古典概率
实验中,
A
A
A 的基本事件有
a
a
a 个,
A
ˉ
\bar{A}
Aˉ 的基本事件有
b
b
b 个,则
A
A
A 的概率为:
P
(
A
)
=
a
a
+
b
P(A)=\frac{a}{a+b}
P(A)=a+ba
条件概率
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B) = \frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
全概率公式
P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B) = \sum_{i=1}^{n} P(A_i)P(B|A_i) P(B)=i=1∑nP(Ai)P(B∣Ai)
贝叶斯公式
P ( A i ∣ B ) = P ( A i ) P ( B ∣ A i ) ∑ j = 1 n P ( A j ) P ( B ∣ A j ) 以 上 两 公 式 中 , A i 与 A j 互 斥 , 且 ∑ i = 1 n A i = 1 P(A_i|B) = \frac{P(A_i)P(B|A_i)}{\sum_{j=1}^{n}P(A_j)P(B|A_j)} \\ 以上两公式中,A_i 与 A_j 互斥,且 \sum_{i=1}^n A_i=1 P(Ai∣B)=∑j=1nP(Aj)P(B∣Aj)P(Ai)P(B∣Ai)以上两公式中,Ai与Aj互斥,且i=1∑nAi=1
事件独立
当 P ( A ) 与 P ( B ) P(A) 与 P(B) P(A)与P(B) 独立时, P ( A B ) = P ( A ) P ( B ) P(AB) = P(A) P(B) P(AB)=P(A)P(B)。
各类分布
平均分布
f ( x ) = 1 b − a f(x) = \frac{1}{b-a} f(x)=b−a1
正泰分布(Gauss分布)
- 概率密度函数
f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x)=2πσ1e−2σ2(x−μ)2 - 概率分布函数
F ( x ) = ∫ − ∞ ∞ f ( x ) d x = ∫ − ∞ ∞ 1 2 π σ e − ( x − μ ) 2 2 σ 2 d x F(x) = \int_{-\infty}^{\infty}f(x)dx = \int_{-\infty}^{\infty}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx F(x)=∫−∞∞f(x)dx=∫−∞∞2πσ1e−2σ2(x−μ)2dx
数学期望 E(X)
离散型:
E
(
X
)
=
∑
1
∞
x
k
p
k
E(X) = \sum_{1}^{\infty}x_kp_k
E(X)=1∑∞xkpk
连续型:
E
(
X
)
=
∫
−
∞
∞
x
f
(
x
)
d
x
E(X) = \int_{-\infty}^{\infty}xf(x)dx
E(X)=∫−∞∞xf(x)dx