古典概型
定义
m:A包含的基本事件数。
n:总基本事件数
基本事件:样本空间中不可再分的最小事件。
符号
(Omega) 表示样本空间。(Phi) 表示不可能事件。(overline {A}) 表示 (A) 事件的对立面, (AB) 表示事件 (A) 和 (B) 同时发生。
几个公式
说明:事件(A)发生的概率就是(1-)事件(A)的对立事件发生的概率。
说明:事件(A)或(B)发生的概率是事件(A)发生的概率加上事件(B)发生的概率减去事件(A)和(B)同时发生的概率。(容斥原理)
说明:为上一条的推广,同样是容斥原理。
如果(A)与(B)互不相容((AB=Phi)),那么(P(A+B)=P(A)+P(B))
说明:为第一条的特殊情况。因为(A)与(B)互不相容,所以(P(AB))为(0)。
如果(A)与(B)相互独立,那么(P(AB)=P(A) imes P(B))
条件概率
(P(B|A))表示(A)发生的情况下,(B)发生的概率。
显然,我们有:
等价于
如果(A)与(B)相互独立,那么
全概率公式
完备事件组
完备事件组是这样一组事件(A_i(i=1...n)):
简而言之,完备事件组就是对样本空间的一个划分。
全概率公式
在完备事件组(A_i)下,有全概率公式:
感性理解即可。
逆概率公式
这个感觉不好理解,但是挺有用的。
伯努利概型
(n)次独立重复实验,如果事件(A)发生的概率为(p),那么事件(A)恰好发生(k)次的概率是
随机变量
我们给一个事件(omega in Omega)赋值为(X(omega))(简写为(X)),那么(X)就是随机变量。
分布列
(X) | (x_1) | (x_2) | (cdots) | (x_n) |
---|---|---|---|---|
(P) | (p_1) | (p_2) | (cdots) | (p_n) |
分布律
(P(X=x_i)=p_i)
显然,有(p_igeqslant 0, sum p_i=1)。
分布函数
一些离散变量的分布
二项分布(Xsim B(n,p))
两点分布:两点分布是二项分布(n =1)的情况。
泊松分布(Xsim Pi(lambda))
泊松分布适用于稀疏概率事件。
几何分布(Xsim G(p))
实验恰好在第(k)次第一次成功的概率(前(k-1)次失败)。
超几何分布(Xsim H(n, N_1, N))
超几何分布可以这样理解:从(N)个黑色((N_1)个)或白色的球中随机抽取(n)个球恰有(k)个为黑的概率。当(Ngg n)时,近似于二项分布。
随机变量的数字特征
数学期望
由于数学期望涉及级数的问题,这里不过多解释。
二项分布(E(x)=np)
两点分布(E(x)=p)
泊松分布(E(x)=lambda)
几何分布(E(x)=frac{1}{p})
期望的一些公式:
如果(x),(y)独立,还有(E(xy)=E(x)E(y))
方差
方差(D(x)=E[(x-E(x))^2]=E(x^2)-(E(x))^2=sum x_i^2p_i - (sum x_i p_i) ^2)
二项分布(D_x=np(1-p))
泊松分布(D_x=lambda)
几何分布(D_x=frac{1-p}{p^2})
方差性质:(D(c)=0),(D(x+c)=D(x)),(D(cx)=c^2D(x)),(D(xpm y)=D(x)+D(y)),(D(x)=0Leftrightarrow P(x=c)=1)