完整版概率论与数理统计知识点总结可编辑修改word版.docx

上传人:b****1 文档编号:1345427 上传时间:2023-04-30 格式:DOCX 页数:25 大小:42.05KB
下载 相关 举报
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第1页
第1页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第2页
第2页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第3页
第3页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第4页
第4页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第5页
第5页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第6页
第6页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第7页
第7页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第8页
第8页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第9页
第9页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第10页
第10页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第11页
第11页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第12页
第12页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第13页
第13页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第14页
第14页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第15页
第15页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第16页
第16页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第17页
第17页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第18页
第18页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第19页
第19页 / 共25页
完整版概率论与数理统计知识点总结可编辑修改word版.docx_第20页
第20页 / 共25页
亲,该文档总共25页,到这儿已超出免费预览范围,如果喜欢就下载吧!
下载资源
资源描述

完整版概率论与数理统计知识点总结可编辑修改word版.docx

《完整版概率论与数理统计知识点总结可编辑修改word版.docx》由会员分享,可在线阅读,更多相关《完整版概率论与数理统计知识点总结可编辑修改word版.docx(25页珍藏版)》请在冰点文库上搜索。

完整版概率论与数理统计知识点总结可编辑修改word版.docx

完整版概率论与数理统计知识点总结可编辑修改word版

第1章随机事件及其概率

(1)随

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

机试验

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

和随机

称这种试验为随机试验。

事件

试验的可能结果称为随机事件。

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)基

②任何事件,都是由这一组中的部分事件组成的。

本事

这样一组事件中的每一个事件称为基本事件,用来表示。

件、样

基本事件的全体,称为试验的样本空间,用Ω表示。

本空间

一个事件就是由Ω中的部分点(基本事件)组成的集合。

通常用大

和事件

写字母A,B,C,…表示事件,它们是Ω的子集。

Ω为必然事件,Ø为不可能事件。

不可能事件(Ø)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(Ω)的概率为1,而概率为1的事件也不一

定是必然事件。

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

(3)事

发生):

A⊂B

件的关

如果同时有A⊂B,B⊃A,则称事件A与事件B等价,或称A等于B:

系与运

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。

A、B同时发生:

AB,或者AB。

AB=Ø,则表示A与B不可能同时发生,称事件A与事件B互不相容或者互斥。

基本事件是互不相容的。

Ω-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)CA∪(B∪C)=(A∪B)∪C

分配率:

(AB)∪C=(A∪C)∩(B∪C)(A∪B)∩C=(AC)∪(BC)

 

∞∞

德摩根率:

Ai=Ai,

i=1i=1AB=ABAB=AB

(4)概率的公理化定义

设Ω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≤P(A)≤1,

2°P(Ω)=1

3°对于两两互不相容的事件A1,A2,…有

⎛∞⎫∞

PçAi⎪=∑P(Ai)

⎝i=1⎭i=1

则称P(A)为事件A的概率。

(5)古典概型

1°Ω={1,2n},

2°P()=P()=P()=1。

12nn

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)

=m=A所包含的基本事件数n基本事件总数

(6)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)=L(A)。

其中L为几何度量(长度、面积、体积)。

L(Ω)

(7)加法公式

P(A+B)=P(A)+P(B)-P(AB)

当AB不相容P(AB)=0时,P(A+B)=P(A)+P(B)

当AB独立,P(AB)=P(A)P(B),P(A+B)=P(A)+P(B)-P(A)P(B)

(8)减法公式

P(A-B)=P(A)-P(AB)

当B⊂A时,P(A-B)=P(A)-P(B)当A=Ω时,P(B)=1-P(B)

(9)条件概率

定义设A、B是两个事件,且P(A)>0,则称P(AB)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)=P(AB)。

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(Ω/B)=1⇒P(B/A)=1-P(B/A)

(10)乘法公

乘法公式:

P(AB)=P(A)P(B/A)

更一般地,对事件A1,A2,…An,若P(A1A2…An-1)>0,则有

P(A1A2…An)=P(A1)P(A2|A1)P(A3|A1A2)……P(An|A1A2…An-1)。

 

(11)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Ω和不可能事件Ø与任何事件都相互独立。

Ø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。

 

(12)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(i=1,2,,n),

n

A⊂Bi

2°i=1,

则有

P(A)=P(B1)P(A|B1)+P(B2)P(A|B2)++P(Bn)P(A|Bn)。

全概率公式解决的是多个原因造成的结果问题,全概率公式的题型:

将试验可看成分为两步做,如果要求第二步某事件的概率,就用全概率公式;

 

