[理学]概率论与数理统计教程.pptxVIP

[理学]概率论与数理统计教程茆诗松汇报人：AA2024-01-19

目录CONTENTS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与方法假设检验与方差分析回归分析初步

01概率论基本概念

基本事件0102030405所有可能结果的集合，常用大写字母S表示。样本空间的子集，即某些可能结果的组合。包含样本空间中所有样本点的事件。只包含一个样本点的事件。不包含任何样本点的事件。样本空间与事件事件样本空间不可能事件必然事件

描述事件发生的可能性大小的数值，常用P(A)表示事件A的概率。非负性、规范性（必然事件的概率为1，不可能事件的概率为0）、可加性（互斥事件的概率和等于它们并的概率）。概率定义及性质概率性质概率定义

条件概率与独立性条件概率在给定另一事件发生的情况下，某一事件发生的概率，记作P(A|B)。事件的独立性如果两个事件的发生互不影响，则称这两个事件是独立的。对于独立事件A和B，有P(A|B)=P(A)和P(B|A)=P(B)。

全概率公式贝叶斯公式全概率公式与贝叶斯公式在全概率公式的基础上，可以推导出贝叶斯公式，用于计算条件概率P(Bi|A)，即已知事件A发生的条件下，事件Bi发生的概率。具体表达式为P(Bi|A)=[P(A|Bi)P(Bi)]/P(A)。如果事件B1,B2,...,Bn构成一个完备事件组，且都具有正概率，则对任一事件A，有P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)。

02随机变量及其分布

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。分类随机变量可分为离散型随机变量和连续型随机变量。离散型随机变量取值可列，而连续型随机变量取值充满一个区间。随机变量定义及分类

离散型随机变量的分布律描述了随机变量取各个值的概率。分布律定义常见的离散型随机变量分布有伯努利分布、二项分布、泊松分布等。常见分布离散型随机变量分布律

连续型随机变量的概率密度函数是一个非负可积函数，其在某区间内的积分值等于随机变量落在该区间内的概率。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。常见分布连续型随机变量概率密度函数

函数分布定义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分布情况。求法求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。随机变量函数分布

03多维随机变量及其分布

二维随机变量联合分布设$(X,Y)$是二维随机变量，对于任意实数$x,y$，二元函数$F(x,y)=P{(Xleqslantx)cap(Yleqslanty)}$称为二维随机变量$(X,Y)$的联合分布函数。联合分布函数如果二维随机变量$(X,Y)$的联合分布函数$F(x,y)$可微，则称函数$f(x,y)$为$(X,Y)$的联合概率密度。联合概率密度

VS二维随机变量$(X,Y)$关于$X$的边缘分布函数定义为$F_X(x)=F(x,infty)$，关于$Y$的边缘分布函数定义为$F_Y(y)=F(infty,y)$。条件分布函数设二维随机变量$(X,Y)$的联合分布函数为$F(x,y)$，关于$Y$的边缘分布函数为$F_Y(y)$。若对于固定的$y$，$F_Y(y)0$，则称$F_{X|Y}(x|y)=frac{F(x,y)}{F_Y(y)}$为在$Y=y$条件下$X$的条件分布函数。边缘分布函数边缘分布与条件分布

如果二维随机变量$(X,Y)$的联合分布函数等于各自边缘分布函数的乘积，即$F(x,y)=F_X(x)F_Y(y)$，则称随机变量$X$和$Y$是相互独立的。如果二维随机变量$(X,Y)$不是相互独立的，则称它们是相关的。可以通过计算相关系数来衡量它们之间的线性相关程度。独立性相关性独立性及相关性

多维随机变量的函数设$(X_1,X_2,ldots,X_n)$是$n$维随机变量，如果存在一个$n$元实值函数$g(x_1,x_2,ldots,x_n)$，使得$Z=g(X_1,X_2,ldots,X_n)$是一个一维随机变量，则称$Z$是$(X_1,X_2,ldots,X_n)$的函数。要点一要点二多维随机变量函数的分布多维随机变量函数的分布可以通过求解其分布函数或概率密度来得到。具体方法包括直接法、变换法和卷积法等。多维随机变量函数分布

04数理统计基本概念与方法

总体研究对象的全体个体组成的集合，具有共同的分布规律。样本从总体中随机抽取的一部分个体组成的集合，用于推断总体的性质。样本容量样本中个体的数目，对统计推断的精度和可靠性有重要影响。总体与样本

统计量统计量的性质统计量及其性质由样本观测值计算得到的用于描述样本特征