统计学基础之概率、随机变量及其分布

概率

概率是对某一事件发生可能性的数据度量。我们用概率描述事情发生可能性的大小。

试验、计数法则和概率分配

试验:产生明确结果的过程。在一次试验中,有且只有一种结果。

试验 试验结果
抛一枚硬币 正面、反面
检测一枚零件 合格、不合格
进行一次销售 成功、不成功
抛掷一枚色子 1、2、3、4、5、6

样本空间:所有可能的试验结果的集合。

样本点:一次试验的结果。

计数法则、组合和排列

  • 多步骤试验的计数法则

  若一个试验的结果可以分为$k$步,每一步有$n_k$种结果,则所有可能的结果总数为$\prod n_k$。

  例如,抛掷一枚硬币5次,共有$2^5$种结果。

  • 组合计数法则

  从N项中选取n项的组合数为$$C_N^n=\frac{N!}{(N-n)!n!}$$其中,$N! = N(N-1)(N-2)…1$

   $n!=n(n-1)(n-2)…1$

!为阶乘。

  组合数法则基于这样一个场景,对$N$个不同单位进行排序,第一个位置有$N$种选择,第二个位置有$N-1$个,由分布试验计数法则可知,共$N!$种结果。考虑另一种选法,将单位分为两部分排序,首先从$N$个单位中选出$n$个单位用于填补前$n$个位置,共有$C_N^n$种选择方法,剩余单位用于填补剩余的$N-n$个位置,对两部分进行排序,分别为$n!$和$(N-n)!$种结果,由分步计数法则可知,总共$C_N^nn!(N-n)!$种结果。因此有$$N! = C_N^n(N-n)!n!$$

  • 排列计数法则

  从N项中选取n项的组合数为$$A_N^n=\frac{N!}{(N-n)!}$$

  排列数基于这样一个场景,从$N$项中首先选择$n$项组合数,共$C_N^n$种,然后对选出的n种进行排序,共$n!$种,由分布计数法则,有$$A_N^n =C_N^nn!=\frac {N!}{(N-n)!}$$

概率分配

  • 古典法

每种试验结果具有相同的概率,如投硬币,掷色子等。

  • 相对频数法

以大量试验的频率作为概率。

  • 主观法

不靠谱,搞笑的

事件及其概率

  • 事件:样本的集合。如掷色子获得偶数,掷硬币5次获得3次正面向上。
  • 事件的概率:样本点概率之和。

概率的基本性质

事件的补

  • 事件A的补:不包括在事件A中的样本点,记为$\bar A$
  • 概率:$P(A)=1-P(\bar A)$

加法公式

  • 事件A和B的并:属于A或者属于B的样本点构成的集合,记作$A\bigcup B$
  • 事件A和B的交:同时属于A和B的样本点构成的集合,记作$A\bigcap B$

加法公式:$$P(A\bigcup B)=P(A)+P(B)-P(AB)$$

  • 互斥事件:若两事件无公共样本点,则两事件互斥。

条件概率

  • 条件概率:在事件A发生的情况下,事件B发生的概率,记为$P(B|A)$$$P(B|A)=\frac {P(AB)}{P(A)}$$
  • 独立事件:事件A、B的发生互不影响,则AB互为独立事件,有以下冲要条件:$$P(A|B)=P(A)$$或$$P(AB)=P(A)P(B)$$

贝叶斯定理

  • 样本空间的分割:若事件$B_1,B_2…B_n$互斥,且$\bigcup_{i=1}^{n}B_i=\Omega$,则称这组事件B为样本空间的一个分割。
  • 全概率公式:$$P(A)=\sum P(B_i)P(A|B_i)$$其中,事件组B为样本空间的一个分割。

