浙大第四版概率论与数理统计知识点总结.docx
《浙大第四版概率论与数理统计知识点总结.docx》由会员分享,可在线阅读,更多相关《浙大第四版概率论与数理统计知识点总结.docx(50页珍藏版)》请在冰豆网上搜索。
浙大第四版概率论与数理统计知识点总结
第1章随机事件及其概率
(1)排列组合公式
P;m!
从m个人中挑出n个人进行排列的可能数
(mn)!
cmm!
从m个人中挑出n个人进行组合的可能数
n!
(mn)!
(2)加法和乘法原理
加法原理(两种方法均能完成此事):
m+n
某件事由两种方法来完成,第一种方法可由m种方法完成,第二种
方法可由n种方法来完成,则这件事可由m+n种方法来完成。
乘法原理(两个步骤分别不能完成这件事):
mxn某件事由两个步骤来完成,第一个步骤可由m种方法完成,第二个
步骤可由n种方法来完成,则这件事可由mxn种方法来完成。
(3)一些常见排列
重复排列和非重复排列(有序)对立事件(至少有一个)
顺序冋题
(4)随机试验和随机事件
如果一个试验在相同条件下可以重复进行,而每次试验的可能结果不止一个,但在进行一次试验之前却不能断言它出现哪个结果,则称这种试验为随机试验。
试验的可能结果称为随机事件。
(5)基本事件、样本空间和事件
在一个试验下,不管事件有多少个,总可以从其中找出这样一组事件,它具有如下性质:
1每进行一次试验,必须发生且只能发生这一组中的一个事件;
2任何事件,都是由这一组中的部分事件组成的。
这样一组事件中的每一个事件称为基本事件,用来表示。
基本事件的全体,称为试验的样本空间,用表示。
一个事件就是由中的部分点(基本事件)组成的集合。
通常用
大写字母A,B,C,…表示事件,它们是的子集。
为必然事件,?
为不可能事件。
不可能事件(?
)的概率为零,而概率为零的事件不一定是不可能事件;同理,必然事件(Q)的概率为1,而概率为1的事件也不一定是必然事件。
(6)事件的关系与运算
①关系:
如果事件A的组成部分也是事件B的组成部分,(A发生必有事件
B发生):
AB
如果同时有AB,BA,则称事件A与事件B等价,或称A等于B:
A=B
A、B中至少有一个发生的事件:
AB,或者A+B。
属于A而不属于B的部分所构成的事件,称为A与B的差,记为
A-B,也可表示为A-AB或者AB,它表示A发生而B不发生的事件。
AB同时发生:
AB,或者ABAB=?
,则表示A与B不可能同时发生,称事件A与事件B互不相谷或者互斥。
基本事件疋互不相容的。
-A称为事件A的逆事件,或称A的对立事件,记为A。
它表示A不发生的事件。
互斥未必对立。
②运算:
结合率:
A(BC)=(AB)CAU(BUC)=(AUB)UC
分配率:
(AB)UC=(AUC)A(BUC)(AUB)AC=(AC)U(BC)
Ai瓦
德摩根率:
i1i1ABAB,ABAB
(7)概率的公理化定义
设为样本空间,A为事件,对每一个事件A都有一个实数P(A),若满足下列三个条件:
1°0
2°P(Q)=1
3°对于两两互不相容的事件A1,A,…有
PAiP(Ai)
i1i1
常称为可列(完全)可加性。
则称P(A)为事件A的概率。
(8)古典概型
11,2n,
1
2°P
(1)P
(2)P(n)—。
n
设任一事件A,它是由1,2m组成的,则有
P(A)=
(1)
(2)(m)=P
(1)P
(2)P(m)
mA所包含的基本事件数
n基本事件总数
(9)几何概型
若随机试验的结果为无限不可数并且每个结果出现的可能性均匀,同时样本空间中的每一个基本事件可以使用一个有界区域来描述,则称此随机试验为几何概型。
对任一事件A,
P(A)。
其中L为几何度量(长度、面积、体积)。
L()
(10)加
法公式
P(A+B)=P(A)+P(B)-P(AB)
当P(AB)=0时,P(A+B)=P(A)+P(B)
(11)减法公式
P(A-B)=P(A)-P(AB)
当BA时,P(A-B)=P(A)-P(B)
当A=Q时,P(B)=1-P(B)
