概率论 基本概率模型、分布、期望和方差
2015-10-03 20:36
417 查看
这段时间校招,发现很多笔试都是概率论的题目,拿出课本写下来总结(不涉及组合和数理统计)。
试验中每个基本事件发生的可能性相同。
P(A)=∑j=1kP({eij})=kn=A包含的基本事件数S中基本事件的总数P(A)=\sum_{j=1}^k P(\{e_{i_j}\})=\frac{k}{n}=\frac{A包含的基本事件数}{S中基本事件的总数}
袋子里装小球,放回抽样和不放回抽样;
n个人中至少有两人生日相同的概率。
假设每人的生日在一年365天中任一天是等可能的,即1365\frac{1}{365},则随机选取n个人,生日各不相同的概率是:
365∙365∙⋯∙(365−n+1)365n\frac{365\bullet365\bullet\dots\bullet(365-n+1)}{365^n}
所以n个人至少两人生日相同的概率是:
p=1−365∙365∙⋯∙(365−n+1)365np=1-\frac{365\bullet365\bullet\dots\bullet(365-n+1)}{365^n}
P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+⋯+P(A|Bn)P(Bn)P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+\dots+P(A|B_n)P(B_n)
P(Bi|A)=P(A|Bi)P(Bi)∑kj=1P(A|Bj)P(Bj)P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\sum_{j=1}^k { P(A|B_j)P(B_j)} }
P{X=k}=pk(1−p)1−k,k=0,1(0<p<1)P\{X=k\}=p^k(1-p)^{1-k},k=0,1 (0
P{X=k}=Cknpkqn−k,k=0,1,…,nP\{X=k\}=C_n^kp^kq^{n-k},k=0,1,\dots,n
我们称随机变量X服从参数为n,p的二项分布,记为X−b(n,p)X-b(n,p)。
P{X=k}=λke−λk !,k=1,2,…P\{X=k\}=\frac{λ^ke^{-λ}}{k\space!},k=1,2,\dots
其中λ>0是常数,称X服从参数为λ的泊松分布,记为X−π(λ)X-π(λ)。
limn→∞Cknpkn(1−pn)n−k=λke−λk !\lim_{n\to∞}C_n^kp_n^k(1-p_n)^{n-k}=\frac{λ^ke^{-λ}}{k\space!}
当n很大,p很小(np=λ)时有以下近似公式
Cknpk(1−p)n−k≈λke−λk !C_n^kp^k(1-p)^{n-k}≈\frac{λ^ke^{-λ}}{k\space!}
也就是说以n,p为参数的二项分布的概率值可以由参数为λ=npλ=np的泊松分布的概率值近似。
f(x)={1b−a,0,a<x<b其他f(x)=\begin{cases}
\frac{1}{b-a}, &a
则称X在区间(a,b)(a,b)上服从均匀分布,记为X−U(a,b)X-U(a,b)。概率密度f(x)和分布函数F(x)如图所示:
f(x)={1θe−x/θ,0,x>0其他f(x)=\begin{cases}
\frac{1}{\theta}e^{-x/\theta},&x>0 \\
0,&其他
\end{cases}
其中θ>0\theta>0为常数,则称X服从参数为θ\theta的指数分布。密度函数如下图:
f(x)=12π−−√e−(x−μ)22σ2,−∞<x<+∞f(x)=\frac{1}{\sqrt{2π}}e^{-\frac{(x-\mu)^2}{2\sigma^2}},-∞
其中μ,σ(σ>0)\mu,\sigma(\sigma>0)为常数,则称X服从参数为μ,σ\mu,\sigma的正态分布或高斯分布,记为X−N(μ,σ2)X-N(\mu,\sigma^2)。
基本概念
等可能概型(古典概型)
特点
试验的样本空间只包含有限个元素;试验中每个基本事件发生的可能性相同。
公式
