《概率论与数理统计》.pptxVIP

《概率论与数理统计》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随机变量的数字特征数理统计基本概念数理统计方法应用举例

01概率论基本概念

所有可能结果的集合。样本空间样本空间的子集，即某些可能结果的集合。事件由样本空间及其上的概率测度构成的三元组。概率空间概率空间与事件

123概率的定义：事件A发生的可能性大小的度量，记为P(A)。概率的性质：非负性、规范性、可列可加性。等可能概型与几何概型：两种常见的概率模型。概率的定义与性质

条件概率如果事件A与事件B相互独立，则P(AB)=P(A)P(B)。事件的独立性多个事件的独立性多个事件相互独立的定义及性质。在事件B发生的条件下，事件A发生的概率，记为P(A|B)。条件概率与独立性

贝叶斯公式在已知P(B)0的情况下，P(Ai|B)=P(AiB)/P(B)=P(Ai)P(B|Ai)/∑P(Aj)P(B|Aj)。应用举例全概率公式和贝叶斯公式在解决实际问题中的应用。全概率公式如果事件B能且只能与两两互斥的事件A1，A2，…，An，…之一同时发生，则P(B)=∑P(Ai)P(B|Ai)。全概率公式与贝叶斯公式

02随机变量及其分布

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。随机变量可分为离散型随机变量和连续型随机变量。离散型随机变量的取值是有限个或可列个，而连续型随机变量的取值则充满某个区间。随机变量的定义与分类分类定义

离散型随机变量及其分布律分布律离散型随机变量的分布律可用概率质量函数来描述，它给出了随机变量取各个值的概率。常见分布常见的离散型随机变量分布包括二项分布、泊松分布、几何分布等。

连续型随机变量的概率密度函数描述了随机变量在某个区间内取值的概率分布情况。概率密度常见的连续型随机变量分布包括正态分布、均匀分布、指数分布等。常见分布连续型随机变量及其概率密度

函数的分布当随机变量通过某个函数进行变换后，所得到的新的随机变量的分布称为原随机变量的函数的分布。求法求随机变量的函数的分布通常需要先求出原随机变量的分布，然后根据函数的性质进行变换，得到新的分布。随机变量的函数的分布

03多维随机变量及其分布

多维随机变量是指由两个或两个以上的随机变量构成的向量，每个随机变量都是定义在同一概率空间上的实值函数。定义多维随机变量具有一些重要的性质，如联合分布函数、联合概率密度函数、边缘分布函数、边缘概率密度函数等。这些性质在描述多维随机变量的统计特性和进行概率计算时非常重要。性质多维随机变量的定义与性质

VS边缘分布是指多维随机变量中，某个随机变量的分布。它描述了该随机变量单独取值时的概率分布情况，可以通过对联合分布函数或联合概率密度函数进行积分得到。条件分布条件分布是指在多维随机变量中，当某些随机变量的取值已知时，其他随机变量的分布。它描述了在其他随机变量取特定值的条件下，该随机变量的概率分布情况。条件分布可以通过对联合分布函数或联合概率密度函数进行条件化得到。边缘分布边缘分布与条件分布

函数的分布：多维随机变量的函数是指由多维随机变量的各个分量通过某种函数关系构成的新的随机变量。这个新的随机变量的分布可以通过对原多维随机变量的联合分布函数或联合概率密度函数进行变换得到。常见的多维随机变量的函数包括和、差、积、商以及更复杂的函数形式。多维随机变量的函数的分布

相互独立的随机变量是指它们的取值互不影响，即一个随机变量的取值不会改变另一个随机变量的取值的概率。在多维随机变量中，如果任意两个或多个随机变量都是相互独立的，则称这些随机变量是相互独立的。相互独立的随机变量具有一些重要的性质，如它们的联合分布函数等于各自分布函数的乘积、它们的联合概率密度函数等于各自概率密度函数的乘积等。这些性质在简化概率计算和推导统计量的分布时非常有用。定义性质相互独立的随机变量

04随机变量的数字特征

数学期望描述随机变量取值的“平均水平”，是概率加权下的平均值。对于离散型随机变量，数学期望是所有可能取值与其对应概率的乘积之和；对于连续型随机变量，数学期望则是通过积分计算得到。方差衡量随机变量取值与其数学期望的偏离程度，即波动性或分散程度。方差越大，说明随机变量取值的波动越大，越不稳定；方差越小，则说明取值相对集中，波动性小。数学期望与方差

协方差与相关系数衡量两个随机变量变化趋势的相似程度。若两个随机变量同时向相反方向变化（即一个增大另一个减小），则协方差为负；若同时向相同方向变化（即两者都增大或都减小），则协方差为正；若协方差接近于零，则说明两个随机变量之间没有明显的线性关系。协方差是协方差的标准化形式，用于消除量纲影响，更客观地反映两个随机变量之间的线性相关程度。相关系数的取值范围为[-1,1]，其中1