概率论基础

发布 2022-10-11 12:52:28 阅读 8076

第1章概率论基础。

本章将复习与总结概率论的基本知识。

也扩充一些新知识点,比如:

1) 利用冲激函数表示离散与混合型随机变量的概率密度函数,2) 随机变量的条件数学期望。

3) 特征函数。

4) 瑞利与莱斯分布。

5) 随机变量的基本实验方法。

1.1 概率公理与随机变量。

1.2 多维随机变量与条件随机变量。

1.3 随机变量的函数。

1.4 数字特征与条件数学期望12

1.5 特征函数。

1.6 典型分布。

1.7 随机变量的**与实验。

1.1 概率公理与随机变量此句作为后面每页ppt的标题。

随机试验(random experiment):对随机现象做出的观察与科学实验。

样本空间(sample space):随机试验所有的基本可能结果构成的集合称。的元素为样本点(sample point)。

事件(event)是试验中“人们感兴趣的结果”构成的集合,是的子集。各种不同的事件的总体构成一个事件集合,称为事件域。

事件是随机的。赋予事件一个出现可能性的度量值,称为概率(probability)。

可能性的度量值”是 “宏观”意义下(即大数量的情形下)的比例值,由相对频率(relative frequency)来计算,

(很大) 概率公理: 任何事件a的概率满足:

1) 非负性:任取事件,

2) 归一性:

3) 可加性:若事件互斥,即,,则,

事件概率的基本性质:

3) ,如果。

条件事件:

条件概率(conditional probability),

事件与独立(independent)等价地定义为。

多个事件彼此独立,事件的最基本运算:

参见教材)例1.1 分析掷均匀硬币问题。

解:正面,反面。因此,1) 样本空间:

2) 事件域:

3) 由硬币的均匀特性可得,而且,。

例1.2 一列n个格子,将一只小球随机放入其中任一格子。求:(1)小球放入第号格子的概率?(2)前个格子中有小球的概率?

解:因为是等概的,显然,又各个格子是互斥的,于是,几个基本公式。

1) 链式法则:

完备事件组或分割:满足:

2) 全概率公式:任取事件,3) 贝叶斯(bayes)公式:任取事件,

先验概率:;

转移概率:;

后验概率:

例1.3 在二元传输或检测中,先验概率分别为,,传输可靠性为80%,解:根据贝叶斯公式可得。

合理的估计是“原本发送的是0”。

在样本空间上定义一个单值实函数,称为随机变量(random variable,常缩写为并规定:用的概率来描述的概率特性,记为。

称它为的分布函数(distribution function),或称为累积分布函数(cumulative distribution function)。

分布函数基本性质:

参见教材)随机变量的类型:

1. 连续型:是连续取值的。

易见,2. 离散型:仅含有跳跃型间断点:

;仅在这些点上有非零的概率:,称为的分布律(或分布列)(distribution law)。

3. 混合型:上面两种形式的组合。

概率密度函数(probability density function)

基本性质为:

对于分布律为的离散型随机变量,其分布函数形如:

密度函数为。

式中,取值位置对应与自变量的偏移量,取值概率对应前面的幅值。

例1.4 均匀骰子实验:取值为。

解:是离散型的,分布律描述最为方便:

或者采用列表。

分布与密度函数,随机变量不同于普通变量表现在两点上:

1) 变量可以有多个取值,并且永远不能预知它到底会取哪个值;

2) 变量取值是有规律的,这种规律用概率特性来明确表述;

因此,凡是讨论随机变量就必然要联系到它的取值范围与概率特性。

在描述随机变量的概率特性时:

1) 分布函数指明直到处的累积概率;

2) 密度函数适用于连续取值部分。

3) 离散变量,常采用分布律;

1.2 多维随机变量与条件随机变量此句作为后面每页ppt的标题。

的概率特性:

联合分布函数性质:

参见教材)联合概率密度基本性质:

