概率論與數理統計基礎<1>:隨機事件與隨機變量
Part1. 隨機事件
1-1.隨機試驗
隨機試驗:可以在相同條件下重復進行,每次試驗的結果不止一個,事先知道所有可能的結果但不確定是哪一個的試驗。
舉例:重復的拋出一枚均勻的硬幣就是一個隨機試驗,事先知道它的結果,但是不知道究竟是正面還是反面。
1-2.隨機事件
定義1:隨機試驗可能的結果,稱為樣本空間,它的子集就叫做隨機事件。
定義2:在一定條件下,可能發生也可能不發生的事件叫做隨機事件。
舉例:拋出硬幣後可能正面落地,可能反面落地,那麽“拋出硬幣後正面落地”就是一個隨機事件,它可能發生,也可能不發生。
1-3.頻率與概率
頻率:\(n\)次重復試驗,事件A發生的次數為\(n_A\),則\(n_A/n\)
概率:當重復試驗次數n越來越大時,事件A發生的頻率\(n_A/n\)就會越來越穩定於一個常數;當試驗次數趨向無窮大時,頻率就等於這個常數,這個常數就被稱為概率。
概率是一個隨機事件的固有屬性,它代表一個隨機事件發生的可能程度,而頻率是一個隨機事件在一系列試驗中發生的結果情況,是一個統計值。
1-4.古典概型(等可能概型)
古典概型:如果一個隨機試驗的結果有限,並且每一種結果發生的可能性相同,那麽這個概率模型就是古典概型,也稱為等可能概型。
1-5.條件概率與全概率
條件概率:
\[
P(B|A)=\frac{P(AB)} {P(A)}, 其中P(A)>0
\]
事件A發生的情況下事件B發生的概率,稱為條件概率。
全概率:
\[ P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+…+P(A|B_n)P(B_n) \]
其中,\(B_i \cap B_j= \emptyset,i \neq j,i,j=1,2…n;B_1\cup B_2 \cup … \cup B_n = S.\)
1-6.貝葉斯公式
\[
P(B_i|A)=\frac{P(B_iA)}{P(A)}=\frac{P(A|B_i)P(B_i)}{\sum\limits_{j=1}^n{P(A|B_j)P(B_j)}},i=1,2…n.
\]
其中,\(P(A)>0,P(B_i)>0(i=1,2…n)\)
1-7.先驗概率與後驗概率
先驗概率:\(P(Y)\)
後驗概率:\(P(Y|X)\)
先驗概率是事前概率,是歷史數據統計得到的預判概率;後驗概率是一個事件發生後另外一個事件發生的概率,是條件概率。
舉例:
根據歷史統計數據,這個季節下雨的概率為\(P(A)\),而打雷後下雨的概率為\(P(A|B)\),前者為先驗概率,後者為後驗概率。
貝葉斯公式就是一種通過先驗概率計算後驗概率的方法。
1-8.獨立事件
相互獨立:
設A、B是兩個隨機事件,如果滿足\(P(AB)=P(A)P(B)\),則稱A、B相互獨立。
定理1:
設A、B是兩個隨機事件,且\(P(A)>0\),則A、B相互獨立等價於\(P(B|A)=P(B)\)。
如果兩個時間相互獨立,那麽一個事件是否發生對另一個事件發生沒有影響。
定理2:
如果A、B相互獨立,則\(\bar A\)與\(B\)、\(\bar A\)與\(\bar B\)、\(A\)與\(\bar B\)均為相互獨立事件。
推廣到n個事件:
設\(A_1,A_2,……,A_n\)是\(n(n \geq 2)\)個事件,如果其中任意多個事件的積事件的概率,都等於各事件的概率之積,則稱\(A_1,A_2,……,A_n\)相互獨立。
Part2. 隨機變量
2-1.隨機變量
隨機試驗可能的結果形成了樣本空間S,隨機事件就是樣本空間S的某個子集,而樣本空間S中每個元素e都會對應一個實數,這種映射關系可以定義為一個函數f(e),那麽這個函數就c稱為隨機變量。
這樣定義隨機變量:隨機變量是隨機試驗樣本空間上的單值實數函數。
因此,隨機變量的取值是由隨機試驗的結果確定,具有概率性。
舉例:
重復的拋出一枚均勻的硬幣,其結果可能是正面朝上,也可以能是反面朝上,結果可能情況提前知道但不確定具體是哪種結果,所以說,這是一個隨機試驗。
"結果正面朝上"是其中一種結果,是一個隨機事件,可能發生,也可能不發生。
如果定義“拋出一枚硬幣,正面朝上的次數”為X,那麽,“結果正面朝上”時,X=1;“結果反面朝上”時,X=0。那麽X就是一個隨機變量。
2-2.連續型隨機變量與離散型隨機變量
