吴赣昌编_概率论与数理统计.pptxVIP

吴赣昌编_概率论与数理统计_2024-01-20

目录CONTENTS概率论基本概念一维随机变量及其分布多维随机变量及其分布随机变量的数字特征大数定律与中心极限定理数理统计基本概念参数估计方法假设检验方法

01概率论基本概念

在一定条件下并不总是发生的现象。随机事件概率必然事件不可能事件描述随机事件发生的可能性的量度，取值范围在0到1之间。在一定条件下一定会发生的事件，其概率为1。在一定条件下一定不会发生的事件，其概率为0。随机事件与概率

古典概型与几何概型古典概型又称等可能概型，具有有限性和等可能性两个特点。常用排列组合方法计算概率。几何概型试验的样本空间是一个区域，每个样本点对应区域中的一个点。概率通过面积、体积等几何度量来计算。

条件概率与独立性在已知某一事件发生的条件下，另一事件发生的概率。用P(A|B)表示在B发生的条件下A发生的概率。事件的独立性如果两个事件的发生互不影响，则称这两个事件是相互独立的。对于独立事件A和B，有P(A∩B)=P(A)P(B)。乘法公式对于任意两个事件A和B，有P(A∩B)=P(A)P(B|A)。当A和B相互独立时，乘法公式简化为P(A∩B)=P(A)P(B)。条件概率

02一维随机变量及其分布

取值有限或可列的随机变量。离散型随机变量的定义描述离散型随机变量取各个值的概率，常用分布列表示。分布律二项分布、泊松分布、几何分布等。常见离散型随机变量分布离散型随机变量及分布律

连续型随机变量的定义取值充满某个区间（或整个实数轴）的随机变量。常见连续型随机变量分布均匀分布、指数分布、正态分布等。概率密度函数描述连续型随机变量在某个确定取值点附近的可能性的函数。连续型随机变量及概率密度

随机变量的函数的定义：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。离散型随机变量函数的分布：通过分布律的变换得到。连续型随机变量函数的分布：通过概率密度函数的变换得到，需注意变换后的函数是否仍为概率密度函数。010203随机变量的函数的分布

03多维随机变量及其分布

二维随机变量的定义设$X$和$Y$是两个随机变量，则称$(X,Y)$为二维随机变量。联合分布函数对于任意实数$x$和$y$，二元函数$F(x,y)=P{Xleqx,Yleqy}$称为二维随机变量$(X,Y)$的联合分布函数。联合概率密度函数如果存在非负函数$f(x,y)$，使得对于任意实数$x$和$y$，有$F(x,y)=int_{-infty}^{x}int_{-infty}^{y}f(u,v)dudv$，则称$f(x,y)$为二维随机变量$(X,Y)$的联合概率密度函数。010203二维随机变量及联合分布

边缘分布函数二维随机变量$(X,Y)$关于$X$的边缘分布函数定义为$F_X(x)=P{Xleqx}$，关于$Y$的边缘分布函数定义为$F_Y(y)=P{Yleqy}$。边缘概率密度函数设二维随机变量$(X,Y)$的联合概率密度函数为$f(x,y)$，则$(X,Y)$关于$X$的边缘概率密度函数为$f_X(x)=int_{-infty}^{infty}f(x,y)dy$，关于$Y$的边缘概率密度函数为$f_Y(y)=int_{-infty}^{infty}f(x,y)dx$。条件分布函数设二维随机变量$(X,Y)$的联合分布函数为$F(x,y)$，且对于固定的$x_0$，$P{X=x_0}0$，则称条件概率$P{Yleqy|X=x_0}=frac{P{X=x_0,Yleqy}}{P{X=x_0}}$为在$X=x_0$条件下，$Y$的条件分布函数。边缘分布与条件分布

随机变量的独立性判断独立性的方法可以通过判断联合概率密度函数是否等于边缘概率密度函数的乘积来判断两个随机变量是否独立。如果等于，则两个随机变量独立；如果不等于，则两个随机变量不独立。随机变量的独立性定义如果对于所有的$x$和$y$，都有$P{Xleqx,Yleqy}=P{Xleqx}P{Yleqy}$，则称随机变量$X$和$Y$是相互独立的。独立性的性质如果两个随机变量相互独立，则它们的任何函数也相互独立。此外，如果一组随机变量中任意两个随机变量都相互独立，则这组随机变量也相互独立。

04随机变量的数字特征

数学期望描述随机变量取值的“平均水平”，是概率加权下的平均值。对于离散型随机变量，数学期望是所有可能取值与其对应概率的乘积之和；对于连续型随机变量，数学期望则是通过积分计算得出。方差衡量随机变量取值与其数学期望的偏离程度，即波动性或分散程度。方差越大，说明随机变量的取值越分散；方差越小，则说明取值越集中。数学期望与方差

衡量两个随机变量变化趋势的相似程度。如果两个随机变量同时向相反方向变化（即一个增大，另一个减小），则协方差为负值；如果