^{\ast }$的协方差，其中$X^{\ast }=\frac{X-EX}{\sqrt{DX}},Y^{\ast }=\frac{Y-EY}{\sqrt{DY}}$

9. 若X和Y存在函数关系，则不相互独立

10. 若${\rho }_{XY}=0$,则称X与Y不相关，即没有线性关系，但可能有其他关系。若X,Y独立（啥关系都没），则X与Y不相关（线性关系）。

11. 大数定理：
    切比雪夫不等式： P { ∣ X − E X ∣ > = ε } < = D X ε 2 P{\{|X-EX|>=\varepsilon}\}<=\frac{DX}{\varepsilon ^2} P{∣X−EX∣>=ε}<=ε2DX​
    切比雪夫不等式可估计[EX-$\epsilon$,EX+$\epsilon$]之间的概率
    依概率收敛： lim ⁡ n − > i n f P { ∣ X n − a ∣ } = 1 \lim_{n->inf}P\{|X_n-a|\}=1 limn−>inf​P{∣Xn​−a∣}=1
    大数定律： lim ⁡ n − > i n f p { ∣ 1 n Σ i = 1 n X i − a n ∣ < ε } = 1 \lim_{n->inf}p\{|\frac{1}{n}\Sigma_{i=1}^n X_i-a_n|<\varepsilon\}=1 limn−>inf​p{∣n1​Σi=1n​Xi​−an​∣<ε}=1

12. 三个常用的大数定理
    切比雪夫大数定理：
    {$X_n$}相互独立同分布，$E{X}_i,D{X}_i$存在，则： lim ⁡ n − > i n f { ∣ 1 n Σ i = 1 n X i − μ ∣ < ε } = 1 \lim_{n->inf}\{|\frac{1}{n}\Sigma_{i=1}^nX_i-\mu|<\varepsilon\}=1 limn−>inf​{∣n1​Σi=1n​Xi​−μ∣<ε}=1
    独立分布的随机变量的算数平均值集中在期望值附近
    伯努利大数定律：
    $n_A$是n次独立重复试验，事件A发生的次数，p是A在一次实验中发生的概率。 lim ⁡ n − > i n f p { ∣ n A n − p ∣ < ε } = 1 \lim_{n->inf}p\{|\frac{n_A}{n}-p|<\varepsilon\}=1 limn−>inf​p{∣nnA​​−p∣<ε}=1
    频率依概率收敛于概率
    辛钦大数定律：
    {$X_n$}独立同分布的随机变量序列，$E{X}_i=\mu$,则：
    lim ⁡ n − > i n f p { ∣ 1 n Σ i = 1 n X i − μ ∣ < ε } = 1 \lim_{n->inf}p\{|\frac{1}{n}\Sigma_{i=1}^n X_i-\mu|<\varepsilon\}=1 limn−>inf​p{∣n1​Σi=1n​Xi​−μ∣<ε}=1

13. 常用中心极限定理：
    独立同分布的中心极限定理：
    $X_n$是独立同分布的随机变量序列，且$E{X}_i=\mu ,D{X}_i={\sigma }^2$,则：$$Y_n=\frac{{\Sigma }_{i=1}^n{X}_i-n\mu }{\sqrt{n}\sigma }符合N(0，1)$$
    拉普拉斯定理：
    设随机变量$X_n$~$B(n,p)$,$X_n=\frac{Y_n-np}{\sqrt{np(1-p)}}$符合正态分布

数理统计

1. 统计量：
   样本均值：$\overline{X}=\frac{\Sigma X_i}{n}$
   样本方差：$S^2=\frac{\Sigma (X_i-\overline{X}{)}^2}{n-1}$

2. 正态总体下的样本均值的分布：
   $E\overline{X}=\mu$
   $D\overline{X}=\frac{{\sigma }^2}{n}$
   $E(S^2)={\sigma }^2$
   $\overline{a}$

3. ${\Sigma }_{i=1}^n(x_i-\overline{x})={\Sigma }_{i=1}^n(x_i^2)-n{\overline{x}}^2$

正态总体下的抽样分布：

1. 设总体$X$~$N(\mu ,{\sigma }^2),Xi$为X的简单随机样本，则：
   $\frac{(n-1)S^2}{{\sigma }^2}=\frac{\Sigma (X_i-\overline{X}{)}^2}{{\sigma }^2}$~$X^2(n-1)$
   且$\overline{X}$与$S^2$相互独立
2. $\frac{\overline{X}-\mu }{S/\sqrt{n}}$~$t(n-1)$
3. 设总体$X$~$N({\mu }_1,{\sigma }_1^2)$, $Y$~$N({\mu }_2,{\sigma }_2^2)$,且X与Y独立，若$X_i,Y_i$分别来自X与Y样本，则：
   $\frac{{\Sigma }_{j=1}^m(Y_j-\overline{Y}{)}^2}{(m-1){\sigma }_2^2}/\frac{{\Sigma }_{j=1}^n(X_i-\overline{X}{)}^2}{(n-1){\sigma }_1^2}$~$F(m-1,n-1)$
   $F=\frac{S_1^2/{\sigma }_1^2}{S_2^2/{\sigma }_2^2}$~$F(n-1,m-1)$

分位数的换算性质：

1. 换算：上分位置$\alpha$=下分位$(1-\alpha )$
2. 对称性：$N(0，1)$与$t(n)$有对称性
   $u_{1-\alpha }=-u_{\alpha }$
   $X^2与F$分布具有非对称性，由非负性得：
   $0<X_{1-\alpha }^2(n)<X_{\alpha }^2(n)$
   $0<F_{1-\alpha }(n,m)<F_{\alpha }(n,m)$
3. $F_{1-\alpha }(n,m)\ast F_{\alpha }(m,n)=1$

可加性（二伯正码）

前提：X，Y相互独立
二项分布；泊松分布；正态分布；伽马分布

假设检验

1. 当规定出现U>3时候，否定假设$H_0$，接受$H_1$，则第一类假设$p_1=P(U>3|H_0)$,第二类假设$p_2=P(U>3|H_1)$
   解释：第一类错误：错杀好人；第二类错误：放走坏人