概率论(probability theotry)是研究随机现象的数量规律的数学分支。
概率论公理化结构
历史背景:早期的经验定义,多数为古典概型,等可能性假设,事件结果有限性---------> 局限性:几何概率的计算,等可能性假设有循环定义之嫌,基本概念的明确定义;
提出:1933,前苏联数学家 科尔莫戈罗夫
样本点:随机试验的结果;抽象化概念,ω看作抽象的点,它们全体构成样本空间Ω.
注:在这种定义下,样本点不一定是事件(考虑几何概型)
在样本空间Ω给定的情况下,总有些事件必须作为事件来处理,但是它们未必满足σ域的要求,怎么办??
下证:若给定Ω的一个非空集类r,必定存在唯一的一个Ω上的σ域m(r),具有性质:1)包含r 2)若有其他σ域包含r,则必包含m(r).
这个m(r)称为包含r的最小σ域,也称由r产生的σ域.
注:(证明思路:一切子集构成的集合族显然包含r,取包含r的σ 域之交作为m(r)
由事件域的选取引入博雷尔点集:
【一维博雷尔点集】
我们记R1记数直线或实数全体,并称一切形如[a,b)的左闭右开区间构成的集类所产生的σ域为一维博雷尔σ域,记为β1
若x,y为任意实数,由于
$$
\begin{eqnarray*}
\{x\}&=&\bigcap_{i=0}^{∞} [x,x+\frac{1}{n})\\(x,y)&=&[x,y)-\{x\}\\ [x,y]&=&[x,y)+\{y\}\\(x,y]&=&[x,y)+\{y\}-\{x\}
\end{eqnarray*}
$$
β1中包含一切开区间,闭区间,单个实数,可列个实数,以及经他们可列次逆、并、交运算而得出的集合。
【n维博雷尔点集】
概率的严格化定义:
定义在事件域上F的一个集合函数P称为概率,如果它满足一下三个要求: -
(i) 对一切A∈F,P(A)≥0; ---------非负性
(ii) P(Ω)=1; ---------规范性
(iii) 若Ai∈F,i=1,2…且两两互不相容,则\[P(\sum_{i=0} ^{\infty} A_{i}=\sum_{i=1}^{∞}P(A_{i}) \qquad\]---------可列可加性或完全可加性
性质1 不可能事件概率为0,即P(Ø)=0.
性质2 概率具有有限可加性.
性质3 对任何事件A有$P(\bar{A})=1-P(A)$
性质4 如果${A}\supset{B},则P(A-B)=P(A)- P(B)$
性质5 $P({A}\cup{B})=P(A)+P(B)-P(AB).$
推论:
$(布尔不等式) {P({A}\cup{B})}\leq{P(A)+P(B)}$
$(Bonferroni不等式){P(AB)}\geq{P(A)+P(B)-1}$
性质6 一般加法公式 : 若$A_1,A_2,...,A_n$为n个事件,则
\[P({A_1}\cup{A_2}\cup{\dots}\cup{A_n})=\sum _{i=1,\dots,n}P(A_i)-\sum _{\substack{i<j\\i,j=1,...n}}P(A_iA_j)+\sum _{\substack{i<j<k\\i,j=1,\dots,n}}P(A_iA_jA_k)-...+(-1)^{n-1}P(A_1A_2...A_n)\]
高尔顿板
排列组合公式:
牛顿二项式
条件概率:
定义:设$(\Omega,\mathcal{F},P)$是一个概率空间,$B\in\mathcal{F}4,而且P(B)>0,则对任意$A\in\mathcal{F}$,记$P(A | B)=\frac{P(AB)}{P(B)}$
并称P(A | B)为事件B发生的条件下事件A发生的条件概率(conditional probability)
由以上公式得到${P(AB)}={P(B)P(A | B)} $ 称为乘法公式或乘法定理
性质:
(i)${P(A | B)}\geq{0};$
(ii)$P(\Omega |B)=1;$
