【数一】【概率论与数理统计】
概率论与数理统计
- 1. 概率论
- 1.1. 古典概率论
- 1.1.1. 基础概念
- 1.1.2. 事件关系与运算法则
- 1.1.3. 概率的定义
- 1.1.4. 古典概型
- 1.1.5. 几何概型
- 1.1.6. 概率的基本性质和公式
- 1.1.7. 独立性
- 1.2. 近代概率论
- 1.2.1. 随机变量
- 1.2.1.1. 一维随机变量
- 1.2.1.2. 二维随机变量
- 1.2.2. 数字特征
- 2. 数理统计
1. 概率论
1.1. 古典概率论
1.1.1. 基础概念
1、随机试验
满足以下 3 3 3 个条件的试验,称为随机试验,简称试验:
- 相同条件下可重复
- 结果不唯一且可知
- 结果事先不可确定
2、随机事件
试验的结果称为随机事件,简称事件,用大写字母表示。
- 必然事件:试验中必然发生的事件,记为 Ω \varOmega Ω
- 不可能事件:试验中必然不发生的事件,记为 Ø \text{\O} Ø
3、样本空间
试验的每一个可能结果,称为样本点,记为 ω \omega ω
样本点的全体集合,称为样本空间,记为 Ω \varOmega Ω,即 Ω = { ω } \varOmega=\{\omega\} Ω={ω}
一个样本点称为一个基本事件
随机事件由若干基本事件组成
1.1.2. 事件关系与运算法则
1、关系
- 包含:若事件 A A A 发生必导致事件 B B B 发生,则称事件 B B B 包含事件 A A A,记为 A ⊂ B A\sub B A⊂B
- 相等: ( A ⊂ B ) ∧ ( B ⊂ A ) ⇔ ( A = B ) ( A\sub B) \wedge (B \sub A) \hArr (A=B) (A⊂B)∧(B⊂A)⇔(A=B)
- 相容: A ∩ B ≠ Ø A \cap B \not= \text{\O} A∩B=Ø
- 互斥: A ∩ B = Ø A \cap B = \text{\O} A∩B=Ø
- 对立: ( A ∩ B = Ø ) ∧ ( A ∪ B = Ω ) (A \cap B = \text{\O})\wedge(A \cup B= \varOmega) (A∩B=Ø)∧(A∪B=Ω)
差事件: 称 “事件 A A A 发生而事件 B B B 不发生” 的事件为差事件,记为 A − B A-B A−B
逆事件: 称 “事件 A A A 不发生” 的事件,为事件 A A A 的逆事件,记为 A ‾ \overline{A} A
2、运算法则
- 吸收律: ( A ⊂ B ) ⇔ ( A ∪ B = B ) ∧ ( A ∩ B = A ) (A\sub B)\hArr(A\cup B=B)\wedge(A\cap B=A) (A⊂B)⇔(A∪B=B)∧(A∩B=A)
- 交换律: A ∪ B = B ∪ A A \cup B = B \cup A A∪B=B∪A, A ∩ B = B ∩ A A\cap B=B\cap A A∩B=B∩A
- 结合律: ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) (A\cup B)\cup C=A\cup(B\cup C) (A∪B)∪C=A∪(B∪C), ( A ∩ B ) ∩ C = A ∩ ( B ∩ C ) (A\cap B)\cap C=A\cap(B\cap C) (A∩B)∩C=A∩(B∩C)
- 分配律: A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) A\cap(B\cup C)=(A\cap B)\cup(A\cap C) A∩(B∪C)=(A∩B)∪(A∩C), A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) A\cup(B\cap C)=(A\cup B)\cap(A\cup C) A∪(B∩C)=(A∪B)∩(A∪C), A ∩ ( B − C ) = ( A ∩ B ) − ( A ∩ C ) A\cap(B-C)=(A\cap B)-(A\cap C) A∩(B−C)=(A∩B)−(A∩C)
- 对偶律: A ∪ B ‾ = A ‾ ∩ B ‾ \overline{A\cup B}=\overline{A}\cap\overline{B} A∪B=A∩B, A ∩ B ‾ = A ‾ ∪ B ‾ \overline{A\cap B}=\overline{A}\cup\overline{B} A∩B=A∪B
1.1.3. 概率的定义
1、描述性定义
略
2、统计性定义
用频率表示概率,记为 p = k n p=\cfrac{k}{n} p=nk,其中 k k k 表示若干次试验中事件 A A A 发生的次数, n n n 表示试验的次数
3、公理化定义
设试验的样本空间为 Ω \varOmega Ω,若对任意事件 A A A 都有一个确定的实数 P ( A ) P(A) P(A),且事件函数 P ( ⋅ ) P(\cdot) P(⋅) 满足:
