概率论与数理统计讲解.pptxVIP

概率论与数理统计讲解汇报人：AA2024-01-20AAREPORTING

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理统计基本概念和方法方差分析与回归分析初步常见概率分布及其应用举例

PART01概率论基本概念REPORTINGAA

不可能事件不包含任何样本点的事件，即空集?。必然事件包含样本空间中所有样本点的事件，即S本身。基本事件只包含一个样本点的事件。样本空间所有可能结果的集合，一般用大写字母S表示。事件样本空间的子集，即某些可能结果的集合，一般用大写字母A、B等表示。样本空间与事件

概率定义在给定条件下，某一事件发生的可能性大小，一般用P(A)表示事件A发生的概率。非负性对于任何事件A，有P(A)≥0。规范性对于必然事件S，有P(S)=1。可加性对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。概率定义及性质

条件概率与独立性条件概率在另一事件B已发生的条件下，事件A发生的概率，记作P(A|B)。独立性如果事件A和B的发生互不影响，即P(A|B)=P(A)且P(B|A)=P(B)，则称事件A和B是相互独立的。

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，则对于任何一个事件A，有P(A)=∑P(Bi)P(A|Bi)。贝叶斯公式在全概率公式的条件下，可以进一步求得条件概率P(Bi|A)，即已知事件A发生的条件下，推断各个原因Bi发生的可能性大小。具体公式为P(Bi|A)=P(Bi)P(A|Bi)/∑P(Bj)P(A|Bj)。全概率公式与贝叶斯公式

PART02随机变量及其分布REPORTINGAA

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。定义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。分类随机变量定义及分类

离散型随机变量分布律离散型随机变量的分布律可用分布列来描述，即列出随机变量所有可能取值及其对应的概率。分布列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。常见离散分布

VS连续型随机变量的概率分布可用概率密度函数来描述，它是一个非负可积函数，其函数值表示随机变量落在某一点的概率密度。常见连续分布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。概率密度函数连续型随机变量概率密度函数

一维随机变量函数的分布若已知随机变量X的分布，则可通过一定的变换得到关于X的函数Y的分布。多维随机变量函数的分布对于多维随机变量，其函数的分布可通过联合分布密度函数和边缘分布密度函数求得。随机变量函数分布

PART03多维随机变量及其分布REPORTINGAA

描述两个随机变量同时取值的概率，通常用一个二维表格或三维图形表示。对于连续型随机变量，联合密度函数描述了它们同时取某一值的可能性大小，其积分值表示概率。联合分布律联合密度函数二维随机变量联合分布律/密度函数

边缘分布律由联合分布律推导出的单一随机变量的分布律，表示一个随机变量取值的概率。要点一要点二边缘密度函数由联合密度函数推导出的单一随机变量的密度函数，描述该随机变量取某一值的可能性大小。边缘分布律/密度函数

条件分布律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律。条件密度函数在已知一个随机变量取值的条件下，另一个随机变量的密度函数。条件分布律/密度函数

如果两个随机变量的联合分布律（或联合密度函数）等于各自边缘分布律（或边缘密度函数）的乘积，则称这两个随机变量相互独立。定义相互独立的随机变量之间没有相互影响，一个随机变量的取值不会影响另一个随机变量的取值。性质相互独立随机变量

PART04数理统计基本概念和方法REPORTINGAA

总体研究对象的全体个体组成的集合，通常用一个分布函数来描述。样本从总体中随机抽取的一部分个体，用于推断总体的性质。统计量样本的函数，用于描述样本的特征，如样本均值、样本方差等。总体、样本和统计量

矩估计用样本矩代替总体矩，通过求解方程组得到参数的估计值。最大似然估计在已知总体分布的情况下，选择使得样本出现概率最大的参数作为估计值。点估计方法（矩估计和最大似然估计）

区间估计方法（置信区间）置信区间对于总体参数的一个区间估计，该区间以一定的置信水平包含了总体参数的真值。构造方法基于样本数据计算置信区间的上下限，常用的方法包括枢轴量法、Bootstrap法等。

参数假设检验对总体分布中的参数进行假设检验，如t检验、F检验等。非参数假设检验不依赖于总体分布的具体形式，通过比较样本数据的分布或秩来进行假设检验，如卡方检验、Mann-WhitneyU检验等。假设检验方法（参数假设检验和非参数假设检验）

PART05方差分析与回归分析初步REPORTINGAA