1. 古典概型
樣本空間有限個基本事件,基本事件等可能發生
P(A)=S所有基本事件數A包含基本事件數
2. 條件概率
A發生條件下B發生的概率
P(B∣A)=P(A)P(AB)
3. 乘法定理
\begin{equation}
P(AB)=P(B\mid A)P(A)\
P(ABC)=P(C\mid AB)P(B\mid A)P(A)
\end{equation}
4. 全概率公式
B1,B2,⋯,Bn是S的一個劃分
P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+⋯+P(A∣Bn)P(Bn)
5. 貝葉斯公式
B1,B2,⋯,Bn是S的一個劃分
P(Bi∣A)=P(A)P(ABi)=j=1∑nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi), i=1,2,⋯,n
6. 獨立性和相關性
P(AB)=P(A)P(B) 則A,B獨立Cov(A,B)>0 則A,B相關
7. 離散型隨機變量
隨機變量 |
公式描述 |
期望 |
伯努利分佈 |
只有兩個取值P(0)=1−p, P(1)=p |
p |
二項分佈 |
n次伯努利實驗中事件A以概率p發生了k次P(X=k)=Cnkpk(1−p)n−k, k=0,1,⋯,n |
np |
幾何分佈 |
每次實驗成功概率p,直到首次成功的實驗次數爲XP(X=k)=(1−p)k−1p, k=1,2,⋯ |
1/p |
超幾何分佈 |
N個樣本中m個不及格,從中抽出n個,其中k個不及格概率P(X=k)=CNnCmkCN−mn−k, k=0,1,⋯,m |
nm/N |
泊松分佈 |
X表示獨立事件發生次數,取值爲0,1,2,⋯,λ爲發生次數期望,P(X=k)=k!λke−λ, k=0,1,2,⋯ |
λ |
8. 連續隨機變量
隨機變量 |
公式描述 |
期望 |
均勻分佈 |
$f(x)=\left{\begin{array}{ll}\displaystyle\frac{1}{b-a},&a<x<b\0,&其他\end{array}\right. $ |
(a+b)/2 |
指數分佈 |
$f(x)=\left{\begin{array}{ll}\displaystyle\lambda e^{-\lambda x},&x\geq0\0,&其他\end{array}\right. $ |
1/λ |
正態分佈 |
f(x)=2πσ1e−2σ2(x−μ)2, −∞<x<∞ |
μ |
9. 數學期望
離散:E(X)=x∑x p(x)
連續:E(X)=∫−∞∞x f(x)dx
- 具有線性性質
- 獨立隨機變量X,Y有E(XY)=E(X)E(Y)
- 切比雪夫不等式:任意隨機變量X具有數學期望μ和方差σ2,則對於任意正數ϵ有P(∣X−μ∣≥ϵ)≤ϵ2σ2
10. 條件期望
離散:E(X∣Y=y)=x∑x P(X=x∣Y=y)
連續:E(X∣Y=y)=∫−∞∞x fX∣Y(x∣y)dx
11. 方差
D(X)=E([X−E(X)]2)=E(X2)−[E(X)]2
D(CX)=C2D(X), D(X+C)=D(X)
D(X+Y)=D(X)+D(Y)+2Cov(X,Y)⟶X,Y獨立D(X)+D(Y)
12. 協方差
Cov(X,Y)=E([X−E(X)][Y−E(Y)])=E(XY)−E(X)E(Y)
Cov(aX,bY)=abCov(X,Y)
Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)
13. 相關係數
ρXY=D(X)D(Y)Cov(X,Y)
用來表徵線性關係緊密程度,X,Y獨立̸⟸⟹X,Y不相關
14. 大數定理
- 弱大數定理
X1,X2,⋯爲相互獨立服從同分布的隨機變量序列,其數學期望爲μ,作前n個變量的算術平均X=n1k=1∑nXk,則X依概率收斂到μ,即對於任意正數ϵ,有
n→∞limP(∣∣∣∣∣n1k=1∑nXk−μ∣∣∣∣∣<ϵ)=1
- 伯努利大數定理
fA是n次獨立重複事件A發生的次數,p是事件A在每次事件中發生的概率,則對於任意正數ϵ,有
n→∞limP(∣∣∣∣nfA−p∣∣∣∣<ϵ)=1
15. 中心極限定理
- 獨立同分布中心極限定理
X1,X2,⋯,Xn爲相互獨立服從同分布的n個隨機變量,其數學期望爲μ,方差爲σ2,求這n個變量的和S=k=1∑nXk,則S的標準化變量近似服從正態分佈,即
nσS−nμ∼近似N(0,1)
或者求這n個變量的算術平均X=n1k=1∑nXk,則
nσX−μ∼近似N(0,1)或X∼近似N(μ,nσ2)
- 獨立不同分佈中心極限定理(李雅普諾夫定理)
X1,X2,⋯,Xn爲相互獨立但是服從不同分佈的n個隨機變量,其數學期望依次爲μ1,μ2,⋯,μn,方差依次爲σ12,σ22,⋯,σn2,求這n個變量的和S=k=1∑nXk,則S的標準化變量仍然近似服從正態分佈,即
k=1∑nσk2S−k=1∑nμk∼近似N(0,1)
- 二項分佈中心極限定理(棣莫弗-拉普拉斯定理)
η服從b(n,p)的二項分佈,將其分解爲獨立同分布的0-1分佈之和,則
np(1−p)η−np∼近似N(0,1)
16. 抽樣分佈
- χ2分佈
X1,X2,⋯,Xn是來自總體N(0,1)的樣本,則變量χ2=X12+X22+⋯+Xn2服從自由度爲n的χ2分佈。期望爲n,方差爲2n。
- t分佈
獨立變量X∼N(0,1),Y∼χ2(n),則變量t=nYX服從自由度爲n的t分佈。
- F分佈
獨立變量U∼χ2(n1),V∼χ2(n2),則變量F=n2Vn1U服從自由度爲(n1,n2)的F分佈。
- 正態總體的樣本均值、方差分佈
已知正態總體的期望μ和方差σ2,X1,X2,⋯,Xn是來自總體的樣本,X是樣本均值,則
X∼N(μ,nσ2)
已知正態總體的方差σ2,X1,X2,⋯,Xn是來自總體的樣本,S2是樣本方差,則
σ2(n−1)S2∼χ2(n−1)
已知正態總體的期望μ但未知方差,X1,X2,⋯,Xn是來自總體的樣本,X是樣本均值,S2是樣本方差,則
nSX−μ∼t(n−1)
已知兩個正態總體的方差分別爲σ12和σ22,X1,X2,⋯,Xn是來自總體1的樣本,Y1,Y2,⋯,Yn是來自總體2的樣本,S12,S22分別是樣本方差,則
σ2σ1S22S12∼F(n1−1,n2−1)