大学数学概率统计概念定义归纳.docx
- 文档编号:16072085
- 上传时间:2023-07-10
- 格式:DOCX
- 页数:9
- 大小:18.43KB
大学数学概率统计概念定义归纳.docx
《大学数学概率统计概念定义归纳.docx》由会员分享,可在线阅读,更多相关《大学数学概率统计概念定义归纳.docx(9页珍藏版)》请在冰点文库上搜索。
大学数学概率统计概念定义归纳
一、随机事件及其概率
1.〔根本概念〕
随机事件定义〔特点〕:
1.试验可以在一样条件下重复进展;2.每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;
3.在一次试验之前不能确定哪一个结果会出现。
样本空间:
随机试验的结果称为根本领件、样本或样本点。
样本空间就是随机试
验所有可能的结果构成的集合,也就是由所有样本点构成的集合,通
常记为Ω
事件,事件发生与否,必然事件,不可能事件
事件〔定义〕:
在试验中,可能发生也可能不发生的事件称为随机随机事件,简称事件。
;;提要容:
随机试验中人们特别关注的具有某种共同特征的一些结果,从数学意义上讲,就是样本空间的子集。
事件通常用大写英文字母表示。
在一次试验中,假设试验结果ω∈A,那么称这次试验中事件A发生了,否那么称事件A没有发生。
提示:
事件是人们根据自己的喜爱定义的,而事件发生与否是与某次试验关联着的。
有两个特殊的事件:
样本空间本身,每次试验一定发生,称为是必然事件;空集也是Ω的子集,也能称为事件,每次试验一定不会发生,称为不可能事件。
事件域:
我们希望随机试验所涉及的所有事件作为集合的运算所得到的结果还是事件,这就是所谓运算的封闭性。
随机试验的事件构成的集合类如果对最多经“可列无限多〞次事件的运算的结果还是事件,那么把这个集合类称为事件域。
约定随机试验的事件构成事件域,通常记为F。
事件的概率
定义在事件域F上的集函数P,满足非负性、规性、和可列可加性。
概率统计定义:
随机事件A发生的可能性大小,称为事件A的概率。
概率公理化定义:
设E为随机试验,S为它的样本空间,对于E中的每一事件A,恰对应一个实数,记作P(A),假设它满足以下3个条件,那么称P(A)为事件A的概率。
1.非负性:
0≤P(A)≤1;2.规性:
P(A)=1;
2.可列可加性:
设A1,A2,….An…..是两两互不相容事件,那么有
古典概型:
设随机试验具有下面两个特性:
1.试验的样本空间只包含有限个元素;2.试验中每个根本领件发生的可能性一样。
那么称这种随机试验为等可能概型或古典概型。
2.〔根本理论〕
事件的运算及运算定律
事件的三种根本运算:
求和:
和事件,两个事件A和B中至少有一个发生的事件。
记作A∪B=〔*|*∈A或*∈B〕或A+B
求积:
积事件:
事件A与事件B同时发生的事件,记作A∩B=〔*|*∈A且*∈B〕或AB
求逆:
对立事件,假设A∪B=S且AB=∅,那么事件A与事件B互为逆事件,事件A域事件B必有一个发生且只有一个发生。
记为
事件的三种关系运算:
相等:
假设A
包含:
互斥;事件A和事件B不能同时发生,即AB=∅。
事件的运算定律:
交换律:
A∪B=B∪A,AB=BA
结合律:
分配律:
德摩根律:
易证等式
概率的运算性质:
3.〔根本方法〕:
利用袋中摸球模型来为古典概型问题构造场景。
球可以有不同标号和不同颜色,摸球可分为有放回摸球和无放回摸球。
二、条件概率与事件的独立性
1.根本概念
条件概率:
设A,B是两个事件,且P(A)>0,那么称P(B丨A)=
为在事件A发生的条件下事件B发生的条件概率。
同理,当P(B)>0时,也可类似地定义在事件B发生的条件下事件A发生的条件概率:
P(A丨B)=
事件的独立性
定义:
设A,B为两个事件,如果等式P(AB)=P(A)P(B)成立,那么称事件A与B相互独立
定理:
设事件A与B相互独立,那么A与B、A与B、A与B这3对事件也相互独立
事件类的独立性〔略〕
2.根本理论
两个事件类是独立的可推出他们各自生成的事件域也是相互独立的。
由条件概率演绎出乘法公式:
对任意两个事件A,B假设P(B)>0,那么有
P(AB)=P(B)P(A丨B)
类似地,假设P(A)>0,有P(AB)=P(A)P(B丨A)
全概率公式与贝叶斯公式及其推导
全概率公式:
设事件B1,B2,...,Bn为样本空间S的一个完备事件组,那么对任意事件A⊆S,有
贝叶斯公式:
设事件组B1,B2,...Bn为样本空间Ω的一个完备事件组,那么对任意事件A⊆Ω,当P(A)>0,P(Bi)>0时,有
3.根本方法
利用全概率公式计算概率
利用全概率公式简化贝叶斯公式
三、随机变量及其分布
1.根本概念
随机变量:
设随机试验E的样本空间为S=〔e〕,如果对于每个e∈S,都有一个实数*(e)与它对应,那么称S上的实值单值函数*(e)为随机变量,记作*=*(e).
