成考（专升本）高数（二）概率论基础

成考（专升本）高数（二）概率论基础目录CONTENT01概率论基本概念02离散型随机变量03连续型随机变量04大数定律与中心极限定理05随机变量的数字特征06假设检验与置信区间01概率论基本概念概率论的发展简史起源于17世纪，由赌博问题引发经历了从组合数学到现代概率论的转变发展出了多个分支，如随机过程、统计决策等概率论的应用领域在自然科学、社会科学、工程技术等领域广泛应用是统计学、金融数学、保险数学等学科的基础在机器学习、人工智能等领域也具有重要地位概率论的基本术语随机试验、样本空间、事件等基本概念概率、条件概率、独立性等基本性质贝叶斯定理、大数定理、中心极限定理等基本定理概率论的基本公理非负性公理：概率值非负归一性公理：所有可能事件的概率和为1可加性公理：互斥事件的概率等于各自概率之和概率论的定义与意义结果不可预测结果有规律性结果可重复试验随机现象的特点样本空间：所有可能结果的集合样本点：样本空间中的单个元素两者关系：样本点构成了样本空间样本空间与样本点包含关系：一个事件是另一个事件的子集并运算：至少有一个事件发生交运算：所有事件同时发生事件的关系与运算必然事件：概率为1的事件不可能事件：概率为0的事件随机事件：概率在0和1之间的事件事件的分类随机现象与样本空间全概率公式与贝叶斯公式全概率公式：分割样本空间计算事件概率贝叶斯公式：根据先验概率和似然度计算后验概率应用于参数估计和决策理论概率的加法公式互斥事件的概率计算任意两个事件的概率和考虑到事件的互斥和独立概率的乘法公式条件概率和联合概率的计算独立事件的概率乘积利用乘法公式解决复杂事件的概率古典概型的计算等可能事件的概率计算样本空间和事件数均为有限概率等于事件数除以样本空间数概率的计算02离散型随机变量分布函数是累积概率，即随机变量取值小于或等于某值的概率分布函数单调不减分布函数左连续离散型随机变量的分布函数期望是取值的加权平均，权重为对应的概率方差是取值与期望差值的平方的加权平均方差反映了随机变量的离散程度离散型随机变量的期望与方差离散型随机变量是指其取值为有限个或可列无限个的随机变量这些取值具有明确的概率离散型随机变量通常通过概率质量函数（PMF）来描述离散型随机变量的概念取值可列举概率和为1具有独立的增量离散型随机变量的性质离散型随机变量的定义只有两个可能取值，通常表示为0和1适用于伯努利试验概率质量函数为