设试验的样本空间为S={e1,e2,e3,…,en}\{e_1,e_2,e_3,\dots ,e_n\},若事件A包含k个基本事件,即A={ei1}⋃{ei1}⋃…{eik}\{e_{i_1}\}\bigcup\{e_{i_1}\}\bigcup\dots\{e_{i_k}\},这里i1,i2,…,iki_1,i_2,\dots,i_k是1,2,…,n1,2,\dots,n中k个不同的数。则有:P(A)=∑j=1kP({eij})=kn=A包含的基本事件数S中基本事件的总数P(A)=\sum_{j=1}^k P(\{e_{i_j}\})=\frac{k}{n}=\frac{A包含的基本事件数}{S中基本事件的总数}
例题
将一枚硬币抛掷三次,恰有一次出现正面的概率;袋子里装小球,放回抽样和不放回抽样;
n个人中至少有两人生日相同的概率。
假设每人的生日在一年365天中任一天是等可能的,即1365\frac{1}{365},则随机选取n个人,生日各不相同的概率是:
365∙365∙⋯∙(365−n+1)365n\frac{365\bullet365\bullet\dots\bullet(365-n+1)}{365^n}
所以n个人至少两人生日相同的概率是:
p=1−365∙365∙⋯∙(365−n+1)365np=1-\frac{365\bullet365\bullet\dots\bullet(365-n+1)}{365^n}
n | 20 | 23 | 30 | 40 | 50 | 60 | 100 |
---|---|---|---|---|---|---|---|
p | 0.411 | 0.507 | 0.706 | 0.891 | 0.970 | 0.997 | 0.999 999 7 |
条件概率
条件概率定义
设A,B是两个事件,且P(A)>0,称P(B|A)=P(AB)P(A)P(B|A)=\frac{P(AB)}{P(A)}为在事件A发生的条件下,事件B发生的条件概率。乘法定理
设P(A)>0,则有P(AB)=P(B|A)P(A)P(AB)=P(B|A)P(A)全概率公式
设试验E的样本空间为S,A为E的事件,B1,B2,…,BnB_1,B_2,\dots,B_n的一个划分,且P(Bi)>0(i−1,2,…,n)P(B_i)>0(i-1,2,\dots,n),则P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+⋯+P(A|Bn)P(Bn)P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+\dots+P(A|B_n)P(B_n)
贝叶斯公式
设试验E的样本空间为S,A为E的事件,B1,B2,…,BnB_1,B_2,\dots,B_n为S的一个划分,且P(A)>0,P(Bi)>0(i=1,2,…,n)P(A)>0,P(B_i)>0(i=1,2,\dots,n),则P(Bi|A)=P(A|Bi)P(Bi)∑kj=1P(A|Bj)P(Bj)P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\sum_{j=1}^k { P(A|B_j)P(B_j)} }
离散型随机变量
0-1分布
设随机变量X只可能取0与1两个值,它的分布律是P{X=k}=pk(1−p)1−k,k=0,1(0<p<1)P\{X=k\}=p^k(1-p)^{1-k},k=0,1 (0
X | 0 | 1 |
---|---|---|
pkp_k | 1−p1-p | pp |
伯努利试验
设试验E只有两个可能结果:AA和A¯\bar A,则称E谓伯努利试验。设P(A)=p (0<p<1)P(A)=p\space\space(0,此时P(A¯)=1−pP(\bar A)=1-p。将E独立重复地进行n次,则称这一串重复的独立试验为n重伯努利试验。二项分布
n重伯努利试验,事件A在n次试验中发生k次的概率:P{X=k}=Cknpkqn−k,k=0,1,…,nP\{X=k\}=C_n^kp^kq^{n-k},k=0,1,\dots,n
我们称随机变量X服从参数为n,p的二项分布,记为X−b(n,p)X-b(n,p)。
泊松分布
设随机变量X所有可能取的值为0,1,2,…,而取各个值的概率为P{X=k}=λke−λk !,k=1,2,…P\{X=k\}=\frac{λ^ke^{-λ}}{k\space!},k=1,2,\dots
其中λ>0是常数,称X服从参数为λ的泊松分布,记为X−π(λ)X-π(λ)。
泊松定理
设λ>0是一个常数,n是任意正整数,设npn=λnp_n=λ,则对于任一固定的非负整数k,有limn→∞Cknpkn(1−pn)n−k=λke−λk !\lim_{n\to∞}C_n^kp_n^k(1-p_n)^{n-k}=\frac{λ^ke^{-λ}}{k\space!}