  举个例子,求某次考试某班级考试的总合格率,可以用男生合格率乘以男生概率加上女生合格率乘以女生概率。

  • 贝叶斯定理$$P(A_i|B) = \frac {P(A_i)P(B|A_i)}{\sum P(B|A_i)}$$

  贝叶斯定理是将全概率公式与条件概率公式结合得到的一个常用的定理。

随机变量及其分布

  • 随机变量:随机变量是对一个试验的结果的数值描述。

  如抛掷十次硬币,正面朝上的次数$X$是随机变量;某十字路口一定时间内经过的汽车的数量是随机变量。

  • 离散型随机变量:随机变量的取值范围是离散的数据的变量。

  如掷色子的点数只能是1,2,3,4,5,6。

  • 连续型随机变量:随机变量的取值范围是连续的区间的变量。

  如某人从家里到公司所用的时间。

随机变量的概率分布

  • 分布函数:对于任意随机变量$X$,称$$F(x)=P(X\leq x)$$为随机变量的分布函数。
  • 分布列离散型随机变量的分布列指的是随机变量取不同值的概率。其基本条件为:$$0\leq P(A_i)$$$$\sum P(A_i)=1$$
  • 概率密度函数连续型随机变量的概率密度函数定义如下:

  设某连续型随机变量的分布函数为$F(x)$,若存在实数轴上的一个非负可积函数$f(x)$,满足$$F(x)=\int_{-\infty }^{x }f(t)dt$$则称$f(x)$为该随机变量的概率密度函数。

  显然,概率密度函数符合相同的基本条件:$$f(x)\geq 0$$$$\int_{-\infty}^{+\infty}f(x)dx=1$$
  对于离散型随机变量而言,概率直接由分布列给出,对于连续型随机变量而言,概率由概率密度函数在某区间上的积分给出,这一点容易用分布函数证明。

数学期望与方差

期望

  • 数学期望:期望或均值是对随机变量中心位置的一种度量。
  • 离散型随机变量的期望$$EX=\sum X_iP(X_i)$$

  若级数$EX$不收敛,则称期望不存在。

  • 连续型随机变量的期望

$$EX = \int_{-\infty}^{\infty} xf(x)dx$$

  • 数学期望的性质

    • a为常数,则$E(a)=a$
    1. a为常数,则$E(aX)=aEX$
    2. $g_1(x)、g_2(x)$为两任意函数,则$$E[g_1(x)\pm g_2(x)]=E[g_1(x)]\pm E[g_2(x)]$$

方差与标准差

  • 方差:方差衡量数据的变异程度。$$DX=Var(X)=E(X-EX)^2$$
  • 离散型随机变量的方差$$DX=\sum (X_i-EX)^2P(X_i)$$
  • 连续型随机变量的方差$$DX = \int_{-\infty}^{\infty}(x-EX)^2f(x)dx$$
  • 标准差:方差的算术平方根$$\sigma=\sqrt{DX}$$
  • 方差的性质

    • $DX = EX^2-(EX)^2$

证明:$$\begin {split}DX &= E(X-EX)^2\\&=E[X^2-2XEX+(EX)^2]\\&=EX^2-2EXEX+(EX)^2\\&=EX^2-(EX)^2\end{split}$$

  • 若c为常数,则$D(c)=0$
  • 若a,b为常数,则$D(aX+b)=a^2DX$

    证明:$$\begin {split} D(aX+b)&=E(aX+b)^2-[E(aX+b)]^2\\&=E(a^2X^2+2abX+b^2)-(aEX+b)^2\\&=a^2EX^2+2abEX+b^2-a^2(EX)^2-2abEX-b^2\\&=a^2[EX^2-(EX)^2]\\&=a^2DX\end{split}$$

  • $DX=0\Leftrightarrow P(x=a)=1$

常用离散分布

二项分布

  • 二项试验:又称独立重复试验或n重伯努利试验,其性质如下:

    • 共进行n次试验
    • 试验之间相互独立
    • 每次试验只有两种结果,成功或失败
    • 每次试验的成功概率相同,记为p
  • 二项分布:n重伯努利试验成功次数$X$的分布列即为二项分布。$$P(X=k)=C_n^kp^k(1-p)^{n-k}$$记为$X\sim B(n,p)$

