概率论公式总结 (3)
大学课后习题答案-合字组词
第1章 随机事件及其概率
P(A+B)=P(A)+P(B)-P(AB)
加法公式
当P(AB)=0时,P(A+B)=P(A)+P(B)
P(A-B)=P(A)-P(AB)
减法公式
当B
A时,P(A-B)=P(A)-P(B)
当A=Ω时,P(
B
)=1- P(B)
乘法公式:
P(AB)P(A)P(BA)
乘法公式
更一般地
,对事件A
1
,A
2
,…A
n
,若P(A
1
A
2
…A
n-1
)>0,则有
P(A
1
A2
…
A
n
)
P(A
1
)P(A
2<
br>|A
1
)P(A
3
|A
1
A
2
)<
br>……
P(A
n
|A
1
A
2
…
An1
)
。
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
独立性
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)
全概公式
P(A)P(
B
1
)P(A|B
1
)P(B
2
)P(A|B
2
)P(B
n
)P(A|B
n
)
。
P(B<
br>i
A)
P(B
i
)P(AB
i
)
P(B)P(AB)
jj
j1
n
,i=1,2,…n。
贝叶斯公
式
此公式即为贝叶斯公式。
P(B
i
)
,(
i1
,
2
,…,
n
),通常叫先验概率。
P(B
i
A)
,(
i1
,
2
,…,
n<
br>),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。
第二章 随机变量及其分布
连续型
随机变
量的分
布密度
设
F(x)<
br>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
, 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。
F(x)
x
f(x)dx
密度函数具有下面性质:
离散与
连续型
随机变
量的关
系
f(x)0
。
f(x)dx1
P(Xx)P(xX
xdx)f(x)dx
。
积分元
f(x)dx
在连续型随机变量理论<
br>中所起的作用与
P(Xx
k
)p
k
在离散型随机变量理论
中所起的作用相类似。
0-1分布 P(X=1)=p, P(X=0)=q
设
X
为随机变量,
x
是任意实数,则函数
F(x)P(Xx)<
br>称为随机变量X的分布函数,
(5)八
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
本质上是一个累积函数。
P(aXb)F(b)F(a)
可以得到X落入区间
(a,b]
的概
大分布
的次数是随机变量,设为
X
,则
X
可能取值为
0,1,2,,n
。
率。分布函数
F(x)
表示随机变量落入区间(– ∞,x]内的概率。
k
P(Xk)P
n
(k)C
n
p
k
q
nk
, 其中
1.
0F(x)1,
x
;2。
F(x)
是单调不减的函数,即
x
1
x
2
时,有
limF(x)1
;4。
1
)
p,0
l
im
p
F
1,2,
F
(
,n
,F(x
1
)
F(x
2
)
;3。
q
F
((
1
x
,
)
k
<
br>0
0,
,
)
xx
)
是右连续的;
F(x0)F(x)
,即
F(x
则
(X)F
n
(x
,
)
p
F(x)
。对于离散型
称随机变量
5.
服从
参
x
数为的二
0
项分布。记为X
P
随机变量,
F(x)
k1k
P(X
)
k
)p
f
k
0.1
,这
X~B
(n,p)
。当
n1
时,
F(xdx
p
;对于连续型随机
变量, 。
k
q
(x)
,
x
x
k
x
就是(0-1)分布,所以(0-1)分布是二项分布的特例。
设随机变量
X
的分布律为
泊松分布
P(Xk)
k
k!
e
,
0
,
k0,1,2
,
则称随机变量
X
服从参数为
<
br>的泊松分布,记为
X~
(
)
或
者P(<
br>
)。
超几何分布
随机变量X服从参数为n,N,M的超几何分布,记为H(n,N,M)。
几何分布
P(Xk)q
k1
p,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<
br>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
ba
当a≤x
1
≤b
时,X落在区间
(
x
1
,x
2
)内的概率为
1
a≤x≤b
,
f(x)
ba
其他
0,
指数分布
f(x)
?
