概率论-个人向使用

YiYo832

已于 2024-06-23 16:35:39 修改

阅读量307

点赞数 3

分类专栏： XJTUSE-大二下文章标签：概率论

于 2024-06-21 22:37:45 首次发布

本文链接：https://blog.csdn.net/weixin_64112516/article/details/139870942

版权

XJTUSE-大二下同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

个人向

4 篇文章 4 订阅

订阅专栏

记录一些基本的公式和概念，不能作为学习概率论的教程。

供个人使用

使用教材：概率论与数理统计教材【西安交通大学出版】

参考链接：Statistics-note/概率论与数理统计笔记

第一章

1.1 随机事件

必然事件（ $\Omega$ ）：在试验中⼀定会发⽣的事件。

不可能事件（ $\phi$ ）：在试验中不可能发⽣的事件。

概率为0不一定为不可能事件。

事件的运算

子事件
事件的和、差、积
对立事件
De Morgan対偶法则

1.2 概率

古典概率计算

高中学习的排列组合....

1.3 各种概念&公式

条件概率

$P(A|B)=\frac{P(AB)}{P(B)}$

$P(A_1 A_2 ...A_n)=P(A_1)P(A_2|A_1)...P(A_n|A_1...A_{n-1})$

全概率

$P(A)=\sum_{i=1}^{n}P(A|B_i)P(B_i)$

Bayes公式

$P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\sum_{j=1}^{n}P(A|B_j)P(B_j)}$

1.4 事件的独⽴性

$P(\widetilde{A}_1\widetilde{A}_2...\widetilde{A}_n)=P(\widetilde{A}_1)...P(\widetilde{A}_n)$

第二章

2.1 一维随机变量

离散型

二项分布

$P(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,...,n$

泊松分布

$P(X=i)=\frac{\lambda^i}{i!}e^{-\lambda},\quad i=0,1,2,...,\quad\lambda>0$

二项分布当n足够大的时候，可以近似为泊松分布， $\lambda = np$

超几何分布

$P(X=k)=\frac{\binom{k}{M}\binom{m-k}{N-M}}{\binom{n}{N}}$

连续型

正态分布

$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},\quad -\infty<x<+\infty$

指数分布

$f(x)= \begin{cases} \lambda e^{-\lambda x}& x>0 \\ 0& x\leq 0 \end{cases} =\lambda e^{-\lambda x}I_{(0,\infty)}(x)$

指数分布具有无记忆性的特点

均匀分布

$f(x)= \begin{cases} \frac{1}{b-a}& a\leq x\leq b \\ 0& else \end{cases} =\frac{1}{b-a}I_{(a,b)}(x)$

2.2 二维随机变量

联合分布律，边缘分布率...

二维正态分布，二维均匀分布

2.3 条件变量

离散型变量

$P(X=x_i|Y=y_j)=\frac{P(X=x_i,Y=y_j)}{P(Y=y_j)}=\frac{p_{ij}}{p_{\cdot j}},\quad i=1,2,...$

$P(Y=y_i|X=x_j)=\frac{P(X=x_i,Y=y_j)}{P(X=x_j)}=\frac{p_{ij}}{p_{i\cdot}},\quad j=1,2,...$

连续型变量

$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}, \quad f_Y(y)>0.\\$

$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}, \quad f_X(x)>0.\\$

2.4 随机变量的相互独立性

2.5 随机变量函数的概率分布

离散型变量

$P(Y=y_j)=P(g(X)=y_j)=\sum_{x_i:g(x_i)=y_j}P(X=x_i)=\sum_{i:g(x_i)=y_j}p_i$

连续型变量

1个变量的情况：

$l(y)=f(h(y))|h'(y)|.$

多个变量的情况：

$Y_1=g_1(X_1,X_2),\quad Y_2=g_2(X_1,X_2),$

$X_1=h_1(Y_1,Y_2),\quad X_2=h_2(Y_1,Y_2)$

$J(y_1,y_2)=\begin{vmatrix} \partial h_1/\partial y_1&\partial h_1/\partial y_2 \\ \partial h_2/\partial y_1&\partial h_2/ \partial y_2 \end{vmatrix}$

$P((Y_1,Y_2)\in A)=P((X_1,X_2)\in B)=\iint_Bf(x_1,x_2)dx_1dx_2\\ P((Y_1,Y_2)\in A)=\iint_Af(h_1(y_1,y_2),h_2(y_1,y_2))|J(y_1,y_2)|dy_1dy_2$