(12)条
件概率
定义设AB是两个事件,且P(A)>0,则称fiAB)为事件A发生条
P(A)
件下,事件B发生的条件概率,记为P(B/A)旦AB2。
P(A)
条件概率是概率的一种,所有概率的性质都适合于条件概率。
例如P(Q/B)=1P(B/A)=1-P(B/A)
(13)乘法公式
乘法公式:
P(AB)P(A)P(B/A)
更一般地,对事件A,A,…A,若P(AA…A-1)>0,则有
P(A1A2…An)P(A1)P(A2|A1)P(A3|A1A2)P(An|A1A2…
An1)0
(14)独
立性
1两个事件的独立性
设事件A、B满足P(AB)P(A)P(B),则称事件A、B是相互独立的。
若事件A、B相互独立,且P(A)0,则有
P(B|A)P(AB)P(A)P(B)P(B)
P(A)P(A)
若事件A、B相互独立,则可得到A与B、A与B、A与B也都相互独立。
必然事件和不可能事件?
与任何事件都相互独立。
?
与任何事件都互斥。
2多个事件的独立性
设ABC是三个事件,如果满足两两独立的条件,
P(AB)=P(A)P(B);P(BC)=P(B)P(C);P(CA)=P(C)P(A)并且同时满足P(ABC)=P(A)P(B)P(C)
那么A、B、C相互独立。
对于n个事件类似。
(15)全
概公式
设事件B1,B2,,Bn满足
1°B1,B2,,Bn两两互不相容,P(Bi)0(|1,2,,n),
n
ABi
2°i1,(分类讨论的
则有
P(A)P(B1)P(A|B1)P(B2)P(A|B2)P(Bn)P(A|Bn)。
(16)贝叶斯公式
设事件B1,B2,…,Bn及A满足
1°B1,B2,…,Bn两两互不相容,P(B|)>0,i1,2,…,n,
n
ABi
2°i1,P(A)0,(已经知道结果求原因
贝U
P(Bi/A)n,i=1,2,…n。
P(Bj)P(A/Bj)
ji
此公式即为贝叶斯公式。
P(Bi),(i1,2,…,n),通常叫先验概率。
P(B|/A),(i1,
2,…,n),通常称为后验概率。
贝叶斯公式反映了“因果”的概率规律,并作出了“由果朔因”的推断。
(17)伯努利概型
我们作了n次试验,且满足
每次试验只有两种可能结果,A发生或A不发生;
n次试验是重复进行的,即A发生的概率每次均一样;每次试验是独立的,即每次试验A发生与否与其他次试验A发生与否是互不影响的。
这种试验称为伯努利概型,或称为n重伯努利试验。
用P表示每次试验A发生的概率,则A发生的概率为1pq,用
Pn(k)表示n重伯努利试验中A出现k(0kn)次的概率,
_...—kknk
Pn(k)CnPq,k0,1,2,,n。
第二章随机变量及其分布
(1)离
设离散型随机变量X的可能取值为人(k=1,2,…)且取各个值的
散型随
概率,即事件(X=X)的概率为
机变量
P(X=x<)=pk,k=1,2,…,
的分布
则称上式为离散型随机变量X的概率分布或分布律。
有时也用分
律
布列的形式给出:
X|x1,x2,,xk,
P(Xxk)p1,p2,,pk,。
显然分布律应满足下列条件:
pk1
(1)pk0,k1,2,,
(2)k1。
(2)连
设F(x)是随机变量X的分布函数,若存在非负函数f(x),对任意实
续型随
数x,有
机变量
x
的分布
F(x)f(x)dx
密度
则称X为连续型随机变量。
f(X)称为X的概率密度函数或密度函数,
简称概率密度。
密度函数具有下面4个性质:
1°f(x)0。
of(x)dx1
2。
(3)离散与连续型随机变量的关系
P(Xx)P(xXxdx)f(x)dx
积分元f(x)dx在连续型随机变量理论中所起的作用与P(X在离散型随机变量理论中所起的作用相类似。
xk)pk
(4)分
设X为随机变量,x是任意实数,则函数
布函数
F(x)P(Xx)
称为随机变量X的分布函数,本质上是一个累积函数。
P(aX
b)F(b)F(a)可以得到X落入区间(a,b]的概率。