離散型隨機變量:取值可以一一列舉,有限個或者可列舉的無限多個。
連續型隨機變量:取值不能一一列舉,可能取值連續的充滿了某一區間。
2-3.離散型隨機變量的分布律
定義:設離散型隨機變量\(X\)所有可能的取值為\(x_k(k=1,2,…)\),X取各個可能值的概率為:
\[
P\{X=x_k\}=p_k,k=1,2,…
\]其中\(p_k\)滿足兩個條件:1)\(p_k \geq 0,k=1,2…\);2)\(\sum\limits_{k=1}^\infty{p_k}=1\)。
可以將分布律用表格表示:
2-4.隨機變量的分布函數
定義:設X是一個隨機變量,x是任意實數,函數:
\[F(X)=P\{X \geq x\}, -\infty < x < +\infty
\] 稱為\(X\)的分布函數。
有以下性質:
1)對於任意實數,\(x_1,x_2(x_1 \leq x_2)\),有:
\[
P\{x_1< X \leq x_2\}=P\{X \leq x_2\}-P\{X \leq x_1\}=F(x_2)-F(x_1)
\]2)\(F(X)\)是一個不減函數;
3)\(F(-\infty)=0,F(+\infty)=0\);
4)\(F(X)\)是一個右連續函數;
2-5.連續型隨機變量的概率密度函數
對於一個連續型隨機變量\(X\),其分布函數為\(F(X)\),如果存在非負函數\(f(x)\),並且對於任意實數\(x\),有:
\[
F(X)=\int_{-\infty}^x {f(t)}{\rm d}t
\]那麽就稱\(f(x)\)為隨機變量\(X\)的概率密度函數。
有以下性質:
1)\(f(x) \geq 0\);
2)\(\int_{-\infty}^{+\infty} {f(x)}{\rm d}x=1\);
3)對於任意實數\(x_1,x_2(x_1 \leq x_2)\),有\(P\{x_1<X \leq x_2\}=F(x_2)-F(x_1)=\int_{x_1}^{x_2} {f(x)}{\rm d}x\);
4)若\(f(x)\)在點\(x\)處連續,則有\(F‘(X)=f(x)\)。
2-6.重要的隨機變量分布
(1)0-1分布
定義:隨機變量\(X\)只可能取兩個值:0或者1,分布律為:
\[
P\{X=x_k\}=p^k{(1-p)^{1-k}},k=0,1,其中0<p<1.
\]
(2)二項分布
伯努利試驗:某一個試驗只有兩種可能的結果,獨立的進行n次重復試驗,稱為n重伯努利試驗。
兩個特點:1)重復:兩個可能的結果及其概率不變;2)獨立:兩兩試驗之間互不影響。
定義:隨機變量\(X\)表示n重復伯努利試驗中某事件A發生的次數,那麽它的概率為:
\[
P\{X=k\}={n \choose k}{p^k}{(1-p)^{n-k}},k=0,1,…,n
\] 其中,\(p\)為事件A發生的概率。
我們稱\(X\)服從(n,p)的二項分布,當n=1時,即為0-1分布。
(3)幾何分布
定義:隨機變量\(X\)表示n重復伯努利試驗中某事件A第一次發生時的試驗次數,那麽它的概率為:
\[
P\{X=k\}=(1-p)^{k-1}p,k=1,2,…
\] 其中,\(p\)為事件A發生的概率。
我們稱\(X\)服從幾何分布,記為\(X~G(p)\)。
(4)泊松分布
定義:隨機變量X所有可能取值為0,1,2,…,如果各個取值的概率為:
\[
P\{X=k\}=\frac{\lambda ^k{e^{-\lambda}}}{k!},\lambda > 0
\] 則稱隨機變量\(X\)服從泊松分布,記為\(X\)~\(\pi(\lambda)\)。
(5)均勻分布
定義:如果連續型隨機變量X具有概率密度函數:
\[
f(x)=\begin{cases}
\frac{1}{b-a},\quad a \leq x\leq b\0, \quad 其他
\end{cases}
\]則稱\(X\)在區間\([a,b]\)上服從均勻分布,記為\(X\)~\(U(a,b)\)。
均勻分布的概率大小只與區間長度有關,與區間位置無關。
(6)指數分布
定義:如果連續型隨機變量X具有概率密度函數:
\[
f(x)=\begin{cases}
\frac{1}{\theta}e^{-x/\theta},\quad x>0\0, \quad 其他
