概率论和数理统计的总结(一)

迄今为止,看得最为亲切的一本概率论与数理统计方面的书莫过于陈希孺先生的这本,陈先生用一种娓娓道来的语气把很多原本复杂的内容讲得那么清晰,而且并不是就着这一点知识而讲,能结合前后知识体系一起介绍。

这本书名为《概率论与数理统计》,主要也是讲两大知识体系,前半部分(前三章)讲概率论,后半部分(后三章)讲数理统计。

就知识点来看,第一章讲事件的概率,包括什么是概率(概率是什么),古典概率计算以及事件的计算、条件概率和概率的独立性。在这一章里,事件是整个概率的基础,如何定义概率也是整个概率论知识体系演进的重点内容,包括古典概率(几何概率)、概率的统计定义以及概率的公理化定义。古典概率的基础是等可能性,几何概型在古典概率的基础上扩展到无限情况;统计定义考虑了非等可能性的情况;概率的公理化定义建立在集合论基础之上,用集合论来描述概率也使得概率真正进入了严格的数学范畴。

1.2节介绍古典概率的计算,古典概率计算是常见的计算方法,其基础是排列组合,也很考验一个人考虑问题的周全性和排列组合计算的功底,重要的是考虑总体的计算和事件的计算。

1.3节介绍事件的运算、条件概率与独立性。将复杂事件分解为简单事件(或原子事件),或者说根据事件运算的方法,根据原子事件计算出复杂事件的概率。任何运算都是由三个部分组成,运算对象、运算符和运算结果。那么事件的运算对象是事件,运算符比较多,包括事件的关系

  1.3.1(蕴含、包含及相等),蕴含表示 A发生=>B发生,也就是B包含A,如果A\subseteq B 且 B\subseteq A,则说明A=B

  1.3.2 事件的互斥和对立;互斥为不两立事件,互斥事件的一个重要情况为对立事件B={A不发生},称B为A的对立事件

  1.3.3 事件的和:事件的并,两个事件任意发生一个,

  1.3.4 概率的加法定理:若干个互斥事件之和的概率,等于各事件的概率之和。

  1.3.5 事件的积、事件的差:事件的积就是事件的交,事件的差

  1.3.6 条件概率:已知某事件A发生,那么B发生的概率是多少?P(B|A)=P(BA)/P(A) 又有 P(A/B)=P(AB)/P(B),则推出P(B|A)P(A)=P(A|B)P(B),这就是贝叶斯公式的基础之一

  1.3.7 事件的独立性,概率乘法定理:以前很多人将事件的独立性和事件的互斥性弄混淆,事件的互斥表示两个事件是你死我活的关系,A发生,B不能发生;独立呢,是A和B不影响的关系,也就是P(A|B)=P(A),不管B发生不发生,A发生的概率都是一样的;可以推出另外一个公式:P(AB)=P(A)P(B)。推广到多个事件情况:P(A1,A2,...An)=P(A1)P(A2)...P(An)。独立的概念很重要。

  1.3.8 全概率公式和贝叶斯公式:全概率公式是考虑完备子事件群的概率,P(A)=P(AB1)+P(AB2)+...+P(ABn);贝叶斯公式虽然只是全概率公式和条件概率定义的推导,但在现实中有着很重要的意义,全概率公式是由原因推结果,而贝叶斯公式是由结果推原因;比如在机器学习领域的朴素贝叶斯分类,垃圾邮件分类的例子,计算出现关键词是垃圾邮件的概率和出现关键词不是垃圾邮件的概率进行比较,从而对邮件进行分类。这就是贝叶斯公式的一种应用,当然,贝叶斯统计远比刚才所举例子要复杂得多,已经成为一个学派,即考虑先验概率的学派,在总体信息、样本信息之外,还要考虑先验信息。虽然简单,但是很重要。

时间: 2024-10-22 04:34:08

概率论和数理统计的总结(一)的相关文章

【概率论与数理统计】小结2 - 随机变量概述

注:对随机变量及其取值规律的研究是概率论的核心内容.在上一个小结中,总结了随机变量的概念以及随机变量与事件的联系.这个小结会更加深入的讨论随机变量. 随机变量与事件 随机变量的本质是一种函数(映射关系),在古典概率模型中,“事件和事件的概率”是核心概念:但是在现代概率论中,“随机变量及其取值规律”是核心概念. 随机变量与事件的联系与区别 小结1中对这两个概念的联系进行了非常详细的描述.随机变量实际上只是事件的另一种表达方式,这种表达方式更加形式化和符号化,也更加便于理解以及进行逻辑运算.不同的事

