概率论与数理统计第二周

概率论与数理统计第二周汇报人：AA2024-01-19BIGDATAEMPOWERSTOCREATEANEWERA目录CONTENTS事件与概率条件概率与独立性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BIGDATAEMPOWERSTOCREATEANEWERA01事件与概率事件的定义01在一定条件下，并不总是发生（或说必然发生）的现象称为随机现象，简称现象。事件的表示方法02一般地，随机试验E的每一个可能结果称为E的一个样本点，全体样本点的集合称为E的样本空间，记作S。样本空间S的每一个子集称为随机事件，简称事件。事件的运算03事件A与事件B的并事件记作A∪B，表示事件A与事件B至少有一个发生；事件A与事件B的交事件记作A∩B，表示事件A与事件B同时发生；事件A与事件B的差事件记作A-B，表示事件A发生而事件B不发生。事件及其运算概率是描述随机事件发生可能性大小的数值，常用P(A)表示。概率的定义非负性，即对于任意事件A，有P(A)≥0；规范性，即对于必然事件S，有P(S)=1；可加性，即对于任意两个互斥事件A和B，有P(A∪B)=P(A)+P(B)。概率的性质概率的定义与性质如果每个样本点发生的可能性相等，则称这种试验为古典概型。在古典概型中，事件A的概率P(A)等于事件A包含的样本点个数与样本空间S包含的样本点个数之比。古典概型如果每个样本点发生的可能性不相等，但可以通过几何度量（如长度、面积、体积等）来描述其发生的可能性大小，则称这种试验为几何概型。在几何概型中，事件A的概率P(A)等于事件A对应的几何度量与样本空间S对应的几何度量之比。几何概型古典概型与几何概型BIGDATAEMPOWERSTOCREATEANEWERA02条件概率与独立性123在事件B发生的条件下，事件A发生的概率，记作P(A|B)。条件概率的定义P(A|B)=P(AB)/P(B)，其中P(AB)表示事件A和事件B同时发生的概率，P(B)表示事件B发生的概率。条件概率的计算公式非负性、规范性、可加性。条件概率的性质条件概率的定义与计算如果事件A的发生与否对事件B的发生概率没有影响，则称事件A与事件B相互独立。事件独立性的定义通过比较P(AB)与P(A)P(B)是否相等来判断两个事件是否独立。如果相等，则两个事件相互独立；如果不相等，则两个事件不独立。事件独立性的判断方法如果事件A与事件B相互独立，那么事件A与事件B的补集也相互独立；如果事件A与事件B相互独立，且事件B与事件C相互独立，那么事件A与事件C也相互独立。事件独立性的性质事件的独立性及判断独立重复试验的定义在相同的条件下重复进行n次试验，每次试验只有两种可能的结果（成功或失败），且每次试验成功的概率p相同，则称这n次试验为n重伯努利试验或独立重复试验。二项分布的定义在n重伯努利试验中，设事件A发生的次数为X，则X的可能取值为0,1,2,...,n，且对于每一个k（0≤k≤n），事件{X=k}的概率为P{X=k}=C(n,k)p^k(1-p)^(n-k)，其中C(n,k)表示从n个不同元素中取出k个元素的组合数。二项分布的性质二项分布是一种离散型概率分布；当n很大、p很小时，二项分布近似于泊松分布；当n很大时，二项分布的图形近似于正态分布。独立重复试验与二项分布BIGDATAEMPOWERSTOCREATEANEWERA03随机变量及其分布随机变量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。分类随机变量可以分为离散型随机变量和连续型随机变量两类。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是无限不可列的。随机变量的概念及分类离散型随机变量的分布律可以用概率质量函数来描述，它表示随机变量取各个值的概率。常见的离散型随机变量分布包括二项分布、泊松分布、几何分布等。离散型随机变量及其分布律常见分布分布律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各个取值点的概率分布情况。概率密度常见的连续型随机变量分布包括正态分布、均匀分布、指数分布等。常见分布连续型随机变量及其概率密度BIGDATAEMPOWERSTOCREATEANEWERA04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，称$(X,Y)$为二维随机变量。联合分布函数的定义对于任意实数$x,y$，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。