概率论与数理统计之21.pptxVIP

概率论与数理统计之21汇报人：AA2024-01-20

目录contents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随机变量数字特征大数定律与中心极限定理数理统计基本概念和方法

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，即某些可能结果的集合。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。

概率定义在相同条件下，对某事件A进行n次试验，如果事件A发生了m次（m≤n），则比值m/n称为事件A发生的频率。当试验次数n逐渐增大时，频率m/n逐渐稳定于某个常数p，则称p为事件A发生的概率。对于任何事件A，有P(A)≥0。对于必然事件S，有P(S)=1。对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。非负性规范性可加性概率定义及性质

条件概率在事件B发生的条件下，事件A发生的概率，记作P(A|B)。条件概率的计算公式为P(A|B)=P(AB)/P(B)，其中P(AB)表示事件A和B同时发生的概率。事件的独立性如果事件A的发生与否对事件B的发生概率没有影响，即P(AB)=P(A)P(B)，则称事件A与事件B相互独立。条件概率与独立性

如果事件B1，B2，…，Bn构成一个完备事件组，且都具有正概率，则对任一事件A，有P(A)=∑P(Bi)P(A|Bi)，其中i=1,2,…,n。全概率公式提供了一种计算复杂事件概率的方法。全概率公式在已知某些条件下，某一事件的发生概率的基础上，进一步得到另外一些条件下该事件发生的概率。贝叶斯公式为P(Bi|A)=P(ABi)/P(A)=P(Bi)P(A|Bi)/∑P(Bj)P(A|Bj)，其中i,j=1,2,…,n。贝叶斯公式在统计学、机器学习等领域有着广泛的应用。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。随机变量定义及分类分类定义

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。对于离散型随机变量X，其分布律可以用概率函数P(X=x)来表示，其中x为随机变量X的所有可能取值。常见离散型随机变量分布二项分布、泊松分布、几何分布等。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分布情况。对于连续型随机变量X，其概率密度函数记为f(x)，满足P(aX≤b)=∫abf(x)dx。概率密度函数定义正态分布、均匀分布、指数分布等。常见连续型随机变量分布

VS设X是一个随机变量，g(x)是一个实函数，则Y=g(X)也是一个随机变量，称为X的函数。随机变量函数的分布求法对于离散型随机变量，可以通过列举法或母函数法求得其函数的分布；对于连续型随机变量，可以通过概率密度函数的变换法求得其函数的分布。随机变量函数的定义随机变量函数分布

03多维随机变量及其分布

二维随机变量联合分布律/密度函数联合分布律对于离散型二维随机变量，联合分布律描述了每一个可能取值的概率，常用二维表格表示，表格中每个元素表示对应取值的概率。联合密度函数对于连续型二维随机变量，联合密度函数描述了随机变量取值的概率分布情况，是一个二元函数，其值非负且积分为1。

对于离散型二维随机变量，边缘分布律是指其中一个随机变量取某个值时，另一个随机变量取所有可能值的概率之和。可以通过对联合分布律的表格进行行或列求和得到。对于连续型二维随机变量，边缘密度函数是指其中一个随机变量在某个区间内取值时，另一个随机变量取所有可能值的概率之和。可以通过对联合密度函数进行积分得到。边缘分布律边缘密度函数边缘分布律/密度函数

条件分布律对于离散型二维随机变量，条件分布律是指在已知其中一个随机变量取某个值的条件下，另一个随机变量的分布律。可以通过联合分布律和边缘分布律计算得到。条件密度函数对于连续型二维随机变量，条件密度函数是指在已知其中一个随机变量在某个区间内取值的条件下，另一个随机变量的密度函数。可以通过联合密度函数和边缘密度函数计算得到。条件分布律/密度函数

定义如果两个随机变量的联合分布律（或联合密度函数）可以表示为各自分布律（或密度函数）的乘积，则称这两个随机变量是相互独立的。要点一要点二性质相互独立的随机变量具有一些重要的性质，如一个随机变量的取值不会影响另一个随机变量的取值概率；相互独立的随机变量的期望、方差等数字特征可以分别计算等。这些性质在概率论与数理统计中具有重要的应用价值。相互独立随机变量

04随机变量数字特征

性质常