概率论公式定理-概率论公式定理

要构建概率模型，首要确立概率空间。一个概率空间由样本空间Ω、可数集族{A_i}和概率测度P组成。

随机变量X是定义在样本空间上的函数，它将随机试验的结果映射到数值域。

• 样本空间是试验所有可能结果的集合，如抛硬币结果{正面，反面}。
• 样本点是使P(A)=1的最大化事件，如抛硬币必定出现正面的结果。
• 事件A是满足条件的结果子集，如“正面”或“反面”。

概率测度P满足三个公理：非负性、规范性与可列可加性。

期望E[X]集中描述了随机变量的中心位置，计算公式随变量类型而异。

对于离散型随机变量X，若其概率分布为p(x)，则期望定义为E[X] = Σ x·p(x)。

若X服从正态分布N(μ,σ²)，则其期望直接等于均值μ。

离散型期望的期望值也可通过线性性质E[aX+b] = aE[X]+b计算。

对于连续型随机变量X，若其概率密度函数为f(x)，则期望定义为E[X] = ∫x·f(x)dx

期望的期望值可以通过连续变量积分求得，如正态分布的均值μ。

• 分布函数F(x)定义为P(X≤x)，它是描述概率分布的核心工具。
• 累积概率表示随机变量小于某值的总概率，常用在决策阈值的设定中。
• 条件概率满足全概率公式：P(A|B) = P(A∩B)/P(B)，用于分析条件事件发生的概率。

方差Var(X)衡量随机变量的波动程度，计算公式为Var(X) = E[(X-μ)²]。

方差的期望值可通过展开公式简化计算，特别是对于二项分布和泊松分布。

离散型方差的期望值计算过程涉及二项式展开与概率项的乘积求和。

连续型方差的期望值计算则需利用导数技巧处理积分与分布函数的关系。

贝叶斯定理提供了一种动态更新信念的方法，适用于参数估计与决策理论。

其核心公式为：P(θ|X) = P(X|θ)·P(θ) / P(X)

其中L(θ|X)为似然函数，L(θ|X) = P(X|θ)，表示观测数据X在参数θ下出现的概率。

P(θ)为先验概率，θ为待估参数，代表我们对参数θ的初始认知程度。

P(X)为边缘概率，通常在计算中作为分母出现，代表观测数据的总概率。

后验概率P(θ|X)即为更新后的参数概率，反映了观测数据对参数的新洞察。

在实际应用中，贝叶斯方法常用于处理小规模数据集或存在先验知识的场景，如气象预报与医学诊断。

卡方检验是统计推断中的重要工具，主要用于分类变量之间的独立性检验或拟合优度检验。

卡方统计量χ²计算公式为：χ² = Σ [(O-E)² / E]

O代表观测频数，E代表期望频数，通过列联表数据计算，反映实际分布与理论分布的差异。

假设检验遵循零假设H₀与备择假设H₁的逻辑框架，用于判断数据是否支持特定假设。

对于计数数据，卡方分布常用于判断样本是否来自特定分布，如泊松过程模型。

卡方检验的 chi-squared test 是检验分类变量独立性或拟合度的关键方法，广泛应用于社会学与生物学研究。

正态分布N(μ,σ²)是概率理论中最核心的分布，其特点是单峰对称且呈钟形曲线。

正态分布的标准差σ决定了分布的离散程度，σ越大，数据分布越分散。

中心极限定理指出，独立同分布随机变量的和，在样本量足够大时近似服从正态分布。

这是推断统计的基石，使得统计推断成为可能，无论原始数据分布如何，只要独立且同分布。

当样本量n充分大时，样本均值的抽样分布趋近正态分布，允许使用正态分布进行参数估计。

柯西收敛定理描述了随机序列收敛的严格条件，指出确界条件与单调性组合可保证收敛。

发散定理则讨论了随机序列可能不收敛的情况，强调了极限存在的随机性特征。

鲁宾斯坦定理提供了概率极限存在的充要条件，涉及非负随机变量的概率极限性质。

切比雪夫不等式给出了方差控制的概率界限：P(|X-μ|≥kσ) ≤ 1/k²。

大数定律保证了独立同分布律列和依概率收敛于期望，是统计学可靠性的理论基础。

切比雪夫不等式是大数定律在有限区间上的局部体现，为精确概率估计提供了实用工具。

切比雪夫不等式P(|X-μ|≥k) ≤ σ²/k²表明方差越小，极端值发生的概率越低。