导图社区 概率论脑图
这是一篇关于概率论脑图的思维导图,包括概率论基本概念、随机变量及其布、多维随机条件以及其分布、随机变量的数字特征、大数定律及中心极限定律等内容。
编辑于2022-11-11 01:39:23概率论
第一章 概率论基本概念’
事件关系与运算(基本概念)
事件的运算律:徳摩根律,较为重点
图,集合,发生
样本空间S就等于E的所有结果的集合
注:E-随机试验
样本点-就是E的每个结果
求S:①列举法(有限);②描述法(无限)
随机试验

事件的分类
基本事件
不可能事件
必然事件
事件的运算律P3-P5

交换律
结合律
同一运算
分配律
徳摩根律(长线变短线,符号变化)
混合运算
注:1.遇到具体随机试验E,学会引入事件,使用字母来表示2.体现事件的作用:用事件关系来体现试验E的过程和关系3.注意用词:至少,同时,都,etc.4.要化简运算,写事件运算关系:通过运算化简,含义化简,图化简
概率P(A)
特性

古典概率(①有限样本点 ②样本点发生可能性相同。 计算公式:
①② ③ ④ ⑤  ⑥
有顺序用排列,无顺序用组合
   (P就是我们说的A)  
几何概率(①基本事件无限 ②随机试验发生可能性相同) 计算公式:
注:1.判定几何概率:多与时间相关2.计算优先用几何公式,再考虑积分

条件概率:

本质上是B在A发生的前提下的概率
关于定义的一些注意点

重要性质

概率五大公式
加法公式:
减法公式:
乘法公式:

全概率公式:
完备事件组:事件组两两互斥,全体和为1—->其作用为对样本空间内的任何事件做了完全划分
A=Aomiga = A(B1+B2+...+Bn) = AB1 + AB2 + ... + ABn —->互斥之和,可列可加
常见完备事件组
A与A的对立
具体E,E往往分为两次;前一次的结果作完备事件组
R.U
注:R.U->随机变量
一维离散R.U:X —>将X表示的事件作完备事件组
连续R.U
一维连续:对(-∞,+∞)划分区间作完备划分
二维连续:对整个平面作区域完备划分
各种情况概率之和,B1,B2,..Bn两两互斥
贝叶斯公式:
所求条件的概率除以全概率,B1,B2,..Bn两两互斥
题型:找完备事件组->列概率式:无条件则为全概率,有条件即为贝叶斯

事件的独立性
两个事件独立:
两者的概率不会互相影响,两者没有概率关系,样本点可能有交叉
A与B相互独立,则A,B,非A,非B两两之间相互独立(四独立)
拓展性质
     
小结

题型:1.随机事件的运算和概率->两道题,一类事件运算,一类概率P的问题,要写出事件的运算关系2.由条件概率关系转概率关系(遇条件去条件)/ 计算条件概率,使用定义式,概率公式,概率含义(古典概型)3.独立-> 两道题,一类由独立关系转概率关系(遇独立写P(AB)=P(A)P(B)),另一类为判断事件独立,使用定义,性质,含义来看
遇对立去对立(逆事件)
第二章 随机变量及其分布
随机变量及其分布
用数来表示结果,表示P与x的关系
随机变量R.V的本质是表示E的结果
R.V表示事件,特殊的有空集=x<-∞,全集= x<+∞
分布函数(左开右闭):
注:①单调不减函数 ②有界性 ③右连续
 
离散型随机变量
一些性质 
注意每种分布的记号
0-1分布(两点分布):
一次的伯努利实验
注:要先确定事件A,然后确定P(A)。
二项分布X ~ B(n,p):
n次伯努利实验(将只有两个可能结果的试验独立重复地进行n次)
注:X为事件A发生次数,注意二项分布的形式
 
几何分布X ~ G(p)

表示事件A首次发生时所做的实验次数
注:定P,判断是否时几何分布,找关键词; 注意所有点之和为1

超几何分布X~P(M,N,n).:
从N件产品(其中包含次品M件)中任取n件,以X表示取到的次品数

泊松分布X ~ ⊓(λ):
泊松分布实际上时二项分布的实验次数趋近于∞的情况
描述某个事件段所经过的人数/车辆数(X)
例题

题型:
1.概率分布的判定
2.求概率分布中的参数:使用规范性求解,使用概率转化为X的分布求解
3.使用概率分布求概率
4.求X的概率分布
5. F(x)讨论其性质,4条共性,其函数呈阶梯型;F(x)与Pk的关联
连续型随机变量
  、   
均匀分布X~U(a,b):
注:1.观察f(x)的形式,写出f(x),判定是否为均匀分布。 2.均匀分布实际为几何概型,所以可使用概率方法解决

