概率论与数理统计讲义.pptxVIP

概率论与数理统计讲义汇报人：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随机过程初步知识contents目录

01概率论基本概念

样本空间与事件事件必然事件样本空间的子集，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。样本空间基本事件不可能事件所有可能结果的集合，常用大写字母S表示。只包含一个样本点的事件。不包含任何样本点的事件。

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（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）。

VS在某一事件B已经发生的条件下，另一事件A发生的概率，记作P(A|B)。事件的独立性如果两个事件A和B的发生互不影响，即P(AB)=P(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，则对任一事件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假定下，对任一事件A和任一事件Bi（i=1,2,...,n），有P(Bi|A)=[P(A|Bi)P(Bi)]/P(A)。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。随机变量定义根据取值的不同，随机变量可分为离散型随机变量和连续型随机变量。离散型随机变量取值为有限个或可列个，而连续型随机变量取值则充满某个区间。随机变量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。这些分布各自具有不同的特点和应用场景。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。概率密度函数定义包括均匀分布、指数分布、正态分布等。这些分布各自具有不同的特点和应用场景。常见连续型随机变量分布

随机变量函数是由一个或多个随机变量通过某种函数关系构成的新的随机变量。当已知原随机变量的分布时，可以通过一定的方法求出随机变量函数的分布。常见的求法包括直接法、公式法和变换法等。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$(X,Y)$取值情况的函数，记作$F(x,y)$。联合概率密度函数对于连续型二维随机变量，其联合分布函数可表示为$F(x,y)=int_{-infty}^{x}int_{-infty}^{y}f(u,v)dudv$，其中$f(u,v)$为联合概率密度函数。联合分布律对于离散型二维随机变量，其联合分布律可用二维表格表示，表格中每个元素表示$(X,Y)$取对应值的概率。010203二维随机变量联合分布

边缘分布与条件分布由联合分布函数分别对$x$和$y$求极限得到，记作$F_X(x)$和$F_Y(y)$。边缘概率密度函数对于连续型二维随机变量，其边缘概率密度函数可由联合概率密度函数对另一个变量积分得到，记作$f_X(x)$和$f_Y(y)$。条件分布在已知一个随机变量取值的条件下，另一个随机变量的分布。对于连续型二维随机变量，条件概率密度函数为$f_{X|Y}(x|y)=frac{f(x,y)}{f_Y(y)}$和$f_{Y|X}(y|x)=frac{f(x,y)}{f_X(x)}$。边缘分布函数

相互独立的定义如果两个随机变量的联合分布函数等于各自边缘分布函数的乘积，即$F(x,y)=F_X(x)F_Y(y)$，则称这两个随机变量相互独立。相互独立的性质如果两个随机变量相互独立，则它们之间的任何事件也相互独立。判断方法通过比较联合概率密度函数和边缘概率密度函数的乘积来判断两个随机变量是否相互独立。相互独立随机变量

要点三多维随机变量函数的定义设$(X_1,X_2,ldots,X_n)$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求法首先确定$(X_1,X_2,ldots,X_n)$的联合分布，然后根据函数关系求出$Z$的分布函数或概率密度函数。常见的多维随机变量函数分布包括线性变换、多项式变换、指数变换等。对于这些常见的变换，可以通过一些特定的方法简化计算过程。