(iii)$P(\sum_{i=1}^{\infty}{A_{i} | B}=\sum_{i=1}^{\infty}{P(A_{i} | B)}.$
[例](波利亚坛子模型)
全概率公式:
设事件A1,A2,...An,...是样本空间Ω的一个分割,亦称完备事件组,即Ai(i=1,2...n,...)两两不相容,而且
\[\sum_{i=1}^{\infty}{A_i}=Ω\] 这样一来,\[B=\sum_{i=1}^{\infty}{A_{i}B}\]
\[\longrightarrow P(B)=\sum_{i=1}^{\infty}{P(A_{i})B}\] ($A_{i}$B互不相容,概率完全可加性)
\[\longrightarrow P(B)=\sum_{i=1}^{\infty}{{P(A_i)}P(B |A_i)} \] (乘法公式)
贝叶斯公式(Bayes):
定义:若事件A能且只能与两两互不相容的事件A1,A2,...,An,...之一同时发生,即
\[ B=\sum_{i=1}^{\infty}{BA_i}\]
由于
\[P(A_{i}B)=P(B)P(A_{i} | B)=P(A_i)P(B | A_i)\]
故\[P(A_{i} |B)=\frac{P(A_i)P(B|A_i)}{P(B)}\]
再利用全概率公式即得\[P(A_i |B)=\frac{P(A_i)P(B|A_i)}{\sum_{j=1}^{\infty}{P(A_i)P(B|A_j)}}\]
这个公式称为 贝叶斯公式
我们假定A1,A2,...是导致实验结果的“原因” P(Ai)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这次试验前已经知道,现若产生了事件B,这个信息将有助于探讨事件发生的原因.
条件概率P(Ai | B)称为后验概率,它反映了试验之后都各种“原因”发生的可能性大小的新知识.
统计独立性:
事件独立性:
两个事件的独立性:对事件A及B,若\[P(AB)=P(A)P(B)\],则称它们是统计独立的,简称 独立的(independent).
三个事件的独立性:\[\left. {P(AB)=P(A)P(B) \\ P(BC)=P(B)P(C) \\ P(AC)=P(A)P(C)\\} \right \} (*) \\P(ABC)=P(A)P(B)P(C)\]
\[f(x)=\left\{ \begin{aligned} x & = & \cos(t) \\ y & = & \sin(t) \\ z & = & \frac xy \end{aligned} \right. \]
试验独立性:
~随机变量 随机向量独立性 随机变量的函数的独立性
伯努利概型及 其中的分布:
1.伯努利分布:
2.二项分布:
3.几何分布:
4.帕斯卡分布: (巴拿赫火柴盒问题)(分赌注问题)
推广:负二项分布
直线上的随机游动:
1.无限制:
2.有吸收壁:
伯努利试验推广与多项分布:
二项分布与泊松分布:
三 随机变量与分布函数:
分布函数 密度函数
离散型随机变量:
连续型随机变量:
正态分布: 标准正态分布
指数分布:
埃尔朗分布:
随机向量:
边际分布:
条件分布:
随机向量的函数的分布律推导公式(点击链接):
https://wenku.baidu.com/view/23868639376baf1ffc4fad49.html
贝特朗奇论:
伽马函数相关(点击链接)
Г函数(点击链接)
Г分布:
卡方分布:
常见分布的数学期望和方差:
1.离散型:
伯努利分布
二项分布的方差推导(点击查看链接)
泊松分布的期望和方差(链接)
几何分布:
2.连续性场合:
正态分布:
指数分布:
柯西分布:
统一::引进分布 用斯蒂尔切斯积分(Stieltjes)统一化
随机变量函数的数学期望
佚名统计数学家公式
数学期望的基本性质:
方差的基本性质:
切比雪夫不等式
协方差与相关系数:
柯西施瓦茨不等式:
矩: