事件与概率
全概率贝叶斯
*一维分布函数与概率
泊松分布
二项分布近似就是泊松分布,这一点和拉普拉斯中心极限定理类似。
一维随机变量函数分布
由 X 范围求 Y 范围
Y=f(x)
由 Y <= y 求得 x 范围
对 f X(x)积分,用上面的 x 和题目中的 x 范围的交集,求得关于y的式子
再对关于y的式子求导
二维随机变量(离散型)
二维随机变量(连续型)
06.3-1+多维随机变量(理论-下)-4.mp4
(4)是否独立
若独立 f(x,y)=f(x) f(y)
一般的,若x和y的范围交集为矩形,则独立
在第三问的基础上做:
二维随机变量(离散+连续)
若 x,y 独立,则 P { x<z | y=1 } = P { x<z }。x和y无关
推导:若A,B独立,
P(A|B) = P(A) P(B) / P(B) = P(A)
数学期望、方差、协方差
中心极限定理
林德伯格-列维(Lindburg-Levy)定理
大数定律
切比雪夫不等式
切比雪夫大数定律(独立):平均值依概率收敛于期望
*辛钦大数定律(独立同分布)
伯努利大数定律
中心极限定理:一切分布在极限状态下都服从正态分布
拉普拉斯中心极限定理(要求二项分布)
林德伯格列维定理(独立同分布)
等式右边 = (Xi的累加 - n*期望)/根号下(n*方差)