条件概率
一些概率的概念
①先验概率:可以理解为我们在这个事件发生之前,估计事件发生生的概率,如:掷硬币正面向上的概率为0.5,反面向上的概率为0.5。
②条件概率:在已知某种条件的情况下,事件发生的概率,如:已知我们的硬币两面都是正面,那么我们掷硬币正面朝上的概率为1,反面朝上为0。
③后验概率:后验概率属于条件概率,但从逻辑上同先验概率相区分,后验概率可以理解为事情已经发生,求这件事情是由某个因素导致的可能性的大小。如:已知两次掷硬币都是正面(事情已经发生),那么第二次掷硬币是正面的概率为1,反面为0(导致事件的因素的概率)。
全概率公式
如果事件构成一个完备事件组,即它们两两互不相容,其和为全集,则对于任意事件A有:
贝叶斯公式
通过贝叶斯公式,我们可以将后验概率通过条件概率和先验概率表示,达到由结果推导事件起因的目的。
数字特征
数学期望
离散型分布:
连续型分布:
方差
标准差:
协方差
协方差矩阵:
其中:
矩
X的k阶矩:
X的k阶中心距:
X和Y的k+l混合矩:
X和Y的k+l混合中心距:
概率密度函数
均匀分布
X在区间(a,b)上服从均匀分布,数学表示:
概率密度函数:
分布函数:
数字特征:
指数分布
X服从参数为的指数分布,数学表示:
,其中
为常数。
在部分教材中也会写为X服从参数为的指数分布:数学表示为:
,其中
。
概率密度函数:
分布函数:
数学特征:
高斯分布(正态分布)
X服从均值为方差为
的高斯分布,数学表示:
。
概率密度函数:
分布函数:
数学特征:
伽马分布
X服从形状参数为尺度参数为
的伽马分布,数学表示:
。
概率密度函数:
其中,当为整数时:
当为任意复数时:
伽马函数具有几个特例:
数字特征:
频率与概率
当样本数足够多的时候,我们可以将事件A发生的频率近似的认为是事件A发生的概率,即:
代表事件A在总计n次实验中发生的次数,
为事件A发生的频率,当n趋近于无穷时,事件A发生的频率就等于事件A发生的概率p(A)
伯努利大数定律
当实验次数趋于无穷时,事件A发生的频率依概率收敛于事件A发生的概率。
辛钦大数定律
独立同分布
对于无穷多个独立同分布实验,实验结果的平均值依概率收敛于分布X的数学期望,即:
中心极限定律
独立同分布,
,
。
在上式中x代表概率函数中的参数,而X_i代表事件,切记不要混淆。