分布函数F(x)表示随机变量落入区间(-%,x]内的概率。
分布函数具有如下性质:
1°0
F(x)1,x;
2°F(x)是单调不减的函数,即x1X2时,有F(x1)
F(X2);
3°F()limF(x)0,F()limF(x)1;
xx
4°F
(x0)F(x),即F(x)是右连续的;
5°P(Xx)F(x)F(x0)o
对于离散型随机变量,F(x)pk;
xkx
x
对于连续型随机变量,F(x)f(x)dxo
(5)八
大分布
0-1分布
P(X=1)=p,P(X=0)=q
二项分布
在n重贝努里试验中,设事件A发生的概率为p。
事件A
发生的次数是随机变量,设为
X,则X可能取值为
0,1,2,,n。
P(Xk)Pn(k)C:
pkqnk,
其中
q1p,0p1,k0,1,2,,n,
则称随机变量X服从参数为n,
p的二项分布。
记为
X~B(n,p)。
当n1时,P(Xk)pkq1k,
k0.1,这就是(0-1)
分布,所以(0-1)分布是二项分布的特例。
泊松分布
设随机变量X的分布律为
k
P(Xk)—e,0,
k!
k0,1,2,
则称随机变量X服从参数为
的泊松分布,记为
X~()或者P()。
泊松分布为二项分布的极限分布(
np=入,n—x)。
超几何分
布
.一、cM?
CNkMk0,1,2
l
厂1八0)n,
CNlmin(M,n)
随机变量X服从参数为n,N,MH(n,N,M)。
的超几何分布,记为
几何分布
P(Xk)qk1p,k1,2,3,,其中p>0,q=1-p。
随机变量X服从参数为p的几何分布,记为G(p)。
均匀分布
设随机变量X的值只落在[a,b]内,其密度函数f(x)在
[a,b]上为常数
b
-,即
a
1af(x)
ba'
0,
其他,
则称随机变量X在[a,b]上服从均匀分布,记为X~U(a,
b)。
分布函数为
0,xxa
baaF(x)
x
f(x)dx
-1,x>b。
当aX洛在区间(x1,x2)内的概率为
x2
P(x1Xx2)—b
。
a
指数分布
xre,
x0
f(x)
仁
x0
5
其中
0,则称随机变量X服从参数为的指数分
布。
X的分布函数为
厂#x
1e,
x0,
F(x)"
Lo,
x<0。
记住积分公式:
xnexdxn!
0
正态分布
设随机变量X的密度函数为
f(x)
1e22,x,
其中
、
0为常数,则称随机变量X服从参数为
、的正态分布或高斯(Gauss)分布,
记为
X~N(,
2
)。
f(x)具有如下性质:
1°f(x)的图形是关于X对称的;
2°当x
1
时,f()-——为取大值;
2V2
若X~N(
1,
x,则X的分布函数为
F(x)丁
-e2dt
扌2
00
参数0
、
1时的正态分布称为标准正态分布,
记
为X~N(0J),其密度函数记为
(x),-—e
血,x,
分布函数为
xt2
(x)L
e2dto
丁2
(X)是不可求积函数,其函数值,已编制成表可供查用。
①(-x)=1-①(x)且①(0)=-。
女口果X~N(
2),则N(0,1)o
P(x1X
X2)卷x。
(6)分位数
下分位表:
P(X)=
7
上分位表:
P(X)=
0
(7)函
离散型
已知X的分布列为
数分布
x1,x2,,xn,
X
P(X
xi)
p1,p2,,pn,
Yg(X)的分布列(yg(xj互不相等)如下:
Y
g(x1),g(x2),,g(xn),
p(yyi)
xi)相等,则应将对应的Pi相加作为g(Xi)的
若有呆些g(
概率。
连续型
先利用X的概率密度fx(x)写出丫的分布函数F(y)=
P(g(X)⑷。
第三章二维随机变量及其分布
如果二维随机向量(X,Y)的所有可能取值为至多可列
个有序对(x,y),则称为离散型随机量。
设=(X,Y)的所有可能取值为(x「yj)(i,j1,2,),
且事件{=(Xi,yj)}的概率为pj,,称
P{(X,Y)(Xi,yj)}Pj(i,j1,2,)
为=(X,Y)的分布律或称为X和Y的联合分布律。
联合分
(2)Pij1.
