概率论与数理统计1.pptxVIP

概率论与数理统计1汇报人：AA2024-01-19

contents目录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字特征与特征函数数理统计基本概念和方法回归分析初步了解

01概率论基本概念

样本空间所有可能结果的集合，常用大写字母S表示。事件样本空间的子集，即某些可能结果的组合。常用大写字母A、B等表示。基本事件样本空间中只包含一个样本点的事件。样本空间与事件030201

概率定义及性质概率定义在相同条件下，某一事件A可能出现的次数与全部可能出现的次数之比，记作P(A)。概率性质非负性、规范性（必然事件的概率为1）、可加性（互斥事件的概率和等于它们并的概率）。

在事件B发生的条件下，事件A发生的概率，记作P(A|B)。如果事件A和事件B同时发生的概率等于它们各自发生的概率的乘积，即P(AB)=P(A)P(B)，则称事件A和事件B是相互独立的。条件概率与独立性独立性条件概率

如果事件B1、B2、...、Bn是样本空间S的一个划分，且P(Bi)0(i=1,2,...,n)，则对任一事件A，有P(A)=∑P(Bi)P(A|Bi)。全概率公式在全概率公式的条件下，事件Bi已发生，求事件A发生的概率，即P(A|Bi)=P(ABi)/P(Bi)=P(Bi)P(A|Bi)/∑P(Bj)P(A|Bj)。贝叶斯公式全概率公式与贝叶斯公式

02随机变量及其分布

随机变量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个样本点映射到一个实数。随机变量分类根据取值的不同，随机变量可分为离散型随机变量和连续型随机变量。随机变量定义及分类

VS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。常见离散型随机变量分布包括0-1分布、二项分布、泊松分布等。分布律定义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，其积分值表示随机变量落在某个区间的概率。概率密度函数定义包括均匀分布、指数分布、正态分布等。常见连续型随机变量分布

随机变量函数是由随机变量构成的函数，其取值也是随机的。通过已知随机变量的分布，可以推导出随机变量函数的分布。例如，两个独立正态分布的随机变量的和仍然服从正态分布。随机变量函数定义随机变量函数的分布随机变量函数分布

03多维随机变量及其分布

联合分布函数描述二维随机变量$(X,Y)$取值落在某个区域内的概率，表示为$F(x,y)$。要点一要点二联合概率密度函数在连续型随机变量情况下，联合分布函数可微，其微分即为联合概率密度函数$f(x,y)$，满足$F(x,y)=int_{-infty}^{x}int_{-infty}^{y}f(u,v)dudv$。二维随机变量联合分布

边缘分布函数二维随机变量中，一个随机变量的分布函数，即$F_X(x)=F(x,infty)$和$F_Y(y)=F(infty,y)$。条件分布函数在给定一个随机变量取值的条件下，另一个随机变量的分布函数，如$F_{X|Y}(x|y)=frac{F(x,y)}{F_Y(y)}$。边缘分布与条件分布

独立性定义如果二维随机变量$(X,Y)$的联合分布函数可以表示为两个边缘分布函数的乘积，即$F(x,y)=F_X(x)F_Y(y)$，则称$X$和$Y$相互独立。独立性应用在独立性成立的情况下，可以简化概率计算，如$P(XinA,YinB)=P(XinA)P(YinB)$。独立性判断及应用

通过定义新的随机变量并求解其分布律得到。离散型随机变量的函数分布通过求解新随机变量的概率密度函数得到，常用方法有变换法和卷积法。连续型随机变量的函数分布多维随机变量函数分布

04数字特征与特征函数

数学期望定义描述随机变量取值的平均水平，是概率加权下的平均值。数学期望性质线性性质、常数性质、独立性等。方差定义描述随机变量取值与其数学期望的偏离程度，是衡量波动大小的指标。方差性质非负性、常数性质、齐次性等。数学期望与方差计算

协方差定义描述两个随机变量变化趋势的统计量，正值表示正相关，负值表示负相关。协方差性质对称性、线性性质、独立性等。相关系数定义衡量两个随机变量相关程度的统计量，消除了量纲的影响。相关系数性质取值范围[-1,1]，绝对值越大表示相关程度越高。协方差与相关系数求解

1矩定义描述随机变量分布形态的统计量，包括原点矩和中心矩。协方差矩阵定义描述多个随机变量间相关关系的矩阵，对角线元素为各随机变量的方差。特征函数定义描述随机变量概率分布性质的函数，包括特征函数和逆特征函数。特征函数性质唯一性定理、连续性定理等。矩、协方差矩阵和特征函数

大数定律定义揭示了随机现象中的规律性，为概率论提供了理论基础。大数定律意义中心极限定理定义中心极限定理意数理统计中的参数估计和假设检验提供了重要依据。