- 非负性: P ( A ) ⩾ 0 P(A)\geqslant 0 P(A)⩾0
- 规范性: P ( Ω ) = 1 P(\varOmega)=1 P(Ω)=1
- 可列可加性: P ( ⋃ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) P(\displaystyle\bigcup_{i=1}^{\infin} A_i)=\displaystyle\sum_{i=1}^{\infin}P(A_i) P(i=1⋃∞Ai)=i=1∑∞P(Ai)
则称 P ( ⋅ ) P(\cdot) P(⋅) 为概率, P ( A ) P(A) P(A) 为事件 A A A 的概率
注: 概率的公理化定义,是近代概率论理论系统的基础
1.1.4. 古典概型
性质
- 有限性
- 等可能性
基本公式
P ( A ) = k n P(A)=\cfrac{k}{n} P(A)=nk
方法
- 列举法:适用范围:基本事件(样本点)数量较少
- 集合对应法:
- 2.1. 加法原理: ∑ i = 1 n m i \displaystyle{\sum_{i=1}^n}m_i i=1∑nmi, n n n 类方法,每类 m m m 种方法
- 2.2. 乘法原理: ∏ i = 1 n m i \displaystyle{\prod_{i=1}^n}m_i i=1∏nmi, n n n m m m
- 2.3. 排列: P n m = n ! ( n − m ) ! P_n^m=\cfrac{n!}{(n-m)!} Pnm=(n−m)!n!,从 n n n 个不同样本点中取出 m m m 个样本点,考虑样本点的位序
- 2.4. 组合: C n m = n ! m ! ( n − m ) ! C_n^m=\cfrac{n!}{m!(n-m)!} Cnm=m!(n−m)!n!,从 n n n 个不同样本点中取出 m m m 个样本点,不考虑样本点的位序
注: 逆数法:直接求 P ( A ) P(A) P(A) 不容易的时候,可以逆向思维,求 1 − P ( A ‾ ) 1-P(\overline{A}) 1−P(A)。常常用于求带有 “至少”、“至多” 的事件概率
1.1.5. 几何概型
性质
- 可度量性:样本空间 Ω \varOmega Ω 是一个可度量的有界区域
- 等可能性:每个样本点发生的可能性都一样
基本公式
P ( A ) = A 的几何度量 Ω 的几何度量 , A = { 样本点落入区域 A } , S A ⊂ Ω P(A)=\dfrac{A的几何度量}{\varOmega\ 的几何度量},A=\{样本点落入区域A\},S_A \sub \varOmega P(A)=Ω 的几何度量A的几何度量,A={样本点落入区域A},SA⊂Ω
1.1.6. 概率的基本性质和公式
1、性质
- 有界性: ∀ A ⇒ 0 ⩽ P ( A ) ⩽ 1 \forall A \Rarr 0\leqslant P(A)\leqslant 1 ∀A⇒0⩽P(A)⩽1,
P ( Ø ) = 0 P(\text{\O})=0 P(Ø)=0, P ( Ω ) = 1 P(\varOmega)=1 P(Ω)=1 - 单调性: A ⊂ B ⇒ P ( B − A ) = P ( B ) − P ( A ) ⇔ P ( A ) ⩽ P ( B ) A\sub B\Rarr P(B-A)=P(B)-P(A)\Harr P(A)\leqslant P(B) A⊂B⇒P(B−A)=P(B)−P(A)⇔P(A)⩽P(B)
公式
- 求逆公式: P ( A ‾ ) = 1 − P ( A ) P(\overline{A})=1-P(A) P(A)=1−P(A)
- 加法公式: P ( A 1 + A 2 ) = P ( A 1 ) + P ( A 2 ) − P ( A 1 A 2 ) P(A_1+A_2)=P(A_1)+P(A_2)-P(A_1A_2) P(A1+A2)=P(A1)+P(A2)−P(A1A2)
P ( A 1 + A 2 + A 3 ) = P ( A 1 ) + P ( A 2 ) + P ( A 3 ) − P ( A 1 A 2 ) − P ( A 1 A 3 ) − P ( A 2 A 3 ) + P ( A 1 A 2 A 3 ) P(A_1+A_2+A_3)=P(A_1)+P(A_2)+P(A_3)-P(A_1A_2)-P(A_1A_3)-P(A_2A_3)+P(A_1A_2A_3) P(A1+A2+A3)=P(A1)+P(A2)+P(A3)−P(A1A2)−P(A1A3)−P(A2A3)+P(A1A2A3) - 减法公式: P ( A 1 − A 2 ) = P ( A 1 ) − P ( A 1 A 2 ) = P ( A 1 A 2 ‾ ) P(A_1-A_2)=P(A_1)-P(A_1A_2)=P(A_1\overline{A_2}) P(A1−A2)=P(A1)−P(A1A2)=P(A1A2)