(13)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(Bi)>0,i=1,2,…,n,

n

A⊂Bi

2°i=1,P(A)>0,

P(B/A)=P(Bi)P(A/Bi),i=1,2,…n。

in

∑P(Bj)P(A/Bj)

j=1

此公式即为贝叶斯公式。

P(Bi),(i=1,2,…,n),通常叫先验概率。

P(Bi/A),(i=1,2,…,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。

将试验可看成分为两步做,如果求

在第二步某事件发生条件下第一步某事件的概率,就用贝叶斯公式。

(14)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1-p=q,用Pn(k)

表示n重伯努利试验中A出现k(0≤k≤n)次的概率,

Pn(k)=Ckpkqn-kk=0,1,2,,n

n,。

 

第二章随机变量及其分布

(1)

设离散型随机变量X的可能取值为Xk(k=1,2,…)且取各个值的概率,即事件(X=Xk)的概率为P(X=xk)=pk,k=1,2,…,

则称上式为离散型随机变量X的概率分布或分布律。

有时也用分布列的形式给出:

X|x1,x2,,xk,

P(X=xk)p1,p2,,pk,。

显然分布律应满足下列条件:

(1)p,,

(2)∑pk=1。

k≥0k=1,2,k=1

离散

型随

机变

量的

分布

(2)

设F(x)是随机变量X的分布函数,若存在非负函数f(x),对任意实数

x,有

x

F(x)=⎰-∞f(x)dx,

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。

+∞

2、⎰-∞f(x)dx=1。

3、P(x

1221⎰x

1

4、P(x=a)=0,a为常数,连续型随机变量取个别值的概率为0

连续

型随

机变

量的

分布

密度

(3)分布函数

设X为随机变量,x是任意实数,则函数F(x)=P(X≤x)

称为随机变量X的分布函数,本质上是一个累积函数。

P(a

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,-∞

2°F(x)是单调不减的函数,即x1

3°F(-∞)=limF(x)=0,F(+∞)=limF(x)=1;

x→-∞x→+∞

4°F(x+0)=F(x),即F(x)是右连续的;

5°P(X=x)=F(x)-F(x-0)。

对于离散型随机变量,F(x)=∑pk;

xk≤x

x

对于连续型随机变量,F(x)=⎰f(x)dx。

-∞

(4)六大分布

0-1分

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(X=k)=Pn(k)=Ckpkqn-k,其中q=1-p,0

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n=1时,P(X=k)=pkq1-k,k=0.1,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(X=k)=e,>0,k=0,1,2,

k!

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=λ,n→∞)。

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1,即

b-a

⎧1,a≤x≤b

f(x)=⎪b-a

⎨⎪其他,

⎩0,

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,x

x-a,

b-aa≤x≤b

x

F(x)=⎰-∞f(x)dx=

1,x>b。

当a≤x1

P(x

12b-a

指数分布

e-x,x≥0,

f(x)=

0,x<0,

其中>0,则称随机变量X服从参数为的指数分布。

F(x)=21

⎰-x∞e-(t2-2)2dt

 

正态分布

设随机变量X的密度函数为

2

1-(x-)

f(x)=e22,-∞

2

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=时,f()=1为最大值;

2

若X~N(,2),则X的分布函数为

参数=0、=1时的正态分布称为标准正态分布,记为

X~N(0,1),其-x2密度函数记为

(x)=1e2

2,-∞

分布函数为

2

1x-t

Φ(x)=⎰e2dt。

2-∞

Φ(x)是不可求积函数,其函数值,已编制成表可供查用。

Φ(-x)=1-Φ(x)且Φ(0)=1。

2

如果X~N(,2),则X-~N(0,1)。

P(x

12ç⎪ç⎪

⎝⎭⎝⎭

(6)分位

下分位表:

P(X≤)=;上分位表:

P(X>)=。

(7)函数

的分

布函数

离散型

已知X的分布列为

Xx1,x2,,xn,,

P(X=xi)p1,p2,,pn,

Y=g(X)的分布列(yi=g(xi)互不相等)如下:

Yg(x1),g(x2),,g(xn),,

P(Y=yi)p1,p2,,pn,

若有某些g(xi)相等,则应将对应的pi相加作为g(xi)的概率。

连续型

先利用X的概率密度fX(x)写出Y的分布函数FY(y)=P(g(X)

≤y),再利用变上下限积分的求导公式求出fY(y)。

Y

X

y1

y2

yj

x1

p11

p12

p1j

x2

p21

p22

p2j

xi

pi1

pij

第三章二维随机变量及其分布

(1)联合分布

离散型

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(xi,yj)(i,j=1,2,),且事

件{=(xi,yj)}的概率为pij,,称

P{(X,Y)=(xi,yj)}=pij(i,j=1,2,)

为=(X,Y)的分布律或称为X和Y的联合分布律。

联合分布有时也用下面的概率分布表来表示:

 

这里pij具有下面两个性质:

(1)pij≥0(i,j=1,2,…);

(2)∑∑pij=1.