  首先从$n$次试验中选出$k$次,然后计算$k$次试验成功与$(n-k)$次试验失败的概率。

  二项分布的概率恰好为二项式$[p+(1-P)]^n$中的第$k+1$项,二项分布由此得名。

  • 两点分布:n=1的二项分布称为两点分布或伯努利分布。
  • 二项分布的数学期望$$E(X)=np$$

证明:$$\begin {split}E(X) &= \sum_{k=0}^{n} kP(X=k)\\&=\sum_ {k=1}^n kC_n^kp^k(1-p)^{n-k}\\&=np\sum_ {k=1}^n\frac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}(1-p)^{n-1-(k-1)}\\&=np\sum_{k=1}^{n}C_{n-1}^{k-1}p^{k-1}(1-p)^{n-1-(k-1)}\\&=np(p+1-p)^{n-1}\\&=np\end{split}$$

  • 二项分布的方差$$DX=np(1-p)$$

证明:$$\begin {split}DX &= EX^2-(EX)^2\end{split}$$$$\begin{split}EX^2&=\sum_{k=0}^{n}k^2P(X=k)\\&=\sum_{k=0}^nk^2C_n^kp^k(1-p)^{n-k}\\&=\sum_{k=1}^nk(k-1+1)C_n^kp^k(1-p)^{n-k}\\&=\sum_{k=2}^nk(k-1)C_n^kp^k(1-p)^{n-k}+\sum_{k=1}^nkC_n^kp^k(1-p)^{n-k}\\&=n(n-1)p^2\sum_{k=2}^nC_{n-2}^{k-2}p^{k-2}(1-p)^{n-2-(k-2)}+np\\&=n(n-1)p^2(p+1-p)^{n-2}+np\\&=n(n-1)p^2+np\end{split}$$故$$DX=n(n-1)p^2+np-(np)^2=np(1-p)$$

泊松分布

  • 泊松分布:如果事件出现的次数满足一下两个性质,则随机变量服从泊松分布:

    • 任意相等区间内事件发生的概率相同。
    • 事件在某区间上是否发生与事件在其他区间上是否发生是相互独立的。

      例如:

      • 在一天内.来到某商场的顾客数。
      • 在单位时间内, 电路受到外界电磁破的冲击次数
      • 1平方米内,玻璃上的气泡数.
  • 泊松分布的概率$$P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda}(k=0,1,2...)$$

  关于泊松分布概率的由来,可参考以下内容,很通俗易懂的讲解!

泊松分布的现实意义是什么,为什么现实生活多数服从于泊松分布? - 马同学的回答 - 知乎
https://www.zhihu.com/questio...

  容易验证,泊松分布的概率和为1:$$\sum_{k=0}^{n}\frac{\lambda^k}{k!}e^{-\lambda}=e^{-\lambda}\sum_{k=0}^{n}\frac{\lambda^k}{k!}=e^{-\lambda}e^{\lambda}=1$$

  • 泊松分布的数学期望$$\begin{split}EX&=\sum_{k=0}^{\infty}kP(X=k)\\&=\lambda e^{-\lambda}\sum_{k=0}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}\\&=\lambda e^{-\lambda}e^{\lambda}\\&=\lambda\end{split}$$
  • 泊松分布的方差$$\begin{split}EX^2&=\sum_{k=0}^{n}k^2P(X=k)\\&=\sum_{k=1}^{\infty}k^2\frac{\lambda^k}{k!}e^{-\lambda}\\&=\sum_{k=1}^{\infty}k(k-1+1)\frac{\lambda^{k}}{k!}e^{-\lambda}\\&=\sum_{k=2}^{\infty}k(k-1)\frac{\lambda^{k}}{k!}e^{-\lambda}+\sum_{k=1}^{\infty}k\frac{\lambda^{k}}{k!}e^{-\lambda}\\&=\lambda^2 e^{-\lambda}\sum_{k=2}^{\infty}\frac{\lambda^{k-2}}{(k-2)!}+\lambda \\&=\lambda^2+\lambda\end{split}$$

$$DX=EX^2-(EX)^2=\lambda$$

  • 二项分布的泊松近似

泊松定理:在n重伯努利试验中,记事件A在一次试验中发生的概率为$p_n$,若当$n\rightarrow\infty$时,有$np_n\rightarrow\lambda$,则$$\lim_{n\rightarrow\infty}P(A)=\lim_{n\rightarrow\infty}C_n^kp_n^k(1-p_n)^{n-k}=\frac {\lambda^k}{k!}e^{-\lambda}$$

