概率统计学习第一章节打卡~~

今日打卡第一天，虽然概率统计、应用统计都学过，但都掌握的不太好，并且时间已经过去很久，难免被清理出大脑内存。打卡学习~~
概率统计的第一章主要涉及介绍部分：

• 什么是随机事件
• 什么是概率
• 有关概率的相关公式是什么
• 随机变量的相关定义（随机变量、分布函数、分布律、概率密度函数等等）
• 随机变量的数值特征（均值、方差、协方差）

随机事件

• 随机试验：能够观察随机现象以及随机现象产生结果的实验；随机试验必须可重复，且有多种可能结果；结果不确定；
• 样本点：随机试验的每一个结果就是基本事件，也叫做样本点。样本点是组成随机事件的最小单位。
• 样本空间：一次随机试验的所有的可能结果。样本空间是样本点的集合
• 随机事件：样本点的集合，样本空间的子集。根据条件或者目的（比如掷色子掷出偶数，数数每天早上不掉头发等等），获得基本事件的集合，构成一个随机事件。

概率

简单理解，概率是一个随机事件发生的可能性。概率是个理论上的东西，也就是说在实际中是不存在的。古典概型给出了答案。

• 古典概型
  $概率=\frac{随机时间包含的基本事件的数量}{随机事件所有可能结果的数量}$
  所以在计算概率的时候难免碰见排列和组合问题，太久没写差点在这上面栽跟头，分不清到底应该用排列和组合。

概率的相关公式

哇，这部分，我学了两边也是从来没记住的部分，现在梳理梳理感觉也没有那么费劲儿。之前是干什么就是记不住，特别是贝叶斯。
条件概率公式、全概率公式、贝叶斯公式

• 条件概率公式
  $P(A|B)=\frac{P(AB)}{P(B)}$
  所以：
  $P(AB)=\frac{P(A|B)}{P(B)}=\frac{P(B|A)}{P(A)}$
  在B事件发生的情况下，A事件发生的概率，简单get✔。

• 全概率公式
  $P(A)={\sum }_i^{n}P(A|B_i)\times P(B_i)$
  $B_i,B_n$是样本空间的所有样本点。

• 贝叶斯公式
  贝叶斯公式是条件概率公式与全概率公式的完美结合，能够事件与事件发生的成因关系
  $P(A|B)=\frac{P(AB)}{P(B)}=\frac{P(B|A)\times P(A)}{{\sum }_i^{n}P(B|A_i)\times P(A_i)}$
  $P(A)$为先验概率，$P(A|B)$为后验概率，反映了在已知B发生的情况下，为B发生寻找原因。

随机变量

• 随机变量的定义

公式我就直接截图了，说说我的理解。一个随机事件有许多的结果，将随机事件的结果一一对应地映射到实数轴上，就有了一个随机变量，每一个随机事件的结果就有了一个数字表达，神操作，几百年前的人是怎么想到的。

• 随机变量的分布函数
  当一个函数满足：
  
  且在x无穷大处 满足：
  $F(x)\le 1$
  该函数定义为x对随机变量分布函数，要注意的是分布函数是一个累计概率函数。

• 随机变量的分布律
  粗心的我很容易看错分布函数与分布律。分布律是X = x处时，P(X = x）的概率。

• 随机变量的概率密度函数 – f(x)
  随机变量的概率密度函数是针对连续型随机变量使用的。针对任意一个坐标轴上的点谈论f(x)没有意义，都是0;只有在区间里，f(x)才有意义。

随机变量的数值特征

• 期望：$E(x)$
• 方差：$Var(x)=E(X-E(X){)}^2=E(X^2)-E^2(X)$
• 协方差：$Cov(X,Y) = $E(X-E(X)(Y-E(Y))$
• 相关系数：$\rho =\frac{Cov(X,Y)}{\sqrt{Var(X)}\sqrt{Var(Y)}}$