概率论基础知识点公式汇总

1 概率论的基本概念

1.1 随机事件

• 样本空间$S$：将随机实验所有可能的记过组成的集合称为样本空间。
• 样本点：样本空间的每个结果称为样本点。
• 随机试验、随机事件$E$、基本事件、必然事件、不可能事件、对立事件$A\overline{A}$、古典概型。

1.2 频率与概率

• 频率：在相同的条件下进行$n$次实验，事件$A$发生的次数$n_A$称为事件$A$发生的频数。$\frac{n_A}{n}$称为事件$A$发生的频率。
• 概率：$E$是随机试验，$S$是样本空间。$P(A)$称为事件$A$的概率。
• 频率与概率的性质：
  • 非负性：$P(A)>0$
  • 规范性：$P(S)=1$
  • 可列可加性：$A_i{A}_j=\varnothing ,P(A_1\cup A_2\cup \cdots \cup P_n)=P(A_1)+P(A_2)+\cdots +P(A_n)$

1.3 条件概率

定义

设$A,B$是两个事件，且$P(A)>0$,则称
$$P(B|A)=\frac{P(AB)}{P(A)}$$
也是一种链式法则。图解的方式理解。
$$P(B|A)=\frac{P(AB|1)}{P(A|1)}$$
在事件A发生的条件下，事件B发生的概率。

性质

• 非负性
• 规范性
• 可列可加性。

乘法定理

$$P(AB)=P(A)P(B|A)$$
也是一种链式法则。图解的方式理解。
$$P(AB|1)=P(A|1)P(B|A)$$

全概率公式

设试验$E$样本空间为$S$，$A$为试验的实践，$B_1,\cdots ,B_n$为S的一个划分，且$P(B_i)>0$,则：
$$\begin{gathered} P(A)=P(A|B_1)P(B_1)+\cdots +P(A|B_n)P(B_n) \\ =\sum _i^{n}P(A|B_i)P(B_i) \end{gathered}$$

贝叶斯公式

设试验$E$样本空间为$S$，$A$为试验的实践，$B_1,\cdots ,B_n$为S的一个划分，且$P(A)>0,P(B_i)>0$,则：
$$P(B_i|A)=\frac{P(A|B_i)P(B_i)}{{\sum }_{j=1}^{n}P(A|B_j)P(B_j)}$$

起到了交换条件与结果的作用。

1.4 独立性

定义

如果A，B是两个事件，满足：
$$P(AB)=P(A)P(B)$$
则称事件A，B相互独立。即事件A的发生对事件B没有影响。

定理一

若A，B相互独立，则$P(B|A)=P(B)$.

定理二

若A，B相互独立，则下列事件也相互独立：
$$A\overline{B},\overline{A}B,\overline{A}\overline{B}$$

2 随机变量的分布

2.1 随机变量

定义

样本空间$S=e$,$X=X(e)$是定义在样本空间上的实值单值函数，称$X=X(e)$为随机变量。

2.2 离散型随机变量及其概率分布

定义

随机变量的取值是有限个或者无限多个。随机变量$X$所有可能的取值为$x_k$,随机变量的分布律记为：
$$P(X=x_k)=P_k,k=1,2,3,\cdots$$

性质

1. $P_k\ge 0$
2. $\sum P_k=1$

分布律

1. 表格形式给出每个随机变量的分布律。
2. 代数公式表示随机变量的分布律。

01分布

$$P(X=k)=p^k(1-p{)}^{1-k},k=0,1$$

伯努利实验-二项分布$X\sim b(n,p)$：

X表示n重伯努利实验事件A发生的次数。
$$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k},k=0,1,\cdots ,n$$

泊松分布$X\sim \pi (\lambda )$：

$$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=1,2,\cdots ,$$

泊松定理（用泊松分布来逼近二项分布）：

$\lambda$是一个大于零的常数，n是任意正整数，$\lambda =n{P}_n$,则对于任意固定的非负整数k，有：
$\underset{n\to +\infty }{\lim }\frac{1}{n(n+1)}$
$$\underset{n\to \infty }{\lim }{C}_n^k{p}_n^k(1-p_n{)}^{n-k}=\frac{{\lambda }^k{e}^{-\lambda }}{k!}$$

2.3 随机变量的分布函数

定义

X是一个随机变量，x是任意实数，以下称为X的分布函数：
$$F(x)=P(X\le x),-\infty \le x\le +\infty$$

$$F(x)={\int }_{-\infty }^{x}f(t)dt$$

2.4 连续性随机变量

定义

X为连续性随机变量，f(x)称为随机变量的概率密度。

性质

1. $f(x)\ge 0$
2. ${\int }_{-\infty }^{+\infty }f(x)dx=1$
3. $P(x_1<X<x_2>)=F(x_2)-F(x_1)={\int }_{x_1}^{x_2}f(x)dx$
4. 若f(x)在x处连续，则：
   $F^{\prime }=F(x)$

