概率论与数理统计 第二讲 随机数产生数据统计描述48页PPT

简化数据结构，解释变量间的关系。
操作步骤
计算相关系数矩阵、求特征值和特征 向量、确定主成分个数。
实例
分析消费者对不同品牌手机的偏好。
聚类分析
聚类分析
常见方法
目的
实例
将类似的对象归为同一 组，即“簇”，不同簇
的对象尽可能不同。
层次聚类、K均值聚类、 DBSCAN等。
揭示数据的内在结构， 用于分类、猜测和决策
用数学符号表示一个随机实验的结果 。
随机变量可以取到任何实数值，且取 每个结果的概率为一个确定的函数。
离散型随机变量
随机变量可以取到所有可能的结果， 且取每个结果的概率为一个确定的数 。
随机变量的函数变换
线性变换
对于随机变量X和常数a、b，有 aX+b的散布与X的散布不同。
非线性变换
对于随机变量X和函数g(x)，g(X)的散 布与X的散布不同。
置信区间
根据样本数据对总体参数进行估计的一个范围，表示我们对 估计的可靠程度。
假设检验与置信水平
假设检验
通过样本数据对总体参数或散布进行 假设，然后根据检验结果判断假设是 否成立。
置信水平
假设检验中，我们相信结论正确的概 率，通常表示为百分比。
05 数理统计的应用
方差分析
方差分析（ANOVA）
随机进程在通讯、气象、物理等领域有广泛应用。
马尔科夫链蒙特卡洛方法
01
马尔科夫链蒙特卡洛方法是一种 基于蒙特卡洛模拟的统计推断方 法，通过构造一个马尔科夫链来 到达近似求解复杂问题的目的。
02
马尔科夫链蒙特卡洛方法在许多 领域都有应用，如物理学、化学 、经济学等。
04 数理统计基础
样本与样本空间

04
理解基本概念和原理
做大量练习题，培养解题能力
05
06
阅读相关书籍和论文，拓宽知识面
02
概率论基础
概率的基本概念
试验
一个具有有限个或无限个 可能结果的随机试验。
事件
试验中的某些结果的总称 。
概率
衡量事件发生可能性的数 值，通常表示为0到1之间 的实数。
必然事件
概率等于1的事件。
不可能事件
概率等于0的事件。
01 点估计
用样本统计量估计总体参数，如用样本均值估计 总体均值。
02 区间估计
给出总体参数的估计区间，如95%置信区间。
03 估计量的性质
无偏性、有效性和一致性。
假设检验
假设检验的基本思想
先假设总体参数具有某种 特性，然后通过样本信息 来判断这个假设是否合理 。
双侧检验
当需要判断两个假设是否 相等时，如总体均值是否 等于某个值。
连续型随机变量
取值无限的随机变 量。
方差
衡量随机变量取值 分散程度的数值。
03
数理统计基础
总体与样本
总体
研究对象的全体。
抽样方法
简单随机抽样、分层抽样、系统抽样等。
样本
从总体中随机抽取的一部分个体，用于估 计和推断总体的特性。
样本大小
样本中包含的个体数量，需要根据研究目 的和资源来确定。
参数估计
单因素方差分析
单因素方差分析的定义
单因素方差分析是方差分析的一种形式，它只涉及一个实验因素。通过对不同组的均值进行比 较，可以确定这个因素对实验结果的影响是否显著。
单因素方差分析的步骤
单因素方差分析通常包括以下步骤：首先，对实验数据进行分组；其次，计算每组的均值；接 着，计算总的均值和总的变异性；然后，计算组间变异性和组内变异性；最后，通过比较这两 种变异，得出因素的显著性。

