概率论中几种具有可加性的分布及其关系汇总

目录

摘要 (1)

关键词 (1)

Abstract (1)

Key words (1)

引言 (1)

1 几种常见的具有可加性的分布 (1)

1.1 二项分布 (2)

1.2 泊松分布（Possion分布） (3)

1.3 正态分布 (4)

1.4 伽玛分布 (6)

1.5 柯西分布 (7)

1.6 卡方分布 (7)

2 具有可加性的概率分布间的关系 (8)

2.1 二项分布的泊松近似 (8)

2.2 二项分布的正态近似 (9)

2.3 正态分布与泊松分布间的关系 (10)

2.4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布的关系 (11)

3 小结 (12)

参考文献 (12)

致谢 (13)

概率论中几种具有可加性的分布及其关系

概率论中几种具有可加性的分布及其关系

摘要 概率论与数理统计中概率分布的可加性是一个十分重要的内容.所谓分布的可加性指的是同一类分布的独立随机变量和的分布仍属于此类分布.结合其特点，这里给出了概率论中几种具有可加性的分布：二项分布，泊松分布，正态分布，柯西分布，卡方分布以及伽玛分布.文章讨论了各类分布的性质及其可加性的证明，这里给出了证明分布可加性的两种方法，即利用卷积公式和随机变量的特征函数.除此之外，文章就可加性分布之间的各种关系，如二项分布的泊松近似，棣莫佛-拉普拉斯中心极限定理等，进行了不同层次的讨论. 关键词 概率分布 可加性 相互独立 特征函数

Several Kinds of Probability Dstribution and its Relationship

with Additive

Abstract Probability and mathematical statistics in the probability distribution of additivity is a very important content.The distribution of the so-called additivity refers to the distribution of the same kind of independent random variables and distribution are still belong to this kind of https://www.wendangku.net/doc/7d10700550.html,bined with its characteristics, here given several has additivity distribution in probability theory: the binomial distribution, poisson distribution and normal distribution and cauchy distribution, chi-square distribution and gamma distribution.Article discusses the nature of all kinds of distribution and its proof of additivity, additive of proof distribution are also given two methods, namely using convolution formula and characteristic function of a random variable. In addition, this paper the relationships between the additive property distribution, such as the binomial distribution of poisson approximation, Di mo - Laplace's central limit theorem, and so on,

has carried on the different levels of discussion. Key Words probability distribution additivity property mutual independence characteristic function

引言 概率论与数理统计是研究大量随机现象的统计规律性的学科，在概率论与数理统计中，有时候我们需要求一些随机变量的和的分布，在这些情形中，有一种求和类型比较特殊，即有限个相互独立且同分布的随机变量的和的分布类型不变，这一求和过程称为概率分布的“可加性”.概率分布中随机变量的可加性是一个相当重要的概念，本文给出了概率论中常见的六种具有可加性的分布，包括二项分布，泊松分布，正态分布，伽玛分布，柯西分布和卡方分布.文章最后讨论了几项分布之间的关系，如二项分布的泊松近似，正态近似等等.

1 几种常见的具有可加性的分布

在讨论概率分布的可加性之前，我们先来看一下卷积公式和随机变量的特征函数,首先来看卷积公式[1]：

①离散场合的卷积公式 设离散型随机变量ξζ,彼此独立，且它们的分布列分别是n k a k P k ,1,0,)(???===ζ和.,,1,0,)(n k b k P k ???===ξ则ξζ?+=的概率分布列可表示

为

.2,1,0,)()()(0

???==-====-==∑∑k b a i k P i P k P i k k

i i k

i ξζ?

②连续场合的卷积公式 设连续型随机变量ξζ,彼此独立，且它们的密度函数分别是)(),(y f x f ξζ，则它们的和ξζ?+=的密度函数如下

.)()()(dx x z f x f f f z f -?=?=?+∞

∞-ξζξζ? )2(

其证明如下：

ξζ?+=的分布函数是dxdy y f x f z f z F z

y x )()()()(ξζ?ξζ??≤+=≤+=

{}dx x f dy y f x

z )()(ζξ?

?

+∞

∞--∞

-=

.)()(dx x f x z F ζξ-=?+∞

∞

-

其中)(x F ζ为ζ的分布函数，对上式两端进行求导，则可得到ξζ?+=的密度函数： .)()()(dx x z f x f f f z f -?=?=?+∞

∞-ξζξζ? 即证.

在概率分布可加性的证明中，除了卷积公式，我们常用的证明方法还有利用随机变量的特征函数.

下面我们来讨论一下这几种具有可加性的分布及其可加性证明的过程中卷积公式和特征函数的应用. 1.1 二项分布

1.1.1 二项分布),(p n B 的概念

如果记ζ为n 次伯努利试验中成功（记为事件A ）的次数，则ζ的可能取值为0，1，2，……，n.记p 为事件A 发生的概率，则,)(p A p =(p A ),1p -=记为.q 即.1p q -=

因n 次伯努利试验的基本结果可以记作 ?=（w 1,w 2，…?n ），w i 或为A 或为A ,这样的w 共有2n 个，这2n 个样本点w 组成了样本空间Ω.

下求ζ的分布列，即求事件{ζk =}的概率.若某个样本点 ?=（w 1,w 2，…?n ）∈{k =ζ}，意味着w 1,w 2，…?n 中有k 个A ，k n -个A ，由独立性即可得:P (ζ).)1(k n k p p --=

而事件{ζ=k }中这样的w 共有??

?

??n k 个，所以ζ的分布列为

)(k P =ζ=??

? ??n k p k （1-p ）k

n -，.,1,0n k ??????=

此分布即称为二项分布，记作),(~p n B ζ.且我们易验证其和恒为.1.也就是

概率论中几种具有可加性的分布及其关系

k

n k n

k n k p p -=-??? ??∑)1(0

=[]n p p )1(-+1=. n=1时，二项分布),(p n B 称为两点分布，有时也称之为10-分布. 二项分布的图像具有以下特点：

①二项分布的图像形状取决于n 和p 的大小，随着p 的增加，分布图高峰逐渐右移. ②当5.0=p 时，图像是对称的. 1.1.2 二项分布的可加性

定理 1.1.1设),,(~),,(~p m B p n B ξζ而且ξζ,相互独立，记,ξζ?+=则有

).,(~p m n B +?

证明 因,ξζ?+=所以易知?可以取m n +???2,1,0等1++m n 个值.根据卷积公式

)1(，事件{

}k =?的概率可以表示为 )()()(0i k P i P k P k

i -====∑=ξζ?

i k m i k m

i k i n i k i n i p p p p +----=-??? ???-??

? ??=∑)1()1(0

.)1(0??

? ????? ??-=-=-+∑m i k k

i n i k

m n k p p 又因.0???

??=??

? ????? ??+-=∑m n k m i k k

i n i 所以

.,1,0,)1()(m n k p p k P k m n k

m n k +???=-??

? ??==-++?

也就是说，).,(~p m n B +?即证！ 1.2 泊松分布(Possion 分布)

与二项分布一样，泊松分布也是一种离散分布，许多随机现象，特别是社会现象与物理学中的一些随机现象都服从于泊松分布.泊松分布可作为描述大量试验中稀有事件出现次数的概率分布的数学模型. 1.2.1 泊松分布的概率分布列

泊松分布的概率分布如下所示： 2,1,0,!

)(==

=-k e k k P k

λλζ…，其中λ大于0，记作)(~λζP .

对于泊松分布而言，它的参数λ即是期望又是它的方差：

λλλλλλλλλ

λ

==-==-

+∞

=---+∞

=∑∑e e k e

e

k k

E k k k k

1

1

)!1(!

)(.

又因， λλ

λλλ-+∞

=-+∞

=∑∑-==e k k

e

k k

E k k

k

k 102

2

)!

1(!

)( =[]

λλ

-+∞

=-+-∑e k k k

k )!

1(1)1(1

=∑∑+∞

=--+∞

=---+-1

1

2

2

2)!1()!2(k k k k k e k e

λλλλλ

λ

=λλ+2

故ζ的方差为22))(()()(ζζζE E Var -==λλλλ=-+22 1.2.2泊松分布的可加性

定理 1.2.1 设随机变量)(~),(~2211λζλζP P ，且21,ζζ相互独立，则

).(~2121λλζζ++P

证明 此处???==

===--,2,1,0,!