均匀分布$X\sim U(a,b)$：

$$f(x)=\{\begin{array}{ll}\frac{1}{b-a}& a<x\le b\\ 0& else\end{array}$$

指数分布

$$f(x)=\{\begin{array}{ll}\frac{1}{\theta }{e}^{-\frac{x}{\theta }}& x>0\\ 0& else\end{array}$$
指数分布具有无记忆性。

正太分布或高斯分布$X\sim N(\mu ,{\sigma }^2)$:

$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{x-\mu }^2}{2{\sigma }^2}},-\infty <x<+\infty$$
相关性质：

1. 关于$x=\mu$对称
2. $x=\mu$时取到最大值。$f(x)=\frac{1}{\sqrt{2\pi }}$
3. $Z=\frac{X-\mu }{\sigma }\sim N(0,1)$

3 多维随机变量

需要补充联合概率密度相关的内容，边缘概率密度

3.1 二维随机变量

二维随机变量定义

随机实验$E$，样本空间 S = { e } S=\{e\} S={e}，$X=X(e),Y=Y(e)$是定义在$S$上的一个随机变量。由他们构成的向量$(X,Y)$称为二维随机变量

分布函数

设$(X,Y)$是二维随机变量，对于任意实数x，y，有
$$F(x,y)=P((X\le x)\cap (Y\le y))\iff P(X\le x,Y\le y)$$
称为二维随机变量(X,Y)的分布函数。或者随机变量X,Y的联合分布函数

分布函数的性质

1. $F(x,y)$对于任意一个随机变量是一个不减函数。
2. $0\le F(x,y)\le 1$
3. $F(x,y)$关于x右连续，关于y右连续
4. $x_2>x_1,y_2>y_1$
   $$F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge 0$$

二维离散型随机变量联合分布律

$$P(X=x_i,Y=y_i)=p_{ij}$$
称为二维离散随机变量(X,Y)的分布律，或者随机变量X，Y的联合分布律。

二维离散型随机变量(X,Y)的分布函数

$$F(x,y)=\sum _{x_i\le x}\sum _{y_i\le y}{p}_{ij}$$

二维连续型随机变量联合概率密度

$$f(x,y)$$
称为二维连续型随机变量的概率密度或者随机变量X,Y的联合概率密度。

二维连续型随机变量(X,Y)的分布函数

$$F(x,y)={\int }_{-\infty }^y{\int }_{-\infty }^{x}f(u,v)dudv$$

概率密度f(x,y)性质

1. $f(x,y)\ge 0$
2. $F(x,y)={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(u,v)dudv=1$
3. G是平面上的区域则：
   $$P((X,Y)\in G)={\iint }_{G}f(x,y)dxdy$$
4. f(x,y)在点(x,y)处连续，
   $$\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}=f(x,y)$$

n维随机变量的分布函数也具有以上性质。

3.2 边缘分布

边缘分布定义

二维随机变量有各自的分布函数$F_x(x),Fy(y)$，称为二维随机变量的边缘分布。
$$F_x(x)=P(X\le x)=P(X\le x,Y<\infty )=F(x,\infty )$$

边缘分布律

离散型随机变量(X,Y)的边缘分布律
$$\begin{gathered} p_{i\cdot }=\sum _{j=1}^{\infty }{p}_{ij} \\ {p}_{\cdot j}=\sum _{i=1}^{\infty }{p}_{ij} \end{gathered}$$
连续型随机变量(X,Y)的边缘密度函数
$$\begin{gathered} f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy \\ {f}_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx \end{gathered}$$

3.3 条件分布

条件分布律定义

二维随机变量(X,Y)，X在$Y_j$条件下的条件分布律为：
$$P(X=x_i|Y=y_j)=\frac{p_{ij}}{p_{\cdot j}}$$

条件概率密度定义

二维随机变量(X,Y)，X在Y=y条件下的条件概率密度：
$$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$$

3.4 相互独立的随机变量

定义

$$\begin{gathered} P(X\le x,Y\le y)=P(X\le x)P(Y\le y) \\ f(x,y)=f_X(x)f_Y(y) \\ F(x,y)=F_X(x)F_Y(y) \end{gathered}$$
满足上述条件的随机变量X与Y是相互独立的。