\end{cases}
\]其中,\(\theta>0\)為常數,則稱\(X\)服從參數為\(\theta\)的指數分布。
具有以下性質:
對於任意的\(s,t>0\),有\(P\{X>s+t|X>s\}=P\{X>t\}\)
(7)正態分布
定義:如果連續型隨機變量\(X\)的概率密度函數為:
\[f(x)= \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2{\sigma}^2}}, -\infty <x< +\infty
\] 其中\(\mu,\sigma(\sigma>0)\)為常數,則稱X服從參數為\(\mu,\sigma\)的正態分布(高斯分布),記為\(X\)~\(N(\mu,{\sigma}^2)\)。
具有以下性質:
1)圖像關於\(x=\mu\)軸對稱,\(x=\mu\)取到最值\(\frac{1}{\sqrt{2\pi}\sigma}\);
2)\(\sigma\)越小,曲線越尖瘦,越大越矮胖。
其分布函數為:
\[
F(X)=\frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^xe^{-\frac{(t-\mu)^2}{2{\sigma}^2}}dt
\]標準正態分布:
當\(\mu=0,\sigma=1\)時,隨機變量X服從標準正態分布。
其概率密度函數為:
\[
f(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}, -\infty <x< +\infty
\]
其分布函數為:
\[
F(X)=\frac{1}{\sqrt{2\pi}} \int_{-\infty}^xe^{-\frac{t^2}{2}}dt
\]
普通正態分布函數轉為標準正態分布函數:
\[
F(X)=\Phi(\frac{X-\mu}{\sigma})
\]
\(3\sigma\)原則:
如果一個隨機變量服從正態分布\(N(\mu,{\sigma}^2)\),那麽其99.74%的概率會分布在\((\mu-3\sigma,\mu+3\sigma)\)範圍內。
Part3. 隨機變量的數學特征
3-1.期望
期望,又稱均值,由隨機變量\(X\)的概率分布確定。
對於一個離散型隨機變量\(X\),其分布律為\(P\{X=x_k\}=p_k,k=1,2,…\),則其期望為:
\[
E(X)=\sum_{k=1}^{+\infty}{x_k}{p_k}
\]
對於一個連續型隨機變量\(X\),其概率密度函數為\(f(x)\),則其期望為:
\[
E(X)=\int_{-\infty}^{+\infty} x{f(x)}dx
\]
期望的性質:
1)設\(C\)為常數,則有\(E(C)=C\);
2)設\(X\)是一個隨機變量,C是常數,則有\(E(CX)=CE(X)\);
3)設\(X,Y\)是兩個隨機變量,則有\(E(X+Y)=E(X)+E(Y)\),可推廣到任意有限個隨機變量之和;
4)設\(X,Y\)是相互獨立的隨機變量,則有\(E(XY)=E(X)E(Y)\),可推廣到任意有限個相互獨立的隨機變量之積。
3-2.方差
方差,用來度量隨機變量X與其均值E(X)之間的偏離程度。D(X)越小代表數據越集中,越大代表數據越分散。
\[
D(X)=Var(X)=E\{[X-E(X)]^2\}
\]
標準差,或稱均方差為\(\sigma(X)=\sqrt{D(X)}\)。
對於一個離散型隨機變量,其方差為:
\[
D(X)=\sum_{k=1}^{+\infty}{[x_k-E(X)]^2{p_k}}
\]
對於一個連續型隨機變量,其方差為:
\[
D(X)=\int_{-\infty}^{+\infty} {[x-E(X)]^2}{f(x)}dx
\]
另外,方差與期望之間有如下關系:
\[
D(X)=E(X^2)-[E(X)]^2
\]
方差的性質:
1)設\(C\)為常數,則\(D(C)=0\);
2)設\(X\)施隨機變量,\(C\)是常數,則有:\(D(CX)=C^2{D(X)}, D(X+C)=D(X)\)
3)設\(X,Y\)是兩個隨機變量,則有\(D(X+Y)=D(X)+D(Y)+2E\{(X-E(X))(Y-E(Y))\}\)