y3=[6.7516 6.4292 4.4342 7.5014 7.3619； 7.5309 3.0576 7.6128 4.4616 2.3473]
2、正态分布随机数
1)R = normrnd(μ, σ,)：产生一个正态分布随机数 2)R = normrnd(μ, σ,m,n)产生m行n列的正态分布随机数
②
X x x1 i
若 F (xi 1)R F (xi)(,i2,3, 若 R F (x1)
则X~F(x)
（二）变换抽样法 （三）值序抽样法 （四）舍选抽样法 （五）复合抽样法（合成法） （六）近似抽样法
此定理给出的构造分布函数为F(x)的随机 数的产生方法为：
取U(0,1)随机数Ui,(i=1,2…),令Xi=F-1(Ui),则 Xi ,(i=1,2…),就是F(x)随机数，如果Ui独立，则 Xi也互相独立。
（一）直接抽样法（反函数法）
（1）连续分布的直接抽样法
设连续型随机变量X的分布函数为F(x)，
例1、产生U(2,8)上的一个随机数，10个随机数， 2行5列的随机数。
命令：(1) y1=unifrnd(2,8) (2) y2=unifrnd(2,8,1,10) (3) y3=unifrnd(2,8,2,5)
y1=7.7008
y2=3.3868 5.6411 4.9159 7.3478 6.5726 4.7388 2.1110 6.9284 4.6682 5.6926
命令 (1) y1=exprnd(0.1) (2) y2=exprnd(0.1,1,20) (3) y3=exprnd(0.1,2,6)
结果
(1) y1=0.0051
(2) y2=[0.1465 0.0499 0.0722 0.0115 0.0272

化学
在化学领域，概率论与数理统计被用于研究化学反应的速率和化 学物质的分布，如化学反应动力学、量子化学计算等。
生物
在生物学中，概率论与数理统计用于研究生物现象的变异和分布， 如遗传学、生态学、流行病学等。
在工程中的应用
通信工程
01
概率论与数理统计在通信工程中用于信道容量、误码率、调制
解调等方面的研究。
边缘分布
对于n维随机变量(X_1,...,X_n)，在概 率论中，分别定义了X_1的边缘分布 、...、X_n的边缘分布。
04
数理统计基础
样本与抽样分布
01
02
03
总体与样本
总体是包含所有可能数据 的数据集合，样本是总体 的一个随机子集。
抽样方法
包括简单随机抽样、分层 抽样、系统抽样等。
样本分布
描述样本数据的分布情况 ，如均值、中位数、标准 差等。
参数估计与置信区间
参数估计
利用样本数据估计总体的 未知参数，如均值、方差 等。
点估计
用样本统计量作为总体参 数的估计值。
置信区间
给出总体参数的一个估计 区间，表示对总体的参数 有一个可信的估计范围。
假设检验与方差分析
假设检验
通过样本数据对总体参数提出 假设，然后根据假设进行检验
01
定义
设E是一个随机试验，X，Y是定义在E上，取值分别为实数的随机变量
。称有序实数对(X，Y)为一个二维随机变量。
02
分布函数
设(X，Y)是一个二维随机变量，对于任意实数x,y，二元函数
F(x,y)=P({X<=x,Y<=y})称为二维随机变量(X,Y)的分布函数。
03
边缘分布
对于二维随机变量(X,Y)，在概率论中，分别定义了X的边缘分布和Y的

1 3x
0
1
2
3X
处的离跳散跃型高随度机恰变为量P{的X=分x布i}.函数为跳跃函数，在xi
§4. 连续型随机变量的概率密度
1. 定义：对于随机变量X的分布函F(x)， 如果存在非负函数f(x),使对于任意实数x有：
F(x)xf(t)dt
则称X为连续型随机变量；称f(x)为X的概率 密度函数。简称密度函数。
精选课件
21
例4. 3个人抓阄数。
解：X的概率分布: P{X=1}=1/3
P{X=2}=2/3×1/2=1/3
P{X=3}=2/3×1/2×1/1=1/3
X的分布函数:
Y
0 x <1
1
1/3 1 x <2
2/ 3
F(x)=
2/3 2 x <3 1/ 3
则：P{X=k} Cnk pnkqnnk 其中：qn=1－pn
(令＝μV; pn=μ△V＝μV/n= /n)：
考虑当 n ＋时
P{X=k} =nl imCnkpnkqnnk
limn! ()k(1)nk
nl n i m k1 k !!n(nn (n n k1)) !n (n n kn 1)k((11 n))kn
k
k!
k=0、1、2、3、……
n
Poissn定理：n为正整数，pn=/n， >0。 则对任一非负整数k有：
nl im Cnkpnkqnnk
k
k!
其中：＝ npn.
例3. 某人打靶命中率为0.001, 重复射击 5000次，求至少命中2次的概率。
解：设X为至命中次数。
P(X2) =1－P(X<2) =1－P(X=0)－P(X=1)

