概率论与数理统计-基础知识.pptxVIP

概率论与数理统计-基础知识汇报人：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假设检验与方差分析回归分析初步目录

01概率论基本概念

不可能事件空集，不包含任何样本点。必然事件样本空间本身，包含所有样本点。基本事件样本空间中只包含一个样本点的事件。样本空间所有可能结果的集合，常用大写字母S表示。事件样本空间的子集，即某些可能结果的集合，常用大写字母A、B等表示。样本空间与事件

事件A发生的可能性大小的度量，记为P(A)。概率定义对于任意事件A，有P(A)≥0。非负性对于必然事件S，有P(S)=1。规范性对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。可加性概率定义及性质

条件概率与独立性条件概率在事件B发生的条件下，事件A发生的概率，记为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相互独立。

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，则对于任意事件A，有P(A)=∑P(Bi)P(A|Bi)。贝叶斯公式在全概率公式的条件下，可以求得事件Bi已发生的条件下事件A发生的概率，即P(Bi|A)=P(Bi)P(A|Bi)/∑P(Bj)P(A|Bj)。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。离散型随机变量只能取有限个或可列个值，而连续型随机变量可以取某一区间内的任意值。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可能值的概率。常见离散型随机变量分布二项分布、泊松分布、几何分布等。二项分布在n次独立重复的伯努利试验中，事件A恰好发生k次的概率服从二项分布。泊松分布描述单位时间内随机事件发生的次数，常用于描述稀有事件的概率分布。离散型随机变量分布律

连续型随机变量的概率密度函数描述了随机变量在某个区间内取值的概率分布情况。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正态分布是连续型随机变量中最重要的一种分布，具有广泛的应用。其概率密度函数呈钟形曲线，具有对称性。正态分布均匀分布描述了在某个区间内各个取值的可能性相等的随机变量。均匀分布连续型随机变量概率密度函数

离散型随机变量函数的分布当X是离散型随机变量时，可以通过列举法或母函数法求解g(X)的分布律。连续型随机变量函数的分布当X是连续型随机变量时，可以通过求解g(X)的概率密度函数或累积分布函数来确定其分布。随机变量函数的定义设X是一个随机变量，g(X)是X的函数，那么g(X)也是一个随机变量，其分布称为随机变量函数的分布。随机变量函数的分布

03多维随机变量及其分布

设(X,Y)是二维随机变量，对于任意实数x,y，二元函数F(x,y)=P{X≤x,Y≤y}称为二维随机变量(X,Y)的联合分布函数。联合分布函数如果二维随机变量(X,Y)的联合分布函数F(x,y)可微，则称函数f(x,y)=?2F(x,y)/?x?y为(X,Y)的联合概率密度。联合概率密度二维随机变量联合分布

VS二维随机变量(X,Y)中，X或Y的分布称为边缘分布。即FX(x)=P{X≤x}和FY(y)=P{Y≤y}。条件分布在给定Y=y的条件下，X的条件分布函数为FX|Y(x|y)=P{X≤x|Y=y}。同理，在给定X=x的条件下，Y的条件分布函数为FY|X(y|x)=P{Y≤y|X=x}。边缘分布边缘分布与条件分布

独立性及相关系数如果二维随机变量(X,Y)的联合概率密度等于各自边缘概率密度的乘积，即f(x,y)=fX(x)fY(y)，则称X与Y相互独立。独立性用于衡量两个随机变量之间线性相关程度的统计量。对于二维随机变量(X,Y)，其相关系数ρXY定义为ρXY=Cov(X,Y)/√D(X)√D(Y)，其中Cov(X,Y)为X与Y的协方差，D(X)和D(Y)分别为X和Y的方差。相关系数

Z=X+Y的分布设二维随机变量(X,Y)的联合概率密度为f(x,y)，则Z=X+Y的分布函数为FZ(z)=∫∫f(x,y)dxdy，其中积分区域为{(x,y)|x+y≤z}。Z=max{X,Y}的分布设二维随机变量(X,Y)的联合概率密度为f(x,y)，则Z=max{X,Y}的分布函数为FZ(z)=FX(z)+FY(z)-FXY(z)，其中FXY(z)为X和Y同时小于等于z的概率。多维随机变量函数的分布

04数理统计基本概念

总体与