3.5 两个随机变量的函数的分布

Z=X+Y的概率分布

$$\begin{gathered} f_{X+Y}(z)={\int }_{-\infty }^{+\infty }f(z-y,y)dy \\ {f}_{X+Y}(z)={\int }_{-\infty }^{+\infty }f(x,y-x)dx \end{gathered}$$

这个地方有点像二维积分通过关系式进行了简化（我可能又要重新复习高等数学的微积分知识了。

卷积公式

如果X，Y两个随机变量相互独立，则能得到以下公式
$$\begin{gathered} f_{X+Y}(z)={\int }_{-\infty }^{+\infty }{f}_X(z-y)f_Y(y)dy \\ {f}_{X+Y}(z)={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(z-x)dx \end{gathered}$$
这里的$f_X,f_Y$称为卷积公式。

很神奇，概率论矩阵啥的，最后还要用到基础的微积分数学工具。

Z=Y/X与Z=XY的概率分布

$$\begin{gathered} f_{X/Y}(z)={\int }_{-\infty }^{+\infty }f(x,xz)dx \\ {f}_{XY}(z)={\int }_{-\infty }^{+\infty }f(x,z/x)dx \end{gathered}$$
若果X，Y两个随机变量相互独立，则能得到以下公式
$$\begin{gathered} f_{X/Y}(z)={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(xz)dx \\ {f}_{XY}(z)={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(z/x)dx \end{gathered}$$

M = m a x { X , Y } , N = m i n { X , Y } M=max\{X,Y\},N=min\{X,Y\} M=max{X,Y},N=min{X,Y}的概率分布

$$\begin{gathered} P_{max}(z)=P(X\le z,Y\le z) \\ {F}_{max}(z)=F_X(z)F_Y(z) \\ {F}_{min}(z)=1-(1-F_X(z))(1-F_Y(z)) \end{gathered}$$

可以将以上讨论扩展到n个随机变量

4. 随机变量的数字特征

这里并非统计量，而是估计量。即通过概率计算得到的总体的估计值，是数据特征。

4.1 数学期望或均值

主要包括数学期望的定义式，基本四则运算，与常见概率分布的数学期望的复杂运算。

定义

离散型$E(X)={\sum }_k^{\infty }{x}_k{p}_k$
连续型$E(x)={\int }_{-\infty }^{\infty }xf(x)dx$

常见数学期望

$$\begin{gathered} X\sim \pi (\lambda );E(x)=\lambda \\ X\sim U(a,b);E(x)=\frac{a+b}{2} \end{gathered}$$

数学期望的性质

1. 常数期望不变：$E(C)=C$
2. 数称特性：$E(aX)=aE(X)$
3. 高维线性可加性XY不必独立：$E(X+Y)=E(X)+E(Y)$
4. 高维乘积X与Y相互独立：$E(XY)=E(X)E(Y)$

数学期望定理（运算公式）：

$$\begin{gathered} Y=g(X),P(X=x_k)=p_k \\ E(Y)=E(g(X))=\sum _{k=1}^{\infty }g(x_k)p_k \\ E(Y)=E(g(x))={\int }_{-\infty }^{\infty }g(x)f(x)dx \end{gathered}$$
利用定理可以直接计算变换后的函数密度。

4.2 方差

主要包括方差的定义式，基本四则运算，与常见概率分布的方差的复杂运算。

定义

定义式：$D(X)=Var(X)=E((X-E(X){)}^2)$
离散型：$D(X)={\sum }_1^{\infty }(x_k-E(X){)}^2{p}_k$
连续型：$D(X)={\int }_{-\infty }^{+\infty }(x-E(x){)}^{2}f(x)dx$
简化式：$D(X)=E(X^2)-(E(X){)}^2$

常见的方差

$X\sim B(0,1),D(X)=p(1-p)$
$X\sim N(\mu ,{\sigma }^2),D(X)={\sigma }^2$
$X\sim \pi (\lambda )，D(X)=\lambda$
$X\sim U(a,b),D(X)=\frac{(b-a{)}^2}{12}$

方差的性质

1. 常数不变性：C是常数，$D(C)=0$
2. 数乘特性：$D(CX)=C^{2}D(X)$
3. 高维独立可加性：若X，Y相互独立，则$D(X+Y)=D(X)+D(Y)$
4. $P(X=E(X))=1\iff D(X)=0$

4.3 协方差与相关系数

主要包括协方差的定义式，基本四则运算。

定义

$$\begin{gathered} Cov(X,Y)=E((X-E(X))(Y-E(Y))) \\ =E(XY)-E(X)E(Y) \\ 样本=\sum (x_i-\overline{x})(y_i-\overline{y}) \\ {\rho }_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}} \end{gathered}$$
X,Y 相互独立时，$Cov(X,Y)=0$