正态分布X~N(ų,ó^2):
概率密度函数f(x)性质
标准正态分布:
偶函数(关于y对称)
性质(计算)
 例题: 
两个概率:
ų决定位置,ó决定形状
ó固定时,改变ų,图形平移,
ų不变时,ó越小,图形越“瘦”,概率越集中
指数分布X~E(λ):
表示要达到某一数量所需等待的时间

注:无记忆性(例如X为元件寿命):
详情见P46
概率密度(本身不代表概率)的性质
非负性f(x)>=0
在(-∞,∞)上积分为1
判断是否为概率密度的充要条件
随机变量函数的分布

求随机变量的概率分布/分布律(离散型) ; 分布函数,概率密度(连续型)

题型:
离散性计算方法(带入得到新的分布律)

连续型计算方法

相关例题
 
一些其他性质
  例题: 
第三章 多维随机条件以及其分布
二维随机变量的定义及其分布函数
 
定义

(x,y)两个变量关系是交的关系;其地位是平行的
二维随机变量的(联合)分布函数:体现交事件的关系
形式:
概率意义

分布函数的四个性质
非负性(不等式性质)
有界性、极限性质
 
单调不减性:分别对于某单独的一个变量单调不减
例如: 
右连续性:与单调不减类似,都是对于单独某个变量右连续,另一个变量视作常数。

注:.F(x,y)为分布函数与上面四条性质成充要条件
边缘分布函数
将其中一个变量设为必然事件,即趋于+∞,然后只用关心另一个变量分布函数
注:1.边缘指的就是单个变量的R.V分布2.其分布关系可以切换为P来理解3.用分布函数求边缘分布函数,注意极限的求法——由极限定函数,区别变量
3.eg.求x的边缘分布函数,先定x,然后确定F,最后在x竖线上对y求极限
注:
1.(X,Y)表示的是积事件,相当于X交Y
2.可推广为n维随机变量:(X1,X2,...,Xn)相当于n个事件的积
二维离散型随机变量

(x,y)可列可数
概率分布(联合分布率)
联合概率分布用表格表示(表格又称概率分布矩阵)
实际上是表示点对的交事件的概率
边缘概率分布

对X求行和,对Y求列和,其本质是从分布矩阵来的
条件概率分布
由条件概率而来
计算方法

注:①.在条件概率分布中,“|”后者作常数,其形式就是直接从事件的条件概率转换而来 ②.其存在的前提Pij > 0, ③ 条件概率大本质是反应“|”前者的概率分布 ④ 联合概率分布可以求边缘分布,可以求条件概率分布;反之不可;边缘概率分布与条件概率分布无直接关系,但条件+边缘可以求联合
eg
 
小结

二维连续型随机变量

联合概率密度
性质
分布函数和概率密度的关系及性质

F(x,y)与f(x,y)

2.点对落在一定区域D上的概率,直接对联合概率函数求二重积分

边缘概率密度
联合概率可唯一确定边缘概率,反之不可
公式形式(以关于X的边缘概率密度为例):

【注】

条件概率密度
概率密度乘法公式
题型:边缘+条件求联合——书写注意分作两个部分,一个是边缘>0 ,另一个是边缘 = 0 ;大于0则使用乘法公式写出
形式:

其存在性具有前提:在“|”后者边缘密度不为0的情况下才有条件概率密度
其实质是关于“|”之前的项的概率密度(|前为变量,|后看作常量)
相关题目
 
常见二维连续型随机变量
二维均匀分布
(二维为面积的倒数);
(x,y)服从均匀分布,且其是几何概型->在区域D上对函数作二重积分,如果是一些特殊区域,可以直接转化为求面积(如三角、梯形等)
二维正态分布
ρ是x,y的相关系数,μ1,μ2是期望,δ1^2,δ2^2是方差
二维正态的性质
 