)(,!

)(21

2

21

1k e k k P e

k k P k k λλλζλζ

根据卷积公式)1(，有 21

)!(!

)(2

121λλλλζζ---=-?

==+∑

e i k e

i k P i k k

i i

i

k i k

i i k i k k e -=+-∑-=210)

()!

(!!!21λλλλ .,1,0,!

)()

(2121???=+=

+-k e k k λλλλ 所以).(~)(2121λλζζ++P 即证！

同样我们可以利用特征函数对其进行证明，此处不再赘述. 1.3 正态分布

1.3.1 正态分布的定义[6]

定义1.3 对于已经给定的两个常数μ和σ>0，定义函数

222/)(,21

)(σμσμπ

σ--=

x e x p ),(+∞-∞∈x )1( 它含有两个参数μ和σ.显然的，)(,x p σμ取正值.

我们称密度函数为)(,x p σμ的分布为正态分布，记作),(2σμN ，它的分布函数记为

dt e

x F x

t ?

∞

---

=

2

22)(,21)(σμσμπ

σ ),(+∞-∞∈x

正态分布的密度函数的图像是一条钟形曲线，中间高两边低，而且关于μ=x 对称，

在此处)(,x p σμ取最大值.21

πσ

我们称μ为该正态分布的中心，在μ=x 附近取值的可能

性比较大，在σμ±=x 处有拐点.

若将μ固定，改变σ的取值，则σ越大，曲线峰顶越低，图像较为平坦；σ越小，曲线封顶越高，图像较为陡峭.因此正态密度函数的尺度由σ确定，故称σ为尺度参数.

同样的，将σ固定，而去改变μ的值，会发现图像沿x 轴平移而并不改变形状，也就说明该函数的位置由μ决定，故称其为位置参数.

当1,0==σμ时的正态分布称为标准正态分布，记作)1,0(N .它的密度函数记为

)(u ?，分布函数记为)(u Φ.则有

),(,21)(2

/2+∞-∞∈=-u e u u π

?

概率论中几种具有可加性的分布及其关系

),(,21)(2/2

+∞-∞∈=

Φ?

∞

--u dt e u u

t π

1.3.2 一般正态分布的标准化

对于正态分布族

{

},0),,(;),(2>+∞-∞∈=?σμσμN

标准正态分布)1,0(N 只是其中一个成员.其实在应用中很少有随机变量恰好服从标准正态分布，可是一般正态分布均可以利用线性变换转变成标准正态分布.所以一切与正态变量有关的事件的概率均可通过标准正态分布分布求取.

定理1.3.1 如果随机变量),(~σμN Y ，则)1,0(~/)(N Y X σμ-=，其中X 为标准正态变量.

证明 记Y 与X 的分布函数分别为)(y F Y 和)(x F X ，易知

).()()()(x F x Y P x Y P x X P x F Y X σμσμσ

μ+=+≤=??????

≤-=≤=

因为正态分布函数严格递增而且处处可导，所以如果记Y 和X 的密度函数分别是)(y p Y 和)(x p X ，会有

,21)()()(2

/2μπσσμσμ-=?+=+=e x p x F dx d x p Y Y X 由此即得，).1,0(~N Y X σ

μ

-= 即证.

对于标准正态随机变量),1,0(~N X X 的数学期望为

,21)(2

/2dx xe X E x ?+∞∞

--=π

因被积函数2/2

)(x xe x h -=为奇函数，故上述积分值为0，也就是说.0)(=X E

而对于一般正态变量),(~2σμN Y ，如果满足X Y σμ+=，由数学期望的线性性质则可得到.0)(μσμ=?+=Y E

所以我们可以知道正态分布),(2σμN 的数学期望即为其参数μ. 因为

dx e x X E X E X Var x ?+∞∞

--=-=2/22

2221))(()()(π

?+∞∞

---=)(212

/2x e xd π

}

{?+∞∞

--∞+∞--+-=

dx e xe x x 2

/2/22|21π

.1221

212/2===?+∞∞

--ππ

πdx e x 且X Y σμ+=,由方差的性质

.)()(2σσμ=+=x Var Y Var

也就是说，正态分布的方差即是其另一个参数.2σ 1.3.3 正态分布的可加性

定理1.3.2 设随机变量而且X 和Y 彼此独立，且),,(~),,(~2

22211σμσμN Y N X 则有

).,(~2

22121σσμμ+++N Y X

证明 知Y X ,服从于正态分布，且它们的密度函数分别是

).2

exp(),2

exp(22222

211t

t i t t i Y X σμ?σμ?-

=-=

又因Y X ,彼此独立，所以

)()()(t t t Y X Y X ???=+.)()(exp 2

222121??

?

???+-+=t t i σσμμ

这正是数学期望为,21μμ+方差为2

221σσ+的正态分布的特征函数，即证！

我们同样可以使用连续场合的卷积公式进行证明，详见文献[5]，此处不再赘述. 1.4 伽玛分布

在讨论伽玛分布之前，我们先来看一下伽玛函数：

我们称

dx e x x -+∞

-?=Γ01)(αα )0(>α

为伽玛函数，α为其参数.它的性质如下：

①;)2

1

(,1)1(π=Γ=Γ

②).()1(αααΓ=+Γα取自然数n 的时候，有 !.)()1(n n n n =Γ=+Γ 1.4.1 伽玛分布的定义

定义1.4 如果随机变量X 的密度函数为

??

?

??<≥Γ=--,

0,0;0,)

()(1x x e x x p x

λαααλ 就称作X 服从伽玛分布，记为),,(~λαGa X 且λα,的值均大于0.α为伽玛分布的形状参数，λ为其尺度参数.当10<<α时，)(x p 为严格单调递减的函数，在0=x 处取得奇异点；

当1=α时，)(x p 亦严格单调减，且0=x 时有;)0(λ=p 当21≤<α时，)(x p 为单峰函数，先上凸然后下凸；

当2>α时，先下凸再上凸，最后下凸.而且随着α的增大，)(x p 逐渐接近于正态分布的密度函数.

1.4.2 伽玛分布的可加性

定理 1.4.1 设随机变量),,(~),,(~21λαλαGa Y Ga X 且X 和Y 彼此独立，则).,(~21λαα++Ga Y X

证明 知 ,)1()(,)1()(21ααλ

?λ?---=-=it

t it t Y X

且X 与Y 彼此独立，所以

,)1()()()()(21ααλ

???+-+-==it

t t t Y X Y X

此即为)(21αα+Ga 的特征函数，根据惟一性定理则可知).,(~21λαα++Ga Y X 结论得证！

概率论中几种具有可加性的分布及其关系

如正态分布，对于伽玛分布，我们同样可以利用连续场合的卷积公式对其可加性进行证明，详见文献[5]; 1.5 柯西分布[4]

1.5.1 柯西分布的密度函数

柯西分布是几个常见的连续分布之一.它的密度函数为

).,(,)(1),,(2

2+∞-∞∈-+=x x x p μλλ

πμλ

0,1==μλ时的柯西分布密度函数称为标准柯西分布密度函数，即

).,(,11

1)(2

+∞-∞∈+=x x

x p π 为方便起见，往后我们分别记这两类密度函数为),(μλp 和).1,0(p 对于柯西分布的数学期望和方差，因

.)

(1),,(22+∞=-+?=??+∞∞-+∞∞-dx x x dx x p x μλλ

πμλ 所以dx x p x ),,(μλ?+∞

∞-不收敛，故柯西分布的数学期望与方差均不存在.

1.5.2 柯西分布的可加性

定理 1.5.1 设随机变量),,(~),,(~2211μλμλp Y p X 且Y X ,彼此独立，则有

).,(~2121μμλλ+++p Y X

证明 因Y X ,均服从于柯西分布，且Y X ,的特征函数分别是 ,)(11t

t i X e t λμ?-=.)(22t

t i Y e

t λμ?-=

又因Y X ,彼此独立，所以

)()()(t t t Y X Y X ????=+.)()(2121t

t i e λλμμ+-+=

这恰好就是参数为2121,μμλλ++的柯西分布的特征函数，所以).,(~2121μμλλ+++p Y X 即证！ 1.6 卡方分布（2χ分布）

1.6.1卡方分布（2χ分布）的定义及密度函数

定义 1.6[7] 设n X X X ???,,21独立同分布与标准正态分布分布),1,0(N 则称

2

22212n

X X X +???++=χ所服从的分布为自由度为n 的卡方分布，记为).(~22n χχ 卡方分布的密度函数为

???????≤>Γ=--.

