jjzjj

宋浩《概率论与数理统计》自用笔记

Lapsey 2023-04-12 原文

文章目录

第一章 概率论的基本概念

  • 差事件:A-B = A - AB = A(~B),减去交集
  • 互不相容事件:适用于多个事件
  • 对立事件:并集为全集,只适用于两个事件

完备事件组:A1、…、An两两互不相容,并集为全集
德摩根定律:长线变短线,符号变

古典概型

  • 有限个样本点
  • 等可能性

几何概型


难题:朝指定的两条平行线投针,针与平行线相交的概率

  1. 相交要距离——垂直距离和角度肯定需要标记,而用中点表示垂直距离就可以用到已知量d
  2. 发现相交的不等式表示,得到x、d应满足的表达式
  3. 写出范围,用面积算概率

推广:可用来求π



结合定积分、绝对值等需注意

公理化



做题:画图、性4.5
如果概率=0,一定是不可能事件吗?不是!
扔到0.1这个点->概率为0也有可能发生

条件概率

做题:定义、乘法公式、相互独立…
清楚地定义事件很重要!


全概率公式:知道原因推结果
做题:列出所有情况(分类讨论)有时不止分一次情况

贝叶斯公式:知道结果推原因

做题:结合乘法公式和全概率公式使用

独立性


伯努利模型

第二章 随机变量及其分布

将事件用数学语言描述。
离散型:有限个+可列无穷
非离散型:主要看连续性
连续性:1个或多个区间

离散型随机变量及其概率分布



解题:
1、取值有哪些情况,概率求出来 列表
2、根据要求的范围来求

连续型随机变量及其概率密度函数



连续:端点无所谓,不影响概率
概率为0不一定不发生(多一个孤立点),概率为1不一定必然发生(少一个孤立点)。
以后多用积分解题

不计高阶无穷小时,分子就是柱状的面积。

分布函数


右连续:从右边逼近,极限值等于函数值
连续的三个条件:极限值存在、函数值存在、极限值等于函数值

a-0是从负无穷趋近a,取不到a。0相当于△0,一个0的无穷小,可以减小一点点。

离散型的分布函数



快捷方法:把X从小到大排列 然后画火柴棒

如果只知道每段的,每个点的概率就是向上跳跃的范围

连续型的分布函数

连续型端点上有没有无所谓,不像离散型会重点区分和计算!

注意连续型分布中,极限值等于端点值。

离散型分布

0-1分布

几何分布

首次发生的词语。

二项分布

最可能值指n对应(n+1)p时,概率最大。类比p=0.5时n/2和(n+1)/2概率最大。

一人看一台,多了就不能及时维修。概率得(2)比(1)的效率反而高。难算:泊松

泊松分布



查表,看λ=6对应的值加起来什么时候超过0.95

也不一定要写公式,直接查表。

超几何分布


不放回抽样试验:通常要近似两次,否则不好算

连续型分布

均匀分布



把X限制好就行,这里几何概型做也很好做。

指数分布


无记忆性:用分布函数的公式计算即可。

可用比例相等来理解。

正态分布


上面的图是错的,下面的图是对的,毕竟总面积相等。



一般的正态分布如何化成标准正态分布?标准直接能做,一般的还要经过一步变换。

注意带不带0的区别:带0是标准分布

区别不大


3sigma准则,落在外头概率很小。

给定概率,求对应的点。

随机变量函数的分布

离散型

连续型
  1. 用X的分布函数表示Y的分布函数
  2. 两边求导得P概率密度函数 注意复合函数求导

    均匀分布

    正态分布


带平方或根号容易分类讨论,要细心:


注意分布函数和概率密度函数的区别~

第三章 多维随机变量及其分布

一个样本空间的多个变量描述性质。

  • 联合分布:概率为体积(三维空间中)。

  • 边缘分布

二维离散型的联合分布和边缘分布

  • 联合分布:把xy两条直线画出来就简单了

  • 边缘分布:对行和列求和即可。近似于只有一个变量了。
  • 关系:用表格很好理解。
  • 二维连续型的联合分布和边缘分布



(1)、(2)用公式求积分,(3)让x、y分别趋向正无穷

期中不考,待补充。

第四章 随机变量的数字特征

离散型期望

取值和概率相乘然后相加

连续型期望


X是连续型,Y是离散型,最终求Y。概率可与分布结合出题。

随机变量函数


直接代入算


多维也大同小异。

期望的性质


注意验证XY是否独立。

X拆解成Xi做。

方差

方差的性质


注意(5)右边是加号!!