p^x

*

(1-

p)^(1-

x)用于描述在固定时间或空间内发生某一事件的次数参数为事件平均发生率λ当n很大，p很小时，二项分布近似为泊松分布几何分布关注的是首次成功所需的试验次数负二项分布关注的是第r次成功所需的试验次数都与伯努利试验有关多次伯努利试验的累积结果成功次数的分布参数为试验次数n和每次试验成功的概率p伯努利分布泊松分布二项分布几何分布与负二项分布常见的离散型分布两个离散型随机变量的联合分布联合分布描述两个随机变量同时取值的概率分布可以用表格或公式表示反映了两个随机变量之间的相依关系离散型随机变量的独立性若两个随机变量的联合分布等于各自边缘分布的乘积，则它们独立独立性不随时间变化独立性可以在实际应用中简化问题多维离散型随机变量的分布描述两个以上随机变量的联合分布可以推广到任意维随机变量的情况多维分布可以反映多个随机变量之间的复杂关系离散型随机变量的条件分布给定一个随机变量的条件下，另一个随机变量的分布条件分布可以用来更新我们对某个随机变量的认识在实际应用中常用于贝叶斯推断离散型随机变量的联合分布03连续型随机变量连续型随机变量是其取值在某个区间内可以无限细分的随机变量其可能取的值不能一一列举，而是充满某个区间连续型随机变量通常由概率密度函数来描述连续型随机变量的概率密度函数在整个定义域上的积分等于1概率密度函数非负连续型随机变量在某一点的概率为0分布函数描述了随机变量取值小于或等于某个值的概率分布函数是单调不减的分布函数的极限为1，当自变量趋向于正无穷期望是随机变量取值的加权平均，权重为概率密度函数方差是衡量随机变量取值分散程度的指标期望和方差是描述随机变量分布特征的重要参数连续型随机变量的概念连续型随机变量的性质连续型随机变量的分布函数连续型随机变量的期望与方差连续型随机变量的定义正态分布也称高斯分布，是最常见的连续型分布概率密度函数呈钟形曲线适用于许多自然和社会现象均匀分布在某个区间内，所有值出现的概率相同概率密度函数在该区间内为常数，区间外为0适用于所有值等可能出现的情况指数分布描述独立随机事件发生的时间间隔概率密度函数呈指数衰减形式常用于可靠性分析和排队论对数正态分布与伽玛分布对数正态分布是正态分布的变量取对数后的分布伽玛分布是指数分布的推广，用于描述等待时间这两种分布在实际应用中也非常广泛常见的连续型分布01020304两个连续型随机变量的联合分布描述两个连续型随机变量同时取值的概率分布联合概率密度函数是两个变量共同取值的概率密度两个变量的联合分布可以推导出各自的边缘分布连续型随机变量的独立性两个连续型随机变量如果相互独立，则它们的联合分布等于各自分布的乘积独立性在概率论和统计学中非常重要独立性可以通过联合分布和边缘分布来验证多维连续型随机变量的分布描述多个连续型随机变量的联合分布多维随机变量的分析通常更复杂在实际应用中，如多元统计分析中经常遇到连续型随机变量的条件分布给定一个随机变量的条件下，另一个随机变量的分布条件概率密度函数描述了在给定一个变量条件下，另一个变量取值的概率密度条件分布在贝叶斯统计中尤为重要连续型随机变量的联合分布04大数定律与中心极限定理大数定律可以推广到非独立同分布的随机变量序列对随机变量有附加条件时的强定律和弱定律大数定律在随机过程和马尔可夫链中的扩展大数定律的推广04大数定律在统计学中用于估计参数的置信区间在保险数学中，用于计算风险和损失的概率在经济和金融领域，用于预测市场行为和价格趋势大数定律的应用03证明大数定律通常使用切比雪夫不等式或马尔可夫不等式通过数学归纳法或单调收敛定理来证明随机变量序列平均值的稳定性不同的随机变量序列（如伯努利序列）可能需要不同的证明方法大数定律的证明02大数定律描述的是在重复试验中，随机变量的平均值趋于稳定值的现象它表明随机事件的频率在大量重复试验中会趋近于其概率大数定律适用于独立同分布的随机变量序列大数定律的概念01大数定律01中心极限定理指出，大量独立同分布随机变量的和的标准化分布趋近于正态分布它适用于随机变量和的极限分布，即使原始随机变量不服从正态分布中心极限定理在样本量足够大时提供了一种简化的概率计算方法中心极限定理的概念02中心极限定理的证明通常使用特征函数的方法利用特征函数的性质和逆特征函数定理来证明极限分布是正态分布对于特定的随机变量，可以使用林德贝格-

