【概率统计】(在更)
概率统计(在更)
- 一:
- 二:
- 三:
- 四:随机变量+分布
- 1.随机变量+分布函数
- 2.离散型随机变量:
- 3.连续型随机变量
- 4.
- 五:
- 六:
- 七:随机变量的数字特征
- (一)数学期望+中位数
- (二)方差+标准差
- (三)协方差+相关系数
- (四)切比雪夫不等式+大数律
- (五)中心极限定理
参考:工程数学 概率统计简明教程(第二版)同济大学数学系编
一:
二:
三:
四:随机变量+分布
1.随机变量+分布函数
1.随机变量:
随机+变量
——> 将随机事件结果
存入到变量
中
例子:
1.题目描述:在
系统{m个红球+n个白球}
中,随机取一球,观察该球的颜色是什么。
步骤:
1.
明确随机事件的结果:一个球的颜色(一个颜色
)
所以得出该试验的样本空间:{红 红 红...(共n个);白 白 白...(共n个)}
2.
我们可以这样数量化
随机事件结果类型:
——0:结果抽到一个红球
——1:结果抽到一个白球
3.
定义一个变量X,去存放上面的0和1,也就是X=0,1
4.
重新表示随机事件:
——p(X=0) = p(抽到白球)
——p(X=1) = p(抽到红球)
注意:新手不要把X=1的形式看作是一个数值,而应看作是一个随机事件,当遇到P(X≥x) 的形式,应该把X≥x看成一个事件的集合,即很多个事件的组合!
2.随机变量的分布函数:
拿一个函数来用作
分布函数
:F(x)∈【0,1】,其中,x∈R
其中:F(x)=p(X≤x),
也就是说,F(x)的值其实就是一堆事件
的概率。
之所以称为“分布函数
”,是因为需要将概率P(X)映射到二维坐标中
即X≤x 的事件
的确定取决于自变量x
,其中x经常以X的值进行划分区间
例子:
题目:设X= -1,2,3,且可求出p(X=-1)=1/6;p(X=2)=1/2;p(X=3)=1/3; 求X的分布函数:
步骤:
1.
用X对x划分3+1个区间:x<-1 ; -1≤x<2 ; 2≤x<3 ; x≥3
2.
当x<-1 时 :F(x)=p(X≤x)
=0(不可能事件)
3.
当-1≤x<2 时 :F(x)=p(X≤x)
=p(X=-1)
4.
当 2≤x<3 时 :F(x)=p(X≤x)
=p(X=-1)+p(X=2)
5.
当 x≥3 时 :F(x)=p(X≤x)
=1(必然事件)
6.
用大括号表示分布函数即可。
巩固:
如果已知F(x),让你求p(a<X≤b):
步骤:
1.
解读:我们知道a<X≤b表示一个范围内的事件(事件集合),
2.
所以,如果你做这样的假设:{a<X≤b} + {X≤a} = {X≤b} 是成立的。你可以画一个数轴鉴定一下。
那为这么要做这样的假设?因为我们的分布函数需要X≤b
那么:p(a<X≤b) = p(X≤b) - p(X≤a)
3.
由画分布函数图我们可以看得出来:p(X≤b) = F(b)
所以答案就是:p(a<X≤b) = p(X≤b) - p(X≤a) =F(b) - F(a)
2.离散型随机变量:
像上面的形式,就是离散型变量,即X的取值是断点,而不是一整个区间。所以离散型随机变量其实我们就讲完了。
下面补充2个知识点:
1.通常我们用一个表来表示X和P的值(X的分布律):
X | x1 | x2 | … | xn |
---|---|---|---|---|
P | p1 | p2 | … | pn |
其中,概率p的总和=1,这个方程也会有用,毕竟是一个方程。
2.常用的离散分布模型:
1. 泊松分布
:公式百度
2. 0-1分布
:你懂的
3.二项分布
:最常用—— 记作:X~B(n,p),公式百度
4.几何分布
:百度
5.超几何分布
:百度
3.连续型随机变量
引言:
还记得这个求法吗:当 2≤x<3 时 :
F(x)=p(X≤x)
=p(X=-1)+p(X=2)
此时,X是点值。
即:需要把区间【2,3】内所有的X事件的概率加起来。这时,因为
X的数值是离散的
,所以对应的概率也是离散的
,所以需要一个一个加。
但如果X的取值是连续
的呢?不再是一个点值,而是一个区间,那么,此时X取点值的概率就等于0。为什么呢?因为你在连续的世界使用离散,就相当于不可能事件,所以概率为0。后面就需要使用微积分的知识
了。
补充微积分小知识:
学过微积分的你,至少要明白:
求微分:
本质上就是求原函数的导数
求积分:
本质上就是求导数的原函数
定积分用来求和,它表示求每一小块面积:高f(x)·宽△x,并加起来
并记住它的形式:
∫下限上限f(x)dx.\int_{下限}^{上限} f(x)dx\,. ∫下限上限f(x)dx.
