《概率论第6讲》课件.pptxVIP

《概率论第6讲》ppt课件

概率论简介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

大数定律与中心极限定理概率论中的几个重要问题

01概率论简介

概率描述随机事件发生的可能性大小的数值，通常以0到1之间的实数表示。随机事件在一定条件下可能发生也可能不发生的事件。样本空间所有可能结果的集合。事件概率描述随机事件发生的可能性的数值，通常以0到1之间的实数表示。概率论的基本概念

概率论起源于赌博游戏和保险行业，最早的概率论著作是意大利数学家帕斯卡在1654年发表的《概率论》。概率论的起源古典概率研究的是等可能概型，即样本空间中每个样本点发生的可能性相同。古典概率条件概率和独立性是概率论中的重要概念，描述了事件之间的相互关系。条件概率和独立性贝叶斯定理是概率论中的重要定理，用于计算在已知其他相关事件发生的情况下某一事件发生的概率。贝叶斯定理概率论的发展历程

概率论是统计学的基础，用于描述和分析数据的分布和不确定性。统计学概率论在决策理论中用于评估风险和不确定性，帮助决策者做出最优选择。决策理论概率论在人工智能和机器学习中用于建模不确定性、推理和优化算法。人工智能和机器学习概率论在金融和保险行业中用于风险评估、资产定价和风险管理。金融和保险概率论的应用领域

02条件概率与独立性

条件概率的定义与性质定义在某事件B已经发生的条件下，另一事件A发生的概率，记作P(A|B)。性质条件概率满足概率的基本性质，即非负性、规范性、有限可加性和全概率为1。

如果事件B在事件A发生的条件下与事件A同时发生，则有P(AB)=P(A|B)P(B)。如果两个事件A和B是互斥的，则有P(A∪B)=P(A)+P(B)-P(A|B)P(B)。条件概率的运算规则加法公式乘法公式

如果两个事件A和B同时发生的概率等于它们各自发生的概率之积，即P(AB)=P(A)P(B)，则称事件A和B是独立的。定义独立的事件互不影响，即一个事件的发生不影响另一个事件的发生。性质事件的独立性

定义贝叶斯公式是条件概率的一种表达方式，用于计算在已知某些其他信息的情况下某一事件发生的概率。公式P(A|B)=P(B|A)P(A)/P(B)。应用贝叶斯公式广泛应用于自然语言处理、机器学习等领域，用于更新已知先验概率的条件下的事件概率。贝叶斯公式

03随机变量及其分布

随机变量在概率论中，随机变量是一个定义在样本空间上的函数，其取值随试验结果的变化而变化。随机变量的性质随机变量具有可重复性、可观测性和随机性等性质，这些性质使得我们可以对随机试验的结果进行数学描述和计算。随机变量的定义与性质

VS离散型随机变量是在一定范围内可以取到有限个或可数个值的随机变量。离散型随机变量的分布离散型随机变量的分布可以用概率质量函数（PMF）或概率分布函数（PDF）来表示，其中概率质量函数描述了每个可能取值的概率，而概率分布函数则描述了随机变量取值小于或等于某个值的概率。离散型随机变量离散型随机变量的分布

连续型随机变量的分布连续型随机变量是在一定范围内可以取到任何实数值的随机变量。连续型随机变量连续型随机变量的分布可以用概率密度函数（PDF）来表示，其中概率密度函数描述了随机变量取某个值的概率，并且满足在整个定义域上积分为1。连续型随机变量的分布

期望是随机变量取值的平均值，表示随机变量取值的“中心趋势”。对于离散型随机变量，期望是所有可能取值的概率加权和；对于连续型随机变量，期望是概率密度函数与某个值域的积分。方差是衡量随机变量取值分散程度的量，表示随机变量取值偏离期望的程度。方差的计算公式为E[(X-E(X))^2]，其中E(X)表示随机变量的期望值。期望方差随机变量的期望与方差

04多维随机变量及其分布

多维随机变量是概率空间中的可测函数，其定义域为多个样本空间的笛卡尔积，值域为实数域或更一般的可测空间。定义多维随机变量具有可加性、独立性、有限可加性等性质，这些性质在多维概率分布中具有重要意义。性质多维随机变量的定义与性质

定义多维随机变量的联合概率分布描述了多个随机变量同时取值的概率规律，可以通过联合概率密度函数或联合概率质量函数来表示。描述方式联合概率分布可以描述多维随机变量的相关性、独立性和条件分布等特性，是概率论中一个重要的概念。多维随机变量的联合概率分布

边缘概率分布在多维随机变量中，某些变量的边缘概率分布是指这些变量独立于其他变量的概率分布，可以通过对联合概率分布进行积分得到。要点一要点二条件概率分布在多维随机变量中，某个变量在另一个变量取值的条件下所遵循的概率分布称为条件概率分布，它描述了两个随机变量之间的条件依赖关系。边缘概率分布与条件概率分布

定义多维随机变量的期望是一个向量，其每个分量是相应随机变量的期望值；多维随机变量的方差是一个矩阵，其每个元素是相应随机变量的方差。性质多维