原点矩和中心矩



高于4阶的矩极少使用。

第四章 大数定律及中心极限定理

大数定律

切比雪夫不等式


把EX和DX确认了代入即可。

伯努利大数定律


依概率收敛:虽然中间有不符合的,但大体是向极限逼近的。所以可以用频率逼近概率
这里写的是同分布,所以不是切比雪夫大数定律的证明过程。

切比雪夫大数定律


若独立同分布:

辛钦大数定律


更强了,因为方差无要求。说明用平均数算期望靠谱。

独立同分布中心极限定理


做题:根据不同分布把EX和DX求出来

德莫弗-拉普拉斯中心极限定理


当P(X=88)不好求时,巧妙地变成(87.5-88.5),因为概率误差很小。

二项分布难算怎么变成别的分布?泊松分布和正态分布均可,看n。

第六章 样本和抽样分布


样本之间都是独立的。

统计量不含未知参数!!!

注意样本方差进行了修正

S12:两个随机变量的协方差 R:相关系数
加粗样式

将样本取平均值后,方差会变小:波动性变小。

抽样分布

卡方分布



标准化:

t分布

结合正态分布和卡方分布!标准化!!

F分布



利用上分位数的定义:大于号

正态总体下的抽样分布


各种分布去配。

第七章 参数估计

从样本的数据推断分布中的参数。

  • 点估计:一个点 180
  • 区间估计:一个区间 175-185 较简单 区间要小一点,落在区间的概率大一点


带尖号的为估计值。

矩估计定理

和分布类型无关。

均匀分布的矩估计定理:做题时估计区间参数a、b

样本值为1、2、1.因为是估计,不是用概率和为1做题。

矩不一定都存在。

极大似然估计

按照左边的规律来!
为什么x<=0时没有乘上去,因为P=0说明样本中的事件没有发生,所以不包括在似然函数的范畴?

如果有两个参数:求偏导!!!把另一个变量看做常数

均匀分布不能用求导的方法,事实上单调性可直接看出来,所以结果如下:

无偏性

有效性

方差越小越好 发现1/n有效?

无偏性求期望,有效性求方差。

有关宋浩《概率论与数理统计》自用笔记的更多相关文章

  1. LC滤波器设计学习笔记(一)滤波电路入门 - 2

    目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》,侵权删。前言最近需要学习放大电路和滤波电路,但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放,所以也是相当从零开始学习了。滤波电路科普主要分类滤波器:主要是从不同频率的成分中提取出特定频率的信号。有源滤波器:由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波,最普通易于采用的无源滤波器结构是将电感与电容串联,可对主要次谐波(3、5、7)构成低阻抗旁路。无源滤波器:无源滤波器,又称

  2. Unity Shader 学习笔记(5)Shader变体、Shader属性定义技巧、自定义材质面板 - 2

    写在之前Shader变体、Shader属性定义技巧、自定义材质面板,这三个知识点任何一个单拿出来都是一套知识体系,不能一概而论,本文章目的在于将学习和实际工作中遇见的问题进行总结,类似于网络笔记之用,方便后续回顾查看,如有以偏概全、不祥不尽之处,还望海涵。1、Shader变体先看一段代码......Properties{ [KeywordEnum(on,off)]USL_USE_COL("IsUseColorMixTex?",int)=0 [Toggle(IS_RED_ON)]_IsRed("IsRed?",int)=0}......//中间省略,后续会有完整代码 #pragmamulti_c

  3. Tcl脚本入门笔记详解(一) - 2

    TCL脚本语言简介•TCL(ToolCommandLanguage)是一种解释执行的脚本语言(ScriptingLanguage),它提供了通用的编程能力:支持变量、过程和控制结构;同时TCL还拥有一个功能强大的固有的核心命令集。TCL经常被用于快速原型开发,脚本编程,GUI和测试等方面。•实际上包含了两个部分:一个语言和一个库。首先,Tcl是一种简单的脚本语言,主要使用于发布命令给一些互交程序如文本编辑器、调试器和shell。由于TCL的解释器是用C\C++语言的过程库实现的,因此在某种意义上我们又可以把TCL看作C库,这个库中有丰富的用于扩展TCL命令的C\C++过程和函数,所以,Tcl是

  4. ruby - 如何获取我的 Sinatra 应用程序的代码覆盖率统计信息? - 2

    我编写了一个Sinatra应用程序(网站),我想收集网站代码的代码覆盖率信息。我是Ruby的新手,但Google告诉我rcov是一个很好的代码覆盖工具。不幸的是,我在网上可以找到的所有信息只显示了如何获取有关测试用例的代码覆盖率信息-我想要有关我的站点本身的代码覆盖率信息。我想要分析的特定站点文件位于“sdk”和“sdk/vendor”目录中,因此我通常使用“rubysite.rb”运行我的站点的地方我改为尝试以下操作:rcov-Isdk-Isdk/vendorsite.rb它显示了Sinatra启动文本,但随后立即退出,而不是像我的Sinatra应用程序通常那样等待网络请求。有人能告

