导图社区 概率论知识总结
重点来了!大学概率论知识梳理。知识点包括但不限于以下几点:什么是随机事件?常见的两种随机变量及其分布类型是什么?常见的多维随机变量及其分布类型又是什么?数学期望、方差它们的性质与计算方法等等。小伙伴们,赶紧收藏起来吧!
编辑于2019-05-29 13:39:00概率论
数字特征
数学期望
性质
E(c)=c E(cX)=cE(X)
E(X+Y)=E(X)+E(Y)
E(aX+bY)=aE(X)+bE(Y)
X,Y相互独立时,E(XY)=E(X)E(Y)
计算
E(X)
d.r.v
c.r.v
函数的期望
y=g(x)
d.r.v
c.r.v
z=g(xy)
d.r.v
c.r.v
方差
定义/计算
性质
D(c)=0
D(cX)=c²D(X)
D(X+c)=D(X)
D(X+/-Y)=D(X)+D(Y)+/-2cov(x,y) 当X,Y独立时D(X+/-Y)=D(X)+D(Y)
chebyshev inequality
几种分布的方差
(0-1)分布 D(X)=p(1-p)
泊松分布 X~π(λ) D(X)=λ
平均分布 D(X)=(b-a)²/12
指数分布 D(x)=θ²
二项分布 X~N(μ,σ²) D(X)=np(1-p)
正态分布 D(X)=σ²
协方差与相关系数
定义 p106
协方差
相关系数
性质
cov(X,Y)=E(XY)-E(X)E(Y)
X=Y时 cov(X,Y)=D(X)
cov(X,c)=0
cov(aX,bY)=ab cov(X,Y)
cov(aX₁+bX₂,Y)=a cov(X₁,Y)+b cov(X₂,Y)
对于二维正态分布(X,Y)~N(μ₁,μ₂,σ₁²,σ₂²,ρ), cov(X,Y)=σ₁σ₂ρ
矩,协方差矩阵
k阶原点矩
k阶中心矩
k+l阶混合矩
k+l阶混合中心矩
大数定律中心极限定理
弱大数定理
伯努利大数定理
中心极限定理
独立同分布的中心极限定理
李雅普诺夫定理
De Moivre-Laplace定理
随机变量及其分布
离散型
(0-1)分布
n重伯努利实验与二项分布
泊松分布
连续型
分布函数
性质
F(x)是不减函数
0≤F(x)≤1
右连续
概率密度
f(x)=F′(x)
三种重要类型
均匀分布
指数分布
正态分布
基本概念
随机试验
样本空间
随机事件
基本事件
必然事件
不可能事件
事件的关系与运算
A包含于B
A∪B 和事件
A∩B 积事件
A-B 差事件
A∩B=∅ 互斥
A∪B=S且A∩B=∅ 互逆
运算定律
交换律
结合律
分配律
德摩根律
频率与概率
频率f(A)
性质
0≤f(A)≤1
f(S)=1
A1,A2,A3,...An两两互不相容则 f(A1∪A2∪...∪An)=f(A1)+f(A2)+...+f(An)
概率
满足条件
非负性
规范性
可列可加性
性质
P(∅)=0
有限可加性 A1,A2,A3,...An两两互不相容则 P(A1∪A2∪...∪An)=P(A1)+P(A2)+...+P(An)
若A包含于B,则P(A-B)=P(A)-P(B)
任意事件A P(A)<1
事件A与其逆事件概率之和等于一
加法公式 P(A∪B)=P(A)+P(B)-P(AB)
古典概型(等可能概型)
条件概率
定义
性质
全概率公式
贝叶斯公式
独立性
定义
两个定理
多维随机变量及其分布
二维随机变量
定义
F(x,y)性质 P61
f(x,y)性质 P63
边缘分布
条件分布
定义
性质 P68
相互独立的随机变量
两个随机变量的分布 P76
Z=X+Y的分布
Z=XY,Z=X/Y的分布
M=max(X,Y),N=min(X,Y)的分布