证明:$$\begin{split}\lim_{n\rightarrow\infty}P(A)&=\lim_{n\rightarrow\infty}C_n^kp_n^k(1-p_n)^{n-k}\\&=\lim_{n\rightarrow\infty}\frac{n(n-1)…(n-k+1)}{k!}(\frac{\lambda}{n})^k(1-\frac \lambda n)^{n-k}\\&=\frac{\lambda^k}{k!}\lim_{n\rightarrow\infty}\frac{n(n-1)…(n-k+1)}{n^k}(1-\frac \lambda n)^{n-k}\end{split}$$

又有$$\lim_{n\rightarrow\infty}\frac{n(n-1)…(n-k+1)}{n^k}=1$$$$\lim_{n\rightarrow\infty}(1-\frac \lambda n)^{n-k}=e^{-\lambda}$$故原命题得证

  由于泊松定理是在$np_n\rightarrow\lambda$的情况下得到的,因此,在实际情况中,当二项分布$B(n,p)$试验次数$n$很大,概率$p$较小,$\lambda$适中时,可以使用泊松分布做近似。

超几何分布

  考虑这样一个场景,$N$件产品中有$M$件合格品,从中抽取$n$件,其中合格品数量为$m$的概率即为超几何分布。$$P(m)=\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}$$

  • 超几何分布的期望$$E(X)=n\frac MN$$

证明:$$\begin{split}E(X)&=\sum_{m=0}^{M}m\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}\\&=n\frac MN\sum_{m=1}^{M}\frac{C_{M-1}^{m-1}C_{N-M}^{n-m}}{C_{N-1}^{n-1}}\\&=n\frac MN\end{split}$$

  • 超几何分布的方差$$DX=\frac{nM(N-M)(N-n)}{N^2(N-1)}$$

证明: $$\begin{split}EX^2 &= \sum_{m=0}^{M}m^2\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}\\&=\sum_{m=1}^{M}m(m-1+1)\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}\\&=\sum_{m=2}^{M}m(m-1)\frac{C_M^mC_{N-M}^{n-m}}{C_N^n}+EX\\&=\frac {M(M-1)n(n-1)}{N(N-1)}+EX\end{split}$$

$$DX = EX^2 - (EX)^2=\frac{nM(N-M)(N-n)}{N^2(N-1)}$$

几何分布

  • 几何分布:在n重伯努利试验中,事件首次出现的试验次数为$X$,则$X$服从几何分布,记为$Xsim Ge(p)$$$P(X=k)=(1-p)^{k-1}p$$
  • 几何分布的数学期望:

  令$q=1-p$$$\begin{split}E(X)&=\sum_{k=1}^{\infty}kq^{k-1}p\\&=p\sum_{k=1}^\infty\frac{dq^k}{dq}\\&=p\frac {d\sum_{k=0}^\infty q^k}{dq}\\&=p\frac d{dq}\frac 1{1-q}\\&=\frac p{(1-q)^2}\\&=\frac 1p\end{split}$$