当n很大,p很小(np=λ)时有以下近似公式
Cknpk(1−p)n−k≈λke−λk !C_n^kp^k(1-p)^{n-k}≈\frac{λ^ke^{-λ}}{k\space!}
也就是说以n,p为参数的二项分布的概率值可以由参数为λ=npλ=np的泊松分布的概率值近似。
连续型随机变量
均匀分布
若连续型随机变量X具有概率密度f(x)={1b−a,0,a<x<b其他f(x)=\begin{cases}
\frac{1}{b-a}, &a
则称X在区间(a,b)(a,b)上服从均匀分布,记为X−U(a,b)X-U(a,b)。概率密度f(x)和分布函数F(x)如图所示:
指数分布
若连续型随机变量X的概率密度为f(x)={1θe−x/θ,0,x>0其他f(x)=\begin{cases}
\frac{1}{\theta}e^{-x/\theta},&x>0 \\
0,&其他
\end{cases}
其中θ>0\theta>0为常数,则称X服从参数为θ\theta的指数分布。密度函数如下图:
正态分布
若连续型随机变量X的概率密度为f(x)=12π−−√e−(x−μ)22σ2,−∞<x<+∞f(x)=\frac{1}{\sqrt{2π}}e^{-\frac{(x-\mu)^2}{2\sigma^2}},-∞
其中μ,σ(σ>0)\mu,\sigma(\sigma>0)为常数,则称X服从参数为μ,σ\mu,\sigma的正态分布或高斯分布,记为X−N(μ,σ2)X-N(\mu,\sigma^2)。
几种常见的概率分布表
分布 | 参数 | 分布律或概率密度 | 数学期望 | 方差 |
---|---|---|---|---|
(0-1)分布 | 0<p<10 | P{X=k}=pk(1−p)1−k,k=0,1P\{X=k\}=p^k(1-p)^{1-k},\\k=0,1 | pp | p(1−p)p(1-p) |
二项分布 | n≥10<p<1n≥1\\0 | P{X=k}=Cknpkqn−k,k=0,1,…,nP\{X=k\}=C_n^kp^kq^{n-k},\\k=0,1,\dots,n | npnp | np(1−p)np(1-p) |
几何分布 | 0<p<10 | P{X=k}=(1−p)k−1pk=1,2,…P\{X=k\}=(1-p)^{k-1}p\\k=1,2,\dots | 1p\frac{1}{p} | 1−pp2\frac{1-p}{p^2} |
泊松分布 | λ>0λ>0 | P{X=k}=λke−λk !k=0,1,2,…P\{X=k\}=\frac{λ^ke^{-λ}}{k\space!}\\k=0,1,2,\dots | λλ | λλ |
均匀分布 | a<ba | f(x)={1b−a,0,a<x<b其他f(x)=\begin{cases}\frac{1}{b-a}, &a | a+b2\frac{a+b}{2} | (b−a)212\frac{(b-a)^2}{12} |
正态分布 | μθ>0\mu\\\theta>0 | f(x)=12π√e−(x−μ)22σ2−∞<x<+∞f(x)=\frac{1}{\sqrt{2π}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\\-∞ | μ\mu | σ2\sigma^2 |
相关文章推荐
- Invalid layout param in a LinarLayout: layout_weight
- 前序为ABC,后序为CBA的二叉树共有多少棵
- Hibernate中java对象的状态
- ORACLE中RECORD、VARRAY、TABLE的使用详解
- 怎样在 CentOS 7.0 上安装和配置 VNC 服务器
- Unity3d 开发(五)编辑器的undo操作
- HDU 4474 Yet Another Multiple Problem
- nyoj 448 寻找最大数
- erlang资料
- java笔试题 2
- XSD、dtd不联网情况下可能出现的报错。
- 项目32.5 输出小星星
- PHP递归实现无限级分类
- PHP 学习2
- 如何限制对象只能建立在堆上或者栈上
- DirectX11 过滤器
- 【搜索】 HDU 4474 Yet Another Multiple Problem
- Ubuntu 14.10下部署Django到Apache服务器_
- 深入理解 [NSBundle mainBundle]
- Redis快速入门:初识Redis