概率论数理统计基础知识.pptxVIP

汇报人：AA2024-01-19概率论数理统计基础知识

目录概率论基本概念一维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数理统计基本概念参数假设检验

01概率论基本概念Part

随机事件与概率随机事件在一定条件下并不总是发生的现象称为随机事件。概率用来量化随机事件发生可能性的数值，取值范围在0到1之间。概率的性质非负性、规范性、可加性。

古典概型与几何概型古典概型如果每个样本点发生的可能性相等，则称这种概率模型为古典概型。几何概型如果样本空间是一个区域，且每个样本点发生的可能性与该区域的面积、体积等几何量成正比，则称这种概率模型为几何概型。

STEP01STEP02STEP03条件概率与独立性条件概率如果两个事件的发生互不影响，则称这两个事件是相互独立的。事件的独立性乘法公式用于计算多个事件同时发生的概率，即$P(AB)=P(A)P(B|A)$。在已知某一事件发生的条件下，另一事件发生的概率。

02一维随机变量及其分布Part

03数学期望与方差离散型随机变量的数学期望反映其平均水平，方差反映其波动程度。01离散型随机变量取值有限或可数的随机变量，如投掷骰子出现的点数。02分布律描述离散型随机变量取各个值的概率，常用分布列表示，如二项分布、泊松分布等。离散型随机变量及分布律

连续型随机变量取值充满某个区间或整个实数轴的随机变量，如测量误差、电子元件的寿命等。概率密度函数描述连续型随机变量在某个确定取值点附近的可能性的函数，如正态分布、指数分布等。分布函数描述连续型随机变量在某个区间内取值的概率，是概率密度函数的积分。连续型随机变量及概率密度

离散型随机变量的函数的分布通过分布律的变换得到，需注意函数值域的变化。连续型随机变量的函数的分布通过概率密度函数的变换得到，需注意函数值域的变化以及变换后的概率密度函数是否满足归一化条件。随机变量的函数的定义设X是一个随机变量，g(X)是X的函数，那么g(X)也是一个随机变量。随机变量的函数的分布

03多维随机变量及其分布Part

二维随机变量设$X$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。联合分布函数对于任意实数$x,y$，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。联合概率密度函数如果存在非负函数$f(x,y)$，使得对于任意实数$x,y$有$F(x,y)=int_{-infty}^{x}int_{-infty}^{y}f(u,v)dudv$，则称$f(x,y)$为二维随机变量$(X,Y)$的联合概率密度函数。010203二维随机变量及联合分布

边缘分布与条件分布二维随机变量$(X,Y)$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$X$和关于$Y$的边缘分布函数分别为$F_X(x)$和$F_Y(y)$。对于固定的$y$，如果$P{Y=y}0$，则称条件概率$P{Xleqx|Y=y}=frac{P{Xleqx,Y=y}}{P{Y=y}}=frac{F(x,y)-F(x,y-0)}{F_Y(y)-F_Y(y-0)}$为在$Y=y$条件下，$X$的条件分布函数，记为$F_{X|Y}(x|y)$。条件分布函数

随机变量的独立性定义如果对于所有的$x,y$，都有$P{Xleqx,Yleqy}=P{Xleqx}P{Yleqy}$，则称随机变量$X$和$Y$是独立的。判断独立性的方法判断两个随机变量是否独立，可以通过判断它们的联合分布函数是否等于各自边缘分布函数的乘积来实现。如果等于，则两随机变量独立；如果不等于，则两随机变量不独立。随机变量的独立性

04随机变量的数字特征Part

VS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。方差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。数学期望数学期望与方差

衡量两个随机变量变化趋势的相似程度，正值表示两变量同向变化，负值表示反向变化，零表示无关。标准化后的协方差，消除了量纲影响，更客观地反映两变量间的线性相关程度。协方差相关系数协方差与相关系数

矩描述随机变量分布形态的特征数，如一阶原点矩即数学期望，二阶中心矩即方差。协方差矩阵由多个随机变量的协方差组成的矩阵，用于描述多个随机变量间的线性相关关系。矩、协方差矩阵

05大数定律与中心极限定理Part

大数定律是描述随机现象平均结果稳定性的定理，即当试验次数足够多时，随机事件的频率趋于一个稳定值。定义常见的大数定律有伯努利大数定律、辛钦大数定律和切比雪夫大数定律