0,0;0,)2(21)(12

22x x x e n

x p n x n

1.6.2 卡方分布可加性

卡方分布密度函数的图像是一个只取非负值的偏态图像.它的图像随着自由度的增加而逐渐趋于对称，当自由度∞→n 时，其图像趋于正态分布的图像.这也从另一个侧面告诉我们，卡方分布是由其自由度决定的，不同的自由度对应了不同的卡方分布.

由1.6.1，我们可以知道卡方分布即伽玛分布的一个特例，所以由伽玛分布的可加性我们易知卡方分布亦满足可加性定理，即

定理1.6.1[5]

设),(~),(~22221n m χχχχ且2

221,χχ彼此独立，则有

).(~22

221n m ++χχχ 证明 由卡方分布的定义，设

,,2

2221222222121n m m m m X X X X X X ++++???++=+???++=χχ 且,,,2,1),1,0(~n m i N X i +???=j i X X ,彼此独立.则有，

,2

2221222212221n m m m m X X X X X X ++++???++++???++=+χχ

从从卡方分布的定义，因此).(~22

221n m ++χχχ即证！

2 具有可加性的概率分布间的关系

2.1 二项分布的泊松近似

[4]

当n 的取值很大时，二项分布),(p n B 的计算是令人头疼的.这里介绍了泊松分布的一个十分有用的特性，我们可利用泊松分布作为二项分布的一种特殊近似，即二项分布的泊松近似.下面我们来看泊松定理，当n 取值较大，而p 取值偏小的情况下使用泊松定理，可大大减小二项分布的计算量.

定理 2.1[8]（Possion 定理) 在n 重伯努利试验中，记事件A 在每次试验中发生的概率为,n p 它与试验发生的次数n 有关，若当0>n 时，有,λ→n np 即,lim λ=+∞

→n n np 则对任

意给定的k （k 为非负整数），有

.!

)1(lim λλ--+∞→=-??? ??e k p p k

k n n k

n n k n

证明 设,n n np =λ则有,n

p n

n λ=

所以

k n n k n k n k

n n k n n k k n n n n p p ---+-???--=-??

? ??)1()(!)1()2)(1()1(λλ

.)1(!)11()21)(11(k n n k

n n

k n k n n --??--

???--=λλ .)1()1(!)11()21)(11(k n n n k

n n

n k n k n n ---??--

???--=λλλ 由已知有，,lim λλ=+∞

→n n 则对于给定的k 值，有;lim k k

n n λλ=+∞

→且

+∞→n lim 1)1

1()21)(11(=--

???--n

k n n ； ;)

1(lim )1(lim )

(λλλλλ--?-

+∞

→+∞

→=-

=-

e n

n

n n

n

n

n n

n

n

.1)1(lim =-

-+∞

→k n

n n

λ

所以有

.!

)1(lim λλ--+∞→=-??? ??e k p p k

k n n k

n n k n 即证！

因Possion 定理的条件之一为,lim λ=+∞

→n n np 所以在二项分布的计算中，若n 值很大，p

的值却很小，且λ=np 的大小适中时（一般认为当,1.0,100≤≥p n 且10≤=np λ时），二

概率论中几种具有可加性的分布及其关系

项分布),(p n B 可以使用参数为λ的泊松分布来做近似，即有

,2,1,0,!)1(???=≈-??

? ??--k e k p p np k

k n n k

n n k λ

此即为二项分布),(p n B 的泊松近似，而且n 的值应尽可能的大，这样计算结果才能更精确.

二项分布),(p n B 的泊松近似经常被用于稀有事件（即每次试验中事件发生的概率很小）的研究中，大量实例表明，一般情况下概率1.0

定理 2.2[7]（棣莫佛-拉普拉斯（De Laplace Moivre -）极限定理） 设随机变量

),(~p n B X （???=<<,2,1,0,10n p ），则对任意的实数x ，有

()).(211lim 2

/2x dt e x p np np X P x t n Φ==??

???????

?≤--?∞--+∞→π 证明 因随机变量X 服从二项分布),(p n B ，所以X 可看做是n 个相互独立的且服

从于同一参数p 的两点分布的随机变量n X X X ,,,21???的和，即,1

∑==n

i i X X 而且

??????=-==,2,1),1()(,)(i p p X Var p X E i i 根据Levy Lindeberg -中心极限定理，有

).(21)1(lim 2/12x dt e x p np np X P x t n i i n Φ==??

?

?

???

???????≤--?∑∞--=+∞→π 定理得证！ De Laplace Moivre -中心极限定理说明，n 相当大时，服从二项分布),(p n B 的随机变量X 的概率的计算服从正态分布))1(,(p np np N -的随机变量的计算.也就是说，二

项分布可以用正态分布来近似计算.比如k n k

n k p p k X P --??

? ??==)1()(，在n 比较大的时候

的计算量时十分大的.根据De Laplace Moivre -中心极限定理，因 )

1(np np np

X --近似服

从于标准正态分布，或者说是X 近似服从于))1(,(p np np N -分布，也就是说

k n k n

k p p k X P --??

?

??==)1()(≈

.)1()1(1)

1(21

)

1(2)(2???

? ??---=----

p np np k p np e

p np p np np x ?π 对于,)1()(k n k

b k a n k p p b X a P -≤≤-??

? ??=≤≤∑有

))1()1()1(()(21

21p np np

a p np np X p np np a P a X a P --≤--≤--=≤≤ ))

1(())1((12

p np np

a p np np a --Φ---Φ≈ )(* 我们只需查一下标准正态分布表，就可以求出我们需要的相当精确的值.但是，当p 较大或者较小时近似效果可能差一些，利用公式时p 的值最好满足9.01.0≤≤p .另外，

因二项分布是离散分布，正态分布是连续分布，所以在我们实际的应用中，为减小误差， 常常使用

≈≤≤)(21a X a P ))

1(5.0())1(5.0(12p np np

a p np np a --+Φ---+Φ

来替换)(*式.

2.3 正态分布与泊松分布之间的关系[9]

由上面的定理2.1和定理2.2我们可以知道，二项分布),(p n B 可以用泊松分布来做近似，同样也可以用正态分布来近似.所以，从某个方面来说，泊松分布与正态分布也具有某种近似的关系，首先我们来看特征函数的连续性定理.

定理 2.3.1[11] 分布函数列{})(x F n 弱收敛于分布函数)(x F 的充分必要条件是它的相应的特征函数列{})(t n ?收敛于)(x F 的特征函数).(t ?

定理2.3.2[11] 设随机变量),(~λλP X 则有.21lim 2

2

dt e

x X P x

t ?

∞

--

∞→=

???

??<-πλλλλ

证明 知λX 服从泊松分布，则λX 的特征函数为.)()

1(-=it e e t λλ?

所以λ

λ

μλλ-=

X 的特征函数是.)(1t i e t

i e

t λλλλ

ψ-????

? ?

?-=

对于任何一个,t 我们有.,1!212∞→??

?

??+-+=λλολλλ

t it

e t

i

所以有

.,212122∞→-→???

???+-=-???

? ?

?-λλολλλλ

t t t i e

t

i

因此对于任意的点列,∞→n λ有.)(lim 2

2

t e

t n n -∞

→=λλψ

又知2

2t e

-

是标准正态分布)1,0(N 的特征函数，因此由连续性定理可以得到，

.21

lim 2

2

dt e

x X P x

t n n n

n ?

∞

--

∞→=???

? ??<-πλλλλ

由n λ的任意性，所以有dt e

x X P x

t ?

∞

--

∞→=

??

?

??<-2

221lim πλλλλ成立.

我们来看泊松分布的正态逼近. 定理2.3.3[8] 对于任意的,21a a <有

,21!lim

2

1

22

/?

∑

-<<-+∞

→=a a x k k dx e

k e β

αλ

λπ

λ其中.,21λ

λ

βλλα-=-=

a a 其证明见文献[8].

