应用统计学-经管类-第4章-概率.pptVIP

（1） -分布。设 是相互独立，且服从标准正态分布的随机变量，则称随机变量： 所服从的分布为自由度为n的 -分布。 （2）t-分布 设X服从标准正态分布，Y服从自由度为n的卡方分布，且它们相互独立，则随机变量： 所服从的分布是自由度为n的t-分布。一般当n大于或等于30时，t-分布与标准正态分布的差别已非常小，可用标准正态分布代替它。 （3）F-分布。设X和Y是相互独立的卡方分布，自由度分别是m和n，则称随机变量： 所服从的分布为F-分布，（m，n）称为它的自由度。 第三节 随机向量及其分布简介（略） 一、随机向量及其分布 设 为某一随机试验涉及的p个随机变量，称 为p维随机列向量，（ ）为p维随机行向量；无论列向量还是横向量，都简称为p维随机向（变）量。 二、随机向量的数字特征 均值向量存在以下性质： E（AX）=AEX； E（AXB）=AE（X）B； E（AX+BY）=AEX+BEY 其中X、Y为随机向量，A、B为阶适合运算的常数矩阵。 对于相互独立的随机变量X和Y，成立： E（XY）=E（X）E（Y） 随机变量X、Y之间的协方差是： 三、多元正态分布 若p维随机向量X= 的密度函数为： * * 为什么要学习概率？ 推断统计：利用一定的方法根据样本数据去估计总体的数量特征。 基于样本数据的推断也是不确定的，一个样本很少给出它来自总体的的完美精确的叙述。 因此，我们需要用概率对估计的不确定程度进行度量 * 本章主要内容： 第一节 随机事件与概率 第二节 随机变量及其概率分布 第三节 随机向量及其分布简介 * 第一节 随机事件与概率 一、随机试验与随机事件 随机抽样原则---随机现象---随机试验 试验：任何一个获得观测值的过程称之为一次试验（掷筛子） 随机试验必须满足以下的性质： （1）每次试验的可能结果不是唯一的； （2）每次试验之前不能确定何种结果会出现 （3）试验可在相同条件下重复进行。 在随机试验中，可能出现也可能不出现的结果，称之为随机事件，简称事件。试验的结果可能是一个简单事件，也可能是一个复杂事件。简单事件是一个试验的基本结果，不可以再分解的事件，又称为基本事件。复杂事件是由简单事件组合而成的事件。基本事件也称样本点，设试验有n个基本事件，分别记为(i=1,2,…，n)。集合Ω={ω1,ω2,…，ωn}，称为样本空间，Ω中的元素就是样本点。 例：产品抽样检验，产品质量等级1、2、3、4、5 Ω={1,2,…，5} 样本空间 随机事件产品合格A={1,2,3} 确定性现象，是指在一定的条件下，其结果能够明确预见的现象。我们把确定性现象的结果也看作一种特殊的随机事件：必然事件，用样本空间Ω表示。还有一种特殊的随机事件：不可能事件；不可能事件就是不可能出现的试验结果，用空集Ф表示。 “A发生或B发生”事件记为A∪B；把“A与B同时发生”事件记为A∩B，或AB。如果AB=Ф，称A与B不相容。 二、随机事件的概率 1.概率的定义 概率又称机率，是对随机事件发生可能性的度量。如何理解概率？最直观的办法就是进行重复试验，通过试验的频率来体现概率。 频率试验结果 从频率到概率：进行n次试验，当试验的次数n很大时，如果频率在某一数值p附近摆动，而且随着n不断增大，频率摆动浮动越来越小，则称p为事件A发生的概率 * 如果随机试验的样本空间是有限集合，所有样本点出现的可能性相同，则事件A的概率可根据以下公式计算： 这样的概率计算模型，称为古典概型。 2.概率的基本性质 性质1：P(A)≥0； 性质2：P(Ω)=1。 性质1称为概率的非负性，性质2称为概率的规范性。 性质3：若事件A与事件B互不相容，则： P(A∪B)=P(A)+P(B) 3．关于主观概率 一个事件的概率是人们根据经验对该事件发生可能性所给出的个人信念，这样给出的概率称为主观概率。如明年GDP增长幅度为8% 自主观概率提出以来，使用者越来越多，特别是在经济领域和决策分析中，应用非常广泛，因为在那里遇到的随机现象大多是不能重复试验的，无法通过频率来确定概率 主观概率建立在贝叶斯公式基础上，并通过经验数据进行不断修正 三、条件概率与事件独立 （一）条件概率 已知某一事件B已经发生，我们如何利用这项信息，求与事件B有联系的事件A发生的概率，这时所求的概率称为条件概率。 设A，B为任意两个事件，其中 ，在事件B已经发生的条件下，事件A发生的概率称为条件概率，记为 。 缩减的样本空间 从条件概率公式我们可得到以下的“乘法定理”： 【例4-3】甲、乙两企业存在既竞争又合作的关系，知道甲企业一年中能推出新产品的概率是20%，乙企业