  5. ruby-on-rails - 收集 Rails 应用程序使用统计信息的最佳方式 - 2

    我有一个Rails应用程序,用户可以在其中设置他们的域并在其中发布内容。我需要收集公共(public)流量统计信息,例如网页浏览量等。此功能的一个很好的例子是我作为客户可以看到的flickr使用统计信息。问题是收集使用信息的最佳方式是什么。应该通过解析日志文件来完成还是应该在运行时收集并存储在数据库中?是否有任何工具或Rails插件已经提供了此功能?此解决方案应该可以很好地扩展,即使每月有数千个域和数百万次网页浏览。 最佳答案 GoogleAnalytics可能是您最好的选择... 关于

  6. 计算机网络笔记:TCP三次握手和四次挥手过程 - 2

    TCP是面向连接的协议,连接的建立和释放是每一次面向连接的通信中必不可少的过程。TCP连接的管理就是使连接的建立和释放都能正常地进行。三次握手TCP连接的建立—三次握手建立TCP连接①若主机A中运行了一个客户进程,当它需要主机B的服务时,就发起TCP连接请求,并在所发送的分段中用SYN=1表示连接请求,并产生一个随机发送序号x,如果连接成功,A将以x作为其发送序号的初始值:seq=x。主机B收到A的连接请求报文,就完成了第一次握手。客户端发送SYN=1表示连接请求客户端发送一个随机发送序号x,如果连接成功,A将以x作为其发送序号的初始值:seq=x②主机B如果同意建立连接,则向主机A发送确认报

  7. 华为数通笔记VXLAN&BGP EVPN - 2

    VXLAN简介定义RFC定义了VLAN扩展方案VXLAN(VirtualeXtensibleLocalAreaNetwork,虚拟扩展局域网)。VXLAN采用MACinUDP(UserDatagramProtocol)封装方式,是NVO3(NetworkVirtualizationoverLayer3)中的一种网络虚拟化技术。目的随着网络技术的发展,云计算凭借其在系统利用率高、人力/管理成本低、灵活性/可扩展性强等方面表现出的优势,已经成为目前企业IT建设的新趋势。而服务器虚拟化作为云计算的核心技术之一,得到了越来越多的应用。服务器虚拟化技术的广泛部署,极大地增加了数据中心的计算密度;同时,为

  8. ruby - 删除括号内的文本(括号内的括号概率) - 2

    我试图删除括号内的文本(连同括号本身),但遇到括号内有括号的情况时遇到问题。这是我正在使用的方法(在Ruby中):sentence.gsub(/\(.*?\)/,"")在我写出如下句子之前一切正常:"Thisis(atest(string))"然后上面就噎住了。任何人都知道如何做到这一点?我完全被难住了。 最佳答案 一种方法是从内向外替换括号组:x=string.dupwhilex.gsub!(/\([^()]*\)/,"");endx 关于ruby-删除括号内的文本(括号内的括号概率)

  9. Ruby:在代码中使用 rand() 但编写测试来验证概率 - 2

    我有一些代码可以根据加权随机数提供内容。权重越大的东西越有可能被随机选择。现在作为一名优秀的ruby​​ist,我当然想用测试覆盖所有这些代码。我想测试是否根据正确的概率获取了东西。那么我该如何测试呢?为应该是随机的东西创建测试使得很难比较实际与预期。我有一些想法,以及为什么它们不会很好地工作:在我的测试中stubKernel.rand以返回固定值。这很酷,但是rand()被调用了多次,我不确定我是否可以通过足够的控制来装备它来测试我需要的东西。多次获取随机项目,并将实际比率与预期比率进行比较。但除非我可以无限次地运行它,否则这永远不会完美,并且如果我在RNG中运气不佳,可能会间歇性地

  10. [蓝桥杯单片机]学习笔记——串口通信的基本原理与应用 - 2

    目录一、原理部分1、什么是串行通信(1)并行通信与串行通信(2)串行通信的制式(3)串行通信的主要方式  2、配置串口(1)SCON和PCON:串行口1的控制寄存器(2)SBUF:串行口数据缓冲寄存器 (3)AUXR:辅助寄存器​编辑(4)ES、PS:与串行口1中断相关的寄存器(5)波特率设置  3、串口框架编写二、程序案例一、原理部分1、什么是串行通信(1)并行通信与串行通信微控制器与外部设备的数据通信,根据连线结构和传送方式的不同,可以分为两种:并行通信和串行通信。并行通信:数据的各位同时发送与接收,每个数据位使用一条导线,这种方式传输快,但是需要多条导线进行信号传输。串行通信:数据一位一

随机推荐