由前可知，),(p n B 的正态近似与泊松近似的条件是不同的，当p 的取值特别小时，哪怕n 的值不是太大，用泊松分布来近似二项分布也是可以的.但在这种情况下，用正态近似却是不合理的.我们可以想象，若p 值很小，但n 的值也不是太大，则np =λ的值

概率论中几种具有可加性的分布及其关系

肯定不会很大，而由定理2.3.1，我们可知，此时正态分布就不可能很好的进行泊松近似.

2.4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布之间的关系 首先来看正态分布与柯西分布的关系.

定理 2.4.1 设).1,0(~),1,0(~N Y N X 且X 与Y 独立同分布，记Y X Z /=,则

)1,0(~N Z .

证明 易知Z 的取值范围是),(+∞-∞，所以对于),(+∞-∞∈z ，我们利用商的公式，可以得到

??∞

+∞+∞-?

?????+-==0222)1(exp 1)()()(dt z t t dt t t p zt p z p Y X Z π .)

1(1

2z +=

π 这正是1,0==μλ时的柯西分布的密度函数，所以结论得证！

正态分布与卡方分布的关系如下：

定理2.4.2 若随机变量),1,0(~N X 则).1(~22χX

定理证明见文献[10].这说明了标准正态分布与自由度为1的卡方分布之间的关系.

若().,2,1,1,0~n i N X i ???=且i X 彼此独立，记2

22212n

X X X +???++=χ，根据卡方分布的定义，我们知2χ服从自由度为n 的卡方分布.

对于伽玛分布，当其参数2

1

,2==λαn 时即为自由度为n 的卡方分布，记为

).()2

1

,2(2n n Ga χ=

3 小结

文章第一部分我们讨论了六种具有可加性的分布以及它们的简单性质，上述分布的可

加性均可利用卷积公式或者特征函数进行证明.正态分布是概率论中最重要的分布，一般地，如果某个数量指标受到大量随机因素影响，而每一因素起的作用很小，则这个数量指标就近似服从正态分布.在第二部分里研究了二项分布、正态分布与泊松分布的关系，从此处我们可以知道二项分布不仅可以用泊松分布近似，同样也可由正态分布来近似. 参考文献

[1] 罗建华.卷积公式的应用注记[J].中南林业科技大学学报，2007年，第27卷，第1期：152页. [2] 李贤平，沈崇生，陈子毅.概率论与数理统计[M].上海：复旦大学出版社，2003.5：221-231. [3]唐玲，徐怀.复合泊松分布和泊松过程的可加性[J].安徽建筑工业学院学报，2007.05：83页. [4] 郭彦.对柯西分布性质的进一步讨论[J].淮阴工学院学报，2005.05：12页.

[5] 茆诗松，程依明，濮晓龙.概率论与数理统计教程[M].北京：高等教育出版社，2004.7:155-160; [6] 王梓坤.概率论基础及应用[M].北京：北京师范大学出版社，1996.3:61-64. [7] 宋立新.概率论与数理统计[M].北京：人民大学出版社，2003.9:176-177.

[8]于洋.浅析二项分布、泊松分布和正态分布之间的关系[J].《企业科技与发展》，2008 年第20期：120页.

[9]魏宗舒等.概率论与数理统计教程[M].北京：高等教育出版社，1983.10:208-211.

[10]孟凡华.浅谈几种概率分布之间的相互关系[J].信阳农专学报，1992年第3卷第2期:63-65.

[11]王淑云.特征函数及其应用[J].邯郸学院学报，2008年第18卷第3期:52-56.

大学概率论与数理统计复习资料

第一章 随机事件及其概率 知识点：概率的性质 事件运算 古典概率 事件的独立性 条件概率 全概率与贝叶斯公式 常用公式 ) ()()()()()2(加法定理AB P B P A P B A P -+= ) ,,() ()(211 1 有限可加性两两互斥设n n i i n i i A A A A P A P ∑===) ,(0 )()()()()(互不相容时独立时与B A AB P B A B P A P AB P ==) ()()()()5(AB P A P B A P B A P -==-) () ()()()(时当A B B P A P B A P B A P ?-==-))0(,,()()/()()()6(211 >Ω=∑=i n n i i i A P A A A A B P A P B P 且的一个划分为其中全概率公式 ) ,,()] (1[1)(211 1 相互独立时n n i i n i i A A A A P A P ∏==--=) /()()/()()()4(B A P B P A B P A P AB P ==) (/)()/()3(A P AB P A B P =) () /()() /()()/()7(1 逆概率公式∑== n i i i i i i A B P A P A B P A P B A P )(/)()(/)()1(S L A L A P n r A P ==

应用举例 1、已知事件,A B 满足)()(B A P AB P =，且6.0)(=A P ，则=)(B P （ ）。 2、已知事件,A B 相互独立，,)(k A P =6.0)(,2.0)(==B A P B P ，则=k （ ）。 3、已知事件,A B 互不相容，,3.0)(=A P ==)(,5.0)(B A P B P 则（ ）。 4、若,3.0)(=A P ===)(,5.0)(,4.0)(B A B P B A P B P （ ）。 5、,,A B C 是三个随机事件，C B ?，事件()A C B - 与A 的关系是（ ）。 6、5张数字卡片上分别写着1，2，3，4，5，从中任取3张，排成3位数，则排成3位奇数的概率是（ ）。 某日他抛一枚硬币决定乘地铁还是乘汽车。 （1）试求他在5:40~5:50到家的概率； （2）结果他是5:47到家的。试求他是乘地铁回家的概率。 解（1）设1A ={他是乘地铁回家的}，2A ={他是乘汽车回家的}， i B ={第i 段时间到家的}，4,3,2,1=i 分别对应时间段5:30~5:40，5:40~5:50，5:50~6:00，6:00以后 则由全概率公式有 )|()()|()()(2221212A B P A P A B P A P B P += 由上表可知4.0)|(12=A B P ，3.0)|(22=A B P ，5.0)()(21==A P A P 35.05.03.04.05.0)(2=?+?=B P （2）由贝叶斯公式 7 4 35.04.05.0)()()|(22121=?== B P B A P B A P 8、盒中12个新乒乓球，每次比赛从中任取3个来用，比赛 后仍放回盒中，求：第三次比赛时取到3个新球的概率。 看作业习题1: 4, 9, 11, 15, 16

概率论重要知识点总结

概率论重要知识点总结 概率论重要知识点总结 第一章随机事件及其概率 第一节基本概念 随机实验：将一切具有下面三个特点： （1）可重复性 （2）多结果性 （3）不确定性的试验或观察称为随机试验，简称为试验，常用表示。 随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事不可能事件：在试验中不可能出现的事情，记为。必然事件：在试验中必然出现的事情，记为Ω。 样本点：随机试验的每个基本结果称为样本点，记作ω.样本空间：所有样本点组成的集合称为样本空间.样本空间用Ω表示.一个随机事件就是样本空间的一个子集。基本事件—单点集，复合事件—多点集一个随机事件发生，当且仅当该事件所包含的一个样本点出现。事件的关系与运算（就是集合的关系和运算）包含关系：若事件发生必然导致事件B发生，则称B 包含A，记为，则称事件A与事件B 相等，记为A＝B。 事件的和：“事件A 与事件B 至少有一个发生”是一事件，称此事件为事件A 与事件B 事件的积：称事件“事件A与事件B 都发生”为A 或AB。事件的差：称事件“事件A 发生而事件B 不发生”为事件A 与事件B 的差事件,记为A－B。用交并补可以表示为互斥事件：如果A，B两事件不

