概论与统计总结.docx

概率论与数理统计数学一般都不太好学，因为比较抽象。初学者和数学基础不好的话不要直接看大学课本《概率论与数理统计》，这可不是我打击你，是大学教科书坑你们，马上你就没自信了。现在想想学理科的大学生们，真苦啊，可恶的应试教育，你这不是摧残祖国未来的花朵吗。对统计学感兴趣的话可以先看这本书，《深入浅出统计学》，外国人写的，外国人数学理论普遍不如我们，但他们注重实用性，尤其是理解性的方式学习，所以这本书可以热热身，打打基础。等看完这本书，再去看大学课本《概率论与数理统计》会好很多。下面是我自己的学习总结，给大家分享下。《概率论与数理统计》这本书分两个部分，一眼就看出来了，分为概率论与数理统计，真是废话啊，傻子都知道。概率部分是统计学的理论基础，统计学是概率论的应用部分。概率论起源于赌博，如果你对赌博感兴趣，请好好学习概率论，对你戒赌有很大的帮助。从其起源和发展为分古典概率论和现代概率论。（柯尔莫哥洛夫1933年在他的《概率论基础》一书中首次给出了概率的测度论式定义和一套严密的公理体系。他的公理化方法成为现代概率论的基础，使概率论成为严谨的数学分支）统计学分为描述统计学和推断统计学。描述统计是整个统计学的基础，推断统计则是现代统计学的主要内容。从描述统计学发展到推断统计学，既反映了统计学发展的巨大成就，也是统计学发展成熟的重要标志。描述统计学中的一些概念，如平均值、中位数、众数、方差、标准差、极差、分位数；还有一些描述类的图形如直方图、线图、柱形图、饼图、箱线图、茎叶图都是基本知识，不在繁述，值得注意的是数据的均值和方差要理解，后面会大量提到，均值也就是数学期望。均值反映数据的集中趋势，方差反映数据的离散程度。而推断统计学可就复杂了，是研究如何根据样本数据去推断总体数量特征的方法，它是在对样本数据进行描述的基础上，对统计总体的未知数量特征做出以概率形式表述的推断。第一部分：概率论概率的基本概念一个事件的概率情况分为古典概型（等可能概型）和几何概型，区别在于试验的样本空间包含的元素是有限还是无限。古典概型的概率是包含基本事件数的占比，如果与顺序有关为排列问题，与顺序无关为组合问题。几何概型的概率是构成事件的区域长度的（面积体积）占比。经典的蒲丰投针试验，当投针次数足够多的话，根据针与平行线相交的概率可以求出π的近似值。多个事件的概率情况求解，往往数学的研究特点是先研究一个，再扩展到两个，最后是n个。可以使用图和数学公式的方法。首先需要了解下事件关系，图的方法有维恩图和概率树，数学公式有事件的运算定律和加法公式。在两个事件的基础上，出现了条件概率公式、乘法公式、全概率公式、贝叶斯公式。随后再扩展到n个。贝叶斯公式在很多方面都有应用，比如诉讼、医疗诊断、垃圾邮件的判别、数据挖掘方面等，有兴趣可以看两篇文章《/2008/09/21/the-magical-bayesian-method/数学之美番外篇：平凡而又神奇的贝叶斯方法》和《论人类思考时的贝叶斯过程》。最后弄明白独立事件、互斥事件和对立事件的关系，事件的独立性是概率论中非常重要的概念，后面的内容基本上都要有这个前提。随机变量及其分布之前只是探讨了事件中某个基本事件发生的概率情况，若事件中有很多基本事件，那么出现取值为多个的情况又该怎么计算。数学中引入了函数，将这些问题转化成一般的问题。函数的重要参数是变量，在概率论中，因为是随机试验，所以叫随机变量。有了函数，现实中的很多问题都有了模型。随机变量分为两种：一种是离散型的（取值有限），一种是连续型的（取值无限）。离散型的随机变量概率的所有可能取值分布叫分布律，连续型的随机变量概率的所有可能取值分布叫概率分布函数。因此求离散型随机变量的概率即为x取某个值得频率，求连续型随机变量的概率即为x取某个范围内对应该分布函数在x轴上围成的图形的面积。离散型随机变量的分布情况：0-1分布（两点分布），二项分布（n重伯努利试验），泊松分布。两点分布是二项分布的特殊情况（n=1），当n很大时，二项分布的计算较为复杂，可用泊松分布近似二项分布（λ=np）。连续型随机变量的分布情况：均匀分布和正态分布（高斯分布）。通过分布图型也可以看出二项分布是离散情况下的正态分布，因此也可以用正态分布来计算二项分布，但是当n不大的时候，需要进行连续型修正。正态分布的两个重要参数是均值和方差，有了这两个参数就可以求出随机变量在任何取值范围内的概率，其实就是定积分求面积。但是为了简便计算，我们给出了标准正态分布的查表，这样只要满足了标准正态分布的随机变量，就不用手工计算，直接查表就行了。因此要满足标准正态分布的条件需要进行标准化的调整。多维随机变量及其分布前面探讨一个随机变量的情况，按套路出牌就是先讨论2个随机变量的情况，最后再衍变成n个。二维随机变量也分为离散型的二维随机变量和连