目录
1.随机事件和概率
随机事件a是指可能发生也可能不发生的事件,它有一个发生概率p(a),且该概率值满足如下约束:0<=p(a)<=1
2.条件概率
对于两个相关的随机事件a和b,在事件a发生的条件下事件b发生的概率称为条件概率p(b|a),定义为
p(b|a)=p(a,b)/p(a) (即a和b同时发生的概率与a发生的概率的比值)
如果事件a是因,事件b是果,则概率p(a)称为先验概率。
后验概率定义为:p(a|b)=p(a,b)/p(b)
贝叶斯公式指出:p(a)p(b|a)=p(b)p(a|b) 变形后p(a|b)=p(a)p(b|a)/p(b)
(贝叶斯公式描述了先验概率和后验概率的关系)
如果随机事件a和b独立,则有p(a,b)=p(a)p(b)
如果n个随机事件相互独立,则它们同时发生的概率等于各自发生的概率的乘积:
3.随机变量
随机变量是取值有多个可能并且取每个值都有一个概率的变量。
他们分为离散型和连续型。
离散型随机变量:有限个/无限可列个(如整数集是无限可列个)
连续性随机变量:无限不可列个(如实数集)
描述离散型随机变量的分布情况的工具是概率质量函数,它由随机变量取每个值的概率
依次排列组成。它满足
把概率质量函数推广到无限情况,就可以得到连续性随机变量的概率密度函数。
概率密度函数:(积分值为1对应于取各个值得概率之和为1)
分布函数: (F(x)为增函数,最大值为1)
正态分布(高斯分布)的概率密度函数:
(其中和
分别为均值和方差)
均匀分布:随机变量x服从[a,b]的均匀分布的概率密度函数为
伯努利分布:变量取值只能是0和1,则p(x=1)=p,p(x=0)=1-p (p为[0,1]的一个实数)
4.数学期望与方差
数学期望是加权平均值的抽象,是随机变量在概率意义下的均值。
方差反应的是随机变量取值变化的程度,方差越小,随机变量的变化幅度越小,反之越大。
5.随机向量
随机向量x是一个向量,他的每个分量都是随机变量。(随机向量分为离散型和连续型)
描述离散型随机向量分布的联合概率质量函数:
对于二维离散型随机向量,这是一个二维表:
描述连续型随机向量的是联合概率密度函数,这是一个多元函数。
如果是二位随机变量,则其联合概率密度函数满足:
6.最大似然估计法
设是来自总体X的样本,
是样本值,
是待估参数。
最大似然估计构造一个似然函数,通过让似然函数最大化求解出。
最大似然函数估计的直观解释是,寻求一组参数,使给定的样本集出现的概率最大。
假设样本服从的概率密度函数为p(x;),其中,x为随机变量,
为要估计的参数。给定一组样本
,i=1,2,...,l,它们都服从这种分布,并且相互独立。
最大似然估计构造如下似然函数:
(其中,是已知量,这是一个关于
的函数,要让该函数的值最大化,这样做的依据是这组样本发生了,应该最大化它们发生的概率,即似然函数。)
这就是求解最优化问题:
乘积求导不易处理,因此对该函数取对数,得到对数似然函数:
最后要求解问题为