概率论 基础(一)

基本的古典概率和基本定义就不再说明。

1.条件概率

设$A、B是两个事件，且P(A)>0$，称$$P(B|A)=\frac{P(AB)}{P(A)}$$
为在事件A发生的条件下事件B发生的条件概率。由此，得公式$$P(AB)=P(A)P(B|A)=P(B)P(A|B)$$
称为概率的乘法公式。

2.全概率公式

设$A_1,A_2,...,A_n为样本空间\Omega 的一个有限完备事件组，且P(A_i)>0$,所以：
1.$A_1,A_2,...,A_n$互不相容，$A_i\in A_j=\varphi$
2.$A_1\cup A_2\cup ...\cup A_n=\Omega$
则对$\Omega$中任意一个事件B都有$$P(B)=P(B{A}_1)+P(B{A}_2)+...+P(B{A}_n)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+...+P(A_n)P(B|A_n)$$
这就是全概率公式。

3.贝叶斯公式

设$B是样本空间\Omega 的一个事件，A_1,A_2,...,A_n为S的一个完备事件组，$则$$P(A_k|B)=\frac{P(A_{k}B)}{P(B)}=\frac{p(A_k)P(B|A_k)}{P(A_1)P(B|A_1)+...+P(A_n)P(B|A_n)}$$
这个公式称为贝叶斯公式，也称为逆概公式或后验概率公式。
贝叶斯公式在概率论和数理统计中有着多方面的应用，假定$A_1,A_2,...,A_n$是导致实验结果的“原因”，$P(A_i)$称为先验概率，它反映了各种“原因”发生的可能性大小，一般是以往经验的总结，在实验之前就已经知道。现在，实验结果B发生了，这个信息有助于探讨事件发生的“原因”。条件概率$P(A_i|B)$称为后验概率，它反映了试验之后对各种“原因”发生的可能性大小的新知识。

4.伯努利试验

只有两个可能结果的试验称为伯努利试验。
一次伯努利试验，可能的结果只有两个：$$P(A)=p,P(\bar{A})=1-p=q$$所以伯努利分布也称为两点分布。
n重伯努利试验中，A恰好出现k次的概率记做$b(k;n,p)$，值为$$b(k;n,p)=C_n^i{p}^i{q}^{n-i}=\frac{n!}{(n-i)!i!}{p}^i{q}^{n-i}$$

5.二项分布的泊松（poisson）逼近

泊松定理：
设随机变量$X服从二项分布b(k;n,p_n),且{\lim }_{n\to \infty }n{p}_n=\lambda >0$则${\lim }_{n\to \infty }b(k;n,p_n)={\lim }_{n\to \infty }{C}_n^k{p}_n^k(1-p_n{)}^{n-k}=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$
在应用中，当n很大，且p很小时，而np是一个大小适当的数时，有以下泊松分布近似公式：
$$C_n^k{p}^k(1-p{)}^{n-k}\approx \frac{(np{)}^k}{k!}{e}^{-np}$$

6.泊松分布

如果随机变量X所有可能取的值为0,1,2…,它取各个值的概率为：$$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$$ 其中$\lambda >0$是常数，$则称X服从参数为\lambda 的泊松分布，记为X\sim P_{\lambda }(k)$

连续型随机变量的分布

7.均匀分布

$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& 其他\end{array}$$则称$X服从[a,b]$的均匀分布，记为$X\sim U[a,b]$
那么有$P(c\le X\le d={\int }_c^{d}f(x)dx=\frac{d-c}{b-a}$

8.指数分布

如果随机变量$X$的概率密度为：
$$f(x)=\{\begin{array}{ll}\lambda e^{\lambda x},& x\ge 0\\ 0,& x\le 0\end{array}$$其中$\lambda >0$，则称$X$服从参数为$\lambda$的指数分布，记为$X\sim e_{\lambda }(x)$
指数分布的重要性还表现在它具有类似于集合分布的“无记忆性”，随机变量$X$分从指数分布，则对于任意的$s>0和t>0$，有
$$P(X>s+t|X>s)=P(X>t)$$

9.正态分布

如果随机变量$X$的概率密度为
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{1}{2{\sigma }^2}(x-\mu {)}^2},(-\infty <x<+\infty )$$
其中$\sigma >0,\sigma ,\mu$为常数，则称$X$服从参数为$\sigma ,\mu$的正态分布，记为$X\sim N(\mu ,{\sigma }^2)$
特别的，当$\mu =0,{\sigma }^2=1$时，称$X$服从标准正态分布，即$X\sim N(0,1)$
另一重要性质是，对于$X\sim N(\mu ,{\sigma }^2)$，则随机变量$\xi =\frac{X-u}{\sigma }$服从标准正态分布，将$\xi =\frac{X-u}{\sigma }$称为$X$的标准化。