《概率论与数理统计》笔记
来自个人维基
概率论与数理统计,是研究随机现象所具有的统计规律性的数学学科。
目录 |
事件的概率
条件概率
A已发生的条件下,B的概率:
- [math]P(B|A)=\frac{P(AB)}{P(A)}[/math]
另有:
- [math]P(\bar{B}|A)=1-\frac{P(AB)}{P(A)}[/math]
乘法公式
- [math]P(AB)=P(B|A)P(A)[/math]
- 若 P(AB)=P(A)P(B),则称事件A和事件B相互独立。
随机变量
设随机试验的样本空间为[math]S[/math],对于试验的每一个结果[math]w ∈ S[/math],[math]X[/math]都有一个指定的实数[math]X=X(w)[/math]与之对应,则称[math]X[/math]为随机变量。
离散型随机变量
设试验[math]E[/math]只有两个可能的结果[math]A[/math]和[math]\bar{A}[/math],记[math]P(A)=p (0 \lt p \lt 1)[/math],则称[math]E[/math]是一个伯努利试验。
二项分布
- [math]X[/math]是 [math]n[/math]重伯努利试验中,事件[math]A[/math]发生的次数,则[math]X[/math]具有分布率(发生[math]k[/math]次):
- [math]P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}, (k=0,1,2,3...n)[/math]
- 则称为[math]X[/math]服从以[math]n,p[/math]为参数的的二项分布,记为[math]X \sim B(n,p)[/math].
泊松(Poisson)分布
- 设随机变量[math]X[/math]的分布律为
- [math]P(X=k)=\frac{\lambda^ke^{-\lambda}}{k!}, (k=0,1,2,3,...)[/math]
- 其中[math]\lambda[/math]为常数,则称随机变量[math]X[/math]服从以[math]\lambda[/math]为参数的泊松分布,记为[math]X \sim \pi(\lambda)[/math].
连续型随机变量
设[math]X[/math]是随机变量,如果存在在整个实数轴上的可积函数[math]f(x)[/math],满足:
- (1) [math]f(x)\ge0[/math], 其中[math](-\infty\lt x\lt +\infty)[/math]
- (2) [math]\int_{-\infty}^{+\infty}f(x)=1[/math]
- (3) [math]P\{a \le X \le b\}=\int_{a}^{b}f(x)dx[/math]
则称[math]X[/math]是连续型随机变量,而[math]f(x)[/math]称为[math]X[/math]的概率密度函数,简称概率密度。
均匀分布
- 设连续型随机变量[math]X[/math]具有概率密码函数,
- [math]f(x) = \begin{cases} \frac{1}{b-a} &(a\lt x\lt b) \\ 0 &(其他) \end{cases} [/math]
- 则称[math]X[/math]在区间[math](a, b)[/math]上服从均匀分布,记为[math]X \sim U(a, b)[/math].
指数分布
- 设连续型随机变量[math]X[/math]具有概率密码函数,
- [math]f(x) = \begin{cases} \frac{1}{\beta}e^{\frac {-x}{\beta}} &(x\gt 0) \\ 0 &(其他) \end{cases} [/math]
- 其中[math]\beta \gt 0[/math]为常数,则称[math]X[/math]服从以[math]\beta[/math]为参数的指数分布,记为[math]X \sim E(\beta)[/math].
正态分布/高斯分布
- 设连续型随机变量[math]X[/math]具有概率密码函数,
- [math]f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{\frac{-(x-u)^2}{2\sigma^2}} (-\infty\lt x\lt +\infty)[/math]
- 其中[math]u, \sigma[/math]为常数,则称[math]X[/math]服从以[math]u, \sigma[/math]为参数的正态分布,又称高斯分布,记为[math]X \sim N(u,\sigma^2)[/math].