特別地,如果\(X,Y\)相互獨立,則有\(D(X+Y)=D(X)+D(Y)\)。
3-3.協方差與相關系數
二維隨機變量\((X,Y)\),定義隨機變量\(X\)與\(Y\)的協方差:
\[
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}
\] 有以下性質:
1)\(Cov(X,Y)=Cov(Y,X)\)
2)\(Cov(X,X)=D(X)\)
3)\(D(X+Y)=D(X)+D(Y)+2Cov(X,Y)\)
4)\(Cov(X,Y)=E(XY)-E(X)E(Y)\)
5)\(Cov(aX,bY)=abCov(X,Y),a,b\)是常數
6)\(Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_1,Y)\)
定義隨機變量X與Y的相關系數:
\[
\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}
\] 有以下性質:\(|\rho_{XY}| \leq 1\)
\(\rho_{XY}\)是一個可以用來表征\(X,Y\)之間線性關系緊密程度的量。當\(|\rho_{XY}|\)較大時,就認為\(X,Y\)線性相關程度大;\(|\rho_{XY}|\)較小時,就認為\(X,Y\)線性相關程度小;\(|\rho_{XY}|\)為0時,就認為\(X,Y\)不相關;\(|\rho_{XY}|\)為1時,就認為\(X,Y\)完全線性相關。
\(X,Y\)相互獨立時,一定不相關;\(X,Y\)不相關時,則不一定相互獨立。
3-4.原點矩與中心矩
設\(X,Y\)是隨機變量,
k階原點矩:\(E(X^k),k=1,2,…\)
k階中心矩:\(E([X-E(X)]^k),k=2,3,…\)
k+l階混合矩:\(E({X^k}{Y^l}),k,l=1,2,…\)
k+l階混合中心矩:\(E({[X-E(X)]^k}{[Y-E(Y)]^l}),k,l=1,2,…\)
可以看出:期望E(X)是一階原點矩,方差D(X)是而階中心距,協方差Cov(X,Y)是X和Y的二階混合中心矩。
3-5.協方差矩陣
對於二維隨機變量\((X_1,X_2)\),如果它的四個二階中心矩都存在,記為:
\(c_{11}=E\{[X_1-E(X_1)]^2\}\)
\(c_{12}=E\{[X_1-E(X_1)][X_2-E(X_2)]\}\)
\(c_{21}=E\{[X_2-E(X_2)][X_1-E(X_1)]\}\)
\(c_{22}=E\{[X_2-E(X_2)]^2\}\)
將它們排成矩陣形式:
\[
\begin{pmatrix} c_{11} & c_{12}\\ c_{21} & c_{22} \\ \end{pmatrix}
\]
這個矩陣就是隨機變量\((X_1,X_2)\)的協方差矩陣。
推廣到\(n\)維隨機變量\((X_1,X_2,…,X_n)\)的二階混合中心矩,如果:
\(c_{ij}=Cov(X_i,Y_j)=E\{[X_i-E(X_i)][X_j-E(X_j)]\},i,j=1,2,…\)
都存在,則稱矩陣:
\[
\begin{pmatrix}
\begin{array}{cccc}
c_{11} & c_{12} & \dots & c_{1n}\c_{21} & c_{22} & \dots & c_{2n}\\vdots & \vdots & &\vdots\c_{n1} & c_{n2} & \dots & c_{nn}\\end{array}
\end{pmatrix}
\] 為\(n\)維隨機變量\((X_1,X_2,…,X_n)\)的協方差矩陣。
3-5.重要分布的數學特征
0-1分布:期望\(p\)、方差\(p(1-p)\)
二項分布:期望\(np\)、方差\(np(1-p)\)
幾何分布:期望\(\frac{1}{p}\)、方差\(\frac{1-p}{p^2}\)
泊松分布:期望\(\lambda\)、方差\(\lambda\)
均勻分布:期望\(\frac{a+b}{2}\)、方差\(\frac{(b-a)^2}{12}\)
指數分布:期望\(\theta\)、方差\({\theta}^2\)
正態分布:期望\(\mu\)、方差\({\sigma}^2\)
概率論與數理統計基礎<1>:隨機事件與隨機變量