概率论数理统计王.pptxVIP

概率论数理统计王汇报人：AA2024-01-19

概率论基本概念随机变量及其分布多维随机变量及其分布数理统计基本概念和方法方差分析和回归分析初步介绍概率论数理统计在各领域应用举例

概率论基本概念01

所有可能结果的集合，常用大写字母S表示。样本空间样本空间的子集，即某些可能结果的组合。事件只包含一个样本点的事件。基本事件由多个基本事件组成的事件。复合事件样本空间与事件

概率定义及性质概率定义描述某一事件发生的可能性大小的数值，常用P(A)表示事件A发生的概率。概率性质非负性、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它们并的概率）。

VS在某一事件B发生的条件下，另一事件A发生的概率，记作P(A|B)。独立性如果两个事件A和B的发生互不影响，即P(A|B)=P(A)且P(B|A)=P(B)，则称事件A和B是相互独立的。条件概率条件概率与独立性

全概率公式如果事件B1,B2,...,Bn构成一个完备事件组，且都有正概率，则对任意一个事件A，有P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)。贝叶斯公式在全概率公式的条件下，可以推导出贝叶斯公式，即P(Bi|A)=P(A|Bi)P(Bi)/[P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)]，用于计算某一事件发生后，另一事件发生的条件概率。全概率公式与贝叶斯公式

随机变量及其分布02

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。定义随机变量可分为离散型随机变量和连续型随机变量。离散型随机变量只能取有限个或可列个值，而连续型随机变量可以取某一区间内的任何值。分类随机变量定义及分类

分布律定义离散型随机变量的分布律描述了随机变量取各个可能值的概率。常见分布常见的离散型随机变量分布有0-1分布、二项分布、泊松分布等。离散型随机变量分布律

连续型随机变量概率密度函数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区间内取值的概率大小。概率密度函数定义常见的连续型随机变量分布有均匀分布、指数分布、正态分布等。常见分布

随机变量函数的分布描述了由随机变量构成的函数的取值概率情况。求解随机变量函数的分布通常需要先确定原随机变量的分布，然后根据函数关系进行变换和计算。函数分布定义求解方法随机变量函数分布

多维随机变量及其分布03

联合分布函数设(X,Y)是二维随机变量，对于任意实数x,y，二元函数$F(x,y)=P{(Xleqx)cap(Yleqy)}$称为二维随机变量(X,Y)的联合分布函数。联合分布律如果二维随机变量(X,Y)所有可能取的值是有限的，并且每一个基本事件$(X=x_i,Y=y_i)$发生的概率是$p_{ij}=P{X=x_i,Y=y_i}$，则称$p_{ij}$为二维随机变量(X,Y)的联合分布律。二维随机变量联合分布律

边缘分布律二维随机变量(X,Y)关于X的边缘分布律为$p_{icdot}=P{X=x_i}=sum_{j=1}^{infty}p_{ij}$，关于Y的边缘分布律为$p_{cdotj}=P{Y=y_j}=sum_{i=1}^{infty}p_{ij}$。要点一要点二条件分布律设二维随机变量(X,Y)的联合分布律为$P{X=x_i,Y=y_j}=p_{ij}$，若$P{X=x_i}0$，则称$P{Y=y_j|X=x_i}=frac{p_{ij}}{p_{icdot}}$为在$X=x_i$条件下$Y=y_j$的条件分布律。边缘分布律和条件分布律

设二维随机变量(X,Y)的联合分布律为$P{X=x_i,Y=y_j}=p_{ij}$，边缘分布律分别为$P{X=x_i}=p_{icdot}$和$P{Y=y_j}=p_{cdotj}$。如果对所有的$x_i,y_j$均有$P{X=x_i,Y=y_j}=P{X=x_i}P{Y=y_j}$，即$p_{ij}=p_{icdot}p_{cdotj}$，则称随机变量X和Y是相互独立的。定义相互独立的随机变量具有一些良好的性质，例如它们的和、差、积和商（除数不为零）仍然是相互独立的随机变量。性质相互独立随机变量

离散型若n维随机变量$(X_1,X_2,ldots,X_n)$的联合分布律为$P{X_1=x_1,ldots,X_n=x_n}=p(x_1,ldots,x_n)$，且存在n元函数$g(x_1,ldots,x_n)$，则$Z=g(X_1,ldots,X_n)$的分布律可以通过计算得到。连续型若n维随机变量$(X_1,X_2,ldots,X_n)$的联合密度函数为$f(x_1,ldots,x_n)$，且存在n元