由概率的可列可加性得X的分布函数为
F(x) pk xk x
分布函数F(x)在x xk , 其跳跃值为pk P{X
对k 所1,有2,满足处x有k 跳 x跃的，k求和。
xk }
第26页/共57页
第四节 连续型随机变量及其概率密度
定义 对于随机变量X的分布函数F(x),如果存在非 负函数f (x)，使对于任意实数有
售量服从参数为 10的泊松分布．为了以95%以上的
概率保证该商品不脱销，问商店在月底至少应进该商 品多少件？ 解 设商店每月销售该种商品X件，月底的进货量为n件，
按题意要求为 PX n 0.95
由X服附从录的泊1松0的分泊布松表分知布k，140 1则k0！k有e1k0n01k00！k.9e1160 6
可以用泊松分布作近似，即
n
k
pk
1
p
nk
np k
k!
enp , k
0,1, 2,
.
例 4 为保证设备正常工作，需要配备一些维修工.如果各台设备
发生故障是相互独立的，且每台设备发生故障的概率都是 0.01.
试求在以下情况下，求设备发生故障而不能及时修理的概率.
(1) 一名维修工负责 20 台设备.
于是PX I P(B) Pw X (w) I.
随机变量的取值随试验的结果而定，而试验的各个 结果出现有一定的概率，因而随机变量的取值有一 定的概率.
按照随机变量可能取值的情况，可以把它们分为两 类：离散型随机变量和非离散型随机变量，而非离 散型随机变量中最重要的是连续型随机变量.因此， 本章主要研究离散型及连续型随机变量.
x
x
4. F(x 0) F(x) 即F(x)是右连续的
第23页/共57页

例1. 两架飞机依次轮番对同一目标投弹, 每次投下一颗炸弹, 每架飞机各带3颗炸弹, 第1架扔一颗炸弹击中目标的概率为0.3, 第2架的概率为0.4, 求炸弹未完全耗尽而击中目标的概率。
1. 计算相互独立的积事件的概率： 若已知n个事件A1, A2, …, An相互独立，则 P(A1A2…An)=P(A1)P(A2)…P(An)
系统一:先串联后并联
A1
B1
A2
B2
A3
B3
A4
B4
*
例3. 100件乐器,验收方案是从中任 取3件测试(相互独立的), 3件测试后都认为音色纯则接收这批 乐器,测试情况如下: 经测试认为音色纯 认为音色不纯 乐器音色纯 0.99 0.01 乐器音色不纯 0.05 0.95
*
1. 公式法：
当A＝S时, P(B｜S)=P(B), 条件概率化为无条件概率, 因此无条件概率可看成条件概率.
注
计算条件概率有两种方法:
*
2.缩减样本空间法：
在A发生的前提下, 确定B的缩减样本空间, 并在其中计算B发生的概率, 从而得到P(B|A). 例2. 在1, 2, 3, 4, 5这5个数码中, 每次取一个数码, 取后不放回, 连取两次, 求在第1次取到偶数的条件下, 第2次取到奇数的概率.
*
随机试验: (1) 可在相同的条件下重复试验; (2) 每次试验的结果不止一个,且能事先明确所有可能的结果; (3) 一次试验前不能确定会出现哪个结果.
*
2. 样本空间与随机事件
样本空间的分类:
离散样本空间:样本点为有限个或可列个. 例 E1,E2等. 无穷样本空间:样本点在区间或区域内取值. 例 灯泡的寿命{t|t≥0}.
空集φ不包含任何样本点, 它在每次试验中都不发生，称为不可能事件。