1.随机变量和的密度函数 Y=X1+X2

$l(y)=\int_{-\infty}^\infty f(x_1,y-x_1)dx_1=\int_{-\infty}^\infty f(x,y-x)dx$

2.随机变量商的密度函数 Y=X2/X1

$l(y)=\int_{0}^\infty x_1f(x_1,x_1y)dx_1$

3.max{X1,X2,...} 和 min{X1,X2,X3} 的分布

第四章

4.1 数学期望

离散型数学期望： $E(X)=\sum^\infty_{i=1}a_ip_i$

连续型数学期望： $E(X)=\int_{-\infty}^\infty xf(x)dx$

数学期望的性质：

1.线性性质（不写了

2.若干个独立随机变量之积的期望等于各变量的期望之积，即 $E(X_1X_2...X_n)=E(X_1)E(X_2)...E(X_n)$

4.2 方差

$Var(X)=E(X-EX)^2=E(X^2)-E(X)^2$

方差的性质：

4.3 协方差，相关系数和矩

协方差

$Cov(X,Y) = E\{[X-E(X)][Y-E(Y)]\}=E(XY)-E(X)E(Y)$

矩

原点矩

$a_k=E(X^k)$

中心矩

$\mu_k=E[(X-EX)^k]$

3.4 协方差矩阵

第五章

5.1 大数定理

设 $X_1,X_2,...,X_n,...$ 是独立同分布的随机变量，记它们的公共均值为a.又设它们的方差存在并记为 $\sigma^2$ .则对任意给定的 $\varepsilon$ >0，有 $lim_{n\rightarrow\infty}P(|\bar{X}n-a|\geq \varepsilon )=0$

5.2 中心极限定理

核心公式如下：

$lim_{n\rightarrow \infty}P(\frac{1}{\sqrt{np(1-p)}}(X_1+...+X_n-np)\leq x)=\Phi(x)$

第六章

6.1 总体和样本

在一个统计问题里，研究对象的全体叫做总体，构成总体的每个成员称为个体。根据个体的数量指标数量，定义总体的维度，如每个个体只有一个数量指标，总体就是一维的，同理，个体有两个数量指标，总体就是二维的。总体就是一个分布，数量指标就是服从这个分布的随机变量。

假设个变量是相互独立的，则有如下公式：

$F(x_1,x_2,...,x_n)=\prod^n_{i=1}F(x_i),\\ f(x_1,x_2,...,x_n)=\prod^n_{i=1}f(x_i),\\ p(x_1,x_2,...,x_n)=\prod^n_{i=1}p(x_i)$

6.2 常用的统计量

有如下常用统计量：

样本均值

样本方差：

$s^2=\frac{1}{n-1}\sum(x_i-\bar{x})^2=\frac{1}{n-1}[\sum x_i^2-\frac{(\sum x_i)^2}{n}]=\frac{1}{n-1}(\sum x_i^2-n\bar{x}^2)$

k阶原点矩

k阶中心距

p位数:

$m_{p}=\left\{\begin{matrix} x_{[np+1]} & np\ is \ int\\ \frac{1}{2}(x_{(np)} + x_{(np+1)}) & np \ is \ not \ int \end{matrix}\right.$

次序统计量

$x_{(1)}=min{x_1,...,x_n}$ 称为该样本的最小次序统计量；
$x_{(n)}=max{x_1,...,x_n}$ 称为该样本的最大次序统计量；

常见性质：

如果总体X的方差和均值均存在，则有如下性质：

$E(\bar{X})=\mu$
$D(\bar{X})=\frac{\sigma^2}{n}$
$E(S^2)=\sigma^2$

6.3 几大分布（重点公式）

$\Gamma$ 函数

$\Gamma(x)=\int_0^\infty e^{-t}t^{x-1}dt\quad (x>0)$

卡方分布

$k_n(x)=\frac{1}{\Gamma(\frac{n}{2}2^{n/2})}e^{-x/2}x^{(n-2)/2}I_{(0,\infty)}(x)$

性质（记住）

T分布

$t_n(y)=\frac{\Gamma((n+1)/2)}{\sqrt{n\pi}\Gamma(n/2)}(1+\frac{y^2}{n})^{(\frac{n+1}{2})}$

性质（记住）

F分布

$f_{mn}(y)=m^{m/2}n^{n/2}\frac{\Gamma(\frac{m+n}{2})}{\Gamma(\frac{m}{2})\Gamma(\frac{n}{2})}y^{m/2-1}(my+n)^{-(m+n)/2}\quad (y>0)$

性质（记住）

设 $X_1,X_2$ 独立， $X_1\sim\chi_n^2,X_2\sim\chi_m^2$ ，而 $Y=m^{-1}X_2/(n^{-1}X_1)$ ，则 $Y\sim F_{mn}$

其他重要性质

1.设 $X_1,...,X_n$ 独立同分布，有公共的正态分布 $N(\mu,\sigma^2)$ .记 $\bar{X}=(X_1+...+X_n),S^2=\sum{i=1}^{n}(X_i-\bar(X))^2/(n-1)$ .则 $(n-1)S^2/\sigma^2=\sum{i=1}^{n}(X_i-\bar{X})^2/\sigma^2\sim\chi_{n-1}^{2}$