《概率论与数理统计》学渣笔记_概率论与数理统计笔记总结-CSDN博客

本文链接：https://blog.csdn.net/qq_42294351/article/details/141173736

文章目录

1 随机事件和概率
2 一维随机变量及其分布
3 多维随机变量及其分布
4 数字特征
5 大数定律与中心极限定理
6 统计量及其分布
7 参数估计与假设检验

1 随机事件和概率

1.1 古典概型求概率

在古典概型中，样本空间中的每个基本事件发生的概率是相同的。如果样本空间中有 $n$ 个可能的基本事件，而感兴趣的事件 $A$ 包含其中的 $m$ 个基本事件，则事件 $A$ 发生的概率 $P (A)$ 可以表示为：

$\boldsymbol{P(A) = \frac{\text{事件 } A \text{ 包含的基本事件数}}{\text{样本空间Ω中的基本事件总数}} = \frac{m}{n}}$

随机分配问题

$\boldsymbol{将n个球随机分配到N个盒子中}$

分配方式	不同分法的总数
每个盒子能装任意多个球	$N^n$
每个盒子最多只能容纳一个球	$A_N^n = \frac{N!}{(N-n)!}$

“某指定n个”：只有1种情况
“恰有n个”：有 $C_N^n$ 种情况

简单随机抽样问题

$\boldsymbol{从含有N个球的盒子中n次简单随机抽样}$

抽样方式	抽样法总数
先后有放回取n次	$N^n$
先后无放回取n次	$A_N^n = \frac{N!}{(N-n)!}$
任取n个	$C_N^n$

抓阄模型：“先后无放回取 $k$ 个球”与“任取 $k$ 个球”的概率相同。

1.2 几何概型求概率

$\boldsymbol{P(A)=\frac{A（子区域：长度，面积）}{Ω（几何区域：长度，面积）}}$

1.3 重要公式求概率

在这里插入图片描述

2 一维随机变量及其分布

2.1 随机变量及其分布函数的定义

在这里插入图片描述

离散型随机变量及其概率分布（概率分布）

在这里插入图片描述

连续型随机变量及其概率分布（分布函数）

在这里插入图片描述

2.2 离散型分布

0-1分布 $\sim B(1,p)$

在这里插入图片描述

二项分布 $X\sim B(n,p)$

在这里插入图片描述

负二项分布（帕斯卡分布） $X\sim Nb(r,p)$

在伯努利试验中，每次试验中事件 $A$ 发生的概率为 $p$ ，若 $X$ 表示事件 $A$ 在第 $r$ 次发生时的试验次数，则
$P\{X = k\} =C^{r - 1}_{k - 1} p^r (1-p)^{k-r} ，k=r,r+1,...$

$EX=\frac{r}{p}，DX=\frac{r(1-p)}{p^2}$

帕斯卡分布与几何分布有关， $r = 1$ 时为几何分布。表首 $r$ 次即停止。

在这里插入图片描述

$Y\sim Nb(2,p)$ 得 $EY=\frac{2}{p}$

几何分布 $X\sim G(p)$

$首中即停止（等待型分布），具有无记忆性$

在这里插入图片描述

超几何分布 $X\sim H(n,M,N)$

在这里插入图片描述

泊松分布 $X\sim P(λ)$

$用于描述稀有事件的概率$
在这里插入图片描述

离散型→离散型

在这里插入图片描述

2.3 连续型分布

在这里插入图片描述

均匀分布 $X\sim U(a,b)$

在这里插入图片描述

指数分布 $X\sim E(λ)$

在这里插入图片描述

正态分布 $X\sim N(μ,σ^2)$

在这里插入图片描述

正态分布，也叫高斯分布，是一种特定的概率分布。其曲线呈钟形，对称于均值。

正态分布的重要性源于以下几个原因：

自然现象的普遍性：很多自然和社会现象的测量结果近似服从正态分布，比如人的身高、考试成绩、误差分布等。原因是这些现象往往受到多种独立因素的共同影响，而根据中心极限定理，当这些影响因素足够多且相互独立时，其结果往往接近正态分布。
统计推断的基础：在统计学中，许多推断方法（如 $t$ 检验、 $z$ 检验、线性回归等）都基于数据服从正态分布的假设。正态分布的数学特性使得这些方法可以更有效地估计参数、检验假设。
中心极限定理的支持：无论数据原本的分布是什么样的，只要样本量足够大，样本均值的分布就会趋向于正态分布。这一理论使得我们可以在处理大样本时，使用正态分布来简化问题。
易于计算和理解：正态分布有简洁的数学表达式，且它的标准化（即转化为标准正态分布）使得很多复杂的计算变得简单、直观。