- 条件概率公式: P ( B ∣ A ) = P ( A B ) P ( A ) , P ( A ) > 0 P(B|A)=\dfrac{P(AB)}{P(A)},\ P(A)>0 P(B∣A)=P(A)P(AB), P(A)>0
- 乘法公式: P ( A B ) = P ( A ) P ( B ∣ A ) , P ( A ) > 0 P(AB)=P(A)P(B|A),\ P(A)>0 P(AB)=P(A)P(B∣A), P(A)>0
- 全概率公式:
P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B)=\displaystyle{\sum_{i=1}^n}P(A_i)P(B|A_i) P(B)=i=1∑nP(Ai)P(B∣Ai) ⋃ i = 1 n A i = Ω \displaystyle\bigcup_{i=1}^{n}A_i=\varOmega i=1⋃nAi=Ω, A i A j = Ø ( i ≠ j ; i , j = 1 , 2 , … , n ) A_iA_j=\text{\O}(i\not=j;i,j=1,2,\dots,n) AiAj=Ø(i=j;i,j=1,2,…,n), P ( A i ) > 0 P(A_i)>0 P(Ai)>0, B = ⋃ i = 1 n A i B B=\displaystyle\bigcup_{i=1}^{n}A_iB B=i=1⋃nAiB - 贝叶斯公式: P ( A j ∣ B ) = P ( A j ) P ( B ∣ A j ) ∑ i = 1 n P ( A i ) P ( B ∣ A i ) , ( j = 1 , 2 , … , n ) P(A_j|B)=\dfrac{P(A_j)P(B|A_j)}{\displaystyle{\sum_{i=1}^n}P(A_i)P(B|A_i)},\ (j=1,2,\dots,n) P(Aj∣B)=i=1∑nP(Ai)P(B∣Ai)P(Aj)P(B∣Aj), (j=1,2,…,n)
⋃ i = 1 n A i = Ω \displaystyle\bigcup_{i=1}^{n}A_i=\varOmega i=1⋃nAi=Ω, A i A j = Ø ( i ≠ j ; i , j = 1 , 2 , … , n ) A_iA_j=\text{\O}(i\not=j;i,j=1,2,\dots,n) AiAj=Ø(i=j;i,j=1,2,…,n), P ( A i ) > 0 P(A_i)>0 P(Ai)>0, P ( B ) > 0 P(B)>0 P(B)>0
1.1.7. 独立性
1、事件的独立性
- 直观性定义:设 A 、 B A、B A、B 为两个事件,若其中任何一个事件发生的概率不受另外一个事件发生与否的影响,则称事件 A A A 与 B B B 相互独立
- 公式化定义:若 P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B),则称事件 A A A 与 B B B 相互独立
A 、 B 、 C A、B、C A、B、C 两两独立
{ P ( A B ) = P ( A ) P ( B ) P ( A C ) = P ( A ) P ( C ) P ( B C ) = P ( B ) P ( C ) \begin{cases} P(AB)=P(A)P(B) \\ \\ P(AC)=P(A)P(C) \\ \\ P(BC)=P(B)P(C) \end{cases} ⎩ ⎨ ⎧P(AB)=P(A)P(B)P(AC)=P(A)P(C)P(BC)=P(B)P(C)
A 、 B 、 C A、B、C A、B、C 相互独立
{ P ( A B ) = P ( A ) P ( B ) P ( A C ) = P ( A ) P ( C ) P ( B C ) = P ( B ) P ( C ) P ( A B C ) = P ( A ) P ( B ) P ( C ) \begin{cases} P(AB)=P(A)P(B) \\ \\ P(AC)=P(A)P(C) \\ \\ P(BC)=P(B)P(C)\\ \\ P(ABC)=P(A)P(B)P(C) \end{cases} ⎩ ⎨ ⎧P(AB)=P(A)P(B)P(AC)=P(A)P(C)P(BC)=P(B)P(C)P(ABC)=P(A)P(B)P(C)
1.2. 近代概率论
1.2.1. 随机变量
1.2.1.1. 一维随机变量
1.2.1.2. 二维随机变量
1.2.2. 数字特征
2. 数理统计
【数一】【概率论与数理统计】相关推荐
- 概率统计在计算机中的重要性,概率论与数理统计在数一、数三中的重要性
概率论与数理统计在数学一.三的试卷中所占的比例均为22%,通过对2005-2014年考研的整理,将题目按照章节知识分类,统计得到如下各个章节在近十年出现的题目数量以及相应的分数,见下表: 注:黑色数字 ...