ij
连续型
对于二维随机向量(X,Y),如果存在非负函数
f(x,y)(x,y),使对任意一个其邻边
分别平仃于坐标轴的矩形区域D,即D-{(X,Y)|a有
P{(X,Y)D}f(x,y)dxdy,
D
则称为连续型随机向量;并称f(x,y)为=(X,Y)的分布
密度或称为X和Y的联合分布密度。
分布密度f(x,y)具有下面两个性质:
(1)f(x,y)>0;
(2)f(x,y)dxdy1.
(2)二维随机变量的本质
(Xx,Y
y)(Xxyy)
(3)联合
设(X,Y)为二维随机变量,对于任意实数x,y,二元函数
分布函数
F(x,y)P{Xx,Yy}
称为二维随机向量(X,Y)的分布函数,或称为随机变量X和Y的联合分布函
数。
分布函
数是一个以全平面为其定义域,以事件
{(1,2)|
X
(1)x,Y
(2)y}的概率为函数值的一个实值函
数。
分布函数
F(x,y)具有以下的基本性质:
(1)0F(x,y)1;
(2)F(x,y)
分别对x和y是非减的,即
当X2>X1时,有
F(X2,y)>F(X1,y);当护屮时,有F(x,y2)>F(x,y1);
(3)F(x,y)
分别对x和y是右连续的,即
F(x,y)F(x0,y),F(x,y)F(x,y0);
(4)F(,
)F(,y)F(x,)0,F(,)1.
(5)对于x1
X2,y1y2,
F(X2,y2)
F(X2,yjF(X1,y2)Fg,yj0.
(4)离散型与连续型的关系
P(Xx,Y
y)P(xXxdx,yYydy)f(x,y)dxdy
(5)边缘分布
离散型
X的边缘分布为
Pi?
P(XXi)Pij(i,j1,2,);
j
Y的边缘分布为
P?
jP(Yyj)Pij(i,j1,2,)。
i
连续型
X的边缘分布密度为
fx(x)f(x,y)dy;
Y的边缘分布密度为
fY(y)f(x,y)dx.
(6)条件分布
离散型
在已知X=x的条件下,Y取值的条件分布为
Pij
P(Yyj|Xxj丄;
Pi?
在已知Y=y的条件下,X取值的条件分布为
Pij
P(XxJYyj)丄,
P?
j
连续型
在已知Y=y的条件下,X的条件分布密度为
「1、f(x,y)
f(x|y);
fY(y)
在已知X=x的条件下,Y的条件分布密度为
f(y|x)常
fx(X)
(7)独立性
一般型
[F(X,Y)=Fx(x)FY(y)
离散型
PijPi?
