概率论与数理统计 - 期中
虽然就要考试了, 但是上半个学期学得实在是有些迷幻.
所以考前复习几乎和预习是一个样的.
Not only god knows, I know, and by the end of this semester,
you will know.
Sidney Coleman
一些概念
- 随机试验
- 样本空间 Ω: 把所有的事件都表示出来的一个集合
于是事件的运算就变成了集合的运算
- 概率空间 F⊆2Ω,card2Ω=#2Ω=2#Ω
在样本空间 Ω={w1,…,wn}
上定义 代数 F⊆2Ω.
代数中的元素 A∈F 有映射
P:F→[0,1],A↦P(A),
于是形成概率空间 (Ω,F,P).
- 随机变量: X:Ω→R,ω↦X(ω)
随机向量: {X1,…,Xn}
- 条件概率 P(A∣B)=P(B)P(AB),P(A)=P(A∣B)P(B)
- 离散
- 连续: fX∣Y(x∣y)=fY(y)f(x,y)
- 期望 EX=∑PiXi=∫−∞∞xf(x)dx:
- E(λX+μY)=λEX+μEY, 线性
- EX=WX⋅EYiffP(A⋂B)=P(A)P(B)
- 条件期望: E(X∣A)=∑XiP(Xi∣A)=∫−∞∞=xf(x∣A)dx
如果 A={Y=y},E(X∣Y=y)=∑xiP(X=xi∣Y=y)=∫−∞∞xfX∣Y(x∣y)dx.
注意, E(X∣Y) 不是一个数, 而更像是一个函数:
E(X∣Y)(ω)=∑E(X∣Y=y)1{Y=y}(ω)
- E(E(X∣Y))=EX
- E(X∣X)=X
- E(h(X)Y∣X)=h(X)E(Y∣X)
- X,Y 独立, E(X∣Y)=EX
- E(aX+bY∣Z)=aE(X∣Z)+bE(Y∣Z)
- E(E(X∣Y)∣Y)=E(X∣Y)
- E((X−E(X∣Y))⋅h(X))=0
记 (X−E(X∣Y))⋅h(X)=Z, 于是计算 E(E(Z∣Y))=EZ
- 方差 VarX=E(X−EX)2=EX2−(EX)2
- 协方差 Cov(X,Y)=E[(X−EX)(Y−EY)]=E(XY)−(EX)(EY)
-
全概率公式 (条件概率的推广) P(A)=∑iP(B∣Ei)P(Ei),
其中 Ei 为 Ω 的一个划分.
一个好的分划就能够简化计算.
- 贝叶斯公式: P(A∣B)=P(B)A⋂B
- 示性函数: 1En=1 if En else 0
可以把这个示性函数看作是一个随机变量.
- 计数: 如果令 Xi=1{第i次正面向上},
于是利用 X=∑Xi 就能够实现类似于计数的方式来计算得到一个分布.
- 分布函数: F(X)=P(X≤x)
- 生存函数: P(X>x)=1−F(x)=S(x)
- 离散: F(X)=∑P(X)
- 连续: F(X)=∫f(t)dt,f(x)=F’(x) 为概率密度函数
- 多维随机变量的情况 (随机向量):
{ω}↦x=(x1,x2,⋯,xn), 形成随机向量.
则 F(x,y)=P(X≤x,Y≤y)=∫0x∫0yf(x,y)dxdy.
其中 f(x,y) 为一个联合分布.
从联合分布到边缘分布:
P(X≤x)=P(X≤x,Y<+∞)=limy→∞F(x,y)
- 离散: P(X=x)=∑P(X=x,y)
- 连续: fX(x)=∫−∞∞f(x,y)dy
-
独立性 P(A⋂B)=P(A)P(B)↔A,B 独立
(注: )
- 概率不等式:
X≥0,EX<+∞⇒∀c>0,P(X≥c)≤cEX
X:E∣X∣2<+∞⇒∀c>0,P(∣X−EX∣≥c)≤c2VarX
- 中心极限定理:
设 Xi 独立同分布 (与 X 分布相同. )
EX=μ,VarX=σ2(0<σ2<∞),
令 Sn=X1+⋯+Xn, 则当 n→∞,
nVatXSn−EX→N(0,1)
- 大数定律 (频率逼近概率):
- 弱大数定律: 设 X1,X2,⋯,Xn 独立同分布,
E∣X∣2<+∞, 令 Sn=∑Xi, 则
∀ε>0,P(∣nSn−EX∣>ε)→0
- 强大数定律: nSn→EX.
- Story Proof: 分别为左式和右式讲一个故事, 并证明这两个故事是等价的.
随机变量和概率分布和其他
分布 |
表达式 |
EX |
VarX |
EtX |
伯努利分布 |
P(X=1)=p,P(X=0)=1−p |
p |
p(1−p) |
pt+(1−p) |
二项分布 |
P(k)=Cnkpk(1−p)n−k |
np(1−p) |
np(1−p) |
(pt+(1−p))n |
泊松分布 |
k!e−λλk |
λ |
λ |
Eλ(t−1) |
负二项分布 |
P(k)=Cr+k−1r−1(1−p)kpr |
pr(1−p) |
rp21−p |
|
标准正态分布 |
2π1e−2x2 |
0 |
1 |
|
⋯ |
|
|
|
|
(关于随机变量的分布之类的计算, 一般的操作就是难算, 非常的难算.
然后就是各种利用求和关系变来变去… )
Exercise
-
随机事件
写出随机事件和样本空间
星期二男孩问题
(关于知道的越多越怎么样的问题… 属于是变态问题)
- 有两个小孩, 一个是男孩, 且在上海出生
(假设某个小孩出生在上海的概率为 301),
那么另外一个也是男孩的概率.
事件的运算:
- 证明 P(A1∪⋯∪An)=∑i=1nP(Ai)−∑i≤i<j≤nP(Ai∩Aj)+∑1≤i<j≤nP(Ai∩Aj∩Ak)+⋯+(−1)n+1P(A1∩⋯∩An)
就是容斥定理啊.
- 从数集 {…} 中取一个数, 不能被 k, 不能被 l 整除.
这种就是利用上面的容斥定理来计算.
-
事件的独立性
- 证明 A,B 独立的充要条件是 P(A∣B)=P(A∣B^)
类似的问法还有很多… 都是在问什么和什么独立的条件.
做的基本思路是这样的: 推导 P(A)P(B)=P(A∩B).
-
事件分布
计算事件的分布表 (离散), 计算随机变量的分布函数
- 一些值的计算
- 高端的证明: Story Proof
需要注意的是, 一般给左边等式找了一个含义之后, 还要给右边等式也找一个,
哪怕再怎么简单的含义. (只是为了说明这是一个 Proof, 仅此而已. )