东华大学《概率论与数理统计》概率论的基本概念.pptxVIP

东华大学《概率论与数理统计》概率论的基本概念汇报人：AA2024-01-19

概率论的基本概念与性质随机变量及其分布多维随机变量及其分布随机变量的数字特征大数定律与中心极限定理概率论在各个领域的应用

概率论的基本概念与性质01

123描述某一事件发生的可能性大小的数值。概率的直观定义非负性、规范性（所有可能事件的概率之和为1）、可加性（互斥事件的概率之和等于两事件概率之和）。概率的性质满足非负性、规范性和可列可加性的函数称为概率。概率的公理化定义概率的定义与性质

古典概型在有限个样本点且每个样本点出现的可能性相同的条件下，某一事件A发生的概率等于事件A包含的样本点数与总样本点数之比。几何概型在无限个样本点且每个样本点出现的可能性相同的条件下，某一事件A发生的概率等于事件A所占的区域面积（或体积、长度等）与总区域面积（或体积、长度等）之比。古典概型与几何概型的比较古典概型是有限样本空间下的概率计算，而几何概型是无限样本空间下的概率计算。古典概型与几何概型

条件概率在已知某一事件B发生的条件下，另一事件A发生的概率，记作P(A|B)。条件概率的计算公式为P(A|B)=P(AB)/P(B)，其中P(AB)表示事件A和事件B同时发生的概率。事件的独立性如果两个事件A和B满足P(AB)=P(A)P(B)，则称事件A和B是相互独立的。独立性的意义在于，一个事件的发生不会影响另一个事件的发生概率。条件独立性与独立性的关系在某些条件下，两个事件可能是条件独立的，即P(A|B)=P(A)，但这并不意味着它们是相互独立的。只有当两个事件在所有条件下都是条件独立的时，它们才是相互独立的。条件概率与独立性

随机变量及其分布02

随机变量的定义与性质定义随机变量是定义在样本空间上的实值函数，它将样本空间中的每一个样本点映射到一个实数。性质随机变量具有可测性，即对于任意实数x，随机变量的取值小于等于x的事件是一个可测事件。

离散型随机变量是指其取值是有限个或可列个的实数。定义离散型随机变量的分布律可以用概率质量函数来描述，即随机变量取各个值的概率。分布律二项分布、泊松分布、几何分布等。常见离散型随机变量分布离散型随机变量及其分布律

概率密度连续型随机变量的概率密度函数是一个非负可积函数，它描述了随机变量在某个确定取值点附近的可能性大小。常见连续型随机变量分布正态分布、均匀分布、指数分布等。定义连续型随机变量是指其取值是连续不断的实数，可以取某一区间或整个实数轴上的任意值。连续型随机变量及其概率密度

多维随机变量及其分布03

二维随机变量及其联合分布如果存在非负函数$f(x,y)$，使得对于任意$x,y$有$F(x,y)=int_{-infty}^{x}int_{-infty}^{y}f(u,v)dudv$，则称$f(x,y)$为$(X,Y)$的联合概率密度函数。联合概率密度函数设$X$和$Y$是两个随机变量，由它们构成的二维数组$(X,Y)$称为二维随机变量。二维随机变量的定义对于所有$x,yinR$，二元函数$F(x,y)=P{Xleqx,Yleqy}$称为二维随机变量$(X,Y)$的联合分布函数。联合分布函数

边缘分布函数二维随机变量$(X,Y)$关于$X$和关于$Y$的分布函数分别称为$(X,Y)$关于$X$和关于$Y$的边缘分布函数，简称边缘分布。边缘概率密度函数设二维随机变量$(X,Y)$的概率密度为$f(x,y)$，则$(X,Y)$关于$X$和关于$Y$的边缘概率密度函数分别为$f_X(x)=int_{-infty}^{infty}f(x,y)dy$和$f_Y(y)=int_{-infty}^{infty}f(x,y)dx$。条件分布在已知$(X,Y)$的联合概率密度函数和其中一个随机变量的取值时，另一个随机变量的条件概率分布称为条件分布。边缘分布与条件分布

随机变量的独立性独立的定义如果对于所有的$x,yinR$，都有$F(x,y)=F_X(x)F_Y(y)$，则称二维随机变量$(X,Y)$是独立的。独立的性质如果$(X,Y)$是独立的，那么对于任意实数$a,b$，事件${Xleqa}$与事件${Yleqb}$也是独立的。判断独立性的方法通过比较联合概率密度函数和边缘概率密度函数的乘积来判断随机变量的独立性。如果两者相等，则随机变量独立；否则，随机变量不独立。

随机变量的数字特征04

描述随机变量取值的“平均水平”，是随机变量所有可能取值与其对应概率的乘积之和。衡量随机变量取值与其数学期望的偏离程度，即随机变量取值的波动性或分散程度。数学期望与方差方差数学期望

衡量两个随机变量变化趋势是否相同的统计量，正值表示两变量同向变化，负值表示反向变化，零表示无