第五章 随机事件及其概率
2015-08-27 19:53
253 查看
1 随机事件及其概率
试验、事件随机事件(偶然事件)、必然事件、不可能事件
概率
2 概率的性质与运算法则
互斥事件:事件A和时间B不可能同时发生,P(A∪B)=P(A)+P(B) P(A∪B)=P(A)+P(B)乘法公式:P(AB)=P(B)P(A|B) P(AB)=P(B)P(A|B)
当两个事件独立时,P(AB)=P(B)P(A) P(AB)=P(B)P(A)
一般情形,设n个事件A 1 ,A 2 ,...,A n A_1,A_2,...,A_n互不相容,P(A i )>(i=1,2,...,n) P(A_i)>(i=1,2,...,n),事件B满足:B⊂A 1 +A 2 +...+A n B\subset{A_1+A_2+...+A_n},则
P(B)=∑ n i=1 P(A i )P(B|A i ) P(B)=\sum_{i=1}^{n}P(A_i)P(B|A_i)
上式称为全概率公式。
全概率的直观意义是:某一事件B B的发生有各种可能的原因A i (i=1,2,...,n) A_i(i=1,2,...,n),如果B B是由原因A i A_i所引起的,则B B发生的概率是P(A i B),(i=1,2,...,n) P(A_iB),(i=1,2,...,n)。每一A i A_i发生都可能导致B B发生相应概率是P(A i |B) P(A_i|B),故B B发生的概率为:
P(B)==∑ n i=1 P(A i B)=∑ n i=1 P(A i )P(B|A i ) P(B)==\sum_{i=1}^{n}{P(A_iB)}=\sum_{i=1}^{n}P(A_i)P(B|A_i)
与全概率公式解决的问题想法,贝叶斯公式是在条件概率的基础上寻找事件发生的原因,其公式叙述如下:
设n个事件A 1 ,A 2 ,...,A n A_1,A_2,...,A_n互不相容,P(A i )>(i=1,2,...,n) P(A_i)>(i=1,2,...,n),事件B满足:B⊂A 1 +A 2 +...+A n B\subset{A_1+A_2+...+A_n},则
P(A i |B)=P(A i )P(B|A i )∑ n j=1 P(A j )P(B|A j ) P(A_i|B)=\dfrac{P(A_i)P(B|A_i)}{\sum_{j=1}^{n}P(A_j)P(B|A_j)}
3 离散型随机变量及其分布
期望方差:σ²=D(X)=E[X-E(X)]²=E(X²)-[E(X)]²
二项分布:E(X)=np D(X)=npq
泊松分布:用来描述在一指定时间范围内或在指定的面积或体积之内某一事件出现的次数的分布
P(X)=λ n e −λ n! λ=0,1,2,... P(X)=\dfrac{\lambda^ne^{-\lambda}}{n!}\quad\quad\lambda=0,1,2,...
式中,λ \lambda为给定时间间隔内的事件的平均数
E(X)=λ,D(X)=λ
4 连续型随机变量的概率分布
1 概率密度 f(x)
2 分布函数
3 正态分布
正态分布的定义及特点标准正态分布
正态分布表
3σ准则
|X-μ|>3σ的概率是很小的,可以认为X的值几乎一定落在区间(μ-3σ,μ+3σ)内,这在全面质量管理中称作“3σ准则”。
二项分布的正态近似
相关文章推荐
- NSDate NSString 转换
- C#【oledbConnection】
- CentOS7设置IP地址
- 阶乘的两个问题
- 创业是条不归路,别让你的创业变畸形
- 传递实参时 丢弃了类型限定
- uva 11389
- javascript设计模式之工厂(Factory)模式
- webservice简单例子
- QT编程环境搭建
- 2015-8-27浦东环监项目-相关性配置记录
- EditPlus+VisualStudio配置VC简易开发环境环境
- SharePoint 2013 安装中间出错了怎么办? 每一次安装都是一段曲折的路【1603(0x643) 】
- Hibernate3使用(二)Spring整合Hibernate,使用xml配置
- 自定义 URL Scheme 完全指南
- strcat_s详解
- 我的Vim复制粘贴总结
- WINDOWS API学习笔记之创建进程
- JAVA基础10 设计模式:结构型模式(适配器 代理模式 桥接模式 享元模式 组合模式 装饰器模式)
- ios- 自定义cell总结