其中
e
x
,
x0
,
0,
x0
,
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
1e
F(x)
x
,
x0
,
记住积分公式
0,
x<0。
正态分布
设随机变量
X
的密度函数为
其中
、
0
为常数,则称随机变量
X
服从参数
为
、
的
2
X~N(
,
<
br>)
。 正态分布或高斯(Gauss)分布,记为
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(
)
12
为最大值;
2
X~N(
,
)
,则
X
的分布函数为
若
(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)=
。
函数分
布
离散型
已知
X
的分布列为
1
2
。如果
X
~
N(
,
)
,则
2
x<
br>1
,x
2
,,x
n
,
X
?,
P(Xx
i
)
p
1
,p
2
,,p
n<
br>,
Yg(X)
的分布列(
y
i
g(x
i
)
互不相等)如下:
g(x
1
),g(x
2
),,g
(x
n
),
Y
,
P(Yy
i
)
p<
br>1
,p
2
,,p
n
,
若有某些
g(x<
br>i
)
相等,则应将对应的
p
i
相加作为
g(x
i
)
的概率。
连续型
先利用X的概率密度f
X(x)写出Y的分布函数F
Y
(y)=P(g(X)≤
y),再利用变上下限积分
的求导公式求出f
Y
(y)。
第三章 二维随机变量及其分布
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
分别平行于坐标轴的矩形区域D,即D={(X,Y)|a
f(x,y)dxdy,
则称
为
连续型随机向量;
D
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)
离散型与
连续型的
关系
边缘分布
离散型 X的边缘分布为
f(x,y)dxdy1.
P<
br>i•
P(Xx
i
)
p
ij
(i,j
1,2,)
;
j
Y的边缘分布为
P
•j
P(Y
y
j
)
p
ij
(i,j1,2,)
。
i
连续型 X的边缘分布密度为
Y的边缘分布密度为
离散型
连续型
有零不独立
f(x,y)=f
X
(x)
f
Y
(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
随机变量的
函数
若X
1
,X
2
,
…X
m
,X
m+1
,…X
n
相互独立,
h,g为连续函数,则:
h(X
1
,X
2
,…X
m
)和g(X
m+1
,…X
n
)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。
函数分布
Z=X+Y
根据定义计算:
F
Z
(z)P(Zz)P(XYz)
<
br>态分布的和仍为正态分布(
1
2
,
1
2
)。
n个相互独立的正态分布的线性组合,仍服从正态分布。
22
C
i
i
,
2
C
i
2
i
2
i
i
Z=max,min(
X
1
,X
2,…X
n
)
若
X
1
,X
2
Xn
相互独立,其分布函数分别为
F
x
1
(x),F
x<
br>2
(x)F
x
n
(x)
,则Z=max,min(X
1
,X
2
,…X
n
)的分布
函数为:
2
分布
设n个随机变量
X
1
,X
2<
br>,,X
n
相互独立,且服从标准正态分
布,可以证明它们的平方和
n
W
X
i
2
我们称随机变量W服从自由度为n的
2
分布记为
i1
W~
(n)
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
2
分布满足可加性:设
Y
i
2(n
i
),
则
Z
Y
i
~
2
(n
1
n
2
n
k
).
i1
k
t分布
设X,Y是两个相互独立的随机变量,
且
X~N(0,1),Y~
(n),
可
以证明函数
T<
br>2
X
Yn
我们称随机变量T服从自由度为n的t分布,
记为T~t(n
)。
t
1
(n)t
(n)
F分布
设
X~
(n
1
),Y~
(n
2
)
,且X与Y独立,可以证明
22
F
Xn1
我们称随机变量F服从第一个自由度为n
1
,第二个
Yn
2<
br>自由度为n
2
的F分布,记为F~f(n
1
,
n
2
).
第四章 随机变量的数字特征
(1)
一维
随机
变量
的数
字特
征
函数的期望
方差
D(X)=E[X-E(X)],
标准差
2
期望
期望就是平均值
离散型
设X是离散型随机变
量,其分布
律为P(
Xx
k
)=p
k
,
k=1,
2,…,n,
连续型
设X是连续型随机变
量,其概率密度为
f(x),
(要求绝对收敛)
(要求绝对收敛)
Y=g(X)
Y=g(X)
(X)D(X)
,
(2)
期望
的性
质
(1) E(C)=C
(2) E(CX)=CE(X)
nn
(3) E(X+Y)=E(X)+E(Y)
,
E(
CX
i
i1
i
)
C
i
E(X
i
)
i1
(4)
E(XY)=E(X) E(Y),充分条件:X和Y独立;
充要条件:X和Y不相关。
(3)
方差
的性
质
(1)
D(C)=0;E(C)=C
(2) D(aX)=aD(X); E(aX)=aE(X)
(3) D(aX+b)= aD(X); E(aX+b)=aE(X)+b
(4)
D(X)=E(X)-E(X)
(5)
D(X±Y)=D(X)+D(Y),充分条件:X和Y独立;
充要条件:X和Y不相关。
D(X±Y)=D(X)+D(Y)
±2E[(X-E(X))(Y-E(Y))],无条件成立。
而E(X+Y)=E(X)+E(Y),无条件成立。
(4)
常见
分布
的期
望和
方差
泊松分布
P(
)
二项分布
B(n,p)
0-1分布
B(1,p)
期望 方差
22
2
2
p
np
几何分布
G(p)
超几何分布
H(n,M,N)
均匀分布
U(a,b)
指数分布
e(
)
2
正态分布
N(
,
)
n 2n
t分布
二维
随机
变量
数字
特征
协方差
函数的期望
期望
0
n
(n>2)
n2
E[G(X,Y)]
=
E[G(X,Y)]
=
方差
对于随机变量X与Y,称它们的二
阶混合中心矩
11
为X与Y的协方差
或相关矩,记为
X
Y
或cov(X,Y)
,即
与记号
XY
相对应,X与Y
的方差D(X)与D(Y)也可分别记为
XX
与
YY
。
相关系数 对于随机变量X与Y,如果D(X)>0, D(Y)>0,则称
XY
D(X)D(Y)
为X与Y的相关系数,记作
XY
(有时可简记为
)。
|
|≤1,当|
|=1时,称X与Y
完全相关:
P(XaYb)1
完全
相关
正相关,
当
1时(a0),
负相关,当
1时(a0
),
而当
0
时,称X与Y不相关。以下五个命题是等价的:①
XY
0
;
②cov(X,Y)=0;③E(XY)=E(X)E
(Y);④D(X+Y)=D(X)+D(Y);⑤
D(X-Y)=D(X)+D(Y).