当下限是常数,但上限是变量x(已默认:上限>下限),那么这个定积分将是不固定的。也就是它由一个值变成了一个函数:
令F(x)=∫下限xf(t)dt.令F(x) = \int_{下限}^{x} f(t)dt\,. 令F(x)=∫下限xf(t)dt.
每当上限的值一改变,那么这个定积分就对应改变。所以说,原本定积分本来只是一个值(累加的一个结果),但是,当你把上限变成一个变量(下限固定为常数),那么这就不再是一个定积分,而是一个函数(即一个集合)。
——————————————————
上面所说的这个新的函数非常重要(记为F(x)),因为它跟被积函数f(x)有关系:F(x)' = f(x)
, (x∈(下限,x的最大值))
你没看错,就是导数关系
别跑题了——>连续型随机变量:
通过上面的了解,我们做下面几个约定:
1.如果F(x)是一个随机变量的分布函数,即:F(x)=P(X≤x) ∈[0,1]
2.那么F′(x)=(∫下限xf(t)dt)′=f(x).F'(x) = {(\int_{下限}^{x} f(t)dt)}'=f(x)\,. F′(x)=(∫下限xf(t)dt)′=f(x).
此时,称:f(x)也就是导数为随机变量X的概率密度函数
(简称:密度函数
)
新手可能会混乱的区别:
1.
∫常数下限xf(t)dt)=?\int_{常数下限}^{x} f(t)dt)=? ∫常数下限xf(t)dt)=?
2.
F(x)=?F(x) = ? F(x)=?
3.
f(x)=?f(x) = ? f(x)=?
自己从上面找答案并区别开。
有什么用:
从上面我们看得出来:
F(x)=P(X≤x)=∫下限xF(x)′dt=∫下限xf(x)dt.F(x) =P(X≤x)= \int_{下限}^{x} F(x) 'dt=\int_{下限}^{x} f(x) dt\,. F(x)=P(X≤x)=∫下限xF(x)′dt=∫下限xf(x)dt.
F(a)=P(X≤a)=∫下限aF(x)′dt=∫下限af(x)dt.F(a) =P(X≤a)= \int_{下限}^{a} F(x) 'dt=\int_{下限}^{a} f(x) dt\,. F(a)=P(X≤a)=∫下限aF(x)′dt=∫下限af(x)dt.
F(b)=P(X≤b)=∫下限bF(x)′dt=∫下限bf(x)dt.F(b) =P(X≤b)= \int_{下限}^{b} F(x) 'dt=\int_{下限}^{b} f(x) dt\,. F(b)=P(X≤b)=∫下限bF(x)′dt=∫下限bf(x)dt.
所以,引入密度函数f(x)其实是用来求分布函数F(x)的。
下面重复几个前面初略涉及过的结论:
1.
F(x)=P(X≤x),因为所以概率P总和=1,所以所有的F(x)的值加起来是1即:∫−∞+∞F(x)′dt=∫−∞+∞f(x)dt=1.即:\int_{-∞}^{+∞} F(x) 'dt=\int_{-∞}^{+∞} f(x) dt=1\,. 即:∫−∞+∞F(x)′dt=∫−∞+∞f(x)dt=1.
2.
密度函数f(x)可以看作是一个个概率,因为它的积分是所有概率之和。
——所以f(x)必须≥0
3.
因为:p(a<X≤b) = p(X≤b) - p(X≤a) =F(b) - F(a)
所以:p(a<X≤b))=∫下限bf(x)dt−∫下限af(x)dt.所以:p(a<X≤b))= \int_{下限}^{b} f(x) dt-\int_{下限}^{a} f(x) dt\,. 所以:p(a<X≤b))=∫下限bf(x)dt−∫下限af(x)dt. 所以:p(a<X≤b)=∫abf(x)dt.所以:p(a<X≤b)= \int_{a}^{b} f(x) dt\,. 所以:p(a<X≤b)=∫abf(x)dt.
好好结合上面的介绍,相信不难看懂!
4.
五:
六:
七:随机变量的数字特征
(一)数学期望+中位数
X | x1 | x2 | … |
---|---|---|---|
P | p1 | p2 | … |
(二)方差+标准差
(三)协方差+相关系数
(四)切比雪夫不等式+大数律
(五)中心极限定理
【概率统计】(在更)相关推荐
- 机器学习中的数学:概率统计
内容亮点 详解 6 大核心板块:概率思想.随机变量.统计推断.随机过程.采样理论.概率模型,筑牢机器学习核心基础. 教你熟练使用 Python 工具库:依托 NumPy.SciPy.Matplotli ...