离散型随机变量及其分布律
离散型随机变量定义:
随机变量*的所有可能取值是有限个或可列无限多个时称为*为离散型随机变量
两点分布:
设随机变量*只可能取0和1两个值,那么称其分布律为
适合:
合格不合格,性别登记,发芽不发芽,下雨不下雨等只有两种结果的现象
二项分布:
泊松分布:
设随机变量*所有可能取的值为0,1,2…,且概率分布为
其中,λ>0是常数,那么称*服从参数为λ的泊松分布,记作*~π(λ)
适合:
交换台一定时间收到的呼叫次数,一本书一页中印刷错误次数,
原子一定时间放射的粒子数,超市一定时间的顾客数。
连续型随机变量及其概率密度函数
定义:
设F(*)是随机变量*的分布函数,如果存在非负函数f(*),使得对于任
意实数*均有
那么称*为连续型随机变量,f(*)为*的概率密度函数或密度函数。
均匀分布:
设连续型随机变量*的概率密度为
那么称随机变量*在区间(a,b)上服从均匀分布,记作*~U(a,b)
指数分布:
假设随机变量*具有概率密度
其中,θ>0,为常数,那么称*服从参数为θ的指数分布
适合:
常用于可靠性统计研究,如电子元件寿命,随机效劳系统的效劳时间等。
正态分布:
假设连续型随机变量*的概率密度为
其中,μ和σ(σ>0)都是常数,那么称*服从参数为μ和σ的正态分布或高斯分布
2.(根本理论〕
分布函数的定义及性质
定义:
设*是一个随机变量,*是任意实数,函数F(*)=P(*≤*)(-∞<*<+∞)
称为*的分布函数。
性质:
分布律的定义及性质
定义:
设离散型随机变量*所有可能取值为*k(k=1,2…),*取各个可能值的概
律即事件(*=*k)的概率为
那么称为离散型随机变量*的概率分布或分布律,可以表示为:
性质:
密度函数的定义及性质
定义:
设F(*)是随机变量*的分布函数,如果存在非负函数f(*),使得对于任
意实数*均有
那么称*为连续型随机变量,f(*)为*的概率密度函数或密度函数。
性质:
证明几何分布和指数分布的无记忆性
假设*服从参数为θ的指数分布,那么其分布函数为
服从指数分布的随机变量*具有一下有趣的性质:
对于任意s,t>0有
这条性质称为“无记忆性〞
3.〔根本方法〕:
利用分布函数,分布律,密度函数计算概率;求随机变量的线性函数的概率分布;利用标准正态分布表计算一般正态分布的概率
四、随机变量的数字特征
1.根本概念
数学期望
离散型随机变量的数学期望
定义:
设离散型随机变量*的概率分布为P(*=*k)=pk〔k=1,2,...〕,称
∑*kpk=*1p1+*2p2+...+*kpk+...为随机变量*的数学期望,简称期望或均值,记作E(*)。
连续型随机变量的数学期望
定义:
设*是连续性随机变量,其密度函数为f(*),假设积分∫*f(*)d*绝对收敛,那么称此积分∫*f(*)d*的值为*的数学期望,即E(*)=∫*f(*)d*
随机变量函数的数学期望
设g(*)为连续函数,Y=g(*)也是随机变量*的函数
(1)假设离散型随机变量*的概率分布为P(*=*k)=pk(k=1,2,...)那么随机变量函数Y的数学期望为E(Y)=E[g(*)]=∑g(*k)pk
(2)假设连续性随机变量*的概率密度为f(*),那么随机变量函数Y的数学期望为
E(Y)=E[g(*)]=∫g(*)f(*)d*
方差
定义:
设*是一个随机变量,假设E{[*-E(*)]2}存在,称E{[*-E(*)]2}为*的方差,记作D(*),即D(*)=E{[*-E(*)]2}