能同时发生，即AB＝Φ，则称事件A 与事件B 是互不相容事件或互斥事件。互斥时可记为A＋B。对立事件：称事件“A不发生”为事件A 的对立事件（逆事件），记为A 。对立事件的性质：事件运算律：设A，B，C为事件，则有： （1）交换律：AB=BA，AB=BA A(BC)=(AB)C=ABC （3）分配律：A(BC)＝(AB)(AC)ABAC （4）对偶律（摩根律）： 第二节事件的概率 概率的公理化体系：第三节古典概率模型1、设试验E 是古典概型,其样本空间Ω个样本点组成.则定义事件A 的概率为的某个区域，它的面积为μ(A)，则向区域上随机投掷一点，该点落在区域假如样本空间Ω可用一线段，或空间中某个区域表示，则事件A 的概率仍可用上式确定，只不过把μ理解为长度或体积即可.第四节条件概率条件概率：在事件B 发生的条件下，事件A 发生的概率称为条件概率，记作乘法公式： P(AB)=P(B)P(A|B)＝P(A)P(B|A)全概率公式：设第五节事件的独立性两个事件的相互独立：若两事件A、B 满足P(AB)=相互独立.三个事件的相互独立：对于三个事件A、B、C，若P(AB)=相互独立三个事件的两两独立：对于三个事件A、B、C，若P(AB)=两两独立独立的性质：若A 均相互独立总结： 1.条件概率是概率论中的重要概念，其与独立性有密切的关系，在不具有独立性的场合，它将扮演主要的角色。 2.乘法公式、全概公式、贝叶斯公式在概率论的计算中经常使用，应

概率论与数理统计期末总结

第1章 概率论的基本概念 1.1 随机试验 称满足以下三个条件的试验为随机试验： （1）在相同条件下可以重复进行； （2）每次试验的结果不止一个，并且能事先明确所有的可能结果； （3）进行试验之前，不能确定哪个结果出现。 1.2 样本点 样本空间 随机事件 随机试验的每一个可能结果称为一个样本点，也称为基本事件。 样本点的全体所构成的集合称为样本空间，也称为必然事件。必然事件在每次试验中必然发生。 随机试验的样本空间不一定唯一。在同一试验中，试验的目的不同时，样本 空间往往是不同的。所以应从试验的目的出发确定样本空间。 样本空间的子集称为随机事件，简称事件。 在每次试验中必不发生的事件为不可能事件。 1.3 事件的关系及运算 （1）包含关系 B A ?，即事件A 发生，导致事件B 发生； （2）相等关系 B A =，即B A ?且A B ?； （3）和事件（也叫并事件） B A C ?=，即事件A 与事件B 至少有一个发生； （4）积事件（也叫交事件） B A AB C ?==，即事件A 与事件B 同时发生； （5）差事件 AB A B A C -=-=，即事件A 发生，同时，事件B 不发生； （6）互斥事件（也叫互不相容事件） A 、 B 满足φ=AB ，即事件A 与事件B 不同时发生； （7）对立事件（也叫逆事件） A A -Ω=，即φ=Ω=?A A A A ,。

1.4 事件的运算律 （1）交换律 BA AB A B B A =?=?,； （2）结合律 ()()()()C AB BC A C B A C B A =??=??,； （3）分配律 ()()()()()()C A B A BC A AC AB C B A ??=??=?,； （4）幂等律 A AA A A A ==?, ； （5）差化积 B A AB A B A =-=-； （6）反演律（也叫德·摩根律）B A AB B A B A B A B A ?==?=?=?,。 1.5 概率的公理化定义 设E 是随机试验，Ω为样本空间，对于Ω中的每一个事件A ，赋予一个实数P （A ），称之为A 的概率，P （A ）满足： （1）1)(0≤≤A P ； （2）1)(=ΩP ； （3）若事件 ，，， ，n A A A 21两两互不相容，则有 () ++++=????)()()(2121n n A P A P A P A A A P 。 1.6 概率的性质 （1）0)(=φP ； （2）若事件n A A A ，， ， 21两两不互相容，则())()()(2121n n A P A P A P A A A P +++=??? ； （3）)(1)(A P A P -=； （4）)()()(AB P B P A B P -=-。 特别地，若B A ?，则)()(),()()(B P A P A P B P A B P ≤-=-； （5）)()()()(AB P B P A P B A P -+=?。

大学概率论与数理统计必过复习资料试题解析(绝对好用)

《概率论与数理统计》复习提要第一章随机事件与概率1．事件的关系 2．运算规则（1）（2）（3）（4） 3．概率满足的三条公理及性质：（1）（2）（3）对互不相容的事件，有（可以取）（4）（5） （6），若，则，（7）（8） 4．古典概型：基本事件有限且等可能 5．几何概率 6．条件概率（1）定义：若，则（2）乘法公式：若为完备事件组，，则有（3）全概率公式： （4） Bayes公式： 7．事件的独立 性：独立（注意独立性的应用）第二章随机变量与概率分 布 1．离散随机变量：取有限或可列个值，满足（1），（2）（3）对 任意， 2．连续随机变量：具有概率密度函数，满足（1）（2）； （3）对任意， 4．分布函数，具有以下性质（1）；（2）单调非降；（3）右连续；（4），特别；（5）对离散随机变量，； （6）为连续函数，且在连续点上， 5．正态分布的 概率计算以记标准正态分布的分布函数，则有（1）；（2）；（3） 若，则；（4）以记标准正态分布的上侧分位 数，则 6．随机变量的函数（1）离散时，求的值，将相同的概率相加；（2）连续，在的取值范围内严格单调，且有一阶连续导 数，，若不单调，先求分布函数，再求导。第三章随机向量 1．二维离散随机向量，联合分布列，边缘分布，有（1）；（2 （3）， 2．二维连续随机向量，联合密度，边缘密度，有 （1）；（2）（4）（3）；，3．二维均匀分布，其中为的面积 4．二维正态分布 且； 5．二维随机向量的分布函数有（1）关于单调非降；（2）关 于右连续；（3）；（4），，；（5）；（6）对 二维连续随机向量， 6．随机变量的独立性独立（1） 离散时独立（2）连续时独立（3）二维正态分布独立，且 7．随机变量的函数分布（1）和的分布的密度（2）最大最小分布第四章随机变量的数字特征 1．期望 (1) 离散时 (2) 连续 时， ；，； (3) 二维时， (4)； （5）；（6）；（7）独立时， 2．方差（1）方差，标准差（2）； （3）；（4）独立时， 3．协方差 （1）；；；（2）（3）；（4）时， 称不相关，独立不相关，反之不成立，但正态时等价；（5） 4．相关系数；有， 5．阶原点矩，阶中心矩第五章大数定律与中心极限定理 1．Chebyshev不等式 2．大数定律 3．中心极限定理（1）设随机变量独立同分布， 或，或

概率论知识点总结及心得体会

概率论总结及心得体会 2008211208班 08211106号 史永涛 班内序号：01 目录 一、前五章总结 第一章随机事件和概率 (1) 第二章随机变量及其分布 (5) 第三章多维随机变量及其分布 (10) 第四章随机变量的数字特征 (13) 第五章极限定理 (18) 二、学习概率论这门课的心得体会 (20) 一、前五章总结 第一章随机事件和概率 第一节：1.、将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用E表示。 在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。

不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为S或Ω。 2、我们把随机试验的每个基本结果称为样本点，记作e 或ω. 全体 样本点的集合称为样本空间. 样本空间用S或Ω表示. 一个随机事件就是样本空间的一个子集。 基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。 事件间的关系及运算，就是集合间的关系和运算。 3、定义：事件的包含与相等 若事件A发生必然导致事件B发生，则称B包含A，记为B?A 或A?B。 若A?B且A?B则称事件A与事件B相等，记为A＝B。 定义：和事件 “事件A与事件B至少有一个发生”是一事件，称此事件为事件 A与事件B的和事件。记为A∪B。用集合表示为: A∪B={e|e∈A，或e∈B}。 定义：积事件 称事件“事件A与事件B都发生”为A与B的积事件，记为A∩ B或AB，用集合表示为AB={e|e∈A且e∈B}。 定义：差事件 称“事件A发生而事件B不发生,这一事件为事件A与事件B的差 事件,记为A－B,用集合表示为 A-B={e|e∈A，e?B} 。