联合分布律如果二维随机变量$(X,Y)$所有可能取的值是有限的或可列无限的，则称$(X,Y)$是离散型的二维随机变量，称$P{X=x_i,Y=y_j}=p_{ij},i,j=1,2,ldots$为二维随机变量$(X,Y)$的联合分布律。二维随机变量及其联合分布二维随机变量$(X,Y)$作为一个整体，具有分布函数$F(x,y)$，而$X$和$Y$都是随机变量，各自也有分布函数，将它们分别记为$F_X(x),F_Y(y)$，依次称为二维随机变量$(X,Y)$关于$X$和关于$Y$的边缘分布函数。离散型二维随机变量$(X,Y)$的联合分布律为$P{X=x_i,Y=y_j}=p_{ij},i,j=1,2,ldots$，则$P{X=x_i}=sum_{j=1}^{infty}p_{ij},i=1,2,ldots$和$P{Y=y_j}=sum_{i=1}^{infty}p_{ij},j=1,2,ldots$分别称为$(X,Y)$关于$X$和关于$Y$的边缘分布律。设$(X,Y)$是二维离散型随机变量，对于固定的$j$，若$P{Y=y_j}>0$，则称$P{X=x_i|Y=y_j}=frac{P{X=x_i,Y=y_j}}{P{Y=y_j}}=frac{p_{ij}}{p_{cdotj}},i=1,2,ldots$为在$Y=y_j$条件下随机变量$X$的条件分布律。边缘分布函数边缘分布律条件分布律边缘分布与条件分布随机变量的独立性独立的定义设$(X,Y)$是二维随机变量，如果对于所有的$x,y$均有$F(x,y)=F_X(x)F_Y(y)$，则称随机变量$X$和$Y$是相互独立的。离散型独立的条件设$(X,Y)$是二维离散型随机变量，则$X$和$Y$相互独立的充分必要条件是：对于$(X,Y)$的所有可能取值$(x_i,y_j)$均有$P{X=x_i,Y=y_j}=P{X=x_i}P{Y=y_j}$。连续型独立的条件设$(X,Y)$是二维连续型随机变量，如果存在非负可积函数$f(x,y)$，使$(X,Y)$的联合概率密度为$f(x,y)$，且满足等式：$f(x,y)=f_X(x)f_Y(y)$，其中$f_X(x),f_Y(y)$分别是$(X,Y)$关于$X,Y$的边缘概率密度，则称随机变量$X$和$Y$是相互独立的。BIGDATAEMPOWERSTOCREATEANEWERA05随机变量的数字特征数学期望的定义数学期望是随机变量取值的平均值，反映了随机变量取值的“中心位置”或“平均水平”。数学期望的性质数学期望具有线性性质，即对于任意常数a和b，以及随机变量X和Y，有E(aX+bY)=aE(X)+bE(Y)；数学期望还具有正态分布的性质，即如果X服从N(μ,σ^2)分布，则E(X)=μ。数学期望的定义与性质方差的定义与性质方差的定义方差是随机变量取值与其数学期望之差的平方的平均值，用于描述随机变量取值的离散程度。方差的性质方差具有非负性，即对于任意随机变量X，有D(X)≥0；方差还具有可加性，即对于任意两个随机变量X和Y，有D(X+Y)=D(X)+D(Y)+2Cov(X,Y)，其中Cov(X,Y)表示X和Y的协方差。泊松分布对于参数为λ的泊松分布，其数学期望和方差均为E(X)=D(X)=λ。二项分布对于参数为n和p的二项分布，其数学期望为E(X)=np，方差为D(X)=np(1-p)。正态分布对于服从N(μ,σ^2)的正态分布，其数学期望为E(X)=μ，方差为D(X)=σ^2。均匀分布对于在区间[a,b]上的均匀分布，其数学期望为E(X)=(a+b)/2，方差为D(X)=(b-a)^2/12。指数分布对于参数为λ的指数分布，其数学期望为E(X)=1/λ，方差为D(X)=1/λ^2。常见分布的数学期望和方差BIGDATAEMPOWERSTOCREATEANEWERA06大数定律与中心极限定理大数定律的内容大数定律是概率论中的基本定理之一，它指出当试验次数足够多时，随机事件的频率将趋近于该事件的概率。大数定律的意义大数定律为概率论提供了坚实的理论基础，使得我们可以根据大量试验的结果来推断随机事件的概率。同时，大数定律也是统计学中样本推断总体的基础。大数定律的内容及意义VS中心极限定理是概率论中的另一个重要定理，它指出当随机变量的数量足够多时，这些随机变量的和或平均值将趋近于正态分布。中心极限定理的应用中心极限定理在统计学中有着广泛的应用，它允许我们使用正态分布来近似描述许多实际问题的分布情况。例如，在质量控制中，我们常常使用中心极限定理来估计产品的不合格率；在医学研究中，我们也常常利用中心极限定理来分析实验数据的分布情况。中心极限定理的内容中心极限定理的内容及应用概率论在统计学中的应用描述统计是对数据进行整理和描述的过程，而概率论则为描述统计提供了必要的数学工具