概率论和数理统计基本知识.docxVIP

概率论与数理统计基本知识点 概率的基本概念 概率的定义: 在事件上的一个集合函数P，如果它满足如下三个条件： 非负性 正规性 可列可加性 若事件两两互斥 则称P为概率。 几何概型的定义: 若随机试验的样本空间对应一个度量有限的几何区域S，每一基本事件与S内的点一一对应，则任一随机事件A对应S中的某一子区域D。（若事件A的概率只与A对应的区域D的度量成正比，而与D的形状及D在S中的位置无关。）==（每点等可能性）则称为几何概型。 条件概率与乘法公式： 设A,B是试验E的两个随机事件，且,则称为事件B发生的条件下，事件A发生的条件概率。（其中是AB同时发生的概率） 乘法公式： 全概率公式与贝叶斯公式： （全概率公式）定理：设是样本空间Ω的一个划分，，B是任一事件，则有。 （贝叶斯公式）定理：设是样本空间Ω的一个划分，，B是任一事件，则。 事件的独立性： 两事件的独立性：（定义）设A、B是任意二事件，若P(AB)= P(A)P(B)，则称事件A、B是相互独立的。（直观解释）A、B为试验E的二事件，若A、 B的发生互不影响。 随机变量和分布函数: 基本概念: 随机变量的定义:随机变量X是定义于样本空间上的单值实函数。 随机变量 = 变量(函数) + 随机(概率) 分布函数的定义:设是一随机变量，是任意实数，称函数为随机变量X的分布函数。 分布函数的性质： 是个单调不减函数。 ： 是右连续的。 离散型随机变量： 离散型随机变量的定义：若随机变量 X的取值为有限个或可数个，则称X为离散型随机变量。 设为离散型随机变量X的所有可能取值，记称为离散型随机变量X的分布列（或概率分布）。 几种常见的分布： （0-1）分布（伯努力分布、两点分布）：随机变量 X 的所有可能取值为0，1。 二项分布：在n重伯努利试验中，若设X为n次试验中事件A出现的次数，设，则X是一个离散型随机变量，其分布律为：我们称这样的随机变量X服从参数为n,p的二项分布，记为。 泊松分布：设随机变量X的所有可能取值为0，1，2...且其中是常数，则称X服从参数为λ的泊松分布，记为。 连续型随机变量： 连续型随机变量的定义：若X是随机变量，其分布函数为F(x)，如果存在非负函数，使得对于任意实数x，有则称X是连续型随机变量，而称为X的密度函数。 密度函数具有如下的结论： 分布函数与密度函数是求导与求积分的关系： 常用的连续型分布： 均匀分布：若随机变量X的密度函数为，则称X 服从区间[a,b]上的均匀分布，记为。 X的分布函数为： 指数分布：若随机变量X的密度函数为其中x0, 则称X服从参数为的指数分布，记为。 分布函数为 正态分布： 正态分布的定义，其中是常数，则称X服从参数为的正态分布(或高斯分布)，记为。 分布函数为： 性质： p(x)是关于直线x=μ对称的，在x=μ处取得极大值。 σ决定图形的形状：固定μ；σ的值越大，p(x)的图形就越平坦；σ的值越小，p(x)的图形就越陡峭。 μ决定图形的位置：固定σ；μ的值增大，p(x)的图形就向右移动；μ的值减小，p(x)的图形就向左移动。 标准正态分布： 当μ=0,，σ=1时。记为，相应的密度函数以及分布函数分别记为。 定理：设，则 正态分布原则： 随机变量函数的分布: 离散型随机变量函数的分布: x X1 X2 ... X3 p P1 P2 ... P3 设X的分布列为: Y=g(X)为X的函数，则Y的分布列为: Y g(X1) g(X2) ... g(X3) p P1 P2 ... P3 连续型随机变量函数的分布: 设X是连续型随机变量,密度函数为是X的连续函数，则Y也是一个连续型随机变量。计算它的密度函数的步骤如下： 先求Y的取值范围 再利用定义求Y的分布函数， 最后再通过求导得出Y的密度函数。 随机变量的数字特征： 期望的定义: 离散型随机变量的数学期望:设X为离散型随机变量，其分布律为若记则称为随机变量X的数学期望或均值。 几种常见离散型随机变量的数学期望： （0-1）分布：设随机变量X服从，则 二项分布：设随机变量X服从二项分布，，则。 泊松分布：设随机变量X服从泊松分布，则 连续型随机变量的数学期望：设X为具有密度函数p(x)的连续型随机变量，若（存在），记则称为随机变量X的数学期望 几种常见连续型随机变量的数学期望: 均匀分布:设随机变量X服从均匀分布,由定义可知 正态分布:设随机变量,由定义可知。 指数分布：设随机变量，由定义可知。 期望的性质与计算： 随机变量函数的数学期望： 定理1：设X为连续型随机变量，密度函数为,对随机变量X的函数，则。 定理2：设(X, Y)为连续型随机向量,密度函数为。对随机向量的函数，则有。 定理的用处：避免了先求随机变量函数的分布，再利用期望的定义求随机变量函数的期望。 期望的