协方
差的
性质
(i)
(ii)
cov
(X, Y)=cov (Y, X);
cov(aX,bY)=ab cov(X,Y);
(iii) cov(X
1
+X
2
,
Y)=cov(X
1
,Y)+cov(X
2
,Y);
(iv)
独立
和不
相关
(2)中心极限定
理
列维-
林德伯
格定理
相
设随机变量X
1
,X2
,…相互独立,服从同一分布,且具有
同的数学期望和方差:
cov(X,Y)
=E(XY)-E(X)E(Y).
若随机变量X与Y相互独立,则
XY
0
;反之不真。
E(X
k
)
,D(X
k
)
20(k1,2,)
,则随机变量
的分布函数
F
n
(x
)对任意的实数
x
,有
此定理也称为独立同分布的中心极限定理。
棣莫弗
-拉普
拉斯定
理
设随机变量
X
n
为具有参数n,
p(0
任意实数x,有
第六章 样本及抽样分布
常见统计量
及其性质
样本均值
1
n
x
x
i
.
n
i1
样本方差
n
1
2
S
2
(xx).
i
n1
i1
n
1
(x
i
x)
2
.
n1
i1
样本标准差
S
样本k阶原点矩
样本k阶中心矩
E(X)
,
D(X)
2
n
, <
br>1
n
2
其中
S*
(X
i
X)
,为二阶中心矩
n
i1
2
(2)正态
总体下的
四大分布
正态分布
2
设
x
1
,x
2
,,xn
为来自正态总体
N(
,
)
的一个样本,
则样
本函数
t分布
设
x
1
,x
2
,
,x
n
为来自正态总体
N(
,
)
的一
个样本,则样
本函数
t
def
2
x
sn
~t(n1),
其中t(n-1)表示自由度为
n-1的t分布。
2
设
x
1
,x
2
,,x
n
为来
自正态总体
N(
,
)
的一个样本,则
wdef
(n1)S
2
2
~
2
(
n1),
表示自由度为
n-1的分布
2
分
F分布
2
设
x
1
,
x
2
,,x
n
为来自正态总体
N(
,
1
)
的一个样本,而
2
y
1
,y
2,,y
n
为来自正态总体
N(
,
2)
的一个样本,则样本
函数
def
F
S
1
2
1
2
S
2
2
2
2<
br>~F(n
1
1,n
2
1),
其中
F(n
1
1,n
2
1)
表示自由度为
n
1
1,
当总体X为连续型随机变量时,设其分布密度为
参数。又设
x
1
,x
2
,,x
n
为总体的一个样本,称
为样本的似然函数,简记为Ln.
f(x;
1
,
2
,,
m
)
,其中为未知
当总体X为离型随
机变量时,设其分布律为
P{Xx}p(x;
1
,
2
,,
m
)
,则
L(x
1
,x
2
,,x
n
;
1
,
2
,
,
m
)
p(x
i
;
1
,
2
,,
m
)
为样本的似然函数。
若似然函数
i1
n
L(x
1
,x
2
,,xn
;
1
,
2
,,
m
)
在
1
,
,,
m
处取到最大值,则称
1
,
,,
m
分别为
22
1
,
,,
m
的最大似然估计值,相应的统计量称为最大似然估计量。
2
lnL<
br>n
i
0,i1,2,,m
若
为
的极大似然估.
i
i