参见教材)联合分布律来描述,密度函数由多维冲激函数组成,形如。

联合分布函数由多维阶跃函数组成,形如。

例1.5 系统部件和独立,状态:n与f,

随机变量和。

取值概率:的概率密度函数。

例1.6 讨论二维均匀分布的、与。

解:利用积分求边缘密度函数,例1.7 二维正态分布随机变量, 解:指数部分写为。

它们是一维正态分布。

条件事件形如:

条件概率分布与密度函数:

1. 全概率公式:

2. 贝叶斯公式:

3. 链式公式:

相互独立:例1.8 二维正态分布。

解:(1)条件分布一维正态分布。

2)与独立的充要条件:,例1.9 二维均匀分布如前例所述。

解:根据例1.6的结果,由定义有,任意给定,条件事件服从均匀分布。

比如,,即条件事件服从均匀分布。

1.3 随机变量的函数此句作为后面每页ppt的标题。

函数形如。或

构成从样本空间到实数域的复合映射,导致新的随机变量。

一元函数形如:。概率特性:

定理1.1 设,若处处可导且恒有或,则。

例1.10 求的密度函数。

解:反函数形式为,导函数为。

例1.11 半波整流器的输出与输入之间的数学模型可以表示为。

解:参见教材)

二元函数:为,概率特性:

例1.12 与。

解:更一般的二元至二元的函数,

其中,与为反函数,为雅可比行列式。

例1.13 求的密度函数。

解:定义辅助变量,则。

,积分可得,如果与独立,则。

例1.14 电阻库中的电阻都是精度为、服从均匀分布的,现在需要电阻,讨论选取方法。

1) 取一个标称的电阻;

2) 取两个标称的电阻串联。

解:考察“实际值在以内的概率”

1)标称的电阻的,该概率是0.5。

2)标称的电阻串联,可认为,该概率是0.75。

例1.15 复变量,实部与虚部独立,且,。讨论振幅与相位的概率特性。

解:函数、反函数关系与雅可比行列式, ,

根据与独立,有。

于是,时。边缘概率密度函数为。

称为瑞利分布。

结论:中,与独立。

1.4 数字特征与条件数学期望此句作为后面每页ppt的标题。

定义1.1 若随机变量满足,则。

称为数学期望(expectation),或统计(集)平均(ensemble **erage)。

当为离散型时,

更为简洁的书写方式,如,,等。

基本性质:1)线性:

2)若独立,3)对于有,阶矩(moment)与阶联合矩(或混合矩)(joint moment)如下,1) 绝对原点矩:

2) 原点矩:

3) 中心矩:

特别重要的数字特征有:

1. 均方值:

2. 方差:

3. 联合矩:

4. 协方差:

1)(线性)无关(uncorrelated):

或,2)正交(orthogonal):。

例1.16 二维均匀分布如前例。讨论与的基本数字特征。

解:利用例1.6的结果,有。

概率论基础

杭州师范大学理学院2011 2012学年第一学期期末考试。概率论基础 试卷 a 一 填空 共40分,每空格4分 1 一批产品共有个,其中个是不合格品,是合格品。从中随机取出个,那么 取出的个产品中有个不合格品 的概率为。2 一批零件共有10个,其中有4个不合格品。从中一个一个取出,那么第三次才取得不...

近代概率论基础答案

第二章条件概率与统计独立性。1 解 自左往右数,排第i个字母的事件为ai,则。所以题中欲求的概率为。2 解 总场合数为23 8。设a b a的有利场合数为7,ab的有利场合为6,所以题中欲求的概率p b a 为。3 解 1 m件产品中有m件废品,件 设a b 显然,则 题中欲求的概率为。2 设a b...

近代概率论基础答案

第一章事件与概率。1 解 1 p 只订购a的 p p a 0.45 0.1.0.08 0.03 0.30.2 p 只订购a及b的 p c p ab p abc 0.10 0.03 0.07 3 p 只订购a的 0.30,p 只订购b的 p 0.35 0.10 0.05 0.03 0.23.p 只订购...