小结

相互独立的随机变量
与事件独立相对应
X,Y分别表示的事件之间是独立的
离散型

连续型

两个随机变量的函数的分布
问题描述:已知(X,Y)分布,Z=g(x,y)->求Z分布
题型:
两个随机变量和、商、积的分布
公式汇总

相关题目
离散型:  和(连续型):   商(连续型): 
最大值、最小值的分布(连续型)
公式汇总

相关题目
 
第四章 随机变量的数字特征
数学期望(E)
E的含义:R.V取值的平均值
一维离散型/二维离散型

一维连续型/二维连续型

随机变量的函数的数学期望

一维

二维

算利润等时,可对期望求导接着算出最大值
数学期望的相关性质

方差(D)
定义

D(X)越小,X取值越集中在E(X)附近;D(X)越大,X取值越分散
计算
离散型

连续型

方差的相关性质


常见随机变量的数学期望和方差
熟记
0-1分布
二项分布
泊松分布
几何分布
均匀分布
指数分布
正态分布
数学期望与方差的比较

切比雪夫不等式:
其常用于估算

协方差(Cov)
其本质也是期望,是[X-E(x)][Y-E(y)]的期望:
公式:Cov(X,Y) = E(XY) - E(X)E(Y)
可以先算EX,EY;再算EXY。可以一定程度上减少计算量(指EX或EY等于0)
可以使用Cov来计算EXY
性质:
1.Cov(aX,bY) = abCov(X,Y)
2.Cov(X,Y) = Cov(Y,X);Cov(X,c) = 0
其中的a,b,c是常数
3.Cov(X1+X2,Y) = Cov(X1,Y) + Cov(X2,Y)可以无条件分配
4.Cov(X,X) = D(X)
5.D(X+Y)=D(X)+D(Y)+2Cov(X,Y) ; Cov(X,X) = D(X)
相关系数ρxy
定义形式:协方差/X,Y标准差之积:
性质:
1.相关性小于等于1:
2.充要条件:
3.正相关与负相关
 
不相关与独立的关系:
X,Y相互独立

相互独立=>不相关;相关=>不独立
特殊结论:其前提为X,Y~N,则XY相互独立<=>X与Y不相关
X,Y不相关

协方差及相关系数小结

矩、协方差矩阵
矩
k阶矩

k阶中心矩

k+l阶混合矩

k+l阶混合中心矩

协方差矩阵(二维)
矩阵中的四个二阶中心矩

形式

n维随机变量的协方差矩阵
第五章 大数定律及中心极限定律
最主要的两个定理: ①  ② 
大数定律
切比雪夫大数定理
条件:相互独立;同分布;期望存在,方差存在
伯努利大数定理
辛钦大数定理
与切比雪夫相对比,不要求DX存在,又称弱大数定理
作用:大数定理讨论随机变量之和与其期望的关系
中心极限定理
棣莫弗-拉普拉斯中心极限定理
列维-林德伯格中心极限定理(实际上是上一中心极限定理的一般形式)
要求:独立同分布,具有期望与方差
作用:讨论随机变量之和的近似分布问题
近似为正态分布
题型
1.切比雪夫不等式
要求期望方差均存在
解题思路:1.找到需要的R.U 2.求出E,D3.写出不等式形式4.对比,求P,数字特征
2.大数定理
判定是否满足大数定理:直接验证条件即可
根据收敛关系求收敛值,以及当中的一些参数
解题思路:1.先找随机变量2.找E(R.U)3.对比定理/写出定理(依概率收敛为其期望)
主要还是考E的求解
3.中心极限定理
判定是否满足,验证条件
求P,求参数
解题思路:1.找随机变量2.算E,D3.写出X~N4.对比定理
A,P(A)
R.V类型的区分
离散型
其取值可列可数
其分布为概率分布(分布律)
其函数形式为阶梯形(Fx的区间左闭右开)

连续型
其取值为一个区间
其分布为概率密度
其函数形式为连续的
混合型
区分特征为以上两种的混合
性质:1.非负。2.所有点值之和为1 <=> Pk为x的概率分布的充分必要条件
B包含于A,则P(A-B)=P(A)-P(B)且 P(B)<=P(A).
概率为0或1的事件与任何事件都是相互独立的
概率的重要性质和公理化定义
 
事件的关系

事件包含
事件相等
事件互斥
注:对立一定互斥,互斥不一定对立
对立比互斥多了一个A U B = S
对立(互逆)事件->补集