概率论与数理统计总结

第一章 随机事件与概率 第一节 随机事件及其运算 1、 随机现象：在一定条件下，并不总是出现相同结果的现象 2、 样本空间：随机现象的一切可能基本结果组成的集合，记为Ω={ω},其中ω 表示基本结果，又称为样本点。 3、 随机事件：随机现象的某些样本点组成的集合常用大写字母A 、B 、C 等表 示，Ω表示必然事件，?表示不可能事件。 4、 随机变量：用来表示随机现象结果的变量，常用大写字母X 、Y 、Z 等表示。 5、 时间的表示有多种： （1） 用集合表示，这是最基本形式 （2） 用准确的语言表示 （3） 用等号或不等号把随机变量于某些实属联结起来表示 6、事件的关系 （1）包含关系：如果属于A 的样本点必属于事件B ，即事件 A 发生必然导致事 件B 发生，则称A 被包含于B ，记为A ?B; （2）相等关系：若A ?B 且B ? A ，则称事件A 与事件B 相等，记为A ＝B 。 （3）互不相容：如果A ∩B= ?，即A 与B 不能同时发生，则称A 与B 互不相容 7、事件运算 （1）事件A 与B 的并：事件A 与事件B 至少有一个发生，记为 A ∪B 。 （2）事件A 与B 的交：事件A 与事件B 同时发生，记为A ∩ B 或AB 。 （3）事件A 对B 的差：事件A 发生而事件B 不发生,记为 A －B 。用交并补可以表示为B A B A =-。 （4）对立事件：事件A 的对立事件（逆事件），即 “A 不发生”，记为A 。 对立事件的性质：Ω=?Φ=?B A B A ,。 8、事件运算性质：设A ，B ，C 为事件，则有 （1）交换律：A ∪B=B ∪A ，AB=BA （2）结合律：A ∪(B ∪C)=(A ∪B)∪C=A ∪B ∪C A(BC)=(AB)C=ABC （3）分配律：A ∪(B ∩C)＝(A ∪B)∩(A ∪C)、 A(B ∪C)＝(A ∩B)∪(A ∩C)= AB ∪ AC （4）棣莫弗公式（对偶法则）：B A B A ?=? B A B A ?=? 9、事件域：含有必然事件Ω ，并关于对立运算和可列并运算都封闭的事件类ξ 称为事件域，又称为σ代数。具体说，事件域ξ满足： （1）Ω∈ξ; (2)若A ∈ξ，则对立事件A ∈ξ； （3）若A n ∈ξ，n=1,2，···，则可列并 ∞=1n n A ∈ξ 。

概率论知识点总结

概率论知识点总结 基本概念随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E 表示。随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为Ω。 样本点：随机试验的每个基本结果称为样本点，记作ω、样本空间：所有样本点组成的集合称为样本空间、样本空间用Ω表示、一个随机事件就是样本空间的一个子集。基本事件多点集一个随机事件发生，当且仅当该事件所包含的一个样本点出现。事件的关系与运算（就是集合的关系和运算）包含关系：若事件A 发生必然导致事件B发生，则称B包含A，记为或。 相等关系：若且，则称事件A与事件B相等，记为A＝B。事件的和：“事件A与事件B至少有一个发生”是一事件，称此事件为事件A与事件B的和事件。记为A∪B。事件的积：称事件“事件A与事件B都发生”为A与B的积事件，记为A∩ B或AB。事件的差：称事件“事件A发生而事件B不发生”为事件A 与事件B的差事件,记为 A－B。用交并补可以表示为。互斥事件：如果A，B两事件不能同时发生，即AB＝Φ，则称事件A与事件B是互不相容事件或互斥事件。互斥时可记为A＋B。对立事

件：称事件“A不发生”为事件A的对立事件（逆事件），记为。对立事件的性质：。事件运算律：设A，B，C为事件，则有（1）交换律：A∪B=B∪A，AB=BA（2）结合律： A∪(B∪C)=(A∪B)∪C=A∪B∪C A(BC)=(AB)C=ABC（3）分配律：A∪(B∩C)＝(A∪B)∩(A∪C) A(B∪C)＝(A∩B)∪(A∩C)= AB∪AC（4）对偶律（摩根律）： 第二节事件的概率概率的公理化体系：（1）非负性： P(A)≥0；（2）规范性：P(Ω)＝1（3）可数可加性：两两不相容时概率的性质：（1）P(Φ)＝0（2）有限可加性：两两不相容时当AB=Φ时P(A∪B)＝P(A)＋P(B)（3）（4）P(A－B)＝P(A)－ P(AB)（5）P（A∪B）＝P(A)＋P(B)－P(AB)第三节古典概率模型 1、设试验E是古典概型, 其样本空间Ω由n个样本点组成,事件A由k个样本点组成、则定义事件A的概率为 2、几何概率：设事件A是Ω的某个区域，它的面积为 μ(A)，则向区域Ω上随机投掷一点，该点落在区域 A 的概率为假如样本空间Ω可用一线段，或空间中某个区域表示，则事件A 的概率仍可用上式确定，只不过把μ理解为长度或体积即可、第四节条件概率条件概率：在事件B发生的条件下，事件A发生的概率称为条件概率，记作 P(A|B)、乘法公式：P(AB)=P(B)P(A|B)＝P(A)P(B|A)全概率公式：设是一个完备事件组，则

概率论与数理统计小结

概率论与数理统计主要内容小结 概率部分 1、全概率公式与贝叶斯公式 全概率公式： )()|()(11B P B A P A P = ++)()|(22B P B A P )()|(n n B P B A P + 其中n B B B ,,,21 是空间S 的一个划分。 贝叶斯公式：∑== n j j j i i i B A P B P B A P B P A B P 1 ) |()() |()()|( 其中n B B B ,,,21 是空间S 的一个划分。 2、互不相容与互不相关 B A ,互不相容0)(,==?B A P B A φ 事件B A ,互相独立))(()(B A P B A P =? ; 两者没有必然联系 3、几种常见随机变量概率密度与分布律:两点分布，二项分布，泊松分布，均匀分布，二项分布，指数分布，正态分布。 ),,1(~p b X 即二点分布，则分布律为.1,0,)1(}{1=-==-k p p k x P k k ),,(~p n b X 即二项分布，则分布律为.,...,1,0,)1(}{n k p p C k x P k n k k n =-==- ),(~λπX 即泊松分布，则分布律为,......1,0,! }{== =-k k e k x P k λ λ ),,(~b a U X 即均匀分布，则概率密度为.,0),(,1 )(??? ??∈-=其它 b a x a b x f ),(~θE X 即指数分布，则概率密度为.,00 ,1)(?? ???>=-其它x e x f x θ θ ),,(~2σμN X 即正态分布，则则概率密度为+∞<<-∞= - x e x f x ,21)(2 2π .

概率论与数理统计中的三种重要分布

概率论与数理统计中的三种重要分布 摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。 关键词：二项分布；Poisson 分布；正态分布；定义；性质 一、二项分布 二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生 这种分布的重要现实源泉是所谓的伯努利试验。 （一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布) 1．泊努利试验 在许多实际问题中，我们感兴趣的是某事件A 是否发生。例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。 为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = () q p A P =-=1。 2．泊努利分布 定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数， 则??? ? ??ξp q 10 ~，称ξ服从参数为)10(<

概率论与数理统计知识点总结(详细)

《概率论与数理统计》 第一章概率论的基本概念 (2) §2．样本空间、随机事件..................................... 2.. §4 等可能概型（古典概型）................................... 3.. §5．条件概率.............................................................. 4.. . §6．独立性.............................................................. 4.. . 第二章随机变量及其分布 (5) §1随机变量.............................................................. 5.. . §2 离散性随机变量及其分布律................................. 5..§3 随机变量的分布函数....................................... 6..§4 连续性随机变量及其概率密度............................... 6..§5 随机变量的函数的分布..................................... 7..第三章多维随机变量. (7) §1 二维随机变量............................................ 7...§2边缘分布................................................ 8...§3条件分布................................................ 8...§4 相互独立的随机变量....................................... 9..§5 两个随机变量的函数的分布................................. 9..第四章随机变量的数字特征.. (10)

概率论知识点总结

概率论总结 目录 一、前五章总结 第一章随机事件和概率 (1) 第二章随机变量及其分布 (5) 第三章多维随机变量及其分布 (10) 第四章随机变量的数字特征 (13) 第五章极限定理 (18) 二、学习概率论这门课的心得体会 (20) 一、前五章总结 第一章随机事件和概率 第一节：1.、将一切具有下面三个特点：（1）可重复性（2）多结 果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E表示。 在一次试验中，可能出现也可能不出现的事情（结果）称为随 机事件，简称为事件。 不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为S或Ω。 2、我们把随机试验的每个基本结果称为样本点，记作e 或ω. 全体 样本点的集合称为样本空间. 样本空间用S或Ω表示.