2.根本理论
数学期望的性质
1.E(C)=C(C为任意常数)
2.E(C*)=CE(*)
3.E(*+Y)=E(*)+E(Y)
4.假设*,Y相互独立,那么E(*Y)=E(*)E(Y)
方差的性质
1.设C是常数,那么D(C)=0
2.假设C是常数,那么D(C*)=C2D(*)
3.设*与Y是两个随机变量,那么D(*+Y)=D(*)+D(Y)+2{[*-E(*)][Y-E(Y)]};假设*与Y相互独立,那么D(*+Y)=D(*)+D(Y)
3.根本方法
熟练计算所给出的概率分布的数学期望和方差
利用定义计算简单的随机变量函数的数学期望
五、多维随机变量
1.根本概念
多维随机变量:
一般来说,设E是一个随机试验,它的样本空间是S=(e),设*1=*1(e),*2=*2(e)…*n=*n(e)是定义在S上的随机变量,由它们构成的一个n维向量(*1,*2…*n)叫做n维随机向量或n维随机变量
二维随机变量联合分布函数、联合分布律、联合密度函数
二维随机变量联合分布函数:
设(*,Y)是二维随机变量,对于任意实数*和y,
二元函数F(*,y)=称为二维随机变量(*,Y)的分布函数,或者称为随机变量*和Y的联合分布函数。
联合分布律:
设二维离散型随机变量(*,Y)可能取的值是(*i,Yi)(i,j=1,2…),记P(*=*i,Y=Yj)为Pij,称为二维离散型随机变量(*,Y)的分布律,或随机变量*和Y的联合分布律
性质:
联合密度密度函数:
对于二维随机变量(*,Y)的分布函数F(*,y),如果存在非负
函数f(*,y)使对于任意的*,y有
那么称(*,Y)是连续型的二维随机变量,函数f(*,y)称为二维随机变量(*,Y)的概
率密度或称为随机变量*和Y的联合概率密度。
性质:
二维随机变量边缘分布函数、边缘分布律、边缘密度函数
边缘分布函数:
边缘分布律:
设(*,Y)为二维离散型随机变量,分布律为P(*=*i,Y=Yj)=Pij,由边缘分布函数得*和Y的边缘分布律分别为
通常将*和Y的边缘分布律分别记为Pi.和P.j,于是
边缘密度函数:
条件分布函数、条件分布律、条件密度函数
条件分布率:
设(*,Y)为二维离散型随机变量,并且其联合分布律为
在Y=Yj的条件下,*取值的条件分布是
在*=*i的条件下,Y取值的条件分布是
条件密度函数:
设(*,Y)为连续型随机变量,并且其联合概率密度为f(*,y),假设
对于固定的y,有fy(y)>0,那么称为在Y=y的条件下*的条件概率密度,记作:
协方差与协方差矩阵
协方差:
设(*,Y)为二维随机变量,假设E{[*-E(*)][Y-E(Y)]}存在,那么称为其为随机变量*与Y的协方差,记作Cov(*,Y),即Cov(*,Y)=E{[*-E(*)][Y-E(y)]}
矩:
设*是随机变量,假设E(*^k)(k=1,2…)存在,称它为*的k阶原点矩,简称k阶矩。
假设E{[*-E(*)]^k}(k=2,3…)存在,称它为*的k阶中心距
2根本理论(略)
3.根本方法:
由联合密度函数或联合分布律求边缘密度函数、边缘分布律、条件密度函数、条件分布律;
利用分布律列表计算二维随机变量的边缘分布律、条件分布律、独立性判定;
概率计算,利用全概率公式加积分变换求二维随机变量函数的概率分布。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 大学 数学 概率 统计 概念 定义 归纳