连续型→离散型

在这里插入图片描述

2.4 混合型分布

在这里插入图片描述

连续型→连续型（或混合型）

在这里插入图片描述

3 多维随机变量及其分布

3.1 定义

在这里插入图片描述

3.2 求联合分布

在这里插入图片描述

二维均匀分布与二维正态分布

在这里插入图片描述

3.3 求边缘分布

在这里插入图片描述

3.4 求条件分布

在这里插入图片描述

3.5 判独立

在这里插入图片描述

3.6 用分布

在这里插入图片描述

3.7（离散型，离散型）→离散型

在这里插入图片描述

3.8（连续型，连续型）→连续型

分布函数法

在这里插入图片描述

卷积公式法（建议用这个）

在这里插入图片描述

最值函数的分布

在这里插入图片描述

3.10（离散型，连续型）→连续型【全集分解】

在这里插入图片描述

3.11 离散型→（离散型，离散型）

在这里插入图片描述

3.12 连续型→（离散型，离散型）

在这里插入图片描述

3.13 （离散型，离散型）→（离散型，离散型）

在这里插入图片描述

3.14 （连续型，连续型）→（离散型，离散型）

在这里插入图片描述

3.15 （离散型，连续型）→（离散型，离散型）

在这里插入图片描述

4 数字特征

4.1 数学期望

在这里插入图片描述

4.2 方差

在这里插入图片描述

4.3 亚当-夏娃公式（全期望定理，全方差定理）

在这里插入图片描述

4.4 常用分布的期望和方差

分布	期望 $E (X)$	方差 $D (X)$
$0 - 1$ 分布 $\sim B(p)$	$p$	$p (1 - p)$
二项分布 $X\sim B(n,p)$	$n p$	$n p (1 - p)$
负二项分布（帕斯卡分布） $X\sim Nb(r,p)$	$\frac{r}{p}$	$\frac{r(1-p)}{p^2}$
几何分布 $X\sim G(p)$	$\frac{1}{p}$	$\frac{1-p}{p^2}$
泊松分布 $X\sim p(λ)$	$λ$	$λ$
均匀分布 $X\sim U(a,b)$	$E(X)=\frac{a+b}{2}$ $E(X^2) = \frac{a^2 + ab + b^2}{3}$	$D(X)=\frac{(b-a)^2}{12}$ $求a,b的矩估计量：\frac{1}{n}\sum_{i=1}^n(X_i-\overline{X})^2=\frac{(b-a)^2}{12}$ $D(X^2) = \frac{(b - a)^4}{80}$
指数分布 $X\sim E(λ)$	$E(X)=\frac{1}{λ}$ $E(X^4) = \frac{24}{\lambda^4}$	$D(X)=\frac{1}{λ^2}$ $D(X^2) = \frac{20}{\lambda^4}$
正态分布 $X\sim N(μ,σ^2)$ $X-\overline{X}\sim N\left(0,\frac{n-1}{n}σ^2\right)$	$E (X) = μ$ $\mu)^4] = 3\sigma^4$ $\overline{X})^4] = \frac{3(n-1)^2\sigma^4}{n^2}$	$D(X)=σ^2$ $D(X^2) = 2\sigma^4 + 4\mu^2\sigma^2$ $D(S^2)=\frac{2σ^4}{n-1}$
标准正态分布 $X\sim N(0,1)$	$E (X) = 0$ $E(X^4)=3$	$D (X) = 1$ $D(X^2)=2$
卡方分布 $X\sim \chi^2(n)$	$E (X) = n$ $E(X^4) = n(n + 2)(n + 4)$	$D (X) = 2 n$ $D(X^2)=4n$
$t$ 分布 $t\sim t(n)$	$0$	$\frac{n}{n-2}$
超几何分布（了解） $X\sim H(n,M,N)$	$\frac{nM}{N}$	$\cdot \frac{M}{N} \cdot \left(1 - \frac{M}{N}\right) \cdot \frac{N-n}{N-1}$
瑞利分布（了解） $\sim \text{R}(\sigma)$	$\sqrt{\frac{π}{2}}σ$	$(2-\frac{π}{2})σ^2$

4.5 协方差

在这里插入图片描述

4.6 相关系数

在这里插入图片描述

对于随机变量 $X$ 和 $Y$ ，若它们满足线性关系 $Y = a X + b$ ：

当 $a > 0$ 时， $Y$ 随 $X$ 同方向变化（即 $X$ 增加， $Y$ 也增加），所以它们呈完全正相关，此时相关系数 $\rho_{XY} = 1$ 。
当 $a < 0$ 时， $Y$ 随 $X$ 反方向变化（即 $X$ 增加， $Y$ 减少），因此它们呈完全负相关，此时相关系数 $\rho_{XY} = -1$ 。如 $X + Y = 1$ 可以直接推出 $\rho_{XY} = -1$