  • 几何分布的方差:

$$\begin{split}EX^2 &= \sum_{k=1}^\infty k^2q^{k-1}p\\&=p\sum_{k=1}^\infty(k-1+1)kq^{k-1}\\&=pq\sum_{k=1}^\infty k(k-1)q^{k-2}+\frac 1p\\&=pq\sum_{k=1}^\infty \frac{d^2q^k}{dq^2}+\frac 1p\\&= pq \frac{d^2\sum_{k=0}^\infty q^k}{dq^2}+\frac 1p\\&=\frac {2q}{p^2}+\frac 1q\end{split}$$

$$DX=\frac{1-p}{p^2}$$

常用连续分布

正态分布

  • 正态分布:若随机变量X的概率密度函数为$$f(x)=\frac 1{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$则称随机变量X服从正态分布,记为$X\sim N(\mu,\sigma^2)$,其中$\mu$为均值,$\sigma$为标准差。
  • 标准正态分布:若$X\sim N(0,1)$,则称X服从于标准正态分布。
  • 正态分布的标准化:若$X\sim N(\mu,\sigma^2)$,则$T=\frac{X-\mu}{\sigma}\sim N(0,1)$

  证明:设$X、T$的分布函数分别为$F_X(x)、F_T(t)$,概率密度分别为$f_X(x)、f_T(t)$,则$$\begin{split}F_T(t)=P(T\leq t)=P(X\leq \sigma t+\mu)=F_X(\sigma t+\mu)\end{split}$$$$f_T(t)=F_T'(t)=\sigma f_X(\sigma t+\mu)=\frac 1{\sqrt{2\pi}}e^{-\frac{t^2}{2}}$$

  • 正态分布的均值:正态分布的均值为$\mu$

  证明:$$\begin{split}E(\frac{X-\mu}{\sigma} )=E(T)&=\int_{-\infty}^{\infty}t\frac1{\sqrt{2\pi}}e^{-\frac{t^2}2}dt\end{split}$$

  可以看出被积函数为奇函数,故$$E(\frac{X-\mu}{\sigma} )=E(T)=0$$$$EX=\mu$$

  • 正态分布的方差:$\sigma$

  证明:$$\begin{split}ET^2&=\int_{-\infty}^{\infty}t^2\frac 1{\sqrt {2\pi}}e^{-\frac {t^2}2}dt\\&=\frac 1{\sqrt{2\pi}}\int_{-\infty}^{\infty}(-t)de^{-\frac {t^2}2}\\&=\frac 1{\sqrt{2\pi}}[-te^{-\frac {t^2}2}|_{-\infty}^{\infty} + \int_{-\infty}^{\infty}e^{-\frac {t^2}2}dt]\\&=1\end{split}$$$$DX=D(\sigma T+\mu)=\sigma^2$$

均匀分布

  • 均匀分布的概率密度

$$f(x)=\begin{cases}&\frac1{b-a}& \text{a < x < b}\\&0 & \text{其他}\end{cases}$$

  • 均值:$EX=\frac {a+b}2$
  • 方差:$DX=\int_a^b\frac{x^2}{b-a}dx-(EX)^2=\frac {(b-a)^2}{12}$

指数分布

  • 指数分布的概率密度函数

$$f(x)=\begin{cases}&\lambda e^{-\lambda x}& \text{x >= 0}\\&0 &\text{x < 0}\end {cases}$$其中$\lambda>0$

  • 指数分布的均值:$$\begin{split}EX&=\int_0^{+\infty}\lambda xe^{-\lambda x}dx\\&=\int_0^{+\infty}(-x)de^{-\lambda x}\\&=-xe^{-\lambda x}|_0^{+\infty}+\int_0^{+\infty}e^{-\lambda x}dx\\&=\frac 1{\lambda}\end{split}$$
  • 指数分布的方差

$$\begin{split}EX^2&=\int_0^{+\infty}\lambda x^2e^{-\lambda x}dx\\&=\int_0^{+\infty}(-x^2)de^{-\lambda x}dx\\&=-x^2e^{-\lambda x}|_0^{+\infty}+\int_0^{+\infty}2xe^{-\lambda x}dx\\&=\frac 2{\lambda^2}\end{split}$$$$DX=EX^2-(EX)^2=\frac 1{\lambda^2}$$

指数分布用于描述某事件连续两次发生之间的时间间隔。

image.png

阅读 510

推荐阅读