- Matlab概率统计编程指南
Matlab概率统计编程指南 第4章 概率统计 本章介绍MATLAB在概率统计中的若干命令和使用格式,这些命令存放于MatlabR12\Toolbox\Stats中. 4.1 随机数的产生 4.1.1 ...
- 概率与计算机论文,数学概率统计论文范文
一.引言 如本校数学与应用数学专业和信息与计算科学专业,该课程实践教学主要是利用计算机对理论知识的模拟和实证.这样的实践教学对理论知识的理解有一定的帮助,但对于实际的运用却缺少训练.基于此,在实践教. ...
- 读书笔记:程序员的数学 概率统计
读书笔记:程序员的数学 概率统计 特点 内容 第一.二章 概率定义 多随机变量 第三.四章 离散.连续分布 第五章 协方差矩阵与多元正态分布 第六.七章 估计与检验 伪随机数 第八章 各类应用 体会 ...
- Python--抽奖概率统计测试
背景:有个抽奖相关的需求,其中给定虚拟奖品的概率是95%,实物奖品的概率是5%,实物中又有很多价值不等的礼物,概率也不一样.想着写个脚本,把抽到的奖品记录下来,然后计算整体的抽奖概率. 写这个抽奖概率 ...
- matlab在概率统计中的应用
概率统计 1.产生随机变量 binornd(n,p) 生成服从二项分布的随机数 normrnd(mu,sigma) 2.概率密度计算 3.累计概率分布 cdf 4.统计特征 平均值 中位数 排序 方差 ...
- 《程序员的数学》第二册 (概率统计)
<程序员的数学>第二册 (概率统计) <程序员的数学>第二册 (概率统计) 概率的定义 概率的数学定义 三扇门(蒙提霍尔问题)一一飞艇视角 蒙提霍尔问题 正确答案与常见错误 以 ...
- 概率统计16——均匀分布、先验与后验
相关阅读: 最大似然估计(概率10) 重要公式(概率4) 概率统计13--二项分布与多项分布 贝叶斯决策理论(1)基础知识 | 数据来自于一个不完全清楚的过程-- 均匀分布 简单来说,均匀分布是指事件 ...
- 深度学习中需要掌握的数学1之概率统计
深度学习中需要掌握的概率统计 1.常见的概率分布 1.1伯努利分布(二值分布,0-1分布) 1.2二项分布(离散的) 1.3均匀分布 1.4`高斯分布`(连续) 2.独立事件的解释 3.多变量概率分布 ...
- 宋浩 概率统计 笔记_梅花生物的涨跌幅概率统计,及最佳网格策略
作者:鞅祸遗民,来源优财助手投稿 远远妈写过一篇文章<长期投资年化收益率如何做到 10%+>,讲述了低风险股票买卖投资策略中短线买卖仓位套利模式: - 10% 的资金,用类似于网格或箱体交 ...
最新文章
- 提高SQL的查询效率
- Nginx——域名|端口|目录请求转发配置DEMO
- Golang之变量去哪儿
- SAP C4C里嵌入SAP Analytics Cloud的案例
- Maven--反应堆(Reactor)
- 软考信息系统项目管理师_信息化与信息系统3_软件工程_新一代信息技术---软考高级之信息系统项目管理师005
- abap调vb写的dll实现电子天平的读数(带控件版)
- ESP32驱动LCD液晶屏选型、262K什么意思?SPI写LCD的GRAM时序、MCU液晶屏驱动IC的寄存器功能
- HDU1240 POJ2225 Asteroids!【BFS】
- 华为hbase二级索引(secondary index)细节分析
- iOS 横竖屏适配 ---masonry
- 获取企业微信code
- 2021阿里巴巴国际站产品关键词来源(二)
- 格杰仁波切:修佛根本在修心…
- lambda分组集合中list和set区别
- python直角坐标转极坐标_Python在OpenCV里实现极坐标变换功能
- 微软确认:从4月13日起,Win10系统将强制卸载旧版Edge浏览器
- Google,微软,科大讯飞的语音识别引擎对比
- ae中计算机打字预设,AE预设-5种科幻标题打字机光标文字输入模拟Web浏览器动画预设Typewriter Text Presets...
- java中list空指针异常,List空指针异常
热门文章
- 金蝶k3数据库服务器信息,金蝶k3如何查询连接的服务器配置
- 微信小游戏 H5 排行榜源码
- 什么是Meta分析异质性,怎么处理Meta分析异质性?看完这篇就够了
- JS简单获取猫眼电影所有城市完整的json数据(包括城市id和城市拼音)
- 【ichart】简单的统计图表ichart.js的使用
- 6.1行为型模式--模板方法模式
- java生成KML文件
- 微信WAP H5支付功能实现
- 内网计算机可以使用键盘,如何在同一个局域网里一套键盘鼠标操作多台电脑?...
- android theme错误,关于android:您需要在此活动中使用Theme.AppCompat主题(或后代)。 更改为Theme.AppCompat会导致其他错误...