贝叶斯公式
p(Bi|A)=p(A|Bi)p(Bi)∑nj=1p(A|Bj)p(Bj),i=1,2,3,⋯,n.
p
(
B
i
|
A
)
=
p
(
A
|
B
i
)
p
(
B
i
)
∑
j
=
1
n
p
(
A
|
B
j
)
p
(
B
j
)
,
i
=
1
,
2
,
3
,
⋯
,
n
.
当n取2的时候, B2 B 2 表示的就是事件 B B 的逆事件,所以有
p(B|A)=p(B)p(A|B)p(B)p(A|B)+p(B^)p(A|B^)
p
(
B
|
A
)
=
p
(
B
)
p
(
A
|
B
)
p
(
B
)
p
(
A
|
B
)
+
p
(
B
^
)
p
(
A
|
B
^
)
事件的独立性
设A、B是两事件,如果满足等式
p(AB)=p(A)p(B),
p
(
A
B
)
=
p
(
A
)
p
(
B
)
,
则称事件A、B相互独立。
离散型随机变量及其分布律
(一) 离散型
对于离散型,这里只记录一下泊松分布。
泊松分布
设随机变量 X X 所有可能的值为 而取各个值的概率为
p{X=k}=λke−kk!,k=1,2,3,⋯,n,
p
{
X
=
k
}
=
λ
k
e
−
k
k
!
,
k
=
1
,
2
,
3
,
⋯
,
n
,
其中
λ>0
λ
>
0
是常数。则称
X
X
服从参数为的泊松分布,记为
X∼π(λ)
X
∼
π
(
λ
)
.
泊松定理
设
λ>0
λ
>
0
是一个常数,n是任意正整数,设
npn=λ
n
p
n
=
λ
,则对于任一固定的非负整数
k
k
,有
定理的条件是 np=λ(常数) n p = λ ( 常 数 ) 意味着当 n n 很大时 会很小,因此,上述定理表明对于一个二项分布,当其试验次数足够大,且其所试验事件的发生概率足够小时有以下近似式
Cknpk(1−p)n−k≈λke−kk!.
C
n
k
p
k
(
1
−
p
)
n
−
k
≈
λ
k
e
−
k
k
!
.
(二) 非离散型
通常非离散型随机变量取任一指定的实数值的概率都等于0。
设
X
X
是一个随机变量, 是任意实数,函数
F(x)=P{X≤x},x∈(−∞,+∞).
F
(
x
)
=
P
{
X
≤
x
}
,
x
∈
(
−
∞
,
+
∞
)
.
称为 X X 的分布函数。且
对于随机变量 X X 的分布函数 ,存在非负可积函数 f(x) f ( x ) 使对于任意实数 x x 有
函数 f(t) f ( t ) 称为分布函数的概率密度,且
1. ∫+∞−∞f(t)dt=1,f(x)≥0, ∫ − ∞ + ∞ f ( t ) d t = 1 , f ( x ) ≥ 0 ,
2. f(x)≥0, f ( x ) ≥ 0 ,
3. p{x1<X≤x2}=F(x2)−F(x1)=∫x2x1f(t)dt, p { x 1 < X ≤ x 2 } = F ( x 2 ) − F ( x 1 ) = ∫ x 1 x 2 f ( t ) d t ,
4. F′(x)=f(x). F ′ ( x ) = f ( x ) .
对于非离散型的且为连续型的随机变量 X X 只在此记录指数分布和正太分布这两种。
(1) 指数分布
若连续型随机变量 的概率密度为
f(x)={1θe−xθ,x>0,0,其他,
f
(
x
)
=
{
1
θ
e
−
x
θ
,
x
>
0
,
0
,
其
他
,
其中
θ>0
θ
>
0
为常数,则称
X
X
服从参数为 的指数分布。
指数分布的一个重要性质是无记忆性,即服从指数分布的随机变量
X
X
对于任意
P{X>s+t|X>s}=P{X>t}.
P
{
X
>
s
+
t
|
X
>
s
}
=
P
{
X
>
t
}
.
就是说有一个灯泡在用了 s s 小时后继续使用 小时坏的概率和这个灯泡从开始使用算起就只用了 t t 小时就坏了的概率是一样的。
(2) 正太分布
正太分布(记为 )的随机变量 X X 的概率密度为
对于任意一个正态分布,它都可以通过一个简单的线性变换化为标准正太分布(即 μ=0,σ=1 μ = 0 , σ = 1 的正态分布)。
随机变量的函数分布
设随机变量 X X 具有概率密度
求随机变量 Y=2X+8 Y = 2 X + 8 的概率密度.
解
FY(y)=P{Y≤y}=P{2X+8≤y}=P{X≤y−82}=Fx(y−82).
F
Y
(
y
)
=
P
{
Y
≤
y
}
=
P
{
2
X
+
8
≤
y
}
=
P
{
X
≤
y
−
8
2
}
=
F
x
(
y
−
8
2
)
.
fY(y)=fx(y−82)(y−82)′={18(y−82)12,0<y−82<4,0,其他.={y−832,8<y<16,0,其他.
f
Y
(
y
)
=
f
x
(
y
−
8
2
)
(
y
−
8
2
)
′
=
{
1
8
(
y
−
8
2
)
1
2
,
0
<
y
−
8
2
<
4
,
0
,
其
他
.
=
{
y
−
8
32
,
8
<
y
<
16
,
0
,
其
他
.
也就是说对于随机变量 X X ,如果存在随机变量 ,则随机变量 Y Y 的概率密度为
其中 α=min{g(−∞),g(∞)} α = m i n { g ( − ∞ ) , g ( ∞ ) } , β=max{g(−∞),g(∞)} β = m a x { g ( − ∞ ) , g ( ∞ ) } , h(y)是g(x)的反函数 h ( y ) 是 g ( x ) 的 反 函 数 。