概率论 Cheat Sheet 8:其他离散型概率分布
1. 几何随机变量 在独立重复试验中,每次成功的概率为 $p$,$0 < p < 1$,重复试验直到试验首次成功为止,令 $X$ 表示需要试验的次数,使 $X = n$ 的充分必要条件是前 $n – 1$ 次试验失败,而第 $n$ 次试验成功。又因假定各次试验是独立的,有 \begin{equation} P\{X = n\} = (1 – …
Read more
learn, build, evaluate
1. 几何随机变量 在独立重复试验中,每次成功的概率为 $p$,$0 < p < 1$,重复试验直到试验首次成功为止,令 $X$ 表示需要试验的次数,使 $X = n$ 的充分必要条件是前 $n – 1$ 次试验失败,而第 $n$ 次试验成功。又因假定各次试验是独立的,有 \begin{equation} P\{X = n\} = (1 – …
Read more
1. 定义 如果一个取值为 $0, 1, 2, \cdots$ 的随机变量对某一个 $\lambda > 0$,其分布列如下 \begin{equation} p(i) = P\{X = i\} = \mathrm{e}^{-\lambda} \frac{\lambda^i}{i!} \qquad i = 0, 1, 2, \cdots \tag{1} \end{equatio…
Read more
对于结果只有成功或失败的试验,令 \begin{equation} X= \begin{cases} 1 & 当试验结果为成功时 \\ 0 & 当试验结果为失败时 \end{cases} \end{equation} 则 $X$ 的分布列为 \begin{align} &p(0) = P\{X = 0\} = 1 – p &#…
Read more
1. 随机变量 在进行试验时,相比于直接的试验结果,我们有时更关心试验结果的某些函数。例如打麻将时掷两枚骰子,我们关心的是两枚骰子点数之和,而不关心每一枚骰子是什么点数。这些定义在样本空间上的实值函数,称为随机变量(Random Variable)。 因为随机变量的取值由试验结果决定,因此我们也会对随机变量的可能取值指定概率。 对于随机变量 $X$,定义其累计分布函数(Cumulati…
Read more
1. 独立事件 在已知 $F$ 发生的条件下,$E$ 发生的条件概率 $P(E|F)$ 通常不等于 $E$ 发生的非条件概率 $P(E)$,即知道了 $F$ 的发生通常会改变 $E$ 发生的概率。如果已知 $F$ 发生并不影响 $E$ 发生的概率,即 $P(E|F) = P(E)$,则称 $E$ 和 $F$ 是独立的。 由 $P(E|F) = \frac{P(EF)}{P(F)}$,如果 …
Read more
1. 条件概率 对于事件 $E$ 和 $F$,使用 $P(E|F)$ 表示在 $F$ 已经发生的情况下,$E$ 发生的概率。对于 $P(E|F)$,如果 $F$ 已经发生了,那么为了让 $E$ 也发生,其结果必然既属于 $E$ 又属于 $F$,即这个结果必然属于 $EF$。在 $F$ 已经发生的前提下,$F$ 成了新的样本空间,因此 $E$ 发生的(条件)概率等于 $EF$ 发生的概率与 $F…
Read more
1. 样本空间和事件 对于一个试验,假设所有可能的结果是一致的,则所有可能结果构成的集合称为该试验的样本空间(Sample Space),记为 $S$。 样本空间的任意子集 $E$ 称为事件(Event),事件是由试验的某些可能结果组成的一个集合。如果试验的结果包含在 $E$ 里面,就称事件 $E$ 发生了。 对于用一个样本空间 $S$ 的任意两个事件 $E$ 和 $F$,定义一个新的…
Read more
本系列整理自《概率论基础教程(原书第 9 版)》,包含关键定义、定理和证明,便于查用。 1. 引言 概率论中的很多问题都可以通过计算某个事件可能发生结果的数目来解决。关于计数的数学理论通常称为组合分析(Combinatorial Analysis)。 2. 计数基本法则 计数基本法则 假设有两个试验,其中试验 1 有 $m$ 种可能的结果,对应于试验 1 的每一个结果,试验 2 有 $…
Read more
主成分分析用于分析多维数据,如研究生产塑料材料的化学过程时,为了监控生产过程,在材料生产过程中取得 $300$ 个样本,且每一个样本经过 8 个一组的测试,实验报告是一个属于 $\mathbb{R}^8$ 的向量,这类向量集合形成一个 $8 \times 300$ 的矩阵,称为观测矩阵。 1. 均值和协方差 令 $\begin{bmatrix} \boldsymbol X_1 & …
Read more
对角化定理有很多重要的应用,但并不是所有矩阵都有分解式 $A = PDP^{-1}$,且 $D$ 是对角的。但分解 $A = QDP^{-1}$ 对任意 $m \times n$ 矩阵 $A$ 都有可能。这类特殊的分解称为奇异值分解。 奇异值分解基于一般的矩阵对角化性质,可以被长方形矩阵模仿:一个对称矩阵 $A$ 的特征值的绝对值表示度量 $A$ 拉长或压缩一个向量(特征向量)的成都。如果…
Read more