《随机事件的概率》》课件.pptVIP

随机事件的概率

概率的定义随机事件在一定条件下，可能发生也可能不发生的事件概率一个随机事件发生的可能性大小

概率的性质概率的加法定理：互斥事件的概率等于各事件概率之和。概率的乘法定理：两个事件同时发生的概率等于其中一个事件的概率乘以另一个事件在第一个事件发生的条件下的概率。概率的互补定理：一个事件发生的概率等于1减去该事件不发生的概率。

古典概型1定义在所有可能的结果中，每个结果出现的可能性都相等，则称这样的概率模型为古典概型。2公式事件A发生的概率等于事件A包含的结果数除以所有可能结果的总数。3举例抛掷一枚硬币，正面朝上的概率为1/2，因为正面和反面出现的可能性相等。

几何概型定义当随机事件的样本空间是某个几何图形，且每个样本点出现的可能性与该点在图形中所占的面积成正比时，称为几何概型。计算几何概型的概率等于事件发生的区域面积与样本空间面积的比值。

概率公式事件A发生事件A不发生概率公式用于计算事件发生的可能性。它表明，事件发生的概率等于事件发生的次数除以所有可能结果的总数。

条件概率定义事件A发生的条件下，事件B发生的概率，记为P(B|A)。公式P(B|A)=P(AB)/P(A)，其中P(AB)为A和B同时发生的概率，P(A)为A发生的概率。应用条件概率在很多领域都有应用，例如医疗诊断、风险评估、市场调查等。

独立事件1定义两个事件相互独立，如果一个事件的发生不影响另一个事件发生的概率。2公式如果事件A和B独立，则P(A∩B)=P(A)*P(B)。3例子抛硬币两次，第一次的结果不会影响第二次的结果。

全概率公式1事件将样本空间划分为互斥的事件2概率计算每个事件发生的概率3公式将每个事件的概率加权求和

贝叶斯公式公式P(A|B)=P(B|A)P(A)/P(B)含义已知事件B发生的条件下，事件A发生的概率应用疾病诊断、机器学习

随机变量随机变量是一个数值，其值取决于随机事件的结果。离散型随机变量可以取有限个值或可数无限个值的随机变量。连续型随机变量可以在某个范围内取任意值的随机变量。

离散型随机变量有限可数取值有限或可数无限，例如掷硬币的结果或某地区一天的交通事故数量。概率分布可以使用概率质量函数来描述离散型随机变量每个取值的概率。常见类型伯努利分布、二项分布、泊松分布等都是离散型随机变量的典型例子。

连续型随机变量连续取值取值可以是任意实数，而不是离散的整数。概率密度函数用概率密度函数来描述随机变量的概率分布。曲线表示概率密度函数可以用曲线图来表示。

均值和方差均值反映数据集中趋势的指标方差反映数据分散程度的指标

正态分布正态分布是最重要的连续型随机变量分布之一，它在统计学、机器学习等领域有着广泛的应用。正态分布的概率密度函数呈现钟形曲线，对称于均值，曲线下方的面积为1。正态分布的形状由均值和标准差决定，均值决定曲线的中心位置，标准差决定曲线的宽度。

二项分布二项分布是一个离散概率分布，描述了在一定次数的独立试验中，成功次数的概率。它有两个参数：试验次数n和每次试验成功的概率p。二项分布的公式如下：P(X=k)=(nCk)*p^k*(1-p)^(n-k)，其中X是成功次数，k是一个整数。二项分布常用于分析诸如掷硬币、投骰子、抽样等随机事件的概率。

泊松分布泊松分布是一种离散概率分布，描述的是在一定时间或空间内事件发生的次数。事件发生的时间或空间是连续的，而事件发生的次数是离散的。例如，在一个小时内某条高速公路上发生事故的次数，或在一个网页上出现的广告点击次数，都可以用泊松分布来描述。

抽样分布定义从总体中随机抽取样本，样本统计量的分布称为抽样分布。类型常见的抽样分布包括样本均值的分布，样本方差的分布等。应用抽样分布是推断统计的基础，用于估计总体参数和检验假设。

中心极限定理1大数定律样本平均值趋近于总体均值2独立同分布样本来自相同总体，相互独立3正态分布样本平均值的分布近似正态

参数估计总体参数估计使用样本数据来估计总体参数，例如总体均值、总体方差。点估计用样本统计量来估计总体参数的值，例如用样本均值估计总体均值。区间估计估计总体参数的取值范围，并给出置信度。

假设检验零假设一种关于总体参数的陈述，我们试图用样本数据来反驳。备择假设与零假设相反的陈述，如果拒绝零假设，我们接受备择假设。显著性水平设定一个阈值，用来判断拒绝零假设的可能性有多大。

相关性分析1变量关系探索两个或多个变量之间是否存在关系。2线性关系使用相关系数衡量线性关系的强度和方向。3非线性关系需要使用其他方法，例如秩相关系数，来分析非线性关系。

回归分析预测回归分析是一种用于预测变量之间关系的统计方法。解释它可以帮助我们理解自变量如何影响因变量的变化。应用回归分析在经