P?
j
有零不独立
连续型
f(x,y)=fx(x)fY(y)
直接判断,充要条件:
1可分离变量
2正概率密度区间为矩形
二维正态分布
22
1x12(x1)(y2)y2
12(12)1122
f(x,y):
e,
212
=0
随机变量的
函数
若X1,X2,…XmXm+1,…X相互独立,h,g为连续函数,则:
h(X1,X2,…Xm)和g(Xm+1,…Xn)相互独立。
特例:
若X与Y独立,则:
h(X)和g(Y)独立。
例如:
若X与Y独立,则:
3X+1和5Y-2独立。
(9)二维
设随机向量(X,Y的分布密度函数为
正态分布
1
e
12j12
22
1x12(x1)(y2)y2
f(x,y)
2
2(12)1122
J
其中1,2,
0,20,1
1是5个参数,则称(X,Y)服从二维正态分
布,
记为(X,Y)
〜N(1,2,1,
;,)•
由边缘密度的计算公式,可以推出二
一维正态分布的两个边缘分布仍为正态分
布,
即X〜N(1,
12),Y~N(2,
2).
但是若X〜N(
1,12),Y~N(
22),(X,Y)未必是二维正态分布。
(10)函数
分布
Z=X+Y
根据定义计算:
Fz(z)P(Zz)P(XYz)
对于连续型,fz(z)=f(x,zx)dx
两个独立的正态分布的和仍为正态分布(12,122)。
n个相互独立的正态分布的线性组合,仍服从正态分布。
C
Ti?
i
2c22
2ii
i
Z=max,min(
X1,X2,…Xn)
若X1,X2X
n相互独立,其分布函数分别为
Fx(x),Fx(x)
Fxn(x),则Z=max,min(X1,X2,…Xn)的分布
函数为:
Fmax(x)Fx,(X)?
Fx2(X)Fxn(x)
Fmin(x)1[1
Fx1(x)]?
[1Fx2(x)][1Fxn(x)]
2分布
设n个随机变量Xi,X2,,Xn相互独立,且服从标准正态分
布,可以证明它们的平方和
n
2
WXi
i1
的分布密度为
1n1u
nu2e2u0,
f(u)22n
2
0,u0.
我们称随机变量W服从自由度为n的2分布,记为W-2(n),
其中
nn1
x2edx.
20
所谓自由度是指独立正态随机变量的个数,它是随机变量
分布中的一个重要参数。
2
分布满足可加性:
设
Yi2(nJ,
则
k
2
ZYi~(n1n2nk).
i1
t分布
设X,Y是两个相互独立的随机变量,且
X~N(0,1),Y~2(n),
可以证明函数
T
vY/n
的概率密度为
n1n1
2t2~
f(t)21t(t).
/nn
*n一
2
我们称随机变量T服从自由度为n的t分布,记为T〜t(n)。
t1(n)t(n)
F分布
设X~2(n1),Y~2(n2),且X与Y独立,可以证明
lX/山
F的概率密度函数为
Y/n2
“1“2比叫匕
2E2弓―ni2门
f(y)y1y,y0f(y)n1n2n2n2
22
0,y0
我们称随机变量F服从第一个自由度为n1,第二个自由度为n2
的F分布,记为F〜f(n1,n2).
1
F1(n1,n2)
F(n2,nJ
第四章随机变量的数字特征
(1)
离散型
连续型
一维
期望
设X是离散型随机变量,其分布
设X是连续型随机变量,其概率密
随机
期望就是平均值
度为f(x),
变量
律为p(XXk)=pk,
的数
k=1,2,…,n,
E(X)xf(x)dx
字特
n
征
E(X)XkPk
k1
(要求绝对收敛)
(要求绝对收敛)
函数的期望
Y=g(X)
Y=g(X)
n
E(Y)g(Xk)Pk
k1
E(Y)g(x)f(x)dx
方差
2
D(X)=E[X-E(X)],
D(X)[XkE(X)]2pk
D(X)[xE(X)]2f(x)dx
标准差
k
(X)JD(X),
矩
①对于正整数k,称随机变量X
①对于正整数
k,称随机变量X的
的k次幕的数学期望为X的k
k次幕的数学期望为X的k阶原点
阶原点矩,
记为Vk,即
矩,记为Vk,
即
Vk=E(Xk)=Xikpi,
i
vk=E(Xk)=
xkf(x)dx,
k=1,2,…
k=1,2,