概率与统计的概念与基本原理.pptx

汇报人：XX2024-01-26概率与统计的概念与基本原理

目录概率论基本概念随机变量及其分布统计学基本概念概率论在统计学中的应用数据分析方法与实践

01概率论基本概念

123在一定条件下，并不总是发生，也不总是不发生的现象。随机事件描述随机事件发生的可能性大小的数值，常用P表示。概率定义非负性、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各自概率的和）。概率的性质随机事件与概率定义

每个样本点等可能出现，且样本空间有限。古典概型几何概型两者区别样本点无限且连续出现，常用长度、面积、体积等几何度量来描述概率。古典概型基于等可能原则，而几何概型基于几何度量。030201古典概型与几何概型

03条件概率与独立性的关系若两事件相互独立，则它们之间的条件概率等于各自的无条件概率之积。01条件概率在已知某一事件发生的条件下，另一事件发生的概率。02独立性两个事件相互独立，即一个事件的发生不影响另一个事件的发生概率。条件概率与独立性

全概率公式用于计算复杂事件发生的概率，通过将该事件拆分为若干简单事件的并集，并分别计算各简单事件的概率，再求和得到。贝叶斯公式用于在已知某些条件下，更新某一假设的概率。常用于机器学习和数据挖掘中的分类问题。两者的联系全概率公式是贝叶斯公式的基础，贝叶斯公式是全概率公式的推广和应用。全概率公式与贝叶斯公式

02随机变量及其分布

取值可数的随机变量，常用分布律描述其取值的概率。定义描述离散型随机变量取各个值的概率，常用表格或公式表示。分布律二项分布、泊松分布等。常见离散型随机变量分布离散型随机变量及分布律

概率密度函数描述连续型随机变量在某个区间内取值的概率，具有非负性和规范性。常见连续型随机变量分布正态分布、指数分布等。定义取值连续的随机变量，用概率密度函数描述其分布情况。连续型随机变量及概率密度

数学期望反映随机变量取值的平均水平，是随机变量的重要数字特征。性质数学期望和方差具有线性性质、独立性质等。方差反映随机变量取值的离散程度，衡量随机变量与其数学期望的偏离程度。随机变量的数学期望与方差

常见分布类型及性质二项分布描述n次独立重复试验中成功次数的概率分布，具有可加性和乘法定理等性质。泊松分布描述单位时间内随机事件发生的次数的概率分布，具有无记忆性和稳定性等性质。正态分布描述影响某个指标的随机因素非常多且每个因素的影响都很小的情况下该指标的概率分布，具有对称性、可加性和稳定性等性质。指数分布描述连续型随机变量等待时间的概率分布，具有无记忆性和可乘性等性质。

03统计学基本概念

总体研究对象的全体个体组成的集合，具有共同性质和特征。样本从总体中随机抽取的一部分个体组成的集合，用于推断总体性质。样本容量样本中所包含的个体数目，影响统计推断的准确性和可靠性。总体与样本

统计量描述样本特征的量，如样本均值、样本方差等，用于推断总体参数。抽样分布统计量在多次抽样中的分布规律，反映了统计量的波动性和稳定性。常用抽样分布正态分布、t分布、卡方分布和F分布等，用于不同场合下的统计推断。统计量与抽样分布

用样本统计量的某个值直接作为总体参数的估计值，如样本均值作为总体均值的点估计。点估计区间估计评价估计量的标准根据样本统计量的抽样分布和置信水平，构造出总体参数的一个置信区间，用于评估估计的准确性和可靠性。无偏性、有效性和一致性等，用于衡量不同估计量的优劣。参数估计方法

假设检验原理原假设与备择假设根据研究问题和已有知识，提出相互对立的两个假设，其中需要被检验的假设称为原假设，与之对立的假设称为备择假设。显著性水平与第一类错误显著性水平是事先设定的一个概率值，用于控制犯第一类错误（即错误地拒绝原假设）的概率。检验统计量与拒绝域根据原假设和样本数据构造检验统计量，并确定一个拒绝域，当检验统计量落入拒绝域时，则拒绝原假设。P值与第二类错误P值是观察到的样本数据与原假设之间不一致程度的度量，用于决定是否拒绝原假设。第二类错误是指错误地接受原假设的概率。

04概率论在统计学中的应用

揭示了当试验次数足够多时，频率稳定于概率的现象。它是概率论中的基本定理，为统计学中的抽样推断提供了理论依据。大数定律指出当样本量足够大时，样本均值的分布近似于正态分布，无论总体分布是什么。这个定理在统计学中具有重要意义，因为它允许我们使用正态分布的性质来推断总体的参数。中心极限定理大数定律与中心极限定理

是指估计量接近总体参数真值的程度。精度越高，估计量的可靠性就越高。是指由样本统计量所构造的总体参数的估计区间。置信水平越高，置信区间包含总体参数真值的概率就越大。参数估计的精度和置信区间置信区间参数估计的精度

假设检验中的两类错误和功效函数两类错误在假设检验中，第一类错误是拒绝正确的原假设，第二类错误是接受错误的原假