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)(-∞

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)dxdy=1.

2联合分布函数

设(X,Y)为二维随机变量,对于任意实数x,y,二元函数

F(x,y)=P{X≤x,Y≤y}

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)|-∞

(1)≤x,-∞

(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)0≤F(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y2>y1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(x+0,y),F(x,y)=F(x,y+0);

(4)F(-∞,-∞)=F(-∞,y)=F(x,-∞)=0,F(+∞,+∞)=1.

(5)对于x1

P(x1

3边缘分布

离散型

X的边缘分布为

Pi∙=P(X=xi)=∑pij(i,j=1,2,);

j

Y的边缘分布为

P∙j=P(Y=yj)=∑pij(i,j=1,2,)。

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.

4条件分布

离散型

在已知X=xi的条件下,Y取值的条件分布为

P(Y=y|X=x)=pij

jip

i∙

在已知Y=yj的条件下,X取值的条件分布为

P(X=x|Y=y)=pij,

ijp

∙j

连续型

在已知Y=y的条件下,X的条件分布密度为

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)=f(x,y)

fX(x)

5独立性

一般型

F(X,Y)=FX(x)FY(y)

离散型

pij=pi∙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

1⎡⎛x-⎫22(x-)(y-)⎛y-⎫2⎤

-⎢ç1⎪-12+ç2⎪⎥

f(x,y)=1e2(1-2)⎢⎝1⎭12⎝2⎭⎥,

⎣⎦

21-2

12

=0

随机变量的函数

若X1,X2,…Xm,Xm+1,…Xn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。

6二维均匀分布

设随机向量(X,Y)的分布密度函数为

⎧1(x,y)∈D

⎪S

f(x,y)=⎪D

⎪0,其他

其中SD为区域D的面积,则称(X,Y)服从D上的均匀分布,记为(X,

Y)~U(D)。

图3.2

7正态分布

设随机向量(X,Y)的分布密度函数为

1⎡⎛x-⎫22(x-)(y-)⎛y-⎫2⎤

1-⎢ç1⎪-12+ç2⎪⎥

f(x,y)=e2(1-)⎢⎝1⎭12⎝2⎭⎥,

2

⎣⎦

21-2

12

其中1,2,1>0,2>0,||<1是5个参数,则称(X,Y)服从二维正态分布,

记为(X,Y)~N(,2,2,).

12,12

由边缘密度的计算公式,可以推出二维正态分布的两个边缘分布仍为正态分布,

即X~N(,2),Y~N

(2).

112,2

但是若X~N(,2),Y~N

(2),(X,Y)未必是二维正态分布。

112,2

8函数的分布

Z=X+Y

根据定义计算:

FZ(z)=P(Z≤z)=P(X+Y≤z)

+∞

对于连续型,fZ(z)=⎰f(x,z-x)dx

-∞

两个独立的正态分布的和仍为正态分布(+,2+2)。

1212

n个相互独立的正态分布的线性组合,仍服从正态分布。

=∑C,2=∑C22

iiii

ii

Z=max,m

若X1,X2Xn相互独立,其分布函数分别为Fx1(x),Fx2(x)Fxn(x),则Z=max,min(X1,X2,…Xn)的分布函数为:

Fmax(x)=Fx1(x)∙Fx2(x)Fxn(x)

Fmin(x)=1-[1-Fx1(x)]∙[1-Fx2(x)][1-Fxn(x)]

in(X1,X2

…Xn)

第四章随机变量的数字特征

(1)一

离散型

连续型

维随机

期望

设X是离散型随机变量,其分布律为P(X=xk)=pk,k=1,2,…,n,

n

E(X)=∑xkpk

k=1

(要求绝对收敛)

设X是连续型随机变量,其概率密度为f(x),

+∞

E(X)=⎰xf(x)dx

-∞

(要求绝对收敛)

变量的

期望就是

数字特

平均值

函数的期

Y=g(X)

n

E(Y)=∑g(xk)pkk=1

Y=g(X)

+∞

E(Y)=⎰g(x)f(x)dx

-∞

方差

D(X)=∑[xk-E(X)]p

2

k

+∞

k

D(X)=⎰[x-E(X)]2f(x)dx

-∞

D(X

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 幼儿教育 > 幼儿读物

copyright@ 2008-2023 冰点文库 网站版权所有

经营许可证编号:鄂ICP备19020893号-2