【概率论与数理统计】小结1 - 基本概念

注:其实从中学就开始学习统计学了,最早的写"正"字唱票(相当于寻找众数),就是一种统计分析的过程.还有画直方图,求平均值,找中位数等.自己在学校里并没有完整系统的学习过概率论和数理统计,直到在工作中用到,才从最初的印象中,逐渐把这门学科与整个数学区分开来.自从认识到这门学科在自己从事的工作(数据分析)中所处的重要地位,真没少花时间在这方面的学习上.从最初的p值的含义,到各种分布,假设检验,方差分析...有的概念看过很多遍,但还是没有理解透彻:有的看过,长时间不用,又忘记了.总之,这一路

【概率论与数理统计】小结3 - 一维离散型随机变量及其Python实现

注:上一小节对随机变量做了一个概述,这一节主要记录一维离散型随机变量以及关于它们的一些性质.对于概率论与数理统计方面的计算及可视化,主要的Python包有scipy, numpy和matplotlib等. 以下所有Python代码示例,均默认已经导入上面的这几个包,导入代码如下: import numpy as np from scipy import stats import matplotlib.pyplot as plt 0.  Python中调用一个分布函数的步骤 scipy是Pytho

概率论与数理统计图解.tex

\documentclass[UTF8,a1paper,landscape]{ctexart} \usepackage{tikz} \usepackage{amsmath} \usepackage{amssymb} \usepackage{geometry} \geometry{top=5cm,bottom=5cm,left=5cm,right=5cm} \usepackage{fancyhdr} \pagestyle{fancy} \begin{document} \title{\Huge 概

概率论与数理统计学习笔记

第一章 随机事件与概率 第二章 随机变量及其分布 第三章 多维随机变量及其分布 第四章 大数定律与中心极限定理 第五章 统计量及其分布 第六章 参数估计 第七章 假设检验 第八章 方差分析与回归分析 第一章 随机事件与概率 1.1随机事件及其运算 概率论与数理统计研究的对象是随机现象. 概率论是研究随机现象的模型(即概率分布),数理统计是研究随机现象的数据收集与处理. 随机现象: 在一定的条件下,并不总是出现相同结果的现象称为随机现象 样本空间:随机现象的一切可能基本结果组成的集合称为样本空间

概率论与数理统计图解

\documentclass[UTF8,a1paper,landscape]{ctexart}%UTF8,ctexart中文支持,landscape横向版面 \usepackage[svgnames]{xcolor} \usepackage{tikz}%画图 \usetikzlibrary{arrows,shapes,positioning} \tikzstyle arrowstyle=[scale=1] \usepackage{geometry}%页边距设置 \geometry{top=0.5

概率论与数理统计复习

概率论与数理统计复习            第一章  概率论的基本概念 一.基本概念 随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E的所有可能结果组成的集合.  样本点(基本事件):E的每个结果. 随机事件(事件):样本空间S的子集. 必然事件(S):每次试验中一定发生的事件. 不可能事件(F):每次试验中一定不会发生的事件. 二. 事件间的关系和运算 1.AB

【总目录】——概率论与数理统计及Python实现

注:这是一个横跨数年的任务,标题也可以叫做“从To Do List上划掉学习统计学”.在几年前为p值而苦恼的时候,还不知道Python是什么:后来接触过Python,就喜欢上了这门语言.统计作为数据科学的基础,想要从事这方面的工作,这始终是一个绕不过去的槛. 其实从中学就开始学习统计学了,最早的写"正"字唱票(相当于寻找众数),就是一种统计分析的过程.还有画直方图,求平均值,找中位数等.自己在学校里并没有完整系统的学习过概率论和数理统计,直到在工作中用到,才从最初的印象中,逐渐把这门学

【概率论与数理统计】小结9 - 参数估计概述

注:在统计学的应用中,参数估计和假设检验是最重要的两个方面.参数估计是利用样本的信息,对总体的未知参数做估计.是典型的“以偏概全”. 0. 参数及参数的估计 参数是总体分布中的参数,反映的是总体某方面特征的量.例如:合格率,均值,方差,中位数等.参数估计问题是利用从总体抽样得到的信息来估计总体的某些参数或者参数的某些函数. 问题的一般提法 设有一个统计总体,总体的分布函数为$F(x, \theta)$,其中$\theta$为未知参数.现从该总体取样本$X_1, X_2, ..., X_n$,要依