一个随机事件就是样本空间的一个子集。 基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。 事件间的关系及运算，就是集合间的关系和运算。 3、定义：事件的包含与相等 若事件A发生必然导致事件B发生，则称B包含A，记为B?A 或A?B。 若A?B且A?B则称事件A与事件B相等，记为A＝B。 定义：和事件 “事件A与事件B至少有一个发生”是一事件，称此事件为事件 A与事件B的和事件。记为A∪B。用集合表示为: A∪B={e|e∈A，或e∈B}。 定义：积事件 称事件“事件A与事件B都发生”为A与B的积事件，记为A∩ B或AB，用集合表示为AB={e|e∈A且e∈B}。 定义：差事件 称“事件A发生而事件B不发生,这一事件为事件A与事件B的差 事件,记为A－B,用集合表示为 A-B={e|e∈A，e?B} 。 定义：互不相容事件或互斥事件 如果A，B两事件不能同时发生，即AB＝Φ，则称事件A与事件 B是互不相容事件或互斥事件。 定义6：逆事件/对立事件 称事件“A不发生”为事件A的逆事件，记为ā。A与ā满足：A ∪ā= S,且Aā=Φ。

概率论与数理统计期末复习重要知识点

概率论与数理统计期末复习重要知识点 第二章知识点： 1.离散型随机变量：设X 是一个随机变量，如果它全部可能的取值只有有限个或可数无穷个，则称X 为一个离散随机变量。 2.常用离散型分布： （1）两点分布（0-1分布）： 若一个随机变量X 只有两个可能取值，且其分布为 12{},{}1(01) P X x p P X x p p ====-<<， 则称X 服从 12 ,x x 处参数为p 的两点分布。 两点分布的概率分布：12{},{}1(01) P X x p P X x p p ====-<< 两点分布的期望：()E X p =；两点分布的方差：()(1)D X p p =- （2）二项分布： 若一个随机变量X 的概率分布由式 {}(1),0,1,...,. k k n k n P x k C p p k n -==-= 给出，则称X 服从参数为n,p 的二项分布。记为X~b(n,p)(或B(n,p)). 两点分布的概率分布：{}(1),0,1,...,. k k n k n P x k C p p k n -==-= 二项分布的期望：()E X np =；二项分布的方差：()(1)D X np p =- （3）泊松分布： 若一个随机变量X 的概率分布为{},0,0,1,2,... ! k P X k e k k λ λλ-==>=，则称X 服从参 数为λ的泊松分布，记为X~P (λ) 泊松分布的概率分布：{},0,0,1,2,... ! k P X k e k k λ λλ-==>= 泊松分布的期望： ()E X λ=；泊松分布的方差：()D X λ= 4.连续型随机变量： 如果对随机变量X 的分布函数F(x)，存在非负可积函数 ()f x ，使得对于任意实数x ，有 (){}()x F x P X x f t dt -∞ =≤=? ，则称X 为连续型随机变量，称 ()f x 为X 的概率密度函数， 简称为概率密度函数。 5.常用的连续型分布：

概率论与数理统计知识点总结(免费超详细版)80669

《概率论与数理统计》 第一章 概率论的基本概念 §2．样本空间、随机事件 1．事件间的关系 B A ?则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生 B }x x x { ∈∈=?或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ?发生 B }x x x { ∈∈=?且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ?发生 B }x x x { ?∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生 φ=?B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的 且S =?B A φ=?B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件 2．运算规则 交换律A B B A A B B A ?=??=? 结合律)()( )()(C B A C B A C B A C B A ?=???=?? 分配律 )()B (C A A C B A ???=??）（ ))(()( C A B A C B A ??=?? 徳摩根律B A B A A B A ?=??=? B — §3．频率与概率 定义 在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事 件A 发生的频数，比值n n A 称为事件A 发生的频率 概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件： （1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P

概率论学习心得总结

竭诚为您提供优质文档/双击可除 概率论学习心得总结 篇一：《概率论与数理统计》课程学习心得 《概率论与数理统计》课程学习心得 1004012033陈孝婕10计本3班 有人说：“数学来源于生活，应用于生活。数学是有信息的，信息是可以提取的，而信息又是为人们服务的。”那么概率肯定是其中最为重要的一部分。巴特勒主教说，对我们未来说，可能性就是我们生活最好的指南，而概率即可能。 概率论与数理统计是现代数学的一个重要分支。近二十年来，随着计算机的发展以及各种统计软件的开发，概率统计方法在金融、保险、生物、医学、经济、运筹管理和工程技术等领域得到了广泛应用。主要包括：极限理论、随机过程论、数理统计学、概率论方法应用、应用统计学等。极限理论包括强极限理论及弱极限理论；随机过程论包括马氏过程论、鞅论、随机微积分、平稳过程等有关理论。概率论方法应用是一个涉及面十分广泛的领域，包括随机力学、统计物理学、保险学、随机网络、排队论、可靠性理论、随机信

号处理等有关方面。应用统计学方法的产生主要来源于实质性学科的研究活动中，例如，最小二乘法与正态分布理论源于天文观察误差分析，相关与回归分析源于生物学研究，主成分分析与因子分析源于教育学与心理学的研究，抽样调查方法源于政府统计调查资料的搜集等等。本研究方向在学习概率论、统计学、随机过程论等基本理论的基础上，致力于概率统计理论和方法同其它学科交叉领域的研究，以及统计学同计算机科学相结合而产生的数据挖掘的研究。此外,金融数学也是本专业的一个主要研究方向。它主要是通过数学建模，理论分析、推导，数值计算以及计算机模拟等理论分析、统计分析和模拟分析，以求研究和分析所涉及的理论问题和实际问题。 生活中会遇到这样的事例：有四张彩票供三个人抽取，其中只有一张彩票有奖。第一个人去抽，他的中奖概率是25％，结果没抽到。第二个人看了，心里有些踏实了，他中奖的概率是33％，结果他也没抽到。第三个人心里此时乐开了花，其他的人都失败了，觉得自己很幸运，中奖的机率高达50％，可结果他同样没中奖。由此看来，概率的大小只是在效果上有所不同，很大的概率给人的安慰感更为强烈。但在实质上却没有区别，每个人中奖的概率都是50％，即中奖与不中奖。 同样的道理，对于个人而言，在生活中要成功做好一件

概率论公式总结

概率论公式总结 This manuscript was revised by the office on December 10, 2020.

第一章 P(A+B)=P(A)+P(B)- P(AB) 特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B) 条件概率公式 概率的乘法公式 全概率公式：从原因计算结果 Bayes 公式：从结果找原因 第二章 二项分布（Bernoulli 分布）——X~B(n,p) 泊松分布——X~P(λ) 概率密度函数 怎样计算概率 均匀分布X~U(a,b) 指数分布X~Exp (θ) 分布函数 对离散型随机 变量 对连续型随机变量 分布函数与密度函数的重要关系： 二元随机变量及其边缘分布 分布规律的描述方法 联合密度 函数 联合分布函数 联合密度与边缘密度 )(b X a P ≤≤∑≤==≤=x k k X P x X P x F )()()(?∞-=≤=x dt t f x X P x F )()()(),(y x f ),(y x F 1),(0≤≤y x F

离散型随机变量的独立性 连续型随机变量的独立性 第三章 数学期望 离散型随机变量，数学期望定义 连续型随机变量，数学期望定义 E(a)=a ，其中a 为常数 E(a+bX)=a+bE(X)，其中a 、b 为常数 E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量 随机变量g(X)的数学期望 常用公式 方差 定义式 常用计算 式 常用公式 当X 、Y 相互独立时： 方差的性质 D(a)=0，其中a 为常数 D(a+bX)=b2D(X)，其中a 、b 为常数 当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 协方差与相关系数 协方差的性质 独立与相关 独立必定不相关 ∑+∞-∞=?=k k k P x X E )([]22)()()(X E X E X D -=