条件概率与独立性
CHAPTER
随机变量及其分布
02
随机变量的概念与性质
定义随机变量为在样本空间中的实值函数，其取值依赖于随机试验的结果。
随机变量
讨论随机变量的可数性、可加性、正态性等性质。
随机变量的性质
离散型随机变量的概念
定义离散型随机变量为只能取可数个值的随机变量。
离散型随机变量的分布
讨论离散型随机变量的概率分布，如二项分布、泊松分布等。
应用
中心极限定理及其应用
CHAPTER
贝叶斯推断与决策分析
07
贝叶斯推断的基本原理
金融风险管理
贝叶斯推断在金融风险管理领域有着广泛的应用，如信用风险评估、投资组合优化等。
医疗诊断
贝叶斯推断在医疗诊断方面也有着重要的应用，如疾病诊断、预后评估等。
机器学习与人工智能
贝叶斯推断在机器学习算法和人工智能领域中也有着广泛的应用，如朴素贝叶斯分类器、高斯混合模型等。
参数估计与置信区间
01
点估计
用单一的数值估计参数的值。
02
区间估计
给出参数的一个估计区间，通常包括一个置信水平。
比较两个或多个组的均值差异，确定因素对结果的影响。
方差分析
检验两个或多个组的方差是否相等。
方差齐性检验
研究变量之间的关系，并预测结果。
回归分析
假设检验与方差分析
CHAPTER
回归分析与线性模型
应用
在现实生活中，大数定律被广泛应用于保险、赌博、金融等领域，通过统计数据来预测未来的趋势和风险。
大数定律及其应用
在独立随机变量序列中，它们的和的分布近似于正态分布，即中心极限定理。这意味着，当样本量足够大时，样本均值近似于正态分布。

21
离散型随机变量的定义 定义 2.1
如果随机变量 X 只取有限个值
x1 , x2 , , xn
或可列个值
x1 , x2 ,
则称 X 是离散型随机变量,简称为离散随机 变量
22
离散型随机变量的概率分布 定义 2.2
设X 是离散型随机变量，称
为X 的概率分布; 称 pk 是概率分布列,
34 16 16
7 16
P0.5 X 3 PX 1 PX 2
31 16 16
4

16
29
例4 设随机变量 X 的分布列为
PX

n

c

1 4
n

试求常数c
n 1， 2， L
解: 由分布列的性质，得
该级数为等比级数，故有
1
32
例5 (续) 以 p = 1/2 代入，得
X0
1
2
3
4
pk 0.5 0.25 0.125 0.0625 0.0625
33
二. 几种常用的离散型随机变量
1.两点分布 (Bernoulli分布) 如果X 只取 0或 1，概率分布是
或
则称随机变量 X 服从参数为 p的两点分布
记作
34
两点分布的概率背景 任何一次试验，当只考虑两个互逆的结果
即
对于实数的集合A,我们用 X A
表示事件
X A
即
12
说明 4、 在许多实际问题中, 一个随机变量X 的 含义是十分清楚的, 所以一般不再关心随机变 量X 在样本空间上是如何定义的. 可以认为X 的所有取值就是我们的样本空间. 只是在必要

例2 某类灯泡使用时数在1000小时以上 的概率是0.2，求三个灯泡在使用1000 小时以后最多只有一个坏了的概率.
解: 设X为三个灯泡在使用1000小时已坏的灯泡数 .
X ~ B (3, 0.8)，
P( X k)C (0.8) (0.2) , k 0,1,2,3
k 3 k
3k
P{X 1} =P{X=0}+P{X=1} =(0.2)3+3(0.8)(0.2)2
X
p
1
0
1
2
3 0.1
a b 0.2 0.3
求a,b满足什么条件。
a b 0.4, a 0, b 0
一旦知道一个离散型随机变量X的分布律后，我们便可求得X
所生成的任何事件的概率。特别地，对任意 a ，有 b
P a X b P X x P X x i i a x b a x b 1 1 pk
解
用泊松定理 取 =np＝(400)(0.02)＝8, 故 近似地有 P{X2}＝1－ P{X＝0}－P {X＝1}
＝1－(1＋8)e－8＝0.996981.
泊松分布(Poisson distribution)
定义2 设随机变量X的可能取值为0,1,2,…,n,…，而X 的分布律为
pk P X k
路口1
路口2
路口3
X表示该汽车首次遇到红灯前已通过的路口的个数
路口1
路口2
路口3
1 1 1 P(X=3)= P( A1 A2 A3 ) =1/8 2 2 2
即
X
p
0
1
2
3
1 2
1 4