莱维定理进行证明中心极限定理的证明03在统计学中，用于估计样本均值的分布和置信区间在工程和物理科学中，用于分析和计算误差和不确定度在金融领域，用于计算投资组合的风险和收益分布中心极限定理的应用04中心极限定理可以推广到非同分布的随机变量序列对于非独立随机变量的中心极限定理的推广，如马尔可夫链在随机过程理论中的中心极限定理扩展，如连续时间随机过程中心极限定理的推广中心极限定理05随机变量的数字特征期望的定义期望是随机变量可能取值的加权平均，权重为各个取值发生的概率。对于离散型随机变量，期望是所有可能取值乘以其概率的总和。对于连续型随机变量，期望是所有可能取值的概率密度函数与取值的乘积的积分。期望的计算对于离散型随机变量，通过概率分布表计算每个取值乘以其概率，然后求和。对于连续型随机变量，通过概率密度函数计算每个取值乘以概率密度函数，然后积分。期望的计算可以简化为已知公式，如二项分布、泊松分布和均匀分布等。期望的性质期望是线性算子，即对常数和随机变量的线性组合的期望等于常数和随机变量的期望的线性组合。期望的值不大于随机变量的最大可能取值。期望的值不小于随机变量的最小可能取值。期望的推广期望可以推广到随机变量的函数，如E[g(X)]表示随机变量X的函数g(X)的期望。期望还可以推广到多个随机变量的组合，如E[X+Y]和E[XY]等。期望方差是随机变量的取值与其期望之间偏差平方的期望值。方差衡量了随机变量取值的波动程度或离散程度。方差是随机变量分布广度的度量。方差总是非负的，因为它是偏差平方的期望。方差的值为零当且仅当随机变量是常数。方差具有线性变换的性质，即如果对随机变量进行线性变换，其方差也会相应变化。方差的计算首先需要求出随机变量的期望，然后计算每个取值与期望差的平方，最后求这些平方的期望。对于连续型随机变量，方差的计算需要通过概率密度函数进行积分。方差的计算可以利用已知的分布公式，如正态分布、二项分布等。方差可以推广到随机变量的函数，如方差函数V[g(X)]。方差也可以推广到多个随机变量的组合，如协方差和多元方差等。方差的定义方差的性质方差的计算方差的推广方差04相关系数不受随机变量单位的影响，是一个无量纲的量。相关系数的平方称为判定系数，表示一个随机变量对另一个随机变量变化的解释程度。相关系数仅能描述线性关系，不能描述非线性关系。02协方差在数值上不是绝对的，因为它受到随机变量单位的影响。协方差具有对称性，即协方差(X,Y)等于协方差(Y,X)。协方差具有线性变换的性质。协方差的性质相关系数的性质03相关系数是两个随机变量协方差标准化后的值，其范围在-

1到1之间。相关系数衡量了两个随机变量之间的线性相关程度。相关系数为1或-

1表示完全正相关或负相关，为0表示无相关。01协方差是两个随机变量取值与其期望之间偏差乘积的期望值。协方差表示两个随机变量变化的同步性。协方差可以是正值、负值或零。协方差的定义相关系数的定义协方差与相关系数06假设检验与置信区间假设检验的原理基于样本数据对总体参数的假设进行判断使用统计量来衡量假设的合理性根据显著性水平决定是否拒绝原假设假设检验的类型单侧检验：只关心参数是否大于或小于某个值双侧检验：关心参数是否不等于某个值非参数检验：不依赖于总体分布类型的检验假设检验的步骤建立原假设和备择假设选择适当的检验统计量和显著性水平计算检验统计量并得到p值根据p值和显著性水平做出决策假设检验的错误类型第一类错误：错误地拒绝了一个真的原假设第二类错误：错误地接受了一个假的原假设误差率：分别是α和β，表示犯第一类和第二类错误的概率假设检验的基本概念单样本t检验用于比较一个样本均值与总体均值的差异假设总体标准差未知且样本容量较小需要满足正态分布的假设01双样本t检验用于比较两个独立样本均值之间的差异可以分为独立双样本和配对双样本两种情况需要考虑两个总体的方差是否相等02卡方检验用于分类变量频数的拟合优度检验或独立性检验基于频数数据，检验观察频数与期望频数之间的差异需要样本量足够大以保证卡方分布的近似03F检验用于比较两个或多个样本方差是否有显著差异常用于方差分析（ANOVA）中检验组间差异需要满足正态分布和方差齐