概率论数理统计的基本知识.pptxVIP

概率论数理统计的基本知识汇报人：AA2024-01-20

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常用概率分布和数理统计方法概率论数理统计在实际问题中应用举例目录

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。空集，不包含任何样本点的事件。

概率定义及性质概率定义事件A发生的可能性大小的数值度量，记为P(A)。概率性质非负性、规范性（必然事件的概率为1）、可列可加性（互不相容事件的并的概率等于各事件概率之和）。

在事件B发生的条件下，事件A发生的概率，记为P(A|B)。如果事件A的发生与否对事件B发生的概率没有影响，则称事件A与事件B相互独立。条件概率与独立性事件的独立性条件概率

全概率公式与贝叶斯公式如果事件B1,B2,...,Bn构成一个完备事件组，且都有正概率，则对任意一个事件A，有P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)。全概率公式在全概率公式的条件下，可以推导出贝叶斯公式，即P(Bi|A)=P(A|Bi)P(Bi)/[P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)]，用于求解在事件A发生的条件下，事件Bi发生的概率。贝叶斯公式

02随机变量及其分布

设随机试验的样本空间为S，如果对于S中的每一个样本点e，都有一个实数X(e)与之对应，则称X(e)为随机变量，简记为X。定义根据随机变量可能取值的性质不同，随机变量可分为离散型随机变量和连续型随机变量两类。分类随机变量定义及分类

定义对于离散型随机变量X，其所有可能取到的值为x1,x2,…,xn，且取这些值的概率P(X=xi)=pi(i=1,2,…,n)满足pi≥0且∑pi=1，则称{pi,i=1,2,…,n}为X的分布律。常见离散型随机变量的分布二项分布、泊松分布、几何分布等。离散型随机变量分布律

定义对于连续型随机变量X，如果存在一个非负可积函数f(x)，使得对任意实数ab，有P(aX≤b)=∫f(x)dx(积分区间为[a,b])，则称f(x)为X的概率密度函数，简称概率密度。常见连续型随机变量的分布均匀分布、指数分布、正态分布等。连续型随机变量概率密度函数

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Y为X的函数。Y的分布称为随机变量函数的分布。求法当已知X的分布时，可以通过变换法或公式法求出Y的分布。其中变换法适用于简单函数关系的情况，而公式法适用于复杂函数关系的情况。定义随机变量函数的分布

03多维随机变量及其分布

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，联合密度函数表示两个随机变量在某一点取值的概率密度，其积分可得到联合分布函数。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一个随机变量的分布律，表示该随机变量单独取值的概率。要点一要点二边缘密度函数由联合密度函数推导出的一个随机变量的密度函数，表示该随机变量在某一点取值的概率密度。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

多维随机变量函数的分布

04数理统计基本概念和方法

总体研究对象的全体个体组成的集合，具有共同的性质。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。统计量根据样本数据计算出来的用于描述样本特征的量，如样本均值、样本方差等。总体、样本和统计量

用样本统计量的值来估计总体参数的方法，如矩估计法、最大似然估计法等。点估计方法无偏性、有效性、一致性是评价点估计方法好坏的重要标准。性质评价点估计方法及其性质评价

区间估计方法根据样本数据构造一个包含总体参数的置信区间，并给出该区间对应的置信水平。置信水平选择通常选择95%或99%的置信水平，表示总体参数落在置信区间的概率分别为95%或99%。区间估计方法及其置信水平选择

假设检验原理及步骤假设检验原理先对总体参数提出一个假设，然后构造一个统计量并根据样本数据计算该统计量的值，最后根据统计量的值和显著性水平决定是否拒绝原假设。假设检验步骤提出原假设和备择假设、构造检验统计量并计算其值、确定显著性水平并查找临界值、比较统计量值和临界值并作出决策。

05常用概率分布和数理统计方法

二项分布描述在n次独立重复试验中成功次数k的概率分布，其中每次