概率论与数理统计第四版浙江大学

概率论与数理统计第四版浙江大学汇报人：AA2024-01-20BIGDATAEMPOWERSTOCREATEANEWERA目录CONTENTS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与方法假设检验与方差分析回归分析初步知识BIGDATAEMPOWERSTOCREATEANEWERA01概率论基本概念不可能事件空集∅，不包含任何样本点的事件。必然事件包含样本空间中所有样本点的事件，即S本身。基本事件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。样本空间与事件在给定条件下，某一事件发生的可能性大小，常用P(A)表示事件A的概率。概率定义非负性规范性可加性对于任意事件A，有P(A)≥0。对于必然事件S，有P(S)=1。对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。概率定义及性质条件概率与独立性条件概率在另一事件B发生的条件下，事件A发生的概率，记作P(A|B)。事件的独立性如果事件A和B满足P(AB)=P(A)P(B)，则称事件A和B是相互独立的。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，有P(Bi|A)=[P(Bi)P(A|Bi)]/∑[P(Bj)P(A|Bj)]，其中i,j=1,2,...,n。全概率公式与贝叶斯公式BIGDATAEMPOWERSTOCREATEANEWERA02随机变量及其分布随机变量定义及分类设随机试验的样本空间为S，如果对于每一个样本点e∈S，都有一个实数X(e)与之对应，则称X=X(e)为随机变量。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。分类离散型随机变量分布律随机变量X只可能取0和1两个值，且取1的概率为p，取0的概率为1-p，则称X服从参数为p的0-1分布。二项分布在n次独立重复的伯努利试验中，设每次试验成功的概率为p，失败的概率为1-p，则称n次试验中成功次数k的分布为二项分布。泊松分布设随机变量X所有可能取值为0,1,2,...,且取各个值的概率为P{X=k}=λ^k/k!e^-λ(k=0,1,2,...)，其中λ>0是常数，则称X服从参数为λ的泊松分布。0-1分布010203均匀分布若连续型随机变量X具有概率密度函数f(x)=1/(b-a)，a<x<b，则称X在区间(a,b)上服从均匀分布。指数分布若连续型随机变量X具有概率密度函数f(x)=λe^(-λx)，x>0，其中λ>0是常数，则称X服从参数为λ的指数分布。正态分布若连续型随机变量X具有概率密度函数f(x)=(1/√2πσ)e^[-(x-μ)^2/2σ^2]，-∞<x<∞，其中μ和σ(σ>0)为常数，则称X服从参数为μ和σ的正态分布。连续型随机变量概率密度函数设X是一个离散型随机变量，其分布律为P{X=x_k}=p_k，k=1,2,...。若Y=g(X)是X的函数，则Y也是一个离散型随机变量，其分布律可通过下列公式求得：P{Y=y_j}=∑P{X=x_k}，其中求和号是对所有使得g(x_k)=y_j的x_k进行的。离散型随机变量函数的分布设X是一个连续型随机变量，其概率密度函数为f_X(x)。若Y=g(X)是X的函数，且g(x)在X的取值范围内严格单调，则Y也是一个连续型随机变量，其概率密度函数f_Y(y)可通过下列公式求得：f_Y(y)=f_X[h(y)]|h'(y)|，其中h(y)是g(x)的反函数。连续型随机变量函数的分布随机变量函数分布BIGDATAEMPOWERSTOCREATEANEWERA03多维随机变量及其分布联合分布函数的定义与性质描述两个随机变量同时取值的概率分布情况，具有非负性、规范性、右连续性等性质。联合概率密度函数对于连续型随机变量，通过联合概率密度函数描述其联合分布情况，具有非负性和规范性。联合分布律对于离散型随机变量，通过联合分布律列出所有可能取值的概率。二维随机变量联合分布030201ABCD边缘分布与条件分布边缘分布函数由联合分布函数对其中一个变量求极限得到，描述单个随机变量的分布情况。条件分布函数在已知一个随机变量取值的条件下，另一个随机变量的分布情况。边缘概率密度函数对于连续型随机变量，由联合概率密度函数对其中一个变量积分得到。