4.7 独立性与不相关性的判定

在这里插入图片描述

4.8 切比雪夫不等式

在这里插入图片描述

5 大数定律与中心极限定理

在这里插入图片描述

5.1 切比雪夫大数定律（均值依概率收敛到期望）

在这里插入图片描述

5.2 伯努利大数定律（频率依概率收敛到概率）

在这里插入图片描述

5.3 辛钦大数定律（均值依概率收敛到期望）

在这里插入图片描述

5.4 中心极限定理（n足够大时，均收敛于正态分布）

在这里插入图片描述

6 统计量及其分布

6.1 统计量

$统计量是不含未知参数的随机变量的函数$
在这里插入图片描述

在这里插入图片描述

6.2 标准正态分布分布的上α分位数

在这里插入图片描述

6.3 卡方分布 $X\sim \chi^2(n)$

$标准正态分布的平方$

在这里插入图片描述

6.4 t分布 $t\sim t(n)$

$标准正态分布的单打独斗$
在这里插入图片描述

在这里插入图片描述

6.5 F分布 $F\sim F(n_1,n_2)$

$卡方分布的单打独斗$
在这里插入图片描述

在这里插入图片描述

6.6 正态总体下的常用结论

在这里插入图片描述

7 参数估计与假设检验

7.1 矩估计

在这里插入图片描述

矩估计法的核心思想是使得样本的样本矩等于总体的理论矩，从而通过这个等式来解出模型的参数。所谓“矩”就是随机变量的不同阶的期望，比如一阶矩是期望值，二阶矩是方差等。

参数估计能揭示数据规律，指导实际应用。描述数据、预测未来、优化决策和风险评估是参数估计的主要用途。

描述数据特性：估计参数帮助我们理解数据的分布特性，比如正态分布的均值（数据中心）和方差（数据分散程度）。
预测与推断：通过估计参数，可以进行未来预测或假设检验。例如，使用时间序列模型的参数预测市场趋势。
建模与优化：许多模型依赖参数估计来优化决策，如线性回归中的回归系数，用于预测或分类。
风险管理与模拟：估计参数后可以进行数据模拟，帮助评估金融风险或仿真系统性能。
理论验证与模型选择：通过实际数据检验理论模型，参数估计帮助选择更适合的模型。

7.2 最大似然估计（MLE）

在这里插入图片描述

MLE的应用

在 概率模型 中，最大似然估计 (MLE) 通过学习模型的参数，优化模型，使得在给定这些参数的情况下，训练数据的观测结果发生的概率最大。简言之，最大似然估计的目标是选择一组参数，使得模型最能够生成或解释现有数据。在深度学习中，这种优化过程通常通过最小化负对数似然损失来实现。

似然函数 是给定数据和模型的情况下，模型参数的联合概率。它评估在不同的参数值下，观测数据出现的可能性。
对数似然函数 是似然函数的对数，它常用于优化，因为对数的运算简化了计算，尤其是在处理大规模数据时。
负对数似然函数 是对数似然函数的负数，因为在优化问题中我们通常通过最小化损失来优化模型，而不是最大化似然。

因此，最大似然估计的目标 可以转化为 最小化负对数似然损失（NLL），这就是损失函数。在 机器学习和深度学习 中，我们通常用损失函数来度量模型的预测与真实数据之间的差距。

7.3 常见分布的矩估计量和最大似然估计量

X服从的分布	矩估计量	似然估计量
$0 - 1 分布$	$\hat{p}=\overline{X}$	$\hat{p}=\overline{X}$
$B (n, p)$	$\hat{p}=\frac{\overline{X}}{n}$	$\hat{p}=\frac{\overline{X}}{n}$
$G (p)$	$\hat{p}=\frac{1}{\overline{X}}$	$\hat{p}=\frac{1}{\overline{X}}$
$P (λ)$	$\hat{λ}=\overline{X}$	$\hat{λ}=\overline{X}$
$U (a, b)$	$\hat{a}=\overline{X}-\sqrt{\frac{3}{n}\sum_{i=1}^n(X_i-\overline{X})}$ $\hat{b}=\overline{X}+\sqrt{\frac{3}{n}\sum_{i=1}^n(X_i-\overline{X})}$	$\hat{a}=min\{X_1,X_2,...,X_n\}$ $\hat{b}=max\{X_1,X_2,...,X_n\}$
$E (λ)$	$\hat{λ}=\frac{1}{\overline{X}}$	$\hat{λ}=\frac{1}{\overline{X}}$
$N(μ,σ^2)$	$\hat{μ}=\overline{X}$ $\hat{σ^2}=\frac{1}{n}\sum_{i=1}^n(X_i-\overline{X})^2$	$\hat{μ}=\overline{X}$ $\hat{σ^2}=\frac{1}{n}\sum_{i=1}^n(X_i-\overline{X})^2$