概率论知识点复习总结

概率论知识点总结 第一章 随机事件及其概率 第一节 基本概念 随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E 表示。 随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。 不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为Ω。 样本点：随机试验的每个基本结果称为样本点，记作ω. 样本空间：所有样本点组成的集合称为样本空间. 样本空间用Ω表示. 一个随机事件就是样本空间的一个子集。基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。 事件的关系与运算（就是集合的关系和运算） 包含关系：若事件 A 发生必然导致事件B 发生，则称B 包含A ，记为A B ?或 B A ?。 相等关系：若A B ?且B A ?，则称事件A 与事件B 相等，记为A ＝B 。 事件的和：“事件A 与事件B 至少有一个发生”是一事件，称此事件为事件A 与事件B 的和事件。记为 A ∪B 。 事件的积：称事件“事件A 与事件B 都发生”为A 与B 的积事件，记为A∩ B 或AB 。 事件的差：称事件“事件A 发生而事件B 不发生”为事件A 与事件B 的差事件,记为 A －B 。 用交并补可以表示为B A B A =-。 互斥事件：如果A ，B 两事件不能同时发生，即AB ＝Φ，则称事件A 与事件B 是互不相容事件或互斥事件。互斥时B A ?可记为A ＋B 。 对立事件：称事件“A 不发生”为事件A 的对立事件（逆事件），记为A 。对立事

概率论知识点总结

概率论知识点总结 第一章 随机事件及其概率 第一节 基本概念 随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E 表示。 随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。 不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件：在试验中必然出现的事情，记为Ω。 样本点：随机试验的每个基本结果称为样本点，记作ω. 样本空间：所有样本点组成的集合称为样本空间. 样本空间用Ω表示. 一个随机事件就是样本空间的一个子集。基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。 事件的关系与运算（就是集合的关系和运算） 包含关系：若事件 A 发生必然导致事件B 发生，则称B 包含A ，记为A B ?或B A ?。 相等关系：若A B ?且B A ?，则称事件A 与事件B 相等，记为A ＝B 。

事件的和：“事件A与事件B至少有一个发生”是一事件，称此事件为事件A与事件B的和事件。记为 A∪B。 事件的积：称事件“事件A与事件B都发生”为A与B的积事件，记为A∩ B或AB。 事件的差：称事件“事件A发生而事件B不发生”为事件A与事件B的差事件,记为 A－B。用交并补可以表示为B A= -。 B A 互斥事件：如果A，B两事件不能同时发生，即AB＝Φ，则称事件A与事件B是互不相容事件或互斥事件。互斥时B A?可记为A＋B。 对立事件：称事件“A不发生”为事件A的对立事件（逆事件），记为A。对立事件的性质：?B = B A,。 A Ω Φ = ? 事件运算律：设A，B，C为事件，则有 （1）交换律：A∪B=B∪A，AB=BA （2）结合律：A∪(B∪C)=(A∪B)∪C=A∪B∪C A(BC)=(AB)C=ABC （3）分配律：A∪(B∩C)＝(A∪B)∩(A∪C) A(B∪C)＝(A∩B)∪(A∩C)= AB∪AC （4）对偶律（摩根律）：B A? B A ? = B ?B A? A = 第二节事件的概率 概率的公理化体系： （1）非负性：P(A)≥0；

概率统计复习提纲(百度文库)讲解

《概率论与数理统计》总复习提纲 第一块随机事件及其概率 内容提要 基本内容：随机事件与样本空间，事件的关系与运算，概率的概念和基本性质，古典概率，几何概率，条件概率，与条件概率有关的三个公式，事件的独立性，贝努里试验. 1、随机试验、样本空间与随机事件 （1）随机试验：具有以下三个特点的试验称为随机试验，记为. 1）试验可在相同的条件下重复进行； 2）每次试验的结果具有多种可能性，但试验之前可确知试验的所有可能结果； 3）每次试验前不能确定哪一个结果会出现. （2）样本空间：随机试验的所有可能结果组成的集合称为的样本空间记为Ω；试验的每一个可能结果，即Ω中的元素，称为样本点，记为. （3）随机事件：在一定条件下，可能出现也可能不出现的事件称为随机事件，简称事件；也可表述为事件就是样本空间的子集，必然事件（记为）和不可能事件（记为）. 2、事件的关系与运算 （1）包含关系与相等：“事件发生必导致发生”，记为或；且. （2）互不相容性：；互为对立事件且. （3）独立性： （1）设为事件，若有，则称事件与相互独立. 等价于：若 (). （2）多个事件的独立：设是n个事件，如果对任意的，任意的 ，具有等式，称个事件相互独立． 3、事件的运算 （1）和事件（并）：“事件与至少有一个发生”，记为. （2）积事件（交）：“事件与同时发生”，记为或.

（3）差事件、对立事件(余事件)：“事件发生而不发生”，记为称为与的差事件； 称为的对立事件；易知：. 4、事件的运算法则 1) 交换律：，； 2) 结合律：，； 3) 分配律：，； 4) 对偶(De Morgan)律：，， 可推广 5、概率的概念 （1）概率的公理化定义： （2）频率的定义：事件在次重复试验中出现次，则比值称为事件在次重复试验中出现的频率，记为，即. （3）统计概率：称为事件的（统计）概率. 在实际问题中，当很大时，取 （4）古典概率：若试验的基本结果数为有限个，且每个事件发生的可能性相等，

概率论知识点总结归纳

欢迎共阅 概率论知识点总结 第一章随机事件及其概率 第一节基本概念 随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用E 表示。 随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。 不可能事件：在试验中不可能出现的事情，记为Ф。 必然事件 样本点样本空间包含关系相等关系事件的和记为A ∪事件的积事件的差 互斥事件对立事件=?B A （1（2（3）分配律：A ∪(B∩C)＝(A ∪B)∩(A ∪C)A(B ∪C)＝(A∩B)∪(A∩C)=AB ∪AC （4）对偶律（摩根律）：B A B A ?=?B A B A ?=? 第二节事件的概率 概率的公理化体系： （1）非负性：P(A)≥0； （2）规范性：P(Ω)＝1 （3）可数可加性： ????n A A A 21两两不相容时 概率的性质：

（1）P(Φ)＝0 （2）有限可加性：n A A A ??? 21两两不相容时 当AB=Φ时P(A ∪B)＝P(A)＋P(B) （3）)(1)(A P A P -= （4）P(A －B)＝P(A)－P(AB) （5）P （A ∪B ）＝P(A)＋P(B)－P(AB) 第三节古典概率模型 1、设试验E 是古典概型,其样本空间Ω由n 个样本点组成,事件A 由k 个样本点组成.则定义事件A 的概率为 2落在区域把μ相互独立. 总结：1.3.独立性是概率论中的最重要概念之一，应正确理解并应用于概率的计算。 第二章一维随机变量及其分布 第二节分布函数 分布函数：设X 是一个随机变量，x 为一个任意实数，称函数}{)(x X P x F ≤=为X 的分布函数。如果将X 看作数轴上随机点的坐标，那么分布函数F(x)的值就表示X 落在区间],(x -∞内的概率 分布函数的性质：（1）单调不减；（2）右连续；（3）1)(,0)(=+∞=-∞F F 第三节离散型随机变量

概率论与数理统计知识点总结(超详细版)

《概率论与数理统计》 第一章 概率论的基本概念 §2．样本空间、随机事件 1．事件间的关系 B A ?则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生 B }x x x { ∈∈=?或A B A 称为事件A 与事件B 的和事件，指当且仅 当A ，B 中至少有一个发生时，事件B A ?发生 B }x x x { ∈∈=?且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ?发生 B }x x x { ?∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅 当A 发生、B 不发生时，事件B A —发生 φ=?B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事 件B 不能同时发生，基本事件是两两互不相容的 且S =?B A φ=?B A ，则称事件A 与事件B 互为逆事件，又称事件 A 与事件 B 互为对立事件 2．运算规则 交换律A B B A A B B A ?=??=? 结合律)()( )()(C B A C B A C B A C B A ?=???=?? 分配律 )()B (C A A C B A ???=??）（ ))(()( C A B A C B A ??=??

徳摩根律B A B A A B A ?=??=? B — §3．频率与概率 定义 在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率 概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件： （1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P （3）可列可加性：设n A A A ,,,21Λ是两两互不相容的事件，有∑===n k k n k k A P A P 1 1 )()( Y （n 可以取∞） 2．概率的一些重要性质： （i ） 0)(=φP （ii ）若n A A A ,,,21Λ是两两互不相容的事件，则有∑===n k k n k k A P A P 1 1 )()( Y （n 可以取∞） （iii ）设A ，B 是两个事件若B A ?，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P （v ）)(1)(A P A P -= （逆事件的概率）