协方差含义

当求高数随机变量的方差时，如果随机变量不独立，会产生交叉项。高维乘积的方差，存在交叉项。
$$\begin{gathered} D(X+Y)=E((X-E(X){)}^2)+E((Y-E(Y){)}^2)+2E((X-E(X))(Y-E(Y))) \\ D(X+Y)=D(X)+D(Y)+2Cov(X,Y) \end{gathered}$$
相关系数是协方差的标准化。用来表示X与Y的相关性。

协方差性质

1. 当X与Y独立时：$Cov(X,Y)=0$
2. C为常数:$Cov(X,C)=0$
3. 完全相关:$Cov(X,X)=D(X)$
4. 交换律:$Cov(X,Y)=Cov(Y,X)$
5. 线性可加性:$Cov(aX+c,bY+d)=abCov(X,Y)$
6. 分配率:$Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)$
7. 当X与Y不独立时：$D(X+Y)=D(X)+D(Y)+Cov(X,Y)$

相关系数性质

1. $|{\rho }_{XY}|\le 1$
2. $|{\rho }_{XY}|=1\iff P(Y=aX+b)=1$,即两者之间存在线性关系。
3. $\rho =0$，XY两者不相关

4.4 矩、协方差矩阵

定义

k阶原点矩：$E(X^k)$.
k阶中心矩：$E((X-E(X){)}^k)$

切比雪夫不等式

随机变量X具有数学期望$E(X)=\mu ,D(X)={\sigma }^2$。对于任意正数$ϵ$，不等式成立：
$$\begin{gathered} P(|X-\mu |\ge ϵ)\le \frac{{\sigma }^2}{{ϵ}^2} \\ 或P(|X-\mu |<ϵ)\ge 1-\frac{{\sigma }^2}{{ϵ}^2} \end{gathered}$$

相关性质以后再补充。

5. 大数定律和中心极限定理

5.1 大数定律

弱大数定理（辛钦大数定理）

$X_1,X_2,\cdots$独立同分布，$E(X_k)=\mu$，对于任意的$ϵ\ge 0$，有：（可以证明）
$$\underset{n\to 0}{\lim }P(|\frac{1}{n}\sum _{k=1}^n{x}_k-\mu |<ϵ)=1$$
$\overline{X}=\frac{1}{n}{\sum }_{k=1}^n{x}_k$算术平拘束依概率收敛于$\mu$,即$\overline{X}\stackrel{P}{\to }\mu$

伯努利大数定理

设$f_A$是n次实验中事件A发生的次数，P是每次实验中A发生的概率。则有(可以理解)
$$\begin{gathered} \underset{n\to \infty }{\lim }P(|\frac{f_A}{n}-p|<ϵ)=1 \\ \underset{n\to \infty }{\lim }P(|\frac{f_A}{n}-p|\ge ϵ)=0 \end{gathered}$$

5.2 中心极限定理

定理一（独立同分布的中心极限定理）

$X_1,X_2,\cdots$独立同分布，$E(X_k)=\mu ,D(X_k)={\sigma }^2$,则随机化变量之和的标准化变量为：
$$Y_n=\frac{{\sum }_{k=1}^n{X}_k-n\mu }{\sqrt{n}\sigma }$$
它的概率分布为：
$$\underset{n\to \infty }{\lim }{F}_n(x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}{e}^{\frac{-t^2}{2}}dt$$
含义说明：$E(X_k)=\mu ,D(X_k)={\sigma }^2$的独立同分布的随机变量的和的标准化变量$Y_n$，当n足够大时，近似服从标准化正太分布。

定理二（李雅普诺夫定理）

$X_1,X_2,\cdots$相互独立，但并不是同分布。
$E(X_k)={\mu }_k,D(X_k)={\sigma }_k^2$,则随机化变量之和的标准化变量为：
$$Z_n=\frac{{\sum }_{k=1}^n{X}_k-{\sum }_{k=1}^n{\mu }_k}{{\sum }_{k=1}^n{\sigma }_k^2}$$
它的概率分布为：
$$\underset{n\to \infty }{\lim }{F}_n(x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}{e}^{\frac{-t^2}{2}}dt$$
含义说明，无论各个随机变量服从什么样的分布，当n足够大时，他们和的标准化变量$Z_n$都服从正太分布。

定理三（迪莫夫拉普拉斯定理）

设随机变量${\eta }_n$服从(n,p)二项分布。对于任意的x有：

$$\underset{n\to \infty }{\lim }P(\frac{{\eta }_n-np}{\sqrt{np(1-p)}}\le x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}{e}^{\frac{-t^2}{2}}dt$$
含义说明：正态分布是二项分布的极限分布。