条件概率密度函数对于连续型随机变量，通过联合概率密度函数和边缘概率密度函数求得条件概率密度函数。相互独立的定义两个随机变量的取值互不影响，即一个随机变量的取值不会改变另一个随机变量的分布。相互独立的性质若两个随机变量相互独立，则它们的联合分布等于各自边缘分布的乘积。判断相互独立的方法通过验证联合分布是否等于边缘分布的乘积来判断两个随机变量是否相互独立。相互独立随机变量多维随机变量函数的定义由多维随机变量的取值通过一定函数关系得到的新的随机变量。常见多维随机变量函数的分布包括和、差、积、商以及复合函数等，它们的分布情况可以通过特定的方法求得。多维随机变量函数的分布求法通过多维随机变量的联合分布和函数关系求得新的随机变量的分布。多维随机变量函数分布BIGDATAEMPOWERSTOCREATEANEWERA04数理统计基本概念与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。样本容量样本中包含的个体数目。总体与样本样本的函数，用于描述样本特征。统计量样本均值、样本方差、样本标准差、样本矩等。常用统计量无偏性、有效性、一致性等。统计量的性质统计量及其性质大数定律当样本容量足够大时，样本均值趋近于总体均值。抽样分布统计量的概率分布，如t分布、F分布、卡方分布等。中心极限定理当样本容量足够大时，样本均值的分布近似于正态分布。抽样分布定理用样本统计量的某个值作为总体参数的估计值。点估计根据样本统计量的分布和抽样分布定理，构造总体参数的一个置信区间，并给出置信水平。区间估计无偏性、有效性、一致性、充分性等。估计量的评价标准参数估计方法BIGDATAEMPOWERSTOCREATEANEWERA05假设检验与方差分析原假设与备择假设原假设通常是研究者想要推翻的假设，备择假设则是研究者希望证实的假设。检验统计量与拒绝域检验统计量是根据样本数据计算出的用于判断原假设是否成立的统计量，拒绝域则是根据显著性水平和检验统计量的分布确定的用于拒绝原假设的区域。显著性水平与两类错误显著性水平是事先设定的用于判断原假设是否成立的标准，两类错误分别是指原假设为真时错误地拒绝原假设和原假设为假时错误地接受原假设。010203假设检验基本原理单样本t检验用于检验单个正态总体均值是否与给定的值有显著差异。要点一要点二卡方检验用于检验单个正态总体方差是否与给定的值有显著差异。单个正态总体均值和方差检验两独立样本t检验两个正态总体均值和方差比较用于比较两个独立正态总体均值是否有显著差异。配对样本t检验用于比较两个相关正态总体均值是否有显著差异。用于比较两个正态总体方差是否有显著差异。F检验通过比较不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果是否有显著影响。方差分析基本思想研究多个可控因素对结果的影响，并分析因素之间的交互作用。多因素方差分析研究单个可控因素对结果的影响。单因素方差分析广泛应用于医学、心理学、教育学、经济学等领域中涉及多个可控因素的研究。方差分析的应用场景01030204方差分析原理及应用BIGDATAEMPOWERSTOCREATEANEWERA06回归分析初步知识设定模型根据散点图的分析结果，设定一元线性回归模型，即$y=beta_0+beta_1x+epsilon$。参数解释$beta_0$和$beta_1$是模型的参数，分别表示截距和斜率；$epsilon$是随机误差项。散点图分析通过观察散点图，判断两个变量之间是否存在线性关系。一元线性回归模型建立最小二乘法原理通过最小化残差平方和来估计模型的参数，即使$sum_{i=1}^{n}(y_i-hat{y}_i)^2$最小。参数估计公式利用最小二乘法原理，可以得到参数$beta_0$和$beta_1$的估计公式为$hat{beta}_1=frac{sum_{i=1}^{n}(x_i-bar{x})(y_i-bar{y})}{sum_{i=1}^{n}(x_i-bar{x})^2}$，$hat{beta}_0=bar{y}-hat{beta}_1bar{x}$。估计量的性质最小二乘法得到的参数估计量具有无偏性、一致性和有效性等优良性质。最小二乘法估计参数总平方和分解将总平方和分解为回归平方和与残差平方和两部分，即$SST=SSR+SSE$。F检验通过构造F统计量$F=frac{SSR/1}{SSE/(n-2)}$，在给定显著性水平下，与F分布临界值比较，判断回归方程是否显著。t检验通过构造t统计量$t=frac{hat{beta}_1-0}{s_{hat