- [概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量
[概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量 离散型随机变量的基本概念 Bernoulli分布与二项分布 超几何分布 几何分布 Poisson分布 离散型随机变量的基本概念 定义3.1 ...
- [概统]本科二年级 概率论与数理统计 第一讲 古典概型
[概统]本科二年级 概率论与数理统计 第一讲 古典概型 古典概型 排列组合复习 组合恒等式的例题 古典概型的例题 事件概率的性质 条件概率与独立性 全概率公式与贝叶斯公式 事件概率的例题 打算这两年写 ...
- 概率与统计在计算机应用,计算机技术在概率论和数理统计中的应用
计算机技术在概率论和数理统计中的应用 (5页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 19.90 积分 概率论与数理统计 期中论文计算机技术在概率论和 ...
- 概率论 方差公式_【考研数学】概率论与数理统计
总论:概率论与数理统计这门课程,在考研真题中的难度是相对较小的:但由于它的概念繁杂,计算量较大,尤其是统计部分,很多同学在初学的时候都会被唬住,有的甚至放弃学概率.这种状态是要不得的,因为我总结这门课 ...
- 概率论由相关性求数学期望和方差的公式_2020.3.30 | 考研数学—概率论与数理统计:各章节考试重点...
考研数学有两大重点,基础要打好,练习要多做,错题要巩固.下面来看下有关概率论与数理统计相关复习内容,一起来学习吧! 一.概率与数理统计学科的特点(1)研究对象是随机现象高数是研究确定的现象,而概率研究 ...
- 概率论与数理统计——多方法解决-双样本方差的F检验-Excel/SPSS
本篇将结合一个例题,借助Excel工具和SPSS,分别从不同的拒绝域位置和利用不同的函数,多方法地总结双样本的F检验的思路和方法. 参数假设检验的内容请参考<概率论与数理统计--参数假设检验&g ...
- 概率论与数理统计学习笔记(6)——分布律,分布函数,密度函数
对了宝贝儿们,卑微小李的公众号[野指针小李]已开通,期待与你一起探讨学术哟~摸摸大! 目录 1 离散型随机变量 1.1 (0-1)分布 1.2 伯努利试验 1.3 二项分布 1.4 几何分布 1.5 ...
- matlab 数理统计,概率论和数理统计(matlab应用)1
概率论和数理统计(matlab应用)1 (2006-04-29 08:53:49) 12.1 概 述 自然界和社会上会发生各种各样的现象,其中有的现象在一定条件下是一定要发生的,有的则表现出一定的随机 ...
最新文章
- 树莓派实现人脸识别需要做的那些事
- Skype For Business 2015实战系列6:后端数据库安装CU6补丁
- DeepMind哈萨比斯对话哈里王子:2018年AI最大的突破在生物或化学 2017-12-29 新智元 新智元报道 编辑:刘小芹 胡祥杰 【新智元导读】BBC 电台第四台连续第14年在
- linux-shell命令之chgrp(change group)【更改群组】
- DOM-4 【utils/待讲评】节点创建删除、元素属性设置获取、节点属性
- lamp和php,[LAMP]Apache和PHP的结合
- Dubbo是如何进行远程服务调用的?(源码流程跟踪)
- python中为什么不支持char_python支持char吗
- 一条SQL完成跨数据库实例Join查询
- 【李宏毅2020 ML/DL】P16 PyTorch Tutorial | 最后提及了 apex.amp
- 牛客网编程练习之编程马拉松:发工资
- 计算机基础是五笔吗,计算机基础 五笔一.ppt
- 从实例学Kettle(一):获取股票行情数据
- 区块链马拉松|Blockathon(2018)上海站开放报名(HiBlock)
- 学习github的网站
- linux无法识别m2固态,主板识别不出m.2固态硬盘怎么办|笔记本电脑无法识别m.2固态硬盘解决方法-系统城...
- AutoJs学习-2048全自动
- 杨辉三角循环队列实现(数据结构c语言版)
- 小程序容器助力车企抢滩智慧车载